
Spanish: 
Bueno, hola a todos y bienvenidos al aprendizaje profundo para programadores lección 1
Este es el cuarto
año que hemos hecho esto
pero este es un
muy diferente y muy
especial
versión por varias razones. La primera razón por la cual este es diferente es
porque lo traemos en vivo desde el día número uno de un cierre completo o un cierre no completo
pero casi completo en San Francisco.
Vamos a grabarlo durante los próximos dos meses en medio de esta pandemia global
Así que, si a veces las cosas parecen un poco locas en este curso, me disculpo, pero es por eso que esto está sucediendo
La otra razón por la cual es especial es porque
estamos intentando de hacer de este como nuestro versión definitiva, ¿vale?
Ya que hemos estado haciendo esto por un tiempo ya

Tamil: 
அனைவருக்கும் வணக்கம், நிரலாளர்களுக்கான ஆழமான கற்றல்  - பாடம் 1 ற்கு வருக .
இந்த பாடத்தை நாங்கள் நான்காவது ஆண்டாக செய்து வருகிறோம்
ஆனால் பல காரணங்களுக்காக, அது ஒரு மிகவும் வித்தியாசமான மற்றும் சிறப்பான
பதிப்பு. இந்த வித்தியாசத்திற்கான முதல் காரணம்,
என்னவென்றால், நாங்கள் இதை ஒரு முழுமையான பணிநிறுத்தம் செய்யப்பட்ட அல்லது செய்யாத முதல் நாள் அன்று, நேரடியாக உங்களிடம் கொண்டு வருகிறோம்.
ஆனால் சான் பிரான்சிஸ்கோவில் கிட்டத்தட்ட முழுமையான பணிநிறுத்தம் செய்யப்பட்டுள்ளது
அடுத்த இரண்டு மாதங்களில், இந்த உலகளாவிய தொற்றுநோய்க்கு மத்தியில். இதை பதிவு செய்ய உள்ளோம்
எனவே இந்த பாடத்திட்டத்தில் சில நேரங்களில் விஷயங்கள் கொஞ்சம் பித்துப்பிடித்து போல தோன்றினால் நான் மன்னிப்பு கேட்டுக்கொள்கிறேன், ஆனால் இந்த காரணத்தினால்தான் இப்படி நடக்கிறது
இது சிறப்பானதற்கான மற்ற காரணம் என்னவென்றால்
இது ஒரு வகையில் எங்களுடைய ஒரு உறுதியான பதிப்பாக உருவாக்க முயற்சிக்கிறோம்.
நாங்கள் சிறிதுகாலமாகவே இதைச் செய்து வருவதால்,

Bulgarian: 
Здравейте и добре дошли в курса
"Многослойно машинно самообучение за програмисти", урок първи
Това е четвъртата
година, която го провеждаме,
но ще е много различна и много специална версия
поради ред причини
Първата причина да е различен е, че го провеждаме на живо
още от първия ден
на пълно или почти пълно затваряне на Сан Франциско
Ще го записваме през следващите два месеца
в разгара на тази глобална пандемия
Затова, ако нещата изглеждат малко откачени от време на време,
моля да ме извините, това е причината
Друга причина да е специален
е, че опитваме да го направим един вид окончателна версия.
След като го провеждаме открай време,
най-накрая стигнахме до точка, в която

Japanese: 
皆さんこんにちは、コーダーのための
ディープラーニング、レッスン１へようこそ。
今年で4年目になりますが、これまでとは違った
特別なバージョンになっています。
まず第一に、完全にシャットダウンされた初日から
生放送でお届けします。
完全なシャットダウンではありませんが
サンフランシスコはほぼ完全にシャットダウンしています。
この世界的なパンデミックの真っ只中で
２ヶ月間に渡って 録画する予定です。
もしこのコースで時々少し
慌ただしいように見えたら謝罪します。
しかし、このようなことが起きているのが理由です。
もう一つの特別な理由は、これを私たちの
決定版にしようとしているからです。

Chinese: 
大家好，欢迎来到面向程序员的
So hello everybody and welcome to deep
深度学习第一课
learning for coders lesson 1
这是我们开课的第四年
This is the fourth year that we've done this but
但是由于种种原因
it's a very different and very special
这次课是很不同也很特别的版本
version for a number of reasons The
第一个原因是
first reason it's different is because
这门课的开设
we are bringing it to you live from day
由于旧金山商店几乎全部的关门
number one of a complete shutdown or not complete shutdown
或者接近全部关门
but nearly complete shutdown in San Francisco
我们将在后面的两个月录制这门课
We're going to be recording it over the next two
恰逢全球疫情期间
months in the midst of this global pandemic
因此，如果有时感觉这门课
So if things seem a little
看起来有点不可思议
crazy sometimes in this course
我对此感到歉意
I apologize but this is that's
但这正是现在发生的
why this is happening
另一个原因是
The other reason it's special is because it's
我们正试图将这本书
we're trying to make this out
成为我们的最终版本
a definitive version right
由于我们已经花了很多时间在这上面
Since we've been doing this for a while now we've
我们终于
actually finally got to the point
感觉已经到了
where we almost feel like we know

English: 
So hello everybody and welcome to Deep Learning
for Coders, Lesson One.
This is the fourth year that we've done this,
but it's a very different and very special
version for a number of reasons.
The first reason it's different is because
we are bringing it to you live from day number
one of a complete shutdown.
Oh, not a complete shutdown, but nearly a
complete shutdown of San Francisco.
We're going to be recording it over the next
two months in the midst of this global pandemic.
So if things seem a little crazy sometimes
in this course, I apologize.
So that's why this is happening.
The other reason it's special is because it's,
we're trying to make this our definitive version,
right.
Since we've been doing this for a while now,
we've finally got to the point where we almost

Japanese: 
長い間続けてきたことで、やっと自分たちが
何を言ってるのか、わかった気がしてきました。
シルヴァンと私は実際に本を書いて、
ゼロからfastai2というソフトウェアも書きました。
このライブラリについては査読付きの論文も
書いています。
ですから、このバージョンのコースは、
うまくいけばしばらくは続くと思います。
シラバスはこの本に非常に密接に基づいています。
だから、もしあなたがちゃんと読みたいのであれば、
ぜひ買ってください。
そして「買ってください」と言っているのは、実際には
ジュピターノートブックという形で全てが無料で
手に入るからです。
これはオライリー・メディアの寛大な
ご厚意のおかげです。

English: 
feel like we know what we're talking about.
To the point that Sylvain and I have actually
written a book and we've actually written
a piece of software from scratch, called the
fastai library version 2.
We've written a peer-reviewed paper about
this library.
So this is kind of designed to be like the
version of the course that is hopefully going
to last a while.
The syllabus is based very closely on this
book, right.
So if you want to read along properly as you
go, please buy it.
And I say “please buy it” because actually
the whole thing is also available for free
in the form of Jupyter notebooks.
And that is thanks to the huge generosity
of O'Reilly Media, who have let us do that.

Bulgarian: 
като че ли знаем за какво говорим.
До ниво, в което Силвен и аз написахме истинска книга
и действащ софтуер
от нулата, наречен библиотека fastai, версия 2,
написахме рецензирана статия
за тази библиотека,
така че това е замислено да е версията на курса,
която, надяваме се, ще остане.
Учебната програма следва доста точно съдържанието
на книгата, така че, ако искате да
четете едновременно с провеждане на курса,
моля, купете я.
Казвам моля купете я, защото
цялото съдържание е достъпно и безплатно
под формата на Jupyter-тетрадки
и това е благодарение на голямата щедрост на
О'Рейли медии, които ни го позволиха.

Tamil: 
இறுதியாக எதைப் பற்றி பேசுகிறோம் என்பது தெரிந்ததைப் போலவே நாங்கள் இறுதியாக உணர்ந்திருக்கிறோம்.
அதாவது சில்வியனும் நானும் முடிவாக  ஒரு புத்தகத்தையே எழுதியுள்ளோம்.
அது மட்டுமல்லாமல், நாங்கள் ஒரு மென்பொருளை புதிதாக எழுதியுள்ளோம்
அதன் பெயர் - "ஃபாஸ்ட்-எஐ லைப்ரரி" பதிப்பு 2 . இதைப் பற்றி ஒரு மதிப்பாய்வு செய்யப்பட்ட கட்டுரையை நாங்கள் எழுதியுள்ளோம்
எனவே இது ஒரு வகையான பாடநெறியின் பதிப்பைப் போல வடிவமைக்கப்பட்டுள்ளது, அதாவது
இந்த பதிப்பு சிறிது காலம் மாறாமல் இருக்கும் என்று நம்பிக்கையில் செய்யப்பட்டது
நம் பாடத்திட்டம் இந்த புத்தகத்தை அடிப்படையாகக் கொண்டு அமைக்கப்பட்டது.
எனவே நீங்கள் இந்த பாடங்களுடன் சரியாக படிக்க விரும்பினால்,
இந்த புத்தகத்தை வாங்கவும்.
மேலும் "தயவுசெய்து அதை வாங்குங்கள்" என்று நான் ஏன் சொல்கிறேன் என்றால், உண்மையில் இந்த புத்தகத்தில் உள்ள முழு விஷயமும், இலவசமாக,
ஜுபைட்டர்  குறிப்பேடுகள் வடிவில் கிடைக்கிறது,
மேலும் இப்படி செய்வதற்கான அனுமதி தந்த  ஓ'ரெய்லி ஊடகங்களின் மிகப்பெரிய தாராள மனப்பான்மைக்கு நன்றி
அதனால்

Chinese: 
了解自己意图的地步
what we're talking about to the point that
我和Sylvia编写了一本书
Sylvia and I have actually written a book
我们也编写了软件
and we've actually written
基于scratch的
a piece of software from scratch
名叫fastai库v2.0
called the fastai library version 2
我们写了关于这个库的同行评审的文章
we've written a peer-reviewed paper about this library.
因此
so this is kind of designed to be like
这门课的设计
the version of the course that is
是希望持续一段时间
hopefully going to last for a while
教学大纲几乎完全基于这门书
The syllabus is based very closely
如果你想边学课程边读这本书
on this book right So if you want to read along
请购买吧
properly as you go Please buy it
我说请购买它
And I say please buy it because actually
因为全部的内容都是以
the whole thing is also available for free
Jupyter notebooks的形式免费获得
and in the form of Jupyter notebooks
感谢O'Reilly 出版社的慷慨
that is thanks to the huge generosity of
他们让我们这么做
O'Reilly media who have let us do that
你可以在
So well you'll be able to see

Spanish: 
finalmente hemos llegado al punto en el que casi sentimos que sabemos de lo que estamos hablando.
y hemos escrito un software desde cero
llamada la biblioteca fastai la versión 2, hemos escrito un artículo revisado por pares sobre esto
biblioteca, por lo que está diseñado para ser como la versión del curso que
esperamos que va a durar un tiempo.
El programa sigue muy de cerca este libro, ¿vale?
así que, si quieres leer correctamente a medida que avanzas,
por favor, cómpralo
y digo por favor, cómpralo porque en realidad todo esto también está disponible de forma gratuita en el
forma de cuadernos de Jupyter y eso es gracias a la
enorme
generosidad de O'Reilly Media que nos han permitido hacer eso.
Entonces,
bien,

Tamil: 
இதையெல்லாம் எவ்வாறு அணுகுவது என்பதை நீங்கள் பாடத்தின் இணையதளத்தில் பார்க்க முடியும்
மற்றும்
இங்கே "ஃபாஸ்ட் புக்" களஞ்சியம் உள்ளது, அங்கு நீங்கள் முழு புத்தகத்தயும் படிக்க முடியும்
இப்போது, நீங்கள் பார்ப்பது போல், இது ஒரு வரைவு, ஆனால் இந்த வீடியோவைப் பார்க்கும் நேரத்தில்
அது வரைவாக இருக்காது
எனவே நாங்கள் உங்களுக்கு ஒரு பெரிய கோரிக்கை வைக்கிறோம் , அதாவது
நமக்குள் ஒரு ஒப்பந்தம், என்னவென்றால்
இந்த புத்தகத்தை "ஜுபைட்டர் குறிப்பேடுகள்" ளாக  இலவசமாகப் படிக்கலாம், ஆனால்
அதை "கின்டெல்" அல்லது காகித புத்தகம் அல்லது பிறவற்றில், படிப்பது போல வசதியாக இருக்காது
எனவே, தயவுசெய்து இதை PDF ஆக மாற்ற வேண்டாம். மற்றும் தயவுசெய்து இதை
படிக்க கூடிய ஒரு வடிவமாக மாற்ற வேண்டாம்
ஏனென்றால் இப்படி செய்வதற்கான காரணம், நீங்கள் இந்த புத்தகத்தை வாங்குவீர்கள் என்று நம்பிக்கையில் இப்படி செய்கிறோம்.
படிக்க கூடிய ஒரு வடிவமாக மாற்றி , ஓ'ரெய்லியின் தாராள மனப்பான்மையை தவறாகப் பயன்படுத்த வேண்டாம்

Chinese: 
这门课的网站上找到
on the website for the course how to
如何免费获取这些资源
access all this
这是这本书的再现
Here is the fast book repo where you can read
你可以读全部的内容  这里有草稿
the whole damn thing at the moment as you see the draft
  
by the time you see this
因此我们强烈要求
It won't be So we have a big request here
你们能
which is um the deal is this
免费在Jupyter notebooks上阅读
you can read this thing for free as Jupyter notebooks
但是无法在Kindle上来得方便
but that is not as convenient
或者其他
as reading it on a Kindle or you know in
纸质书之类的
a paper book or whatever
所以请不啊哟把这个变成PDF 好吧
So please don's turn this into a PDF right
请不要把它变成更适合阅读的形式
Please don't turn it into a form designed more for reading
这么做主要是
because kind of the whole point
我们希望
is that we hope you know that
你们会买这本书
you'll buy it right
请不要利用O'Reilly's的慷慨
Don't take advantage of O'Reilly's generosity by
做出
creating the thing that you know

Spanish: 
vas a poder ver en el sitio web del curso cómo agregar un acceso a todo esto
pero
aquí está el  repositorio fastbook donde puedes leer toda la maldita cosa.
En este momento, como ves, es un borrador, pero para cuando
ves esto, no será.
Así que tenemos una gran petición aquí, que es
um
el trato es este
puedes leer esto gratis como cuadernos Jupyter pero
eso no es tan conveniente como leerlo en un Kindle o como sabes en un libro de papel o lo que sea.
Entonces, por favor, no conviertas esto en un PDF ¿vale? Por favor no lo conviertas en un
forma diseñado más para leer
porque la idea es que esperamos que, como sepas, que tu lo comprarás bien, no
aproveches de la generosidad de O'Reilly
en
creando lo que tú

English: 
So you'll be able to see on the website for
the course how to kind of access all this,
but here is the fastbook repo where you can
read the whole damn thing.
At the moment as you see, it's a draft, but
by the time you read this, it won't be.
So we have a big request here which is - the
deal is this - you can read this thing for
free as Jupyter notebooks, but that is not
as convenient as reading it on a Kindle or
in a paper book or whatever.
So, please don't turn this into a PDF, right.
Please don't turn it into a form designed
more for reading, because kind of the whole
point is that you'll buy it.
Don't take advantage of O'Reilly's generosity
by creating the thing that you know they're
not giving you for free.

Japanese: 
コースのウェブサイトにアクセス方法が
掲載されていますが、
ここにあるfastbookのレポでは
全ての内容を読むことができます。
今のところ、ご覧のようにそれは草稿ですが、あなたが
これを読む頃にはそうはなっていないでしょう。
そこで、ここで大きな要望があります。
ジュピターノートブックとして無料で
読むことができますが、
Kindleや紙の本などで読むのと比べると
便利ではありません。
だから、これをPDFにするのはやめてください。
読むことを目的としたフォーマットには
しないでください。
そもそもの目的はよかったら
あなたに買ってもらうことです。

Bulgarian: 
Така че ще може да видите на сайта за курса,
как да получите достъп до всичко това,
тук е хранилището на fastbook,
където може да видите цялото проклето нещо.
В момента пише, че е чернова, но до момента, когато ще го видите,
вече няма да е, така че имаме голяма молба.
Сделката е следната -
може да четете това нещо безплатно под формата на Jupyter-тетрадки, но
така не е толкова удобно, както четенето на Киндл или, знаете, на хартиена книга
Затова моля не превръщайте материала в PDF. Моля, не го преобразувайте към
формат, който е специално за четене.
Защото идеята е, че се надяваме, че ще купите книгата. Не се
възползвайте от щедростта на O'Reilly,
като
създадете нещо, което

Bulgarian: 
не ви се дава безплатно и
такъв е и изрично лицензът, по който ви осигуряваме достъпа.
Това е молба да сме свестни хора
Ако видите някой, който не е благоприличен и краде "книжната" версия на книгата,
моля кажете му "моля не правете така". Не е хубаво и не бъдете такъв човек.
Така или иначе, може да четете книгата съвместно с учебната програма.
Има няколко различни версии на тези тетрадки.
Има пълна версия, която
съдържа целия текст, картинки, всичко.
В действителност написахме
система, която преобразува тетрадките в печатна книга
и понякога това изглежда малко странно, например

Japanese: 
オライリーの寛大さを利用して、タダで貰えないと
分かっているものを作るのはやめてください。
実際にはそれが、私たちがこれを提供している
ライセンスなのです。
これは主にまともな人間であってくださいとの
お願いです。
もし他の誰かがまともな人間ではなく、
書籍版を盗んでいるのを見たら、
「そんなことしないでくれ、迷惑だから 」と
言ってあげてください。
そして、そんな人にならないようにしましょう。
ということで、どちらにしても、本の中のシラバスに
沿って読んでください。
このノートにはいくつかのバージョンがあります。
全部の文章、写真、全てが載っている
完全なノートがあります。
私たちは実際にジュピターノートブックを印刷する本にするためのシステムを作ったたのですが、
それがちょっと変な感じに見えることがあります。

Tamil: 
அவர்கள் இலவசமாக கொடுக்கவில்லை, அது உண்மையில் வெளிப்படையாக உரிமத்தின் அடிப்படையில் , நாங்கள் இதை வழங்குகிறோம்
எனவே உங்களுக்குத் தெரிந்ததுபோல,
இது முக்கியமாக ஒரு ஒழுக்கமான மனிதனாக இருப்பதற்கான வேண்டுகோள்
வேறொருவர் ஒழுக்கமான மனிதராக இல்லாதிருப்பதையும் புத்தகத்தின் புத்தக பதிப்பைத் திருடுவதையும் நீங்கள் கண்டால்,
தயவுசெய்து அப்படிச் செய்ய வேண்டாம் என்று அவர்களிடம் சொல்லுங்கள். இது நல்லதல்ல, அத்தகைய நபராக இருக்க வேண்டாம் என்று கூறுங்கள்
எனவே புத்தகத்தில் உள்ள பாடத்திட்டங்களை நீங்கள் இரு வடிவங்களிலும்  படிக்கலாம்
இந்த குறிப்பேடுகளின் இரண்டு வெவ்வேறு பதிப்புகள் உள்ளன
ஒரு முழு குறிப்பேடு உள்ளது,
இப்போது அதில் நாங்கள் எழுதிய முழு உரைநடை, படங்களும் உள்ளன
நாங்கள் குறிப்பேடுகளை அச்சிடப்பட்ட புத்தகமாக மாற்ற ஒரு அமைப்பை எழுதினோம், சில சமயங்களில் அது வித்தியாசமாகத் தெரிகிறது.உதாரணத்திற்கு

English: 
And that's actually explicitly the license
under which we're providing this as well.
So it's mainly a request, being a decent human
being.
If you see somebody else not being a decent
human being and stealing the book version
of the book, please tell them, “Please don't
do that, it's not nice.”
And don't be that person.
So either way, you can read along with the
syllabus in the book.
There's a couple of different versions of
these notebooks, right.
There is the, there's the full notebook that
has the entire prose, pictures, everything.
Now we actually wrote a system to turn notebooks
into a printed book and sometimes that looks
kind of weird.

Spanish: 
como sabes, no te están dando gratis y esa es, de hecho, explícitamente la licencia bajo la cual también proporcionamos esto
Entonces hay un, como sabes,
es principalmente una llamada a ser una persona decente.
Si ves que otra persona no está siendo una persona decente y está robando la versión del libro,
por favor, diles que por favor no hagas eso. No es agradable y no seas esa persona.
De cualquier manera, puedes leer junto con el programa de estudios en el libro
Hay un par de versiones diferentes de estos cuadernos, justo ahí está el
ahí está el cuaderno completo que
tiene toda la prosa, imágenes, todo. Nostros hemos escrito
un sistema para convertir cuadernos en un libro impreso y, a veces, se ve un poco raro, por ejemplo

Chinese: 
不是免费给与你的东西
they're not giving you for free
实际上，这也是
That's actually explicitly the license
我们提供这项服务的许可证
under which we're providing this as well
所以
So that's you know it's mainly a
主要是希望大家成为得体的人
request to being a decent human being if
如果你看到有人的行为不得体
you see somebody else not being a decent
盗用了书的版权
human being and stealing the book
请告诉他们
version of the book please tell them
不要这么做 这样不好
please don't do that it's not nice
不要成为这样的人
and don't be that person So either way
所以 你可以阅读书中的大纲
you can read along with the syllabus in the book
这些笔记有不同的版本
There's a couple of different versions of  these notebooks right
这是笔记的完整版
There's the there's the full notebook
有全部的图片
that has the entire prose pictures of everything
实际上我们编写了一个系统
Now we actually wrote a
将笔记变成纸质书
system to turn notebooks into a printed book
但是有时看起来比较奇怪
and sometimes that looks kind of weird

Tamil: 
இங்கே ஒரு வித்தியாசமான தோற்றம் கொண்ட அட்டவணை இருக்கிறது. ஆனால் நீங்கள் புத்தகத்தில் பார்த்தால்
சரியான அட்டவணையைப் போலவே தோன்றுகிறது.
எனவே சில நேரங்களில் சிறிய வித்தியாசமான வடிவங்களை போன்று காணலாம்
அவை தவறுகள் அல்ல.
எங்கள் புத்தகம் சரியான நல்ல புத்தகமாக மாற்ற உதவும் வகையில் தகவல்களைச் சேர்க்கும் இடங்கள் அவை
எனவே அவற்றைப் புறக்கணிக்கவும்
இப்போது நான் "நாங்கள்" என்று கூறும்போது, "நாங்கள்" யார்.
நான் குறிப்பிட்டது போல
"நாங்கள்" இன் ஒரு முக்கியமான பகுதி
சில்வைன். அவர் இந்த புத்தகம்  மற்றும் "ஃபாஸ்ட் AI" பதிப்பு 2 யின் - இணை ஆசிரியர் ஆவர்.
எனவே அவர் இங்கே எனது "குற்றத்தில் பங்குதாரர்"
"நாங்கள்" இல் உள்ள மற்றொரு முக்கிய நபர்
'ரேச்சல் தாமஸ்'. எனவே 'ரேச்சல்', நீங்கள் வந்து ஹலோ சொல்லலாம். அவர் 'ஃபாஸ்ட்-ஏஐ' இன் இணை நிறுவனர் ஆவர்.
நான் 'ஃபாஸ்ட்-ஏஐ' இன் இணை நிறுவனர்

English: 
For example, here's a weird looking table
and if you look in the actual book, it actually
looks like a proper table, right.
So sometimes you'll see like little weird
bits, okay, they are not mistakes they are
bits where we can add information to help
our book turn into a proper nice book so just
just ignore them.
Now when I say we, who is we?
While I mentioned one important part of the
we is Sylvain.
Sylvain is my co-author of the book and fastai
version 2 library, so he is my partner in
crime here.
The other key “we” here is Rachel Thomas
and so maybe Rachel you can come and say hello.
She is the co-founder of fastai.
Hello yes I am the co-founder of fastai and
I am also, lower sorry taller than Jeremy,

Bulgarian: 
ето странно изглеждаща таблица, но ако погледнете в истинската книга,
таблицата се вижда като нормална таблица.
Така че понякога ще виждате малки странни части/маркировки
Добре, те не са грешки. Те са части, където ние добавяме информация, за да помогнем на книгата ни да се превърне в истинска хубава книга.
Така че, просто ги игнорирайте.
Когато казвам "ние", кои сме ние?
Важна част от "ние" е
Силвер. Силвер ми е съавтор за книгата и за версия 2 на библиотеката fastai.
Така че той е моят съучастник в престъплението
Другият ключов
"ние" е
Рейчъл Томас. И така, Рейчъл, може да дойдеш и да се представиш. Тя е съосновател на fast.ai.
Здравейте, да, аз съм съосновател на fast.ai, аз съм също

Spanish: 
aquí hay una tabla de aspecto extraño y si miras en el libro real
en realidad, parece una tabla normal, así que a veces verás cositas un poco extrañas,
de acuerdo. No son errores, son partes en las que agregamos información para ayudar a que nuestro libro se convierta en un libro bonito.
Así que, solo ignóralas.
Ahora, cuando digo nosotros, ¿quién somos? Bien, mencioné
una parte importante de la que somos
es Sylvain. Sylvain es el coautor del libro y la versión 2 de la biblioteca fastai
asi qué, él es mi compañero en el crimen aquí.
La otra persona clave
aquí esta
Rachel Thomas y, entonces, quizás Rachel, puedes venir aquí y saludar. Ella es la cofundadora de fastai.
Hola, sí, estoy la cofundadora de fastai y también estoy,

Japanese: 
例えば、ここに変な表がありますが、
実際の本の中を見てみると、
実際にはちゃんとした表のように見えますよね。
時々変なところが出てきますが、
これは間違いではありません。
本を素敵な本にするための情報を
追加するためのものですので、無視してください。
さて「私たち」と言えば、私たちとは誰でしょう？
「私たち」の重要な部分の一人がシルヴァンです。
シルヴァンは本とfastaiバージョン2ライブラリの
私の共著者ですので、彼は私の犯罪のパートナーです。
「私たち」のもう一人はレイチェル・トーマスです。
レイチェル、挨拶をしに来てください。
彼女はfastaiの共同設立者です。
こんにちは、私はfastaiの共同創設者です。
そして、あ、低く。
すみません。
私はジェレミーよりも背が高いんです。

Chinese: 
比如这里是一个奇怪的表格
For example here's a weird-looking
如果你看实际的书中
table and if you look in the actual book
它看起来确实是合适的表格
it actually looks like a proper table
所以 有时你会发现
right So sometimes you'll see like a
有点奇怪
little weird bits okay
这些不是错误
They are not mistakes they're bits where we kind of
而是我们为了将书变成印制板
add information to help our book
添加的额外信息
turn into a proper nice book
忽略他们即可 当我说我们 我们是谁
so just ignore them Now when I say we who is we
我提到
Well I mentioned
我们中重要的一员是Sylain
one important part of the we is Sylain
fastai库v2.0的合著者
the fastai version two library
他也是我的好朋友
so he is my partner in crime here
另一个重要的事情是Rachel Thomas
The other key we here is Rachel Thomas
Rachel Thomas 你可以上台发言了
and so maybe Rachel Thomas you can come
和大家打个招呼 她是fastai的合著者
and say hello she's the co-founder of fastai
大家好 是的 我是fastai的合著者  我说慢点
Hello yes I'm the  co-founder of fastai I'm also ... slower sorry
我比Jeremy高一些
I'm taller than Jeremy

Tamil: 
மன்னிக்கவும், நான் ஜெர்மியை விட உயரமாக இருக்கிறேன். நான் சான் பிரான்சிஸ்கோ பல்கலைக்கழகத்தில் பயன்பாட்டு தரவு நெறிமுறைகளுக்கான மையத்தின் நிறுவன இயக்குநராக இருக்கிறேன்
இந்த பாடத்திட்டத்தின் ஒரு பகுதியாக இருப்பதில் நான் மிகவும் மகிழ்ச்சியடைகிறேன், மன்றங்களிலிருந்து வரும் கேள்விகளைக் கேட்கும் குரலாக நான் இருப்பேன்
இந்த குழுவில் உள்ளவர்களில்  'ரேச்சல்' மற்றும் 'சில்வியன்' தான் உண்மையில் கணிதத்தைப் புரிந்துகொள்கிறவர்கள். நான் வெறும் தத்துவ பட்டதாரி.
ரேச்சல் பி.எச்.டி பட்டதாரி.
சில்வியன் கணிதத்தைப் பற்றி 10 புத்தகங்களை எழுதியுள்ளார்.
எனவே கணித கேள்விகள் வந்தால், நான் அவற்றை இவர்களிடம் அனுப்புதற்கான சாத்தியம் உண்டு
எனவே இந்த தலைப்பைப் புரிந்துகொள்ளும் நபர்களுடன் இணைந்து பணியாற்றுவதற்கான வாய்ப்பு கிடைத்திருப்பது மிகவும் மகிழ்ச்சியாக இருக்கிறது
ஆம் ரேச்சல். நீங்கள் பேச விரும்பினீர்களா?
நிச்சயமாக, நல்லது, நன்றி
ரேச்சல் குறிப்பிட்டுள்ளபடி,
உலகத் தரம் வாய்ந்த நிபுணத்துவம் பெற்ற மற்ற பகுதி, தரவு நெறிமுறைகள்.

Spanish: 
Más bajo, lo siento, soy más alto que Jeremy. Estoy la directora fundadora del centro de ética de datos aplicados de la Universidad de San Francisco.
Estoy muy emocionado de ser parte de este curso y voy a ser la voz que escuches con las preguntas de los foros.
Rachel y Sylvain también son las personas en este grupo que realmente entienden las matemáticas. Soy un simple graduado de filosofía
Rachel tiene un doctorado. Silvain ha escrito diez libros sobre matemáticas. Entonces
si surgen preguntas de matemáticas, es posible que pueda
pasarlas a ellos.
Pero es muy agradable tener la oportunidad de trabajar con personas que entienden este tema tan bien.
Si. Si Rachel,  querías
Claro, bueno, gracias. Como Rachel mencionó la otra área donde ella
realmente tiene experiencia de nivel mundial es ética de datos. Es la directora fundadora del centro de datos aplicados en

English: 
and I am the founding director of the Center
for Applied Data Ethics at the University
of San Francisco.
Really excited to be a part of this course
and I will be the voice you hear asking questions
from the forums.
Rachel and Sylvain are also the people in
this group who actually understand math.
I am a mere philosophy graduate.
Rachel has a PhD.
Sylvain has written 10 books about math so
if the math questions come along it's possible
I may pass them along.
But it is very nice to have an opportunity
to work with people who understand this topic
so well.
Yes Yes Rachael, did you wanna sure oh thank
you.
As Rachel mentioned the other area where she
is you know real, has real world-class expertise

Japanese: 
そして私はサンフランシスコ大学の応用データ
倫理センターの創設ディレクターです。
このコースに参加できることを
本当に楽しみにしています。
そして私の声がフォーラムからの
質問を聞く声になります。
レイチェルとシルヴァンは、このグループの中で実際に数学を理解している人たちです。
私は単なる哲学の卒業生です。
レイチェルは博士号を持っています。
シルヴァンは数学について10冊の本を
書いているので、
もし数学の質問が来たら、私はそれを
委託すかもしれません。
でも、この課題をよく理解している人たちと一緒に仕事をする機会があるのは、とても嬉しいことです。
はい、はいレイチェル、
あぁ、ありがとうございます。
レイチェルが言ってたように、彼女が実際の
世界クラスの専門知識を持っているのは
データ倫理であり、彼女は応用データ倫理センターの
創設ディレクターです。

Bulgarian: 
по-ниска, извинете, по-висока от Джереми и съм основател на Центъра за приложна етика на Университета в Сан Франциско.
Наистина съм развълнувана да бъда част от този курс и ще бъда гласът, който ще чувате да задава въпроси от форумите.
Рейчъл и Силвер също така са хората от тази група, които всъщност разбират математиката. Аз съм завършил философия.
Рейчъл има докторска степен. Силвер е написала 10 книги по математика.
Ако възникнат въпроси по математика, може
да ги предам към тях.
Но е много хубаво да имаш възможност да работиш с хора, които разбират тази тема толкова добре.
Да. Да, Рейчъл. Искаш ли да
Разбира се, благодаря и както Рейчъл спомена и друга област, където тя
има експертиза от световна класа, е етиката на данните. Тя е учредителният директор на центъра за приложни данни

Chinese: 
我是旧金山大学
and i am founding director of the centre for
应用数据中心的创始董事
applied data at the University of San Francisco
我很高兴
I'm really excited to be a
成为这个课程的一部分
part of this course and I'll be the
我也将回答来自论坛的提问
voice to hear asking questions from the forums
Rachel 和 Sylain是
Rachel and Sylain are also the
这个组里
people in this group who actually
真正理解数学的人
understand math
我只是哲学毕业生 Rachel有博士学位
I am a mere philosophy graduate Rachel has a PhD
Sylain写了十本关于数学的书
Sylain has written 10 books about math
如果有关于数学的问题
So if math questions come along
我可能就跳过了
it's possible I may pass them along
有机会和
but it's very nice to have an opportunity to work with people
懂这些题目的人公事 很开心
who understand this topic so well yes
Rachel你想要....
yes Rachel did you want to Sure well
谢谢你
Thank you
正如Rachel提到的 她所从事的其他领域
As Rachel mentioned the other area
作为真实世界的经验
where she's you know as real world
是数据伦理学
classic expertise is data ethics
她是旧金山大学
She is the founding director of the center for

Chinese: 
应用数据中心的创始董事
applied data at the University of San Francisco
谢谢你
thank you
我们将
We're going to be talking about
在整个课程谈论数据伦理学
data ethics throughout the course
我们认为这个很重要
because well we happen to think
因此对于那些部分
It is important So for those parts
尽管我会陈述
although I'll generally be presenting them
这些课程将基于Rachel的工作
will be on the whole based on Rachel's work
因为她完全明白她所讲述的东西
because she actually knows what she's talking about
尽管 感谢她 我对
although thanks to her I kind of know a
自己讲的也有所了解
bit about what I'm talking about too right
因此 感谢你们的到来
So should you be here is
有很多关于理解
there any point you're attempting to
深度学习的地方
understand deep learning
你是不是应该在这里
okay so you you know should you be here
你有哪些要学关于
Is there any point you're attempting to
深度学习的地方
learn deep learning or you're too
或者你很笨 或者你没有足够的资源
stupid or you don't have enough vast resource
或者其他的东西 不管怎样
or whatever

Tamil: 
அவர் சான் பிரான்சிஸ்கோ பல்கலைக்கழகத்தில் பயன்பாட்டு தரவுகளுக்கான மையத்தின் நிறுவன இயக்குநராக உள்ளார்.
நாங்கள் நிச்சயமாக தரவு நெறிமுறைகளைப் பற்றி பேசப் போகிறோம், ஏனென்றால் இது மிகவும் முக்கியமானது என்று நாங்கள் நினைக்கிறோம்
எனவே அந்த பகுதிகளுக்கு, நான் பொதுவாக அவற்றை வழங்குவேன். ரேச்சலின் வேலையின் அடிப்படையில் அவை ஒட்டுமொத்தமாக இருக்கும்
ஏனென்றால் அவர் எதைப் பற்றி பேசுகிறார் என்பது அவருக்குத் தெரியும்
அவரின் உதவியால் இப்பொழுது , நான் பேசுவதைப் பற்றி எனக்கு கொஞ்சம் தெரிகிறது
சரி,
எனவே, நீங்கள் இங்கே இருக்க வேண்டுமா? ஏதாவது பயன் இருக்கிறதா?
ஆழ்ந்த கற்றலை நீங்கள் புரிந்துகொள்ள முயற்சிப்பதால் ஏதேனும் பயன் உண்டா?
சரி, நீங்கள் இங்கே இருக்க வேண்டுமா? ஆழ்ந்த கற்றலைக் கற்றுக்கொள்ள முயற்சிக்க வேண்டுமா?

English: 
is data ethics, she is the founding director
of the Centre for Applied Data Ethics, at
the University of San Francisco.
Thank you.
We are gonna be talking about data ethics
throughout the course because well we happen
to think it's very important and so for those
parts, although I'll generally be presenting
them they will be on the whole based on Rachel's
Rachel's work because she actually knows what
she's talking about.
Although thanks to her I kind of know a bit
about what I am talking about too.
Right, so that's that.
So should you be here, is there any point
in you attempting to understand (I thought
I pressed the right button), understand deep
learning.
Ok so what do you know should you should you
be here.
Is there any point you attempting to learn
deep learning or are you too stupid or you

Japanese: 
サンフランシスコ大学です
サンフランシスコ大学ですね、ありがとうございます。
私たちはコースを通してデータ倫理について話します。
なぜなら、私たちはたまたまそれが非常に重要だと
考えているからです。
私が一般的にそれらを発表することになりますが、
全体的にはレイチェルの仕事に基づいたものになります。
彼女は実際に何を言っているのかを知っているので。
でも、彼女のおかげで、私も私が話していることを
少しは知っています。
それはそれとして。
あなたはここにいるべきでしょうか。
あなたがを理解することにどんな目的があるのか
（私は正しいボタンを押したと思った）
深層学習を理解しようとすることに意味があるのでしょうか？
OK 、あなたは何を・・・あなたはここにいるべきでしょうか。
あなたが深層学習を学んでメリットがありますか？
あなたがあまり頭がよくないですか？
または十分高速なコンピューターを
持っていないですか？、などなど。

Spanish: 
la universidad de San Francisco. Gracias
Vamos a hablar sobre la ética de los datos a lo largo del curso porque pensamos que es muy importante.
Entonces, para esas partes, aunque generalmente las presentaré, en general, se basarán en
Rachel's
el trabajo de Rachel porque ella realmente sabe de lo que está hablando
Aunque gracias a ella, de alguna manera, sé un poco de lo que estoy hablando.
Bien, eso es todo.
Entonces, ¿deberías estar aquí? ¿Hay algún punto en que intentes entender
el aprendizaje profundo?
Bien, entonces, ¿qué sabes si deberías estar aquí? ¿Hay algún punto en el que intentes aprender aprendizaje profundo?

Bulgarian: 
в университета на Сан Франциско. Благодаря
Ще говорим за етика на данните по време на целия курс, защото смятаме, че е много важно.
Така че за тези части, въпреки че по принцип аз ще ги представям, те ще бъдат като цяло базирани на
работата на Рейчъл, защото тя в действителност знае за какво говори,
въпреки че благодарение на нея и аз поназнайвам за какво говоря.
Точно така, така е това
Така че трябва ли да сте тук, има ли някакъв момент, който се опитвате да разберете?
Да разберете многослойното машинно самообучение (Deep Learning)
Така че какво правите тука, има ли смисъл да се опитвате да научите Deep Learning

Tamil: 
நீங்கள்  முட்டாளா? அல்லது உங்களிடம் போதுமான வளங்கள் இல்லையா?. ஏனென்றால் அதுதான் நிறைய பேர் எங்களிடம் சொல்கிறார்கள்
உங்களுக்கு 'PhDs' பட்டதாரி குழுக்கள் மற்றும் 'GPU - க்கள்' நிறைந்த பாரிய தரவு மையங்கள் தேவை என்று அவர்கள் கூறுகிறார்கள்.
இல்லையெனில் அது அர்த்தமற்றது என்கிறர்கள் .
கவலைப்பட வேண்டாம். அது உண்மையல்ல. உண்மையில்
பெரும்பாலான உலகத் தரம் வாய்ந்த
ஆராய்ச்சி மற்றும் உலகத் தரம் வாய்ந்த தொழில் ப்ராஜெக்ட்-கள் 'ஃபாஸ்ட்-ஏஐ' முன்னாள் மாணவர்களால் செய்தவை மற்றும்
'ஃபாஸ்ட்-ஏஐ'
மென்பொருள் சார்ந்த ப்ராஜெக்ட்-கள் மற்றும் மற்ற இடங்களில் உள்ள ப்ராஜெக்ட்-கள்
ஒரே ஒரு GPU வில்
செய்தவை
சில எண்ணிக்கைகள் அல்லது சில நூறு தரவு புள்ளிகளைப் மட்டுமே பயன்படுத்தி,
பட்டதாரி பட்டம்
அல்லது தொழில்நுட்ப நிபுணத்துவம் இல்லாதவர்கள் செய்த ப்ராஜெக்ட்-கள்.
என்னை எடுத்துக்கொண்டால், என்னிடம் இளங்கலை அளவிலான தொழில்நுட்ப நிபுணத்துவம் இல்லை. நான் ஒரு தத்துவ பட்டதாரி.
எனவே
நாம் அதை நிச்சயமாக வரும் பாடங்களில் பார்ப்போம்

Spanish: 
¿Eres demasiado estúpido o no tienes suficientes recursos vastos o lo que sea? Porque eso es lo que mucha gente nos dice.
Dicen que necesita equipos de gentes con doctorados y centros de datos masivos, llenos de GPUs. De otra manera
es inútil.
No te preocupes. Eso no es del todo cierto. No podría estar más lejos de la verdad, de hecho, el vasto
Mucho, investigación de clase mundial
y proyectos industriales de clase mundial han salido de los alumnos de fastai
fastai
proyectos basados ​​en la biblioteca y en otros lugares que son
creado en una sola GPU
utilizando
unas pocas docenas o unos cientos de puntos de datos hecho por personas que no tienen
nivel de posgrado
experiencia técnica o en mi caso, ni siquiera tengo experiencia técnica de nivel universitario. Solo soy un graduado en filosofía.
Entonces hay,
y lo veremos a lo largo del curso,

Bulgarian: 
или сте прекалено глупави, или нямате достатъчно големи ресурси или каквото и да е, защото това е каквото ни казват много хора.
Казват, че имате нужда от екипи от доктори и огромни центрове за данни, пълни с графични процесори. В противен случай,
иначе е безсмислено.
Не се притеснявайте. Това изобщо не е вярно. Даже не може да бъде по-далеч от истината.
Всъщност огромна част  изследвания от световна класа
и практически проекти на световно ниво са направени от завършили fast.ai,
проекти, базирани на библиотеката fast.ai и други,
създадени са на едно GPU,
използвайки няколко десетки или няколко стотици примерни записа
от хора, които нямат познания на студент, завършил техническа специалност,
или в моя случай нямам изобщо техническо образование. Аз съм завършил специалност философия.
Така че има,
както ще видим по време на курса,

Japanese: 
それは多くの人々が私たちに言ってくることです。
彼らは、博士号を持ったチームとGPUを搭載した
大規模なデータセンターが必要だと言っています。
そうでなければ無意味だと。
心配しないでください、それは全く
真実ではありません。
真実からこれ以上離れたものはありません。
実際、大多数の世界的な研究や世界的な
産業プロジェクトの多くは、
fastaiの卒業生やライブラリを使ったプロジェクト、
または他の場所から生まれたもので、
大学院レベルの技術的な専門知識を
持たない人たちから、
数十、数百のデータポイントを使って
単一のGPUで作られたものです。
私はといえば大学レベルの専門知識もありません。
私は哲学部です。
しかし、ディープラーニングを使って素晴らしいことをするためには、

Chinese: 
因为这是大多数人告诉我们的
Because that's what a lot of people are telling us
他们说你需要博士团队
They're saying you need teams of PhDs
以及大量的数据和GPU
and massive data centers full of GPUs
否则学习这些是无意义的
otherwise it's it's pointless
别担心 这不对
Don't worry that is not at all true
否则学习这些是无意义的
137
别担心 这不对
138
这与事实相悖
139
实际上大量的
140
世界一流研究和
141
实际上大量的
In fact the vast a lot of
141
142
世界一流研究和
world-class research and world-class
142
143
工业项目都出自fastai的校友
industry projects have come out of fastai alumni
143
144
和基于项目的库
and fastai library based projects
144
145
或者别处
and and elsewhere which are
145
146
来自于单个GPU
created on a single GPU
146
147
使用几十和几百个数据点
using a few dozen or a few hundred data points
147
148
来自没有研究生工科技术文凭的人
from people that have no graduate level
148
149
或者像我这样
technical expertise or in my case I have
没有本科工科技术经验
no undergraduate level technical
或者像我这样
151
technical expertise or in my case I have
152
no undergraduate level technical
153
expertise I'm just a philosophy major
154
So there is when we'll see it throughout
我只是哲学专业
expertise I'm just a philosophy major
当我们浏览整个课程
So there is when we'll see it throughout
会发现有大量的
the course but there is lots and lots

English: 
don't have enough fast resources or whatever,
because that's what a lot of people are telling
us.
They are saying you need teams of PhDs and
massive data centers full of GPUs, otherwise
it's pointless.
Don't worry that is not at all true, couldn't
be further from the truth.
In fact that the vast majority, sorry, a lot
of world-class research and world-class industry
projects have come out of fastai alumni and
fastai library-based projects and and elsewhere
which are created on a single GPU using a
few dozen or a few hundred data points from
people that have no graduate level technical
expertise, or in my case, I have no undergraduate
level technical expertise.
I'm just a philosophy major.
So there is - and we'll see it throughout
the course -- but there is lots and lots and

Japanese: 
たくさんの数学は必要ないし、たくさんのデータも必要ないし、
高価なコンピュータも必要ないという明確な
実証的証拠がたくさんあります。
だから我々と一緒に我慢して付いてきてみてください。
あなたは大丈夫です。
このコースを受けるには コードを書く必要があります。
できればPythonでコードを書く方法を 知っていることが望ましいです。
他の言語をやったことがあれば Pythonを学ぶことができます。
もしあなたがこれまでにやったことのある言語がMatlabのようなもので、
スクリプトのようなものしか使ったことがないのであれば、少し難しく感じるかもしれません。
しかし、それでいいんです。
頑張ってください。
Pythonはどんどん学習していけばいいのです。
深層学習を学ぶ意味はありますか？
何かディープラーニングの得意なことはありますか？
もしあなたが脳を作りたいと思っているのであれば、
それはAGIです。
なのでこのコースがあなたをの役に立つとは
約束できません。
AGIは 人工知能（Artificial General Intelligence）の
略です。

Tamil: 
ஆனால், பல அனுபவ தெளிவான சான்றுகளில் என்ன தெரிகிறது என்றால். கணிதம் தெறியவேண்டியது,
நிறைய தரவு அல்லது விலையுயர்ந்த கணினிகள் போன்றவை , ஆழ்ந்த கற்றலுடன் சிறந்த விஷயங்களைச் செய்ய உங்களுக்கு தேவையில்லை என்பதே. அதனால்
கொஞ்சம் பொறுத்துக்கொள்ளுங்கள். நீங்கள் இதை புரிந்துகொள்வீர்கள்.
இந்த பாடத்திட்டத்தை பழக நீங்கள் நிரல் செய்ய வேண்டும்
முடிந்தால், பைத்தானில் எவ்வாறு நிரல் செய்வது என்பது உங்களுக்குத் தெரிந்திருக்க வேண்டும்.
ஆனால் நீங்கள் பிற மொழிகளில் நிரல் செய்திருந்தால்
நீங்கள் பைத்தானைக் கற்றுக்கொள்ளலாம்
நீங்கள் நிரல் செய்த ஒரே மொழி MATLAB போன்றது என்றால், அதை நீங்கள் ஒரு ஸ்கிரிப்டிங் போன்ற விஷயங்களைப் பயன்படுத்தினீர்கள் என்றால்
இதை கற்க சற்று கடினமாக இருக்கும்.
ஆனால் பரவாயில்லை, தொடர்ந்து முயற்ச்சிசெய்யுங்கள். போகப்போக நீங்கள் பைத்தானைக் கற்றுக்கொள்ளலாம்.
ஆழ்ந்த கற்றலைக் கற்றுக்கொள்வதில் ஏதேனும் காரணம் உள்ளதா? இது ஏதாவது செய்வார்த்துற்கு உபயோகமானதா?
நீங்கள் ஒரு செயற்கை மூளையை உருவாக்க விரும்புகிறீர்கள்,என்றால்
அது ஒரு AGI
அதை செய்வதுற்கு நாங்கள் உங்களுக்கு உதவுவோம் என்று என்னால் உறுதியளிக்க முடியாது. மற்றும் AGI என்பது செயற்கை பொது நுண்ணறிவைக் குறிக்கிறது. நன்றி

Chinese: 
经验数据表明
and lots of clear empirical evidence
你不需要大量数学基础
that you don't need lots of math 
不需要大量数据
you don't need lots of data 
不需要昂贵的计算机
you don't need lots of expensive computers to do great stuff 
进行深度学习
with deep learning
只需和我们在一起完成这门课
 So just bear with us you'll be fine 
你确实需要完美地编写代码
To do this course you do need to code preferably 
如何使用Python写代码
you know how to code in Python 
如果你会其他编程语言 你可以学Python
but if you've done other languages you can learn Python
如果你唯一会的是
If the only languages you've done 
类似于MATLAB
is something like MATLAB 
并且像脚本语言使用
where you've used it more of kind of like a scripting kind of thing
你会觉得比较困难
you will find it a bit heavier going 
但是坚持下去
but that's okay stick with it 
你也能学会Python
you can learn Python as you go
学习深度学习有什么要点吗
 Is there any point learning deep learning 
如果想造一个人工智能的大脑 是否会有帮助
Is it any good at stuff If you are hoping to build a brain
我不能保证
that is an AGI I cannot promise
我们会帮助你实现
we gonna help you with that 
AGI表示通用人工智能
And AGI stands for artificial general intelligence
谢谢
thank you

English: 
lots of clear empirical evidence that you
don't need lots of math, you don't need lots
of data, you don't need lots of expensive
computers to do great stuff, with deep learning.
So just bear with us.
You'll be fine.
To do this course, you do need to code.
Preferably, you know how to code in Python.
But if you've done other languages, you can
learn Python.
If the only languages you've done is something
like Matlab, where you've used it more like
a scripty kind of thing, you might find it
a bit - You will find it a bit heavier going.
But that's okay, stick with it.
You can learn Python as you go.
Is there any point learning deep learning?
Is it any good at stuff?
If you are hoping to build a brain, that is
an AGI, I cannot promise we're gonna help
you with that.
And AGI stands for: Artificial General Intelligence.

Bulgarian: 
има много и много и много ясни емпирични доказателства, че нямате нужда от много математика,
нямате нужда от много данни. Не ви трябват много скъпи компютри, за да правите страхотни неща с Deep Learning.
Така че, просто останете с нас. Всичко ще е наред.
За да се справите с този курс, трябва да може да програмирате.
За предпочитане е да знаете как да кодирате в Python,
но ако ползвате други езици,
може да научите Python.
Ако единствените езици, с които работите, са нещо като MATLAB, където сте ги използвали по-скоро като за скриптове за нещо,
ще ви бъде по-тежко,
но това е нормално. Може да учите Python в процеса на курса.
Има ли някакъв смисъл да учим за Deep Learning, има ли нещо полезно?
Ако се надявате да създадете мозък,
това е AGI.
Не мога да обещая, че ще ви помогна в това

Spanish: 
Pero hay muchísimas evidencias empíricas claras de que no necesita muchas matemáticas,
no necesitas muchos datos, no necesita muchos ordenadores costosos para hacer grandes cosas con el aprendizaje profundo. Entonces,
simplemente ten paciencia. Estarás bien
Para hacer este curso necesitas programar
Preferiblemente, sabes cómo programar en Python
pero si has hecho otras lenguajes
puedes aprender Python
Si las únicas lenguajes que has hecho son algo como MATLAB donde lo has usado más bien como una especie de script
puede encontrarlo un poco más difícil aquí. Le resultará un poco más complicado hacer
pero no pasa nada, quédate con eso. Puedes aprender Python a medida que avanzas
¿Hay algún punto en aprender el aprendizaje profundo? ¿Es bueno para hacer cosas?
Si esperas construir un cerebro
que es un AGI
no puedo prometer que te ayudaré con eso (y AGI significa inteligencia general artificial). Gracias

English: 
Thank you.
What I can tell you though, is that in all
of these areas, deep learning is the best-known
approach, to at least many versions of all
of these things.
So it is not speculative at this point whether
this is a useful tool.
It's a useful tool in lots and lots and lots
of places.
Extremely useful tool.
And in many of these cases, it is equivalent
to or better than human performance.
At least according to some particular narrow
definition of things that humans do in these
kinds of areas.
So deep learning is pretty amazing.
And if you want to pause the video here and
have a look through and try and pick some
things out that you think might look interesting
and type that keyword and “deep learning”
into Google.
And you'll find lots of papers and examples
and stuff like that.
Deep learning comes from a background of neural
networks.

Bulgarian: 
и AGI означава "artificial general intelligence" изкуствен общ интелект. Благодаря
Това, което мога да ви кажа обаче, е че във всички тези области
Deep learning  е най-добрият известен подход, поне за много варианти на всички тези неща.
Така че
не е преувеличено, че това е полезен инструмент.
Това е полезен инструмент за много и много и много неща, изключително полезен инструмент.
И в много от тези случаи е еквивалентен
или по-добър от човешкото представяне, поне за определени тесни
определения за нещата, които хората правят в този тип области.
Така че deep learning е доста невероятно
и ако
Може да спрете видеото тук, да разгледате и да изберете нещо, което ви изглежда интересно
и да напишете ключовата дума и deep learning в Google и ще намерите много статии, примери и подобни неща.
Deep learning (многослойното машинно самообучение)

Spanish: 
Sin embargo, lo que puedo decirte es que en todas estas áreas.
el aprendizaje profundo es el enfoque más conocido para al menos muchas versiones de todas estas cosas
Entonces no es
especulativo en este momento si esta es una herramienta útil o no.
Es una herramienta útil en montones y montones de situaciones extremadamente útiles. Hay muchos de estos casos donde es
equivalente o mejor que el desempeño humano, al menos de acuerdo con algún tipo particular de
definición estrecho de cosas que los humanos hacen en este tipo de áreas.
Entonces, el aprendizaje profundo es bastante sorprendente
y si
quieres pausar el video aquí y echar un vistazo y seleccionar algunas cosas que crees que podrían
ser interesante, luego escribas esa palabra clave y aprendizaje profundo en Google y encontrarás muchos documentos y ejemplos y cosas así.
Aprendizaje profundo

Tamil: 
நான் உங்களுக்கு என்ன சொல்ல முடியும் என்றால், இந்த எல்லா பகுதிகளிலும்
இந்த எல்லாவற்றின் குறைந்தது பல பதிப்புகளுக்கு, ஆழ்ந்த கற்றல் மிகச் சிறந்த அணுகுமுறையாகும்
அதனால் தான்
இது ஒரு பயனுள்ள கருவியா இல்லையா என்பது இந்த கட்டத்தில் எந்த சந்தேகமும் இல்லை.
இது ஒரு பயனுள்ள கருவி மற்றும் பல, பல, பல இடங்களில் மிகவும் பயனுள்ள கருவி. இந்த நிகழ்வுகளில் பலவற்றில்
மனித செயல்திறனை விட சமமான அல்லது சிறந்தது. குறைந்த பட்சம், இந்த வகையான பகுதிகளில்  சில குறிப்பிட்ட வகையான விஷயங்களில்,
மனிதர்கள் செய்யும் செயல்களின் குறுகிய வரையறையின்படி எடுத்துக்கொண்டால்.
எனவே ஆழமான கற்றல் மிகவும் ஆச்சரியமான  ஒன்று
மற்றும்
வீடியோவை இங்கு இடைநிறுத்தி, அதைப் பார்க்க முடிந்தால். நீங்கள் சுவாரஸ்யமாக இருக்கும் என்று நினைக்கும் சில விஷயங்களை எடுத்துப் பாருங்கள்.
அந்த முக்கிய சொல்லையும் ஆழமான கற்றலையும் Google இல் தட்டச்சு செய்தால்  . நீங்கள் நிறைய கட்டுரைகள் மற்றும்  எடுத்துக்காட்டுகள் போன்றவற்றைக் காண்பீர்கள்
ஆழமான கற்றல்

Japanese: 
ありがとうございます。
しかし私が言えることは これらの分野のすべてにおいて 少なくとも多くのバージョンでは
ディープラーニングが最もよく知られたアプローチであるということです。
ですから、これが有用なツールであるかどうかは、
現時点では推測ではありません。
たくさんの、たくさんの、たくさんの、たくさんの場所で役に立つツールなのです。
極めて有用なツールです。
そして、これらの多くのケースでは、人間のパフォーマンスと同等かそれ以上であるのです。
（少なくとも、この種の分野で人間が行うことのいくつかの特定の狭い定義によると）
ディープラーニングは非常に素晴らしいものです。
ここでビデオを一時停止して、興味がありそうなものをいくつかピックアップしてみてください。
そしてそのキーワードとディープラーニングをGoogleで検索すれば、
たくさんの論文や事例などが見つかるはずです。
ディープラーニングは、ニューラルネットワークの背景から来ています。

Chinese: 
我能告诉你的是
What I can tell you though 
在所有的领域里 深度学习是
is that in all of these areas deep learning is 
最广为认知的方法
the best-known approach to 
尤其是在所有这些领域里
at least many versions of all of these things 
因此在这点上不要怀疑
So it's it is not speculative at this point
深度学习是否是有用的工具
whether this is a useful tool 
它确实有用 在很多很多的
it's a useful tool in lots and lots and lots of
地方是尤其有用的工具
places extremely useful tools 
并且在很多情况下 它等同于
And in many of these cases it is equivalent to
甚至超过人类的表现
or better than human performance 
至少根据人们在一些特别的
at least according to some particular kind
狭义的事物中的行为
of narrow definition of things that
所以
humans do in these kinds of areas 
深度学习很令人惊叹
so deep learning is pretty amazing and 
如果你可以暂停视频
if you could have  paused the video here
然后仔细看和尝试
 and have a look through and try and
选取一些你认为
pick some things out that you think
有趣的事情
might look interesting and type 
然后将关键词和深度学习打在Google里面进行搜索
that keyword and deep learning into Google
你会发现大量的论文
and you'll find lots of papers and
和例子等东西
examples and stuff like that
深度学习来源于
Deep learning comes from a background of

Tamil: 
என்பது நரம்பியல் வலையமைப்பின் பின்னணியில் இருந்து வருகிறது, ஏனெனில் ஆழ்ந்த கற்றல் என்பது ஒரு வகையான
நரம்பியல் வலையமைப்புக் கற்றல்
ஆழமான ஒன்று. அதன் அர்த்தத்தை நான் பின்னர் விவரிக்கிறேன். இப்போது நரம்பியல் வலையமைப்புகள் நிச்சயமாக ஒரு புதிய விஷயம் அல்ல. இது குறைந்தபட்சம்
1943ல் ஆரம்பமாகிறது , மெக்குல்லோக் மற்றும் பிட்ஸ்
ஒரு செயற்கை நியூரானின் கணித மாதிரியை உருவாக்கினார்கள். அது எங்கு எடுத்து செல்லும் என்பது பற்றி மிகவும் உற்சாகமாக இருந்தார்கள்
பின்னர் 50 களில்
ஃபிராங்க் ரோசன்ப்ளாட்
அதன் அடிப்படையில்
அந்த கணித மாதிரியில் சில நுட்பமான மாற்றங்களை உருவாக்கினார்
இந்த நுட்பமான மாற்றங்களால் ஒரு இயந்திரத்தின் பிறப்பை நாம் காண முடியும் என்று அவர் நினைத்தார். அது உணர்தல்,
அங்கீகரித்தல் மற்றும் எந்தவொரு மனிதப் பயிற்சியும் கட்டுப்பாடும் இல்லாமல் அதன் சுற்றுப்புறங்களை உணருதல் போன்ற திறன்கள் இருக்கும் என்று எண்ணினார்
அவர் மேற்பார்வையில் இது உருவாக்குபட்டது
இந்த அசாதாரண பொருள். கார்னலில் ஒரு மார்க் 1 பெர்செப்டிரான்
இந்த படம் 1961 இல் எடுக்கப்பட்டது என்று நினைக்கிறேன்

Spanish: 
proviene de un fondo de redes neuronales, como verás, el aprendizaje profundo es solo un tipo de
red neuronal aprendiendo,  una
red profunda. Vamos a describir exactamente lo que eso significa más adelante. Por cierto, las redes neuronales no son algo nuevo. Regresan al menos a
1943, cuando McCulloch y Pitts
crearon un modelo matemático de una neurona artificial y se emocionaron mucho sobre dónde podrían llegar con eso.
Y luego en los años 50
Frank Rosenblatt
luego construío encima de eso,
básicamente, creó algunos cambios sutiles en ese modelo matemático.
Y pensó que con estos cambios sutiles podríamos presenciar el nacimiento de una máquina que es capaz de percibir,
reconocer e identificar su entorno sin ningún tipo de entrenamiento o control humano y
supervisó la construcción de este
cosa extraordinaria, una marca 1 Perceptrón en Cornell.
Creo que esta foto fue de 1961.

Bulgarian: 
произлиза от невронните мрежи, както ще видите то е просто един вид
обучение на невронни мрежи
дълбоко - с много слоеве, по-нататък ще обясним точно какво означава това.
Невронните мрежи определено не са нещо ново.
Водят началото си от поне 1943 г., когато McCulloch и Pitt's
създават математичен модел на изкуствен неврон и много се вълнуват докъде може да ги доведе.
След това през 50-те
Франк Розенблат
построява на тази основа,
на практика прави минимални промени на този математичен модел
и смята, че с тези фини промени "можем да станем свидетели на раждането на машина, която е способна да възприема,
разпознава и идентифицира заобикалящата я среда без човешко обучение или контрол" и
надзирава изграждането на това
изключително нещо, mark 1 перцептрон, в Корнел.
Мисля, че тази снимка е от 1961.

Chinese: 
神经网络这一背景 如你所见
neural networks As you'll see 
深度学习只是神经网络的一种形式
deep learning is just a type of 
一种深层次网络
neural network learning a deep one 
我们后面会详细讲解
we'll describe exactly what that means later
神经网络当然不是新事物
And neural networks are certainly not a new thing
它们出现于1943年
 they go back at least to 1943
那是 McCulloch 和 Pitts发明了
when McCulloch and Pitts created 
一种人工数学模型
a mathematical model of an artificial neuron
并非常兴奋
 and got very excited about 
想知道这能如何发展 到了50年代
where that could get to and then in the 50s
Frank Rosenblatt基于此
Frank Rosenblatt then built on top of that
对数学模型
 to basically create some subtle changes
加了一些微小的变化
 to that mathematical model 
他认为有了这些微小的变化
and he thought that with these subtle changes
我们能目睹一种机器的诞生
 we could witness the birth 
它能察觉识别和认出
of a machine that is capable of perceiving recognizing and identifying
其周边事物 不需要人工训练
its surroundings without any human training
或者控制 他监督搭建
or control and he oversaw the building
这个杰出的东西 第一代感知机
of this extraordinary thing a mark 1 perceptron
在康奈尔大学
 at Cornell 

English: 
As you'll see deep learning is just a type
of neural network learning.
A deep one.
We'll describe exactly what that means later.
And neural networks are certainly not a new
thing.
They go back at least to 1943, when McCulloch
and Pitts created a mathematical model of
an artificial neuron.
And got very excited about where that could
get to.
And then in the 50's, Frank Rosenblatt then
built on top of that - he basically created
some subtle changes to that mathematical model.
And he thought that with these subtle changes
“we could witness the birth of the machine
that is capable of perceiving, recognizing
and identifying its surroundings without any
human training or control”.
And he oversaw the building of this - extraordinary
thing.
The Mark 1 Perceptron at Cornell.

Japanese: 
見ての通り、ディープラーニングは
ニューラルネットワーク学習の一種です。
深いものです。
それが何を意味するのかは後ほど正確に説明します。
そして、ニューラルネットワークは確かに新しいものではありません。
少なくとも1943年までさかのぼります。
マックロックとピッツが 人工ニューロンの数学モデルを作成した時です。
そして、それがどこに到達するかについて非常に期待されました。
50年代には、フランク・ローゼンブラットが、その上に数学モデルを構築しました。
彼は基本的に、その数学モデルに微妙な変更を加えました。
そして彼は、これらの微妙な変更で、
「人間の訓練や制御なしに 周囲の環境を看取、認識、識別できる機械の誕生を 目撃することができる」
と考えました。
そして彼はこの驚異的なものの開発を監督したのです。
コーネル大学のマーク１パーセプトロンです

Japanese: 
この写真は１９６１年だったと思います。
ありがたいことに今日では、ニューラルネットワークを構築するために、
ニューロンからニューロンへ（人工ニューロンから人工ニューロンへ）配線をを走らせる必要はありません。
しかし、多くの接続が行われているという考えが見えてきます。
このコースでは、接続（コネクション）という言葉をよく耳にするでしょう。
それはここからきています。
それから、私たちは最初のAIの冬を迎えました。
これは、MITのマービン・ミンスキー教授とパパートが ローゼンブラットの発明について
パーセプトロンという本を書きました。その中で 彼らが指摘したのは、
これらの人工ニューロンデバイスの単一の層は、実際にはいくつかの重要なことを
学ぶことができないということです。
ブール演算子のXOR演算子のような簡単なものを学ぶことは不可能でした。
同じ本の中で、彼らは、人工ニューロン装置を何層にも重ねて使えば、
実際に問題が解決することを示しています。
でも人々は無視 - 本のその部分に気づかなかったのです。
そして、制限にだけ気付き、人々は基本的にニューラルネットワークは

Chinese: 
我认为 这幅图片是1961年
So that was I think this picture was 1961 
幸亏如今我们不需要
Thankfully nowadays we don't have to build 
通过电线搭建神经网络
neural networks by running the damn wires
来建造一个人工神经元
to build for a neural artificial neuron
但是你会持续听见这个想法
but you can kind of see the idea 
即 节点
a lot of connections going on 
你会在这门课很多次听到节点这个词
and you'll hear the word connection a lot in this course
就这样
because that's  all about
然后到了AI的第一个寒冬
Then we had the first AI winter
这确实很大程度的
which really to a strong degree happen
因为一名MIT教授
 happened because an MIT professor
名叫Marvin Minsky 和 Papert写了
named Marvin Minsky and Papert 
一本叫感知机的书
wrote a book called perceptrons 
这本书关于Rosenblatt的发明
about Rosenblatt's invention 
他们指出单层的
in which they pointed out that a single layer of 
人工神经感知机确实
these artificial neuron devices 
不能学到重要的东西
actually couldn't learn some critical things 
似乎不可能
It was like impossible for them to learn
学到像XOR运算这么简单的东西
something as simple as the boolean XOR operator
同时他们表示
 In the same book they showed
使用多层感知机
that using multiple layers of the
确实能解决问题
devices actually would fix the problem
人们没有注意到书上的这一点
People ignore it didn't notice that 
只注意到了
that part of the book and only notice the
限制性 人们因此决定
limitation and people basically decided

English: 
So that was I think, this picture was 1961.
Thankfully nowadays, we don't have to build
neural networks by running the damn wires
from neuron to neuron (artificial neuron to
artificial neuron).
But you can kind of see the idea; lot of connections
going on.
And you'll hear the word connection a lot,
in this course, because that's what it's all
about.
Then we had the first AI winter, as it was
known.
Which really, to a strong degree happened
because an MIT professor named Marvin Minsky
and Papert wrote a book called perceptrons
about Rosenblatt's invention in which they
pointed out that a single layer of these artificial
neuron devices, actually couldn't learn some
critical things.
It was like impossible for them to learn something
as simple as the Boolean XOR operator.
In the same book, they showed that using multiple
layers of the devices actually would fix the
problem.
People ignore - didn't notice that part of
the book.

Spanish: 
Afortunadamente, hoy en día, no tenemos que construir redes neuronales ejecutando los malditos cables de una neurona artificial a otra neurona artificial
pero puedes ver la idea. Muchas
conexiones existiendo. Vas a escuchar la palabra conexión mucho en este curso porque de eso se trata.
Luego tuvimos lo que era conocido como el primer invierno de IA,  cuál realmente
en gran medida sucedió porque un profesor del MIT llamado Marvin Minsky
y Papert escribieron un libro llamado 'Perceptrones' sobre la invención de Rosenblatt en el que señalaron que una
sola capa de estas
dispositivos de neuronas artificiales
en realidad no pude aprender.
Algunas cosas críticas les resultaba imposible aprender, algo tan simple como el operador Booleano XOR.
En el mismo libro, demostraron que el uso de múltiples capas de los dispositivos realmente solucionaría el problema
la gente ignoró o no notó esa parte del libro y solo notó el

Bulgarian: 
За щастие в наши дни не е нужно да изграждаме невронни мрежи, като пускаме проводници от неврон към неврон,  изкуствен неврон,
но можете да видите идеята,
за какви връзки става дума и в този курс, ще чуете думата връзка много често, защото това е всъщност всичко.
След това имаме първата AI (Artificial Intelligence) зима, както е известна, която реално
до голяма степен се случва, защото професор от MIT на име Марвин Мински
и Паперт написват книга, наречена "Перцептрон" за изобретението на Розенблат, в която посочват, че един слой от
тези
устройства - изкуствени неврони,
всъщност не може да научи
някои критични неща, невъзможно е да научат нещо толкова просто като булевия оператор XOR.
В същата книга те показват, че използването на множество слоеве от устройствата всъщност ще отстрани проблема.
Хората игнорират, не забелязват тази част от книгата и забелязват само това

Tamil: 
நல்லவேளை இப்போதெல்லாம், ஒரு செயற்கை நியூரானிலிருந்து செயற்கை நியூரானுக்கு கம்பிகளை இணைப்பதன் மூலம் நாம் நரம்பியல் வலையமைப்புக்களை உருவாக்க வேண்டியதில்லை,
ஆனால் மேலோட்டமாக, இங்கு நிறைய
இணைப்புகள் நடக்கிறது என புரிந்துகொள்ளாம். இந்த பாடத்திட்டத்தில் நீங்கள் 'இணைப்பு' என்ற வார்த்தையை அதிகம் கேட்பீர்கள், ஏனென்றால் இந்த பாடத்திட்டம் முழுவதுமே அதை பற்றிதான்
பின்னர், நாம் அறிந்த முதல் AI குளிர்காலம் வந்தது, இது உண்மையில்
ஒரு வலுவான அளவிற்கு நடந்தது, ஏனெனில் எம்ஐடி பேராசிரியர்கள் மார்வின் மின்ஸ்கி
மற்றும் டேப்பேட், பெர்செப்டிரான்ஸ் என்ற புத்தகத்தை எழுதினார்கள். ரோசன்ப்ளாட்டின் கண்டுபிடிப்பைப் பற்றியது, அதில் என்ன சுட்டிக்காட்டினார்கள் என்றாள் - ஓர் அடுக்கில் உள்ள
இந்த
செயற்கை நியூரான் சாதனங்களால்
உண்மையில், சில வற்றை கற்றுக்கொள்ள முடியாது. குறிப்பாக
சில முக்கியமான விஷயங்கள் - பூலியன் XOR ஆபரேட்டரைப் போல - எளிமையான ஒன்றைக் கற்றுக்கொள்வது அதற்கு சாத்தியமற்றது
அதே புத்தகத்தில், சாதனங்களின் பல அடுக்குகளைப் பயன்படுத்துவதன் மூலம் இந்த சிக்கலை சரிசெய்யலாம் என்பதைக் காட்டினர்
மக்கள் புத்தகத்தின் அந்த பகுதியை கவனிக்கவில்லை, அவர்கள் கவனித்து

Japanese: 
どこにも行かないと決めつけてしまいました。
そして何十年もの間、それらはほとんど姿を消してしまいました。
ある意味で1986年までは。
その間にいろいろなことがありましたが、1986年に大きなことがありました。
MITが「並列分散処理」という本を出版、2巻に分けてシリーズ化したものです。
その中で、並列分散処理（Parallel Distributed Processing）と呼ばれるものを説明していました。
並列分散処理とは、たくさんの処理装置と、
アクティベーションと、出力機能と、
接続性のパターンと、伝播ルールと、活性化ルール、
学習ルールを持った処理ユニットが、環境の中で動作しているというものです。
そして、これらの要件を満たすものが、どのようにして理論的にはあらゆる種類の
驚くべき仕事をすることができるのかを説明しました。
これは、多くの、多くの研究者が協力して取り組んだ結果です。

Spanish: 
limitación y la gente básicamente decidió que las redes neuronales no irán a ninguna parte y
ellos
ellas en gran parte desaparecieron durante décadas.
Hasta,
de alguna manera, 1986, sucedieron muchas cosas mientras,
pero hubo una gran cosa en 1986, que es
MIT lanzó una cosa llamada, una serie de libros de dos volúmenes, un libro llamado 'Procesamiento Distribuido en Paralelo'.
En cual describieron esta cosa, que ellos llamaron procesamiento distribuido paralelo
donde tienes un montón de unidades de procesamiento que tienen algún estado de
activación y alguna función de salida y alguna patrón
de conectividad y alguna regla de propagación y algún regla de activación y alguna regla de aprendizaje que operaron en un entorno,
y luego describieron como las cosas que cumplían con estos requisitos
podrían en teoría hacer todos tipos de trabajos increíbles.
Este fue el resultado de muchos

English: 
And only noticed the limitation and people
basically decided that neural networks are
gonna go nowhere.
And they kind of largely disappeared, for
decades.
Until, in some ways, 1986.
A lot happened in the meantime but there was
a big thing in 1986, which is: MIT released
a thing called a book, a series of two volumes
of book called, “Parallel Distributed Processing”.
In which they described this thing they call
parallel distributed processing, where you
have a bunch of processing units, that have
some state of activation and some output function
and some pattern of connectivity and some
propagation rule and some activation rule
and some learning rule, operating in an environment.
And then they described how things that met
these requirements, could in theory, do all
kinds of amazing work.
And this was the result of many, many researchers
working together.

Bulgarian: 
ограничение, и в общи линии решават, че невронните мрежи няма да отидат на никъде и
те
до голяма степен изчезват за десетилетия.
По някакъв начин през 1986 г., междувременно се случи много,
но през 1986 г. имаше голямо нещо:
MIT пусна книга, книга от два тома, наречена "Паралелна разпределена обработка" (PDP),
в която те описаха това, което наричат паралелна разпределена обработка,
където имате куп обработващи единици, които имат някакво състояние на
активиране и някаква изходна функция, и някакъв
модел на свързване, и някакво правило за разпространение и някакво правило на активиране, и някакво правило за учене, работещо в среда.
И тогава те описват как нещата, които отговарят на тези изисквания,
може на теория да вършат всякакви невероятни работи.
Това беше резултат от много, много

Chinese: 
神经网络没有发展
that neural networks are going to go nowhere
神经网络很大程度
 and they kind of largely disappeared
消失了很多年 直到
 for decades until 
1986年发生了很多 同时
in some ways 1986 a lot happened in the meantime
1986年有件大事
but there was a big thing in 1986 
MIT发布了一本书
which is MIT released a thing called a book series
一个系列 有两卷
 series of two volumes a book 
这本书名叫并行分布式处理
called Parallel Distributed Processing
他们描述了
in which they described this thing 
并行分布式处理
They call parallel distributed processing
你有很多处理的单元
where you have a bunch of processing units
并且有一些激活函数
 that have some state of activation
还有一些输出函数
and some output function 
还有连接的节点
and some pattern of connectivity 
还有传播规格 激活规则
and some propagation rule and some activation rules
学习规则
 and some learning rule 
都运作在同一个环境
operating in an environment 
然后他们描述了如何在理论上
and then they described how things that met these requirements
满足这些条件 做所有这些事情
could in theory do all kinds of amazing work
这个结果由很多很多
 Now this was the result of many many
研究人员一起工作
 researchers working together 
作为一个组 参与到
as a whole group involved in this i

Tamil: 
வரம்பை மட்டுமே. மேலும் நரம்பியல் வலையமைப்புக்கள் எங்கும் செல்லப் போவதில்லை என்று முடிவு செய்தனர்
அவை
பெரும்பாலும் பல தசாப்தங்களுக்கு மறைந்துவிட்டன.
1986 வரை சில வழிகளில். இதற்கிடையில் நிறைய நடந்தது
ஆனால் 1986 இல் ஒரு பெரிய விஷயம் நடந்தது, அதாவது
எம்ஐடி இரண்டு தொகுதிகள் கொண்ட 'இணை விநியோகிக்கப்பட்ட செயலாக்கம்' என்று  புத்தகத்தை வெளியிட்டது
இதில் அவர்கள் 'இணை விநியோகிக்கப்பட்ட செயலாக்கம்' என்று அழைக்கப்பட்ட ஒரு விஷயத்தை விவரித்தனர்
அதன் கூறுகள் - ஒரு கொத்தாக  உள்ள செயலாக்க அலகுகளுக்கு, சில
செயல்படுத்தல் - நிலைகள், சில வெளியீட்டு செயல்பாடுகள்
சில இணைப்பின் வடிவங்கள், சில பரப்புதல் பங்குகள், சில செயல்படுத்தும் பங்குகள் மற்றும் சில கற்றல் விதிகள். இவை அனைத்தும் ஒரு சூழலில் இயங்குகிறது என்று
அவர்கள் இந்த தேவைகளை பூர்த்தி செய்யும் விஷயங்களை விவரித்தனர்
கோட்பாட்டில், அனைத்து வகையான அற்புதமான வேலைகளையும் செய்ய முடியும் - என்று கூறினர்
இது விளைவு, பல

English: 
There was a whole group involved in this project,
which resulted in this very, very important
book.
And so, the interesting thing to me, is that
if you - as you go through this course come
back and have a look at this picture and you'll
see we are doing exactly these things.
Everything we're learning about really is
how do you do each of these eight things?
That is interesting that they include the
environment because that's something which
very often, data scientists ignore.
Which is - you build a model, you've trained
it, it's learned something.
What's the context it works in?
And we're talking about that, quite a bit
over the next couple of lessons as well.
So in the 80's, during and after this was
released people started building in this second
layer of neurons, avoiding Minsky's problem.
And in fact, it was shown, that it was mathematically
provable, that by adding that one extra layer

Bulgarian: 
изследователи, работещи заедно като цяла група, участваща в този проект, в резултат на което се получи тази много важна книга.
Така че интересното тук за мен е, че ако вие, като преминете през този курс, се върнете и погледнете
тази снимка, ще видите, че правим точно тези неща, всичко, което учим, е как се прави
всяко едно от тези
осем неща. Интересно е, че те включват околната среда, защото това е нещо, което много често
учените по теория и анализ на данни пренебрегват. Това е, че ти изграждаш модел, обучаваш го, научил е нещо,
но в какъв контекст работи? Ще говорим за това доста и през следващите няколко урока.
Така през 80-те,
по време и след издаване на книгата, хората започнаха да слагат и този втори слой неврони,
избягвайки проблема на Мински, и всъщност
показано беше, 

Japanese: 
このプロジェクトにはグループ全体が関わっていて、
それがこの非常に重要な
本につながったのです。
そして、私にとって興味深いのは、このコースを受講した後に、
この写真を見ていただければ、私たちがまさにこのようなことをしていることがわかると思います。
私たちが学んでいることは、これらの8つのことをどのようにするかということです。
環境が含まれているのは興味深いことですが、
これはデータサイエンティストが
無視することが多いからです。
モデルを構築し、それを訓練し、
何かを学習しました。
それがどのようなコンテキストで動作するのか？
それについては、次のレッスンでも度々お話しします。
そして80年代に、これがリリースされた後、
人々は第二層のニューロンを構築し始めました。
ミンスキーの問題を回避するためです。
実際に、ニューロンの層を1層追加することで、
これらのニューラルネットワークを使って、

Chinese: 
这个项目来完成
this project which resulted in this very very
这本重要的书
important book and so
对我来说有趣的事情是
 that the interesting thing here to me is that 
当你学这门课的时候
If you as you go through this course 
返回来看这张图
come back and have a look at this picture 
你会发现我们做的正是
and you'll see we are doing exactly 
这些事 每一件 我们学的
these things Everything we're learning about
正是你如何把
really is how do you do each of these
这八件事情的每一个做好
eight things right 
有趣的是它们包括了环境
and it's interesting that they include the environment
因为这件事
because that's something which 
通常数据科学家会忽略
very often data scientists ignore 
你建立一个模型 训练它
which is you build a model you've trained it 
模型学了一些东西 但是模型的工作环境
it's learned something but what's the context it works in
我们会在
 when we talking about that
以获得课程里谈到
quite a bit over the next couple of lessons as well 
所以在80年代
So in the 80s 
在这本书发布以后
you know during and after this was released
人们开始建立第二层神经元
people started building in this second
来避免Minsky的问题
layer of neurons avoiding Minsky's problem
实际上
problem and in fact it was shown 
在数学上可以证明
that it was mathematically provable

Tamil: 
ஆராய்ச்சியாளர்கள், இந்த திட்டத்தில் ஈடுபட்டுள்ள ஒரு முழுக் குழுவாக இணைந்து பணியாற்றினர், இதன் விளைவாக இந்த மிக முக்கியமான புத்தகம் கிடைத்தது
எனவே இங்கே எனக்கு சுவாரஸ்யமான விஷயம் என்னவென்றால், நீங்கள் இந்த பாடத்திட்டத்தை கடந்து செல்லும்போது திரும்பி வந்து
இந்த படத்தைப் பாருங்கள். நாம் இந்த விஷயங்களைச் செய்கிறோம் அப்படியே செய்கிறோம் என்று காண்பீர்கள்.  நாம் கற்பது அனைத்தும் , நீங்கள் எவ்வாறு, இங்கு குறிப்பிட்டுள்ள,
எட்டு விஷயங்கள் ஒவ்வொன்றும் செய்யப்போகிறீர்கள் என்று தான். இவை சூழலை உள்ளடக்கியது என்பது சுவாரஸ்யமானது, ஏனென்றால் அது பெரும்பாலும்
தரவு விஞ்ஞானிகள் புறக்கணிக்கிற விஷயம். நீங்கள் ஒரு மாதிரியை உருவாக்குகிறீர்கள். நீங்கள் அதைப் பயிற்றுவித்தீர்கள். அது ஏதோ கற்றுக்கொள்கிறது
ஆனால் அது செயல்படும் சூழல் என்ன? அடுத்த இரண்டு பாடங்களையும் பற்றி நாம் கொஞ்சம் பேசுவோம்.
எனவே 80 களில்
இது வெளியிடப்பட்ட காலத்திலும் அதற்குப் பின்னரும் மக்கள் இந்த இரண்டாவது அடுக்கு நியூரான்களில் உருவாக்கத் தொடங்கினர்,
மின்ஸ்கியின் சிக்கலைத் தவிர்ப்பது மற்றும் உண்மையில்,
என்ன காட்டப்பது என்றால்,

Spanish: 
investigadores trabajando juntos en un grupo involucrados en este proyecto que resultó en este libro muy, muy importante.
Entonces, lo interesante aquí para mí es que si tu a medida que avanzas en este curso regreses y eches un vistazo
a esta imagen, vas a ver que estamos haciendo exactamente estas cosas, todo lo que estamos aprendiendo realmente es como haces
cada una de estes
ocho cosas, vale. Es interesante que incluyan el entorno porque eso es algo que muy a menudo
los científicos de datos ignoran. Quiero decir que construiste un modelo, lo entrenó, aprendió algo
¿pero en qué contexto funciona? Vamos a hablar de eso bastante en el próximo par de lecciones también.
Entonces en los 80
Sabes durante y después de que esto fue lanzado, la gente comenzó a construir en esta segunda capa de neuronas
evitando el problema de Minsky y de hecho
Se demostró que

English: 
of neurons, it was enough to allow any mathematical
model to be approximated to any level of accuracy,
with these neural networks.
And so that was like the exact opposite of
the Minsky thing.
That was like: “Hey there's nothing we can't
do.
Provably there's nothing we can't do.”
And so that was kind of when I started getting
involved in neural networks.
So I was - a little bit later.
I guess I was getting involved in the early
90s.
And they were very widely used in industry.
I was using them for very boring things like
targeted marketing for retail banks.
They tended to be big companies with lots
of money that were using them.
And it certainly though was true that often
the networks were too big or slow to be useful.
They were certainly useful for some things,
but they - you know they never felt to me
like they were living up to the promise for
some reason.

Spanish: 
Era matemáticamente demostrable que al agregar esa capa adicional de neuronas. Fue suficiente para permitir cualquier
El modelo matemático se aproxima a cualquier nivel de precisión con estas redes neuronales
Y eso fue exactamente lo contrario de lo de Minsky
Eso fue como hey, ya sabes, no hay nada que no podamos hacer, no hay nada que podamos hacer
Y eso fue cuando empecé a involucrarme en redes neuronales
Entonces llegué un poco más tarde. Supongo que me estaba involucrando al principio
90 y fueron muy utilizados en la industria. Los estaba usando para cosas muy aburridas como el marketing dirigido para bancos minoristas
tendía a ser grandes empresas con mucho dinero que las usaba y, sin embargo, era cierto que
A menudo, las redes eran demasiado grandes o lentas para ser útiles. Ciertamente fueron útiles para algunas cosas, pero
Ya sabes
Nunca me sintieron como si estuvieran cumpliendo la promesa por alguna razón. Ahora lo que no sabía y nadie

Bulgarian: 
математически беше доказано, че чрез добавяне на този допълнителен слой неврони
всеки математически модел може да се апроксимира с произволно ниво на точност с тези невронни мрежи.
И така това беше точно обратното на Мински.
Това беше като "ей, знаете, няма нещо, което да не можем да направим", доказуемо няма такова нещо.
И така бяха нещата, когато започнах да се занимавам с невронни мрежи.
Може би малко по-късно. Предполагам, че се включих в началото на
90-те години и те бяха много широко използвани в промишлеността. Използвах ги за много скучни неща, като целевия маркетинг за банките, обслужващи дребни клиенти.
Основно големи компании с много пари ги използваха и със сигурност беше вярно, че
често мрежите са били твърде големи или бавни, за да бъдат полезни. Със сигурност имаше полезни за нещо, но
никога не съм ги чувствал така, сякаш изпълняват обещаното по някаква причина. Това, което не знаех и 

Chinese: 
通过添加额外的一层神经元
 that by adding that one extra layer of neurons
可以满足任何数学模型
it was enough to allow any mathematical model 
近似到任何层次的准确
 to be approximated to any level of accuracy
通过这些神经网络实现
 with these neural networks 
这和Minsky的想法
and so that was like the exact opposite of
完全不一样 就好像
the Minsky thing That was like 
我们可以做任何事情
hey youknow there's nothing we can't do
我们也可能做不了什么
probably there's nothing we can do 
这也是当我开始
and so that was kind of when I started
参与神经网络
getting involved in neural networks
我大概比较晚
 So I was a little bit later 
我记得是90年代早期
I guess I was getting involved in the early 90s 
神经网络大量用于工业
and they were very widely used in industry 
我利用它们做很枯燥的事情
I was using them for the very boring things
比如针对零售银行的目标市场
 like targeted marketing 
这通常是大公司
 for retail banks It tended to be big companies
有很多钱使用神经网络
 with lots of money that were using them
尽管通常
and it certainly though was
网络比较大而且慢
true that often that networks 
没法变得很有用处
were too big or slow to be useful 
但确实对一些事情有用
there were certainly useful for some things 
它们从没有让我感到
but they you know they never felt to me 
对神经网络的失望 出于一些原因
like they were living up to the promise 
我所不知道的
for some reason Now what I didn't know and

Tamil: 
கணித ரீதியாக, நியூரான்களின் ஒரு கூடுதல் அடுக்கைச் சேர்ப்பதன் மூலம்,
இந்த நரம்பியல் வலையமைப்புகள் மூலம் எந்த கணித மாதிரியையும், எந்த அளவிலான துல்லியத்திற்கும் தோராயமாக மதிப்பிட கணிக்க போதுமானது.
அதனால் அது மின்ஸ்கி சொன்னதற்கு நேர் எதிரானது போல இருந்தது
அது "நாங்கள் எதுவும் செய்ய முடியாது" என்று சொல்வது போல இருந்தது
கிட்டத்தட்ட அந்த சமயத்த்தில் தான் நான் நரம்பியல் வலையமைப்புகளில் ஈடுபட ஆரம்பித்தேன்.
எனவே, நான் சிறிது நேரம் கழித்து வந்தேன். 90 களின் ஆரம்பத்திலிருந்து நான் ஈடுபடுகிறேன் என்று நினைக்கிறேன்.
அவை தொழில்துறையில் மிகவும் பரவலாகப் பயன்படுத்தப்பட்டன. சில்லறை வங்கிகளுக்கான இலக்கு சந்தைப்படுத்தல் போன்ற மிகவும் சலிப்பான விஷயங்களுக்கு நான் அவற்றைப் பயன்படுத்தினேன் .
அவற்றைப் பயன்படுத்துவர்கள், நிறைய பணம் கொண்ட பெரிய நிறுவனங்களாக இருந்தன. உண்மையில்
வலையமைப்புகள் மிகப் பெரிதாக அல்லது மெதுவாக இருந்தன. சில விஷயங்களுக்கு அவை நிச்சயமாக பயனுள்ளதாக இருந்தன, ஆனால் அவை,
நீங்கள் அறிந்ததுபோல,
சில காரணங்களால், அதன் வாக்குறுதியின்படி இருப்பதைப் போல ஒருபோதும் எனக்கு உணரவில்லை. இப்போது, எனக்குத் தெரியாதது மற்றும் நான்

Japanese: 
どのような数学モデルでも、どのような精度でも近似できることが
数学的に証明されました。
これは、ミンスキーとは正反対のことでした。
"我々にできないことは何もない"ということが
証明できたのです。
私がニューラルネットワークに関わり始めたのは、その頃でした。
いや、少し遅れていました。
私が関わったのは90年代前半だったと思います。
その頃、業界では非常に広く使われていました。
私は銀行のリテール向けのターゲティングマーケティングのような、非常につまらないものに使っていました。
それらを利用している企業は、大金を持った大企業という傾向がありました。
しかし、ネットワークが大きすぎたり、遅すぎたりして
役に立たないことが多いのも事実でした。
確かにいくつかのことには役立っていましたが、私には何かの理由で
期待通りの成果を上げているようには感じられませんでした。

Bulgarian: 
никой, който лично съм срещал, не знаеше, е,
че е имало изследователи, които са показали преди 30 години, че за да се постигнат практически добри резултати, са нужни повече слоеве неврони.
Дори математически, теоретично да можете да получите такава точност, каквато искате, само с един допълнителен слой, за да го направите
с добри характеристики, се нуждаете от повече слоеве. Така че, когато добавите още слоеве към невронна мрежа, вие отивате на дълбоко (deep),
така че "дълбоко" (в deep learning) не означава нищо  мистично, а просто означава
повече слоеве. Повече слоеве от добавяне на един допълнителен.
Благодарение на това невронните мрежи сега достигат своя потенциал, както видяхме в какво е добро deep learning.
Така че сега можем да кажем, че Розенблат е бил прав. Ние имаме машина, която е способна
да възприема,
разпознава и идентифицира заобикалящата я среда без човешко обучение или контрол. Това определено е вярно.

Tamil: 
தனிப்பட்ட முறையில் சந்தித்த யாருக்கும் தெரியாதது, என்னவென்றால்
30 ஆண்டுகளுக்கு முன்பே ஆராய்ச்சியாளர்கள் என்ன உறுதிசெய்தார்கள் என்றால், நடைமுறையில் நல்ல செயல்திறனைப் பெற, நமக்கு நியூரான்களின் அதிக அடுக்குகள் தேவைப்படுகிறது.
கணித ரீதியாக, கோட்பாட்டளவில், ஒரே ஒரு கூடுதல் அடுக்கு மட்டுமே கொண்டு, நீங்கள் விரும்பும் அளவுக்கு துல்லியமான முடிவுகள் பெறலாம் .
அதைச் செய்ய நல்ல செயல்திறனுடன், உங்களுக்கு கூடுதல் அடுக்குகள் தேவை. எனவே நீங்கள் ஒரு நரம்பியல் வலையமைப்பில் அதிக அடுக்குகளைச் சேர்க்கும்போது 'ஆழமான
கற்றல்' கிடைக்கும். மிகவும் 'ஆழமானது' - என்பது விசித்திரமான எதையும் குறிக்காது. இது இன்னும்
அதிகமான அடுக்குகளை குறிக்கிறது. ஒன்றே ஒன்றைச் சேர்ப்பதை விட அதிகமான அடுக்குகள். அதனால்
இந்த காரணங்களால், நரம்பியல் வலையமைப்புகள் இப்போது அவற்றின் திறனைப் பொறுத்து இருக்கின்றன. ஆழ்ந்த கற்றல் எந்த விஷயத்திற்கு நல்லது என்று நாம் பார்த்தது போல
எனவே ரோசன்ப்ளாட் சொல்வது சரிதான் என்று இப்போது நாம் கூறலாம். இப்போது நம்மிடம் உள்ள இயன்றத்தினால் -
உணர
அங்கீகரிக்க மற்றும் எந்தவொரு மனித பயிற்சியும் கட்டுப்பாடும் இல்லாமல் அதன் சுற்றுப்புறங்களை அடையாளம் காண முடிகிறது. அது நிச்சயமாக உண்மை.

English: 
Now what I didn't know, and nobody I personally
met knew was that actually there were researchers
that had shown 30 years ago that to get practical
good performance, you need more layers of
neurons.
Even though mathematically, theoretically,
you can get as accurate as you want with just
one extra layer.
To do it with good performance, you need more
layers.
So when you add more layers to a neural network
you get deep learning.
So deep doesn't mean anything like mystical.
It just means more layers.
More layers than just adding the one extra
one.
So thanks to that, neural nets are now living
up to their potential.
As we saw in that like what's deep learning
good at thing.
So we could now say that Rosenblatt was right.
We have a machine that's capable of perceiving,
recognising and identifying its surroundings
without any human training or control.
That is - That's definitely true.

Spanish: 
Te conocí personalmente
Fue que en realidad había investigadores que habían demostrado hace 30 años que para obtener un buen rendimiento práctico. Necesitas más capas de neuronas.
Aunque matemáticamente teóricamente puedes obtener la precisión que deseas con solo una capa adicional para hacerlo
Con buen rendimiento, necesita más capas. Entonces, cuando agrega más capas a una red neuronal, se profundiza
quemar tan profundo no significa nada como místico, solo significa
Más capas más capas y agregando una adicional. Entonces
Gracias a eso, sus redes ahora están a la altura de su potencial como vimos en eso, como lo que es el aprendizaje profundo bueno en algo
Así que ahora podríamos decir que Rosenblatt tenía razón. Tenemos una máquina capaz de
percibiendo
Reconocer e identificar su entorno sin ningún tipo de entrenamiento o control humano. Eso es definitivamente cierto

Chinese: 
我遇见的人里不知道的是
nobody I personally met knew
实际上研究员
 was that actually there were researchers 
30年前表示
that had showed 30 years ago that 
为了获得更好的效果
to get practical good performance 
需要添加更多层的神经元
you need more layers of neurons 
尽管在数学上和理论上 你能获得
even as though mathematically theoretically you can get
与只添加一层同样的精度
as accurate as you want with just one extra layer
为了有好的效果
 To do it with good performance
你需要更多的层
 you need more layers 
所以当你在神经网络添加了更多的层
So when you add more layers to a neural network
你获得了深度的学习
you get deep learning 
深度并不意味着神秘 它只是
So deep doesn't mean anything like mystical it just means
表明有更多的层
 more layers more layers just
将一个加到另一个上去
adding the one to next one 
鉴于此 神经网络辜负了它们的潜能
So thanks to that neural nets are now living up to
如我们所见
their potential as we saw in that 
神经网络擅长什么
like what's deep learning good at  
我们现在可以说Rosenblatt是对的
So we could now say that Rosenblatt was right
我们有一台机器
we we have a machine that's capable of
它能察觉认知和识别周遭
perceiving recognizing and identifying its surroundings
而不需要任何
 without any human training or control
这确实是对的 我认为
That is that's definitely true I don't think 
这里没有任何需要争论的
there's anything controversial about 

Japanese: 
私が知らなかったのは、また私が個人的に会った誰も知らなかったのは、実際には30年前に、
実用的な性能を得るためには、より多くのニューロンの層が必要だということを示した研究者が
いたということです。
数学的には、理論的には、たった一枚の層を増やせば、いくらでも精度を上げることができますが、実際には、
それ以上の層が必要なのです。
それを良いパフォーマンスで行うためには、より多くの層が必要です。
だから、ニューラルネットワークにもっと多くの層を追加すると、
ディープラーニングになります。
つまり、深いというのは神秘的な意味ではありません。
それは単に、より多くの層を意味します。
ただ一枚の層を追加するのではなく、より多くの層を意味します。
そのおかげで、ニューラルネットは今、その潜在能力を十分に発揮しています。
ディープラーニングの得意分野のスライドで見たように
ローゼンブラットが正しかったと 言えるようになりました。
我々は、人間の訓練や制御がなくても、周囲の環境を看取し、認識し、
識別することができる機械を持っている。
確かにその通りです。

Bulgarian: 
Не мисля, че има нещо противоречиво в това твърдение на база на настоящата технология.
Така че ще се научим как да правим това.
Ще учим по точно обратния начин на вероятно цялото
ни обучение по математика и технически науки.
Няма да започнем с двучасов урок за сигмоидна функция или с изучаване на линейна
алгебра, или с курс по математически анализ.
И причината за това е, че хората, които изучават как да се преподава и учи, са открили, 
че това не е правилният подход за повечето хора.
Ние работим много на база на работата на професор Дейвид Перкинс от Харвард
и други, които работят по подобни въпроси, които говорят за идеята да се играе цялата
игра.

Japanese: 
現在の技術に基づいて、この発言に議論の余地はないと思います。
だから、私たちはその方法を学びます。
しかしあなた方の今までの数学や技術教育とは
正反対の方法で学習していきます。
シグモイド関数の２時間の授業や、線形代数の勉強、
微積分の復習から始めるのではありません。
その理由は、教え方や学び方を研究している人たちが、それがほとんどの人にとって
正しい方法ではないことを発見したからです。
ハーバード大学のデビッド・パーキンス教授や、
同じような研究をしている他の人たちが、
ゲーム全体をプレイするという考え方について話しています。

Spanish: 
No creo que haya nada controvertido en esa declaración basada en la tecnología actual.
Entonces vamos a aprender cómo hacer eso
Vamos a aprender cómo hacerlo exactamente de la manera opuesta a la de todas las demás matemáticas y
La educación técnica que ha tenido no vamos a comenzar
un
Sabes una lección de dos horas sobre la función sigmoidea, sabes o un estudio de álgebra lineal o un
curso de actualización sobre cálculo
y la razón de eso es que
Las personas que estudian cómo enseñar y aprender han descubierto que no es la forma correcta de hacerlo para la mayoría de las personas.
para la mayoria de la gente
Entonces, si trabajamos mucho en base al trabajo del profesor David Perkins de Harvard y otros
¿Quiénes trabajan en cosas similares y hablan de esta idea?

Chinese: 
特别是基于现在的技术
that statement based on the current technology
所以我们要开始学习如何做
 So we're going to be learning how to do that
我们要开始
 We're going to be
学习如何做到这一点 这个方法
learning how to do that in exactly 
可能和所有
the opposite way of probably all of 
你获得的数学和工科教育完全不一样
theother math and technical education you've had 
我们不会
We are not going to start with
以两小时讲述sigmoid函数开始课程
 a you know two hour lesson 
或者
about the sigmoid function 
针对线代的课程 或者
you know or a study of linear algebra 
这么做的原因是
and the reason for that
研究如何教学的人
is that people who study how to teach and learn
发现这样做不是最好的方式
have found that is not the right way to do it
至少对于大部分人来说
for most people
对大部分人来说 所以 如果我们
for most people so if we work a lot based on the work of
基于哈佛的David Perkins教授
Professor David Perkins from from Harvard
和其他从事类似工作的人
and and others who work at similar things
探讨从全局出发的观点
who talk about this idea of playing the whole game
打个比方
and so playing the whole game is like

English: 
I don't think there's anything controversial
about that statement based on the current
technology.
So we're gonna be learning how to do that.
We're gonna be learning how to do that in
exactly the opposite way, of probably all
of the other math and technical education
you've had.
We are not gonna start with a two-hour lesson
about the sigmoid function or a study of linear
algebra or a refresher course on calculus.
And the reason for that, is that people who
study how to teach and learn have found that
is not the right way to do it for most people.
For most people - So we work a lot based on
the work of Professor David Perkins from Harvard
and others who work at similar things, who
talk about this idea of playing the whole
game.

Tamil: 
தற்போதைய தொழில்நுட்பத்தின் அடிப்படையில் அந்த அறிக்கையில் சர்ச்சைக்குரியதாக எதுவும் இல்லை என்று நான் நினைக்கிரேன்.
எனவே அதை எப்படி செய்வது என்று நாம் கற்றுக் கொள்ளப் போகிறோம்
அனைத்திற்கும் நேர்மாறான வழியில் நாம் அதை எப்படி செய்வது என்று கற்றுக் கொள்ளப் போகிறோம். அநேகமாக மற்ற கணிதங்கள்
நீங்கள் பெற்ற தொழில்நுட்ப கல்விக்கு நேர்மாறான வழியில். நாம் இதை தொடங்கப் போவதில்லை அதாவது
ஒரு,
சிக்மாய்டு செயல்பாட்டைப் பற்றி இரண்டு மணிநேர பாடமோ, அல்லது நேரியல் இயற்கணிதம் பற்றிய ஆய்வோ அல்லது
கால்குலஸில் ஒரு புதுப்பிப்பு படிப்போ அல்ல
அதற்கான காரணம்...
கற்பித்தல் மற்றும் கற்றுக்கொள்வது எப்படி என்பதைப் படிக்கும் வல்லுநர்கள், பெரும்பாலான மக்களுக்கு இப்படிச் செய்வதற்கான சரியான வழி அல்ல என்பதைக் கண்டறிந்துள்ளனர்.
பெரும்பாலான மக்களுக்கு
நாங்கள், ஹார்வர்டில் இருந்து பேராசிரியர் டேவிட் பெர்கின்ஸின் வேலை மற்றும்
இதே போன்ற விஷயங்களில் வேலை செய்யும் மற்றவர்களின் பணியையும் அடிப்படையாகக் கொண்டு, அதிகமான வேலைகள் செய்கிறோம்
முழு விளையாட்டையும் விளையாடும் இந்த யோசனையைப் பற்றி பேசுபவர்கள்.

Spanish: 
Jugando todo el juego. Y jugar todo el juego es como si estuviera basado en la analogía deportiva si vas a enseñarle béisbol a alguien
No los sacas
sabes en un aula y comienzas a enseñarles sobre la física de una parábola y
como coser una pelota y
una historia de tres partes de cien años de política de béisbol y luego sabes
Diez años después, les dejas ver un juego y luego 20 años después
les dejas jugar un juego, ya sabes, que es como
Se está haciendo educación matemática. En cambio, con el primer paso del béisbol es decir hola, vamos a ver algo de béisbol
¿Qué piensas? ¿Eso fue divertido? ¿Verás a ese tipo allí?
Está tratando de correr allí antes de que el otro tipo arroje una pelota allí. Oye, ¿quieres intentar tener un éxito?
bien, entonces vas a golpear la pelota y
Tengo que tratar de atraparlo y luego tienes que ir corriendo allí. Y entonces es del paso uno
Estás jugando todo el juego
Si

Chinese: 
就像体育运动
it's based on the sports analogy
如果想教别人打棒球
if you're going to teach somebody baseball
你不会把他们带进教室
you don't take them out you know into a classroom
教他们抛物线的物理知识
and start teaching them about the physics of a parabola
不会教他们怎么缝补棒球
and how to stitch a ball and
或者跟他们说棒球的百年历史三部曲
a three part history of a hundred years of baseball politics
十年之后
and then you know ten years later
再让他们看一场比赛
you let them watch a game
20年后
and then 20 years later
你让他们打一局棒球
you let them play a game
这很像是
you know which is kind of like how
教数学的方式
how math education is being done
然而 打棒球的第一步
right instead with baseball step one is
是说 嘿 我们去看比赛吧
to say hey let's go and watch some baseball
你觉得怎么样 很有趣吧
what do you think that was fun
看那边的人试图跑到那头
right see that guy there he's trying to run there
而且要在另外一个人投球之前
before the other guy throws a ball over there
所以你可能会想尝试一下
hey you want to try having a hit
尝试击球
okay so you're gonna hit the ball
我会试着接球
and then I have to try and catch it
而你需要跑到那边
and then you have to ride run over there
所以 从第一步开始
and so it's from step one you're up
你已经开始完整地玩这个游戏了
playing the whole game
对 补充一句 在刚开始打棒球时
yeah just to add to that when people start
可能通常还没有完整的队伍
they're often may not have a full team or

English: 
And so playing the whole game is like it's
based on the sports analogy if you're gonna
teach somebody baseball.
You don't take them out into a classroom and
start teaching them about the physics of a
parabola, and how to stitch a ball, and a
three-part history of 100 years of baseball
politics, and then 10 years later, you let
them watch a game.
And then 20 years later, you let them play
a game.
Which is kind of like how math education is
being done, right?
Instead with baseball, step one is to say,
hey, let's go and watch some baseball.
What do you think?
That was fun, right?
See that guy there...he took a run there…before
the other guy throws a ball over there...hey,
you want to try having a hit?
Okay, so you're going to hit the ball, and
then I have to try to catch it, then he has
to run,run,run over there...and so from step
one, you are playing the whole game.
And just to add to that, when people start,
they often may not have a full team, or be

Tamil: 
எனவே முழு விளையாட்டையும் விளையாடுவது விளையாட்டு ஒப்புமையை அடிப்படையாகக் கொண்டது போன்றது. நீங்கள் ஒருவருக்கு பேஸ்பால் கற்பிக்கப் போகிறீர்கள் என்றால்
நீங்கள் அவர்களை ஒரு வகுப்பறைக்குள் அழைத்துச் செல்லவதில்லை
அங்கு ஒரு பரவளையத்தின் இயற்பியல் பற்றி அவர்களுக்கு கற்பிக்க போவதில்லை
ஒரு பந்தை எப்படி தைப்பது என்றோ அல்லது
நூறு ஆண்டுகால பேஸ்பால் அரசியலின் மூன்று பகுதி வரலாறையோ கற்றுக்கொடுப்பதில்லை. பின்னர்
10 ஆண்டுகளுக்குப் பிறகு, நீங்கள் ஒரு விளையாட்டைப் பார்க்க அனுமதித்து, பின்னர் 20 ஆண்டுகளுக்குப் பிறகு
நீங்கள் அவர்களை ஒரு விளையாட்டை விளையாட அனுமதிக்க போவதில்லை. இது போன்றது தான்
கணித கல்வி செய்யப்படுகிறது. இப்படி இல்லாமல், பேஸ்பாலின் முதற்படி  "வா போய் ஒரு பேஸ்பால் ஆட்டம் பார்ப்போம்"
"என்ன நினைக்கறீர்கள்? அது வேடிக்கையாக இருந்ததா? சரி, அங்கே இருக்கும் அந்த நபரை பார்"
"மற்ற பையன் ஒரு பந்தை அங்கே வீசுவதற்கு முன்பு அவன் அங்கே ஓட முயற்சிக்கிறான். நீங்கள் ஒரு முறை  முயற்சிக்க விரும்புகிறீர்களா?"
"சரி, எனவே நீங்கள் பந்தை அடிக்கப் போகிறீர்கள்"
"நான் அதை முயற்சி செய்து பிடிக்க வேண்டும், பின்னர் நீங்கள் முயற்சி செய்து அங்கே ஓட வேண்டும்." எனவே முதல் படியிலிருந்தே
நீங்கள் முழு விளையாட்டையும் விளையாடுகிறீர்கள்.
ஆம்

Bulgarian: 
И така, да се играе цялата игра е като, базирайки се на аналогия със спорта, да
учиш някой на бейзбол.
Не ги вкарваш в класна стая и не започваш да ги учиш на физиката на
параболата и как да ударят топката, и история на 100 години бейзбол политика в три части,
след това 10 години по-късно им даваш да гледат игра
и накрая, 20 години по-късно, им даваш да играят играта.
Така се прави, един вид, при образованието по математика.
Вместо това при бейзбола първата стъпка е да се каже: хей, нека идем и погледаме малко бейзбол.
Какво мислите?
Забавно беше, нали?
Виж този играч там... той изтича натам... преди това другият хвърли топката ей натам... хей,
искаш ли да пробваш да направиш удар?
Добре, значи ти ще удариш топката и аз ще трябва да опитам да я хвана, след това той трябва
да тича, да тича натам... и така от първата стъпка вие играете цялата игра.
И само да добавя към това, че когато хората започват, те често може да нямат пълен отбор или да 

Japanese: 
ゲーム全体をプレイすることは スポーツの例えに基づいています。
例えば誰かに野球を教えるとしたら、
教室に連れて行って放物線の物理学やボールの縫い方、
100年の野球政治の3部作の歴史などを教え、10年後には試合を見させる。
そして20年後にやっとゲームをさせる。
これは数学教育のやり方に似ていますよね。
実際、野球の場合は、第一段階として、「野球を見に行こう」ということになります。
どうですか？
面白かったでしょ？
あの人、あそこで走者を出して、相手がボールを投げる前に、
ボールを打ってみないか？
よし、君がボールを打って、僕がキャッチして、そして君があそこへ走って...と、
ステップ１からゲーム全部をプレイしていることになります。
さらに付け加えるならば、人々は始めたばかりの頃には、チームが揃っていなかったり、

Chinese: 
或者打完完整的九局
be playing a full nine innings
但他们依旧可以了解这个运动
but they still have a sense of what the game is
- 对棒球有整体的印象 - 没错
- kind of a big picture idea - yeah so um
这就是为什么
there's lots and lots of reasons that
这么做可以帮助很多人
this helps most human beings
当然 不是所有人
not everybody right
还有一小部分人
there's a small percentage of people
他们喜欢从头开始构建事物
who like to build things up
从基础和规则开始
from the foundations and principles
这并不奇怪
and not surprisingly
他们常被过度代表
they are massively over-represented
尤其是在大学里 因为
in a university setting because the people
那些能够成为学者的人
who get to be academics to the people
通常是能够接受那种
who thrive with the kind of you know
与我的教学方式相反的的人
to me upside down way things are taught
但在大学之外
but outside of universities
更多人使用这种自上而下的方式学习更好
most people learn best in this top-down way
从完整的概念开始学习
where you start with the full context
七条原则的第二条
so step um number two in these seven principles
我只会提到前三条
I'm only going to mention the first three
第二条是使游戏更值得玩
is to make the game worth playing
就像打棒球时
which is like if you're playing baseball
你会参加比赛
you're like you have a competition
会得分
you know you actually you score
你会尝试去赢得比赛 你会从社区
you you try and win you bring together teams

Spanish: 
Comprenda cuándo las personas comienzan allí a menudo no pueden tener un equipo completo o jugar nueve entradas completas
Pero todavía tienen una idea de lo que el juego es una idea general. Si lo
Hay muchas razones por las que esto ayuda a la mayoría de los seres humanos, no a todos, ¿verdad?
Hay un pequeño porcentaje de personas
A quienes les gusta construir cosas a partir de los fundamentos y los principios, y no es sorprendente que sean masivos
Sobre representada en un entorno universitario porque las personas que llegan a ser académicas para las personas que prosperan
Con el tipo de conocimiento que tienes al revés de cómo se enseñan las cosas, pero fuera de las universidades
La mayoría de las personas aprenden mejor de esta manera de arriba hacia abajo, donde comienzas con el contexto completo, así que avanza
Número dos en estos siete principios. Solo voy a mencionar que los tres primeros es hacer que valga la pena jugar
Es como si estuvieras jugando béisbol, es como si tuvieras una competencia
Sabes que realmente anotas

English: 
playing the full nine innings, but they still
have a sense of what the game is, a kind of
a big picture idea.
So, there is lots and lots of reasons that
this helps most human beings, (though) not
everybody, right?
There's a small percentage of people who like
to build things up from the foundations and
the principles, and not surprisingly, they
are massively overrepresented in a university
setting, because the people who get to be
academics are the people who thrive with,
(according) to me, the upside down way of
how things are taught.
But outside of universities most people learn
best in this top-down way, where you start
with the full context.
So step number two in the seven principles,
and I'm only going to mention the first three,
is to make the game worth playing.
Which is like, if you're playing baseball,
you have a competition.

Japanese: 
9イニングをフルでプレーしていなかったりもすることが多いのですが、それでもゲームの全体像を
把握していることが多いです。
だから、ほとんどの人にこれが役立つ理由はたくさんありますが、
みんながみんなそうではありません。
基礎や原則から物事を構築していくのが好きな人がごく一部いて、
驚くことではありませんが、大学ではそういう人の割合が非常に高くなっています。
なぜなら、学者になる人たちは、（私によれば）物事の教え方が逆さまになっていることで
成功している人たちだからです。
しかし、大学の外では、ほとんどの人がトップダウンの方法で最もよく学びます。
完全なコンテクストから始める方法です。
ですから、7つの原則の第2段階では、最初の3つの原則にだけ言及しますが、
ゲームをプレイする価値のあるものにするということです。
野球をやっていると、競争があります。

Tamil: 
மக்கள் அங்கு தொடங்கும்போது பெரும்பாலும் ஒரு முழு அணி இல்லாமல் இருக்கலாம் அல்லது முழு ஒன்பது இன்னிங்ஸ்களிலும் விளையாடலாம் போகலாம்
ஆனால் விளையாட்டு என்னவென்று அவர்களுக்கு மேலோட்டமாக புரிகிறது. ஆம், அதனால்
இது பெரும்பாலான மனிதர்களுக்கு உதவுகிறது என்பதற்கு நிறைய காரணங்கள் உள்ளன, ஆனால்  எல்லோருக்கும் அல்ல, இல்லையா?
ஒரு சிறிய சதவீத மக்கள்
ஆட்டிப்படையிலிருந்து  மற்றும் கொள்கைகளிலிருந்து விஷயங்களை உருவாக்க விரும்புகிறார்கள். ஆச்சரியப்படுவதற்கில்லாமல், அவர்கள்
பல்கலைக்கழக அமைப்பில் பெருமளவில் பிரதிநிதியாக்கப்படுகிறார்கள் 
ஏனென்றால் கல்வியாளர்களாக இருக்கும் நபர்கள்,
(என்னை பொறுத்தவரையில்) விஷயங்கள் தலைகீழாக கற்பிக்கப்படும் வழியில் வளர்ந்த மக்கள், ஆனால் பல்கலைக்கழகங்களுக்கு வெளியே
பெரும்பாலான மக்கள் முழு சூழலும் தெரிந்தபடி, இந்த முழு-கீழ் வழியில் சிறப்பாகக் கற்றுக் கொள்கிறார்கள். அதனால்
இந்த ஏழு கொள்கைகளில் இரண்டாவது கட்டளை, நான் முதல் மூன்றை மட்டுமே குறிப்பிடப் போகிறேன், விளையாட்டை விளையாடுவதற்கு ஏற்றபடி மாற்ற வேண்டும்
அதாவது, நீங்கள் பேஸ்பால் விளையாடுகிறீர்கள் என்றால், உங்களுக்கு ஒரு போட்டி உள்ளது
நீங்கள் உண்மையில் எண்களை பெருகிறீர்கள்

Bulgarian: 
играят пълните девет подавания, но все пак имат усет какво е играта, нещо като
идея за голяма картина.
Така че има много причини, че това помага на повечето човешки създания, макар и
не на всеки.
Има малък процент хора, които предпочитат да изграждат нещата от фундамента и
от принципите, и не е изненадващо, че те преобладават в университетските
среди, защото хората, които стават учени, са хора, които виреят в 
преобърнатите (според мен) условия на преподаване на нещата.
Но извън университетите повечето хора учат най-добре по този начин, от горе на долу (от приложението към теорията), където
започваш с пълния контекст.
Стъпка номер две от седемте принципа, от които ще спомена само първите три,
е да се направи играта да си струва да се играе.
Това е като, ако играеш бейзбол, да имаш състезание.

Tamil: 
நீங்கள் முயற்சி செய்து வெல்லபார்ப்பீர்கள். நீங்கள் உங்கள் சமூகத்தைச் சேர்ந்த அணிகளை ஒன்றிணைத்து, மக்கள் ஒருவருக்கொருவர் வெல்ல முயற்சிக்கிறீர்கள். உங்களிடம்
லீடர்போர்டுகள் இருக்கும். அதில், அதிக ரன்கள் எடுத்தவர் யார் என்றிருக்கும். அல்லது மற்றது எதுவாக கூட இருக்கலாம் இல்லையா?
எனவே, இது எல்லாம், நீங்கள் செய்கிற காரியத்தை
சரியாக செய்வதற்காகதான். நீங்கள் அதை முழுவதுமாக உருவாக்குகிறீர்கள்
நீங்கள் சூழலையும் ஆர்வத்தையும் வழங்குகிறீர்கள்
அதனால்
ஆழ்ந்த கற்றலைக் கற்றுக்கொள்வதற்கான 'ஃபாஸ்ட்ஏஐ' அணுகுமுறையின்படி. அதாவது , இன்று, நாம் மாதிரிகளை தொடக்கத்திலிருந்து இறுதி வரைப் பயிற்றுவிக்கப் போகிறோம்
நாம் உண்மையில் மாதிரிகளைப் பயிற்றுவிக்கப் போகிறோம், அவை மோசமான மாதிரிகளாக இருக்காது. அவை அதிநவீனதாக
உலகத்தரம் வாய்ந்த மாதிரிகளாக, இன்று முதல் இருக்கும். எங்கள் உதவியால், உங்கள் சொந்த முயற்சியில் அதிநவீன
உலகத்தரம் வாய்ந்த மாதிரிகளை, விஷயங்கள் எவ்வாறு செல்கின்றன என்பதைப் பொறுத்து இன்றே அல்லது அடுத்த பாடத்திலிருந்து, உருவாக்குவீர்கள்.

English: 
You know, you score, you try and win, you
bring together teams from around the community
and you have people try to beat each other.
And you have leaderboards, like who's got
the highest number of runs or whatever.
So this is all about making sure that the
thing you're doing, you're doing it properly.
You're making it the whole thing, you're providing
the context and the interest.
So, for the fastai approach to learning deep
learning, what this means is that today we're
going to train models end to end.
We're going to actually train models, and
they won't just be crappy models.
They will be state-of-the-art world-class
models from today, and we can try to have
you build your own state-of-the-art world-class
models from either today or next lesson, depending
on how things go.
Then, number three in the seven principles
from Harvard is, work on the hard parts.

Chinese: 
召集队伍
from around the community
希望可以战胜其他队伍
and have people try to beat each other
在得分榜上
and you have leaderboards if like who's got the
可以看到谁的回合得分最高
you know highest number of runs or
或者其他的操作
or whatever right
所以 这全是为了保证
so this is all about making sure that you the thing
你遵守规则 正确完成了比赛
you're doing you're you're doing it properly
你在玩完整的游戏
you know you you're making it the whole thing
你了解到游戏的背景 并会感兴趣
you're providing the context and the interest
因此 对于fastai采取的
so for the fastai approach
学习深度学习的方法
to to learning deep learning
这个的意思是 在今天
what this means is that today
我们将学习怎样端到端的训练模型
we're going to train models end to end
我们会实际上手训练模型
we're going to actually train models right
而且不会只是劣质的模型
and they won't just be crappy models
而会是最先进的
they will be state-of-the-art
世界级水平的模型 从今天开始
world-class models from today
我们会教你构建自己的
and we're going to try to have you built your own
最先进的世界级水平的模型
state-of-the-art world-class models
在今天或者下一节课会教 取决于具体的进度
from either today or next lesson depending on how things go
来自哈佛大学
and then number three in
七条原则中的第三条
the seven principles from Harvard
说的是要在困难的部分下功夫
is work on the hard parts

Spanish: 
intentas y ganas reúnes a equipos de toda la comunidad y haces que la gente intente vencerse y tienes
Tablas de clasificación si como quién tiene el mayor número de carreras o lo que sea, ¿verdad?
Así que esto se trata de asegurarte de que eres lo que estás haciendo
Lo estás haciendo correctamente, sabes que lo estás haciendo todo
Cosa que estás proporcionando el contexto y el interés
Entonces
para el más rápido
Me acerco al aprendizaje profundo lo que esto significa es que hoy vamos a entrenar
Modelos de principio a fin, realmente entrenaremos modelos, correcto y no solo serán modelos malos. Serán de última generación.
Modelos de clase mundial a partir de hoy e intentaremos que construyas tu propio estado de la técnica.
modelos de clase mundial de hoy o de la próxima lección, según cómo vayan las cosas y

Bulgarian: 
Знаете, трупате точки, опитвате да печелите, събирате отбори от цялата общност
и хората опитват да се победят един друг.
Имате табло с победителите, кой има най-висок резултат и подобни. 
Всичко това е, за да сме сигурни, че каквото правим, го правим правилно.
Правим цялото нещо, даваме контекста и създаваме интерес.
И така, при подхода на fastai за изучаване на deep learning това означава, че днес ще
обучаваме модели от начало до край.
Ние реално ще обучим модели и те няма да са скапани модели.
Ще бъдат съвременни модели на световно ниво и ние ще се опитаме да ви накараме
да създадете собствени съвременни модели още днес или при следващия урок, според това
как ще се развият нещата.
Номер три от седемте принципа от Харвард е да се работи върху трудните части.

Japanese: 
スコアをつけて、勝利を目指して、地域のチームを集めて、
みんなで競い合います。
誰が一番多くの得点を取ったかなどの リーダーボードがあります。
これはあなたがやっていることをきちんとやっているかどうかを確認することです。
あなたはそれを全体的なものにしてコンテクストと関心を提供しています。
深層学習へのfastaiアプローチでは、今日はモデルを
最後まで訓練します。
私たちは実際にモデルを訓練します。
そしてそれはただのくだらないモデルではありません。
今日から最先端のワールドクラスのモデルです。
今日か次のレッスンのどちらかから(状況に応じて)、あなた自身の最先端の世界クラスのモデルを
構築することを試みます。
そして、ハーバード大学の7つの原則の3番目は、難しい部分に取り組むことです。

Spanish: 
Luego, el número tres en los siete principios de Harvard es trabajar en las partes difíciles. Simplemente como esta idea de
Sabes practicar sí, digo deliberadamente sí un poco de práctica, ¿verdad?
Um trabajo en la parte difícil significa que
no solo
Ya sabes
Balancea un bate, sabes en una pelota cada vez
sabes que sales y solo
muck alrededor pero usted entrena correctamente encuentra el bit que
Eres el menos bueno para averiguar dónde están los problemas. Trabajas muy duro en eso, así que en
en el contexto de aprendizaje profundo que significa
Que nosotros no
cosas tontas
Justo al final del curso tendrás
Hecho el cálculo, habrás hecho el álgebra lineal
Habrás realizado la ingeniería de software del código, ¿verdad?
Estarás practicando
Estas cosas que son difíciles

Chinese: 
大概意思是
which is just kind of like this idea of
- 需要多练习 请说 - 要刻意练习
you know practice yes I say deliberate practice
对 刻意练习 没错
yes deliberate practice right
在困难的部分下功夫意味着
um work on the hard part's means that
见到球过来
you don't just you know swing a bat
不能只是单纯去挥拍
you know at a ball every time you know you go out
不能只是随便地挥拍 而是经过正确训练
and just muck around but you you train properly
你发现你哪里最不擅长
you find the bit that you you're the least good at
找出问题在哪
you figure out where the problems are
然后专心解决问题
you work damn hard at it
在深度学习中
right so in in the deep learning context
意味着我们不会把事情搞的一团糟
that means that we do not dumb things down
在课程结束时
right by the end of the course
你会了解到微积分
you will have done the calculus
你会了解到线性代数
you will have done the linear algebra
你会了解到软件工程编码
you will have done the the software engineering of the code
你会在课程中练习
you will be practicing
这些最难的部分
these things which are hard

Japanese: 
これは、この練習、意図的な練習の考え方に似ています。
難しい部分を鍛えるということは、ただ単に毎回バットを振り回していれば
いいというわけではありません。
適切なトレーニングをして、自分の苦手な部分を見つけて、
どこに問題があるのかを把握して、それに一生懸命取り組むのです。
ディープラーニングの文脈では、我々は物事を単純化しないことを意味します。
コースが終わる頃には微積分をやっているでしょう。
線形代数もやっているでしょう。
コードのソフトウェアエンジニアリングを行っているでしょう。

Bulgarian: 
Това е като идеята за практика, целенасочена практика.
Работа върху трудната част означава, че вие не просто полюшвате бухалката към топката, знаете,
когато излизате да се размотавате.
Вие тренирате както трябва, намирате тази част, в която сте най-слаби, установявате
къде е проблемът и работите дяволски упорито върху него.
В контекста на дълбокото машинно самообучение това означава, че нищо няма да претупваме.
Така ли е?
До края на този курс вие вече ще сте ползвали висша математика (математически анализ).
Ще сте ползвали линейна алгебра.
Ще сте правили софтуерно инженерство на програмен код.

English: 
Which is kind of like this idea of practice,
deliberate practice.
Work on the hard parts means that you don't
just swing a bat at a ball every time, you
know, you go out and just muck around.
You train properly, you find the bit that
you are the least good at, you figure out
where the problems are, you work damn hard
at it.
So, in the deep learning context, that means
that we do not dumb things down.
Right?
By the end of the course, you will have done
the calculus.
You will have done the linear algebra.
You will have done the software engineering
of the code, right?

Tamil: 
ஹார்வர்டில் இருந்து ஏழு கொள்கைகளில் மூன்றாம் விதி, கடினமான பகுதிகளில் வேலை செய்யச்சொல்கிறது . இந்த யோசனை
'பயிற்சி செய்' போன்றது.  ஆம், அதாவது, 'வேண்டுமென்றே பயிற்சி செய்', சரி
கடினமான பகுதிகளில் வேலை செய்யுங்கள் - என்பது, அதாவது,
நீங்கள்,
அதாவது
நீங்கள்  ஒவ்வொரு முறையும் மட்டையை பந்தை நோக்கி சுழற்றாதீர்கள்
அதாவது, நீங்கள் மைதானத்தில் சென்று, சாதாரணமாக
ஊதாரித்தனமாக சுற்றாமல், நீங்கள் ஒழுங்காகப் பயிற்சிசெய்கிறீர்கள். உங்களுக்கு எதில்
குறை உள்ளது, எங்கு பிரச்சனை உள்ளது என்று அறிந்து. அதை சரிசெய்ய கடினமாக உழைப்பீர்கள், சரியா?
ஆழ்ந்த கற்றல் சூழலில், இதன் பொருள் என்னவென்றால்
"நாங்கள் விஷயங்களை முட்டாள்தனமாக ஆக்கு போவதில்லை"
பாடநெறியின் முடிவில் நீங்கள்
கால்குலஸை முடித்துவிட்டீர்கள். நீங்கள் நேரியல் இயற்கணிதத்தை செய்திருப்பீர்கள்
நிரலின் மென்பொருள் பொறியியலை நீங்கள் செய்திருப்பீர்கள்.
கடினமான இந்த விஷயங்களை நீங்கள் பயிற்சி செய்துஇருப்பீர்கள்

Tamil: 
எனவே இதற்காக
உறுதிப்பாடு மற்றும்
அர்ப்பணிப்பு தேவைப்படுகிறது, அனால்
இது ஏன் முக்கியமானது என்பதை நீங்கள் புரிந்துகொள்வீர்கள், ஏனென்றால் நீங்கள் ஏதாவது பயிற்சி செய்யத் தொடங்குவதற்கு முன்பு, உங்களுக்கு
உங்கள் மாதிரியை சிறந்ததாக்க நீங்கள் இதைப் பயன்படுத்துவீர்கள் என்பதால், அந்த கருத்தை முதலில் புரிந்து கொள்ள வேண்டும். அதனால்
உங்களில் ஒரு பாரம்பரிய பல்கலைக்கழக சூழலுடன் பழகியவர்களுக்கு
இது மிகவும் வித்தியாசமாக இருக்கும், நிறைய பேர் இதைச் சொல்லிருக்கிறார்கள் -
அவர்கள்
'ஃபாஸ்ட்ஏஐ' படித்து ஒரு வருடம் கழித்து, அவர்கள் கோட்பாட்டைப் படிக்க அதிக நேரம் செலவிட்டதாகவும், போதுமான நேரம்
மாதிரிகளை பயிற்றுவிக்கவும், நிரல் எழுதுவதற்காகவும்  செலவிடாதற்காகவும் வருத்தப்பட்டர்கள். எங்களுக்கு கிடைத்த பின்னூட்டங்களில்,
'நான் வித்தியாசமாக காரியங்களைச் செய்தேன் என்று விரும்புகிறேன்' என்று கூறும் நபர்களிடமிருந்து முதலாவதானது வருத்தம் இதுதான்.
எனவே உங்களால் முடிந்தவரை, நீங்கள் இங்கே இருப்பதால், தயவுசெய்து இந்த அணுகுமுறையைப் பின்பற்ற முயற்சிக்கவும்.
நாம் பயன்படுத்த
போவது,
ஒரு வகையான மென்பொருள் அடுக்கை ஆகும்.

Japanese: 
これらのことを練習するのは難しいので、粘り強さと確約（コミットメント）が必要です。
しかし、うまくいけば、なぜそれが重要なのか理解できるでしょう。
それは何かを練習し始める前に、もうそれを使っていて、
なぜそれが必要なのかが分かっているからです。
あなたのモデルをより良くするためには、まずそのコンセプトを理解する必要があります。
伝統的な大学の環境に慣れている人にとっては、これはかなり奇妙に感じるでしょうし、
多くの人から聞くのは（1年fastaiを勉強した後で）
「理論の勉強に時間をかけすぎて、
モデルのトレーニングやコードを書くのに十分な時間をとらなかったことを後悔している」という事。
これは、「違うやり方をしていればよかった」と言う人からの反省の中で、一番多いものです。
それはその通りです。
だから、できる限り、あなたがここにいるから、このアプローチに沿ってやってみてください。
私たちはこのソフトウェアスタックを使うつもりです。

Bulgarian: 
Ще практикувате тези неща, които са трудни, така че е необходима упоритост и ангажираност.
Но да се надяваме, ще разберете защо това има значение, защото преди да започнете да практикувате нещо,
вие вече ще знаете защо ви е необходимо, защото вече ще го ползвате.
Например, за да направите модела си по-добър, ще трябва да разберете концепцията му.
За тези от вас, които са свикнали на традиционната университетска среда, това ще изглежда
доста странно и много хора казват, че съжаляват (след година изучаване на fastai),
че са прекарали прекалено много време, изучавайки теория, и недостатъчно време за обучаване на модели
и писане на код.
Това е основната обратна връзка, която получаваме от хората, които казват:
"Бих искал да бях направил нещата различно."
Това е.
Затова моля, опитайте колкото можете повече, след като сте тук, да следвате този подход.
Ще ползваме комплект програмни средства... Извинявай, Рейчъл.

Spanish: 
Entonces requiere
tenacidad y
compromiso pero
Esperemos que entiendas por qué es importante porque antes de comenzar a practicar algo sabrás
¿Por qué necesitas esa cosa? Porque lo usarás para mejorar tu modelo. Tendrás que entender ese concepto primero. Entonces
Para aquellos de ustedes acostumbrados a un ambiente universitario tradicional
Esto se va a sentir bastante raro y mucha gente dice que
Se arrepienten de que lo sepas
Después de un año de estudiar IA rápida, pasaron demasiado tiempo estudiando teoría y no suficiente tiempo
Modelos de entrenamiento y escritura de código. Ese es el tipo de comentario número uno
Tenemos personas que dicen que desearía haber hecho las cosas de manera diferente
Es así que, por favor, intente lo mejor que pueda, ya que está aquí, siga este enfoque
Vamos a ser
utilizando

Chinese: 
这需要毅力和投入
so it requires tenacity and commitment
但希望你可以理解为什么这些很重要
but hopefully you'll understand why it matters
因为在开始练习之前
because before you start practicing something
你要知道你为什么需要练习这些
you'll know why you need that thing
因为你需要用它来
because you'll be using it
比如用来优化模型
like to make your model better
你首先需要理解概念
you'll have to understand that concept first
对于习惯了
so for those of you used to
传统大学环境的人来说
a traditional university environment
可能会觉得不习惯这种方式
this is going to feel pretty weird
很多人说他后悔了
and a lot of people say that they regret at
因为在学习了一年fast AI之后
you know after a year of studying fast AI
他们发现之前花了太多时间学习理论
that they spent too much time studying theory
而没花足够的时间去训练模型
and not enough time training models
或者写代码
and writing code
这大概是我们获得最多的反馈
that's the kind of like the number one piece of feedback
我们的学员常说
we get of people who say
我希望我之前就是这么学的
I wish I had done things differently it's that
既然你已经在这跟着我们用这个方法来学习
so please try to as best as you can
就请你尽最大努力跟上吧
since you're here follow along with this approach
我们将会用到像这样的软件栈
we are going to be using kind of a software stack

English: 
You will be practicing these things which
are hard, so it requires tenacity and commitment.
But hopefully, you'll understand why it matters
because before you start practicing something
you'll know why you need that thing because
you'll be using it.
Like to make your model better, you'll have
to understand that concept first.
So for those of you used to a traditional
university environment, this is gonna feel
pretty weird and a lot of people say: “that
they regret (you know after a year of studying
fastai) that they spent too much time studying
theory, and not enough time training models
and writing code.
That's the kind of like, the number one piece
of feedback we get from people who say, “I
wish I've done things differently.”
It's that.
So please try to, as best as you can, since
you're here, follow along with this approach.
We are gonna be using a software stack - Sorry
Rachel.

English: 
Yes?
I just need to say one more thing about the
approach.
I think since, so many of us spent so many
years with the traditional educational approach
of bottom-up, that this can feel very uncomfortable
at first.
I still feel uncomfortable with it sometimes,
even though I'm committed to the idea.
And that, some of it is also having to catch
yourself and being okay with not knowing the
details.
Which I think can feel very unfamiliar, or
even wrong when you're kind of new to that.
Of like: “Oh wait, I'm using something and
I don't understand every underlying detail.”
But you kind of have to trust that we're gonna
get to those details later.
So I can't empathise because I did not spend
lots of time doing that.
But I will tell you this - teaching this way
is very, very, very hard.
And I very often find myself jumping back
into a foundations first approach.
Because it's just so easy to be like: “Oh
you need to know this.
You need to know this.
You need to do this.
And then you can know this.”
That's so much easier to teach.

Spanish: 
Una especie de pila de software. Lo siento, en realidad, solo quiero decir una cosa más sobre el enfoque
Creo que dado que muchos de nosotros pasamos tantos años con un enfoque educativo tradicional de abajo hacia arriba, esto puede sentirse muy
incómodo al principio
Todavía me siento incómodo con eso a veces, aunque estoy comprometido con la idea
y eso
Algo de eso también es tener que atraparte y estar de acuerdo con no saber los detalles
que creo que puede sentirse muy
Desconocido o incluso equivocado cuando eres un poco nuevo en eso, como oh, espera
Estoy usando algo y no entiendo todos los detalles subyacentes, pero tienes que confiar en que llegaremos a esos detalles más tarde
Así que no puedo empatizar porque no dejé pasar mucho tiempo haciendo eso, pero te diré esto
Enseñar de esta manera es muy muy muy difícil. Sabes, muy a menudo me encuentro
Volver al primer enfoque de las bases porque es muy fácil ser, oh, necesitas saber esto
Sabes que necesitas hacer esto y luego puedes saber esto

Japanese: 
レイチェル、何かありましたか？
アプローチについて、もう一つだけ言わせてください。
私たちの多くが長年ボトムアップの伝統的な教育アプローチで過ごしてきたので、
最初は非常に違和感を覚えることがあると思います。
私は今でも時々、この考えにコミットしているにもかかわらず、
このアプローチに違和感を覚えることがあります。
それは時々自分自身をキャッチして、「詳細を知らなくても平気でいなければいけない」というのには
慣れていないと感じることもあるし、 間違っているとさえ感じることもあります。
例えば... 「ちょっと待って、私は何かを細部まで理解していないまま使っている」 とか。
でも、そういう詳細は後で到達することを信用する必要があるんですよね。
私はそのようなことに多くの時間を費やしていないので、
共感することはできないのですが。
しかし、一つ言えるのはこの方法で教えることはとてもとても難しいという事です。
私はしばしば、基礎からのアプローチに戻ってしまうことがあります。
なぜなら、「ああ、これを知っておく必要があるんだ、
これを知っておく必要がある、
これをする必要がある、
そうすれば、これを知ることができる。」というように
教えるのは簡単です。

Bulgarian: 
Да?
Трябва да кажа още едно нещо за този подход.
Мисля, че след като много от нас са прекарали толкова години с традиционния подход за обучение,
от основите към приложението (bottom-up), промяната може да се усеща в началото много некомфортно.
Аз все още се чувствам некомфортно с това от време на време, въпреки че съм отдадена на идеята.
Част от това е, че трябва да се удържите и да сте добре и без да знаете 
подробностите.
Което според мен може да се почувства много непознато или дори погрешно, когато си нов в това.
Подобно на: „О, почакай, използвам нещо и не разбирам всяка подробност в основата му."
Но трябва да се доверите, че ще стигнем до тези подробности по-късно.
Така че не мога да съчувствам, защото не прекарах много време в това.
Но ще ви кажа - преподаването по този начин е много, много, много трудно.
И често се хващам, че прескачам обратно към подхода "първо основите".
Защото е толкова лесно да кажеш: "О, 
трябва да знаеш това...
трябва да знаеш това...
и тогава можеш да знаеш това."
Така е много по-лесно да се преподава.

Tamil: 
மன்னிக்கவும், உண்மையில், அணுகுமுறையைப் பற்றி மேலும் ஒரு விஷயத்தைச் சொல்ல விரும்புகிறேன்.
நம்மில் பலர் பல ஆண்டுகளாக ஒரு பாரம்பரிய கல்வி அணுகுமுறையுடன் அடிமட்டத்தை செலவிட்டதால், இது முதலில் மிகவும் சங்கடமாக இருக்கும் என்று நான் நினைக்கிறேன்.
நான் யோசனைக்கு உறுதியளித்திருந்தாலும் சில சமயங்களில் நான் இன்னும் சங்கடமாக உணர்கிறேன்
மற்றும் அதுமட்டுமில்லாமல், சில நேரங்களில் உங்களை நீங்களேப் பிடித்து கொண்டு , விவரங்கள் தெரியாமல் இருந்தால் பரவாயில்லை என்று நீங்களே சொல்லி கொள்ள வேண்டும்
நான் என்ன நினைக்கிறேன் என்றால், இது மிகவும்
புதிதாக இருக்கும் காரணத்தினால், இது அறிமுகமில்லாத அல்லது தவறான ஒன்றாக உணர கூடும்.
நான் பயன்படுத்துவதின் எந்தஒரு அடிப்படை விவரங்களும் எனக்கு புரியவில்லை என்று தோணும். ஆனால் நாம் அந்த விவரங்களை பின்னர் பெறப்போகிறோம் என்று நீங்கள் நம்ப வேண்டும்.
எனவே என்னால் பச்சாதாபம் கொள்ள முடியாது, ஏனென்றால் நான் அதைச் செய்ய அதிக நேரம் செலவிடவில்லை. ஆனால் இதைமட்டும் நான் உங்களுக்குச் சொல்வேன்
இந்த வழியில் கற்பிப்பது மிக மிக மிக மிக கடினம். நான் அடிக்கடி
அடித்தளங்களின் முதல் அணுகுமுறையில் மீண்டும் குதித்து வருவதை காண்கிறேன், ஏனெனில், நீங்கள் இதை தெரிந்து கொள்ள வேண்டும்
நீங்கள் அதை தெரிந்து இருக்க வேண்டும், பிறகு இதை செய்ய வேண்டும்.பின்னர் இதை நீங்கள் அறிந்து கொள்ளலாம்

Chinese: 
- 抱歉 瑞秋 - 我还想说最后一点
- sorry Rachel  - I just want to say one more thing
关于这个教学方法的 我认为
about the approach I think since so many of us
既然我们这么多年
spent so many years kind of
习惯了传统教学方法的
with a traditional educational approach of
自下而上地学习
bottom-up that this can feel
可能开始会对这种方法很不习惯
very uncomfortable at first
我也仍会觉得不习惯
I still feel uncomfortable with it
有时候 即使我致力于使用这种方法教学
sometimes even though I'm committed to the idea
有时必须接受自己不了解
and that some of it is also kind of having to catch yourself
不了解细节也没有关系
and be okay with not knowing the details
对细节很不熟悉甚至理解错误都很正常
which I think can feel very unfamiliar or even wrong
当作为初学者时
when you're kind of new to that of
我在使用它
like oh wait I'm using something
但却不理解每个基本的细节
and I don't understand every underlying detail
但你要相信
but you kind of have to trust that
我们在之后会学习这些细节
we're gonna get to those details later
有些疑问可能我没法感同身受
so I can't empathize because
因为我没有花费太多时间这么学习
I did not let spend lots of time doing that
但我可以告诉你 使用这种教学方式
but I will tell you this teaching this way is
非常 非常 非常困难
very very very hard you know
我经常发现我自己
I very often find myself  jumping back into
会跳回基础为先的教学方法
a foundations first approach
很容易变成
because it's just so easy to be like oh
你需要知道这个 你需要知道那个
you need to know this you know this
你需要这样做 然后你会知道这个
you need to do this and then you can know this
这样教学会简单很多
that's so much easier to teach
所以我发现现在这样教学更具挑战性
so I do find this much much more challenging to

Bulgarian: 
Така че намирам това много по-предизвикателно за преподаване, но да се надяваме, че си заслужава.
Прекарахме дълго време да измислим как да представим deep learning в този формат,
но едно от нещата, което ни помогна, е софтуерът, с който разполагаме.
Ако не сте използвали Python преди - това е изключително гъвкав, изразителен и лесен за използване език.
Има много части от него, които не харесваме, но като цяло обичаме цялостното нещо.
И ние мислим, и по-важното е, че болшинството от изследователите и  практикуващите 
deep learning използват Python.
Над Python има две библиотеки, които повечето колеги използват днес: PyTorch и
TensorFlow.
Тук се случи много бърза промяна.
Допреди няколко години преподавахме TensorFlow.
Тогава го използваха всички.

Chinese: 
希望这是值得的
to teach but hopefully it's worth it
我们花了很长时间
we've spent a long long time figuring out
才找到当前这种学习深度学习的方法
how to get deep learning into this moment
但能帮助我们的
but one of the things that helps us here
是这些可用的软件
is is the software we have available
如果你之前从未使用过Python
and if you haven't used Python before
它有着极大的灵活性和表示能力
it's ridiculously flexible and expressive
而且使用方便
and easy to use language
虽然也有很多不尽如人意的地方
we have plenty of bits about it we don't love
但总的来说 我们都爱Python
but on the whole we love the overall thing
最重要的是
and we think it's it most importantly
许许多多深度学习相关的人员
the vast vast vast majority of deep learning
包括从业者和研究员都在使用Python
practitioners and researchers are using Python
基于Python 有两个库
on top of Python there are two libraries
如今被广泛应用
that most folks are using today
那就是pytorch和tensorflow
pytorch and tensorflow
这里有一个巨大的变化
there's been a very rapid change here
当我们几年前教学时 使用了tensorflow
tensorflow was what we were teaching until
当时所有人都在用
a couple of years ago it's what everyone is using
几年之后
until a couple of years ago
tensorflow变得停滞不前
it got super bogged down basically tensorflow

Spanish: 
Eso es mucho más fácil de enseñar, así que encuentro mucho más difícil de enseñar, pero espero que valga la pena
Hemos pasado mucho tiempo descubriendo cómo obtener un aprendizaje profundo en este momento
Pero una de las cosas que nos ayuda aquí es el software que tenemos disponible y si no ha usado Python antes, es
Lenguaje ridículamente flexible, expresivo y fácil de usar.
Tenemos muchas cosas al respecto, no amamos, pero en general nos encanta todo y creemos que es todo
Más importante
La gran mayoría de los profesionales e investigadores de aprendizaje profundo están utilizando Python
En la cima de Python. Hay dos bibliotecas que la mayoría de la gente usa hoy en día pi torch y tensorflow
Ha habido un cambio muy rápido aquí tensorflow era lo que estábamos enseñando hasta hace un par de años.
Es lo que todos usan hasta hace un par de años.
Se super empantanó básicamente tensorflow se super empantanó

English: 
So I do find this much much more challenging
to teach, but hopefully it's worth it.
We spent a long long time figuring out how
to get deep learning into this format.
But one of the things that helps us here,
is the software we have available.
If you haven't used Python before - it's ridiculously
flexible and expressive and easy-to-use language.
We have plenty of bits about it we don't love
but on the whole we love the overall thing.
And we think it's - Most importantly, the
vast, vast, vast majority of deep learning
practitioners and researchers are using Python.
On top of Python, there are two libraries
that most folks are using today; PyTorch and
TensorFlow.
There's been a very rapid change here.
TensorFlow was what we were teaching until
a couple of years ago.
It's what everyone was using until a couple
of years ago.

Tamil: 
என்று கற்பிப்பது மிகவும் எளிதானது. எனவே கற்பிக்க இது மிகவும் சவாலானது என்று நான் கருதுகிறேன், ஆனால் இது மதிப்புக்குரியது இருக்கும் என்று நினைக்கிறன்
'ஆழ்ந்த கற்றல்' லை இந்த வடிவத்திற்கு எப்படி கொண்டுவருவது என்பதைக் கண்டுபிடிப்பதில் நாங்கள் நீண்ட நேரம் செலவிட்டோம்.
ஆனால் இங்கே நமக்கு உதவும் ஒரு விஷயம், நம்மிடம் இருக்கும் மென்பொருள். அதற்கு முன் நீங்கள் பைத்தானைப் பயன்படுத்தவில்லை என்றால் அது
மிகவும் நெகிழ்வான, வெளிப்படையான மற்றும் பயன்படுத்த எளிதான மொழி
அதைப் பற்றி நாம் விரும்பாத ஏராளமான விஷயங்கள் உள்ளன. ஆனால் ஒட்டுமொத்தமாக நாங்கள் முழுமையான மொழியை விரும்புகிறோம்.நாங்கள் என்ன நினைக்கிறோம் என்றால்
மிக முக்கியமாக
ஆழ்ந்த கற்றல் பயிற்சியாளர்கள் மற்றும் ஆராய்ச்சியாளர்களில் பெரும்பான்மையானவர்கள் பைத்தானைப் பயன்படுத்துகின்றனர்
இன்று பெரும்பாலான மக்கள், பைத்தானின் மேல்  இரண்டு நூலகங்களை பயன்படுத்துகின்றனர் அவை -  'பைட்டோர்ச்' மற்றும் 'டென்சர்ஃப்ளோ'
இங்கே மிக விரைவான மாற்றம் ஏற்பட்டுள்ளது. 'டென்சர்ஃப்ளோ' வை சில ஆண்டுகளுக்கு முன்பு வரை நாங்கள் கற்பித்தோம்
ஓரிரு ஆண்டுகளுக்கு முன்பு வரை எல்லோரும் இதைதான் பயன்படுத்துகிறார்கள்
இது மிகவும் தடுமாறியது. அடிப்படையில் 'டென்சர்ஃப்ளோ' மிகவும் தடுமாறியது

Japanese: 
だから私はこの方法を教えるのはずっと難しいのですが、
それだけの価値があるといいなと思います。
私たちは、この形式をディープラーニングを取り入れる方法を
考え出すのに長い時間を費やしました。
しかし、ここで私たちを助けてくれるものの一つは、
私たちが利用できるソフトウェアです。
もしPythonを使ったことがないのであれば、Pythonは
非常に柔軟で表現力があり、使いやすい言語です。
私たちが好きではない部分もたくさんありますが、
基本的にはとても気に入っています。
そして、最も重要なことは、ディープラーニングの実践者や研究者の大多数が
Pythonを使っているということです。
Pythonの上には、PyTorchとTensorFlowの2つのライブラリがあります。
ここには非常に急速な変化がありました。
TensorFlow は数年前まで私たちが教えていたものです。
数年前までは誰もが使っていたものです。

Chinese: 
而另外这个软件
got super bogged down this other software
pytorch出现了
called pytorch came along
而且更简单好用
that was much easier to use
尤其是对研究者来说更好用
and much more you know useful to researchers
在过去12个月内
and within the last 12 months the number of
顶级会议的论文
the percentage of papers at major conferences
使用pytorch的比例
that uses pytorch has gone
从20%升高到80%
from 20% to 80% and vice versa
反之 使用tensorflow的数量
those that use tensorflow have gone
从80%下降到20%
from 80% to 20% so basically
研究我们使用的这些技术的人
all the folks that are actually building the technology
现在都在使用pytorch
we're all using are now using pytorch
你知道工业界一般动作会慢一些
and you know industry moves a bit more slowly
但在接下来一两年内
but in the next year or two
你可能会看到类似的事在工业界发生
you'll probably see a similar thing in industry
pytorch的特性就是
now the thing about pytorch is
非常非常灵活
it's super super flexible and
它的设计就非常灵活
really is designed for for flexibility and
对开发者很友好
developer friendliness certainly not
但设计对初学者不是很友好
designed for beginner friendliness
不是设计为 我们常说的
and it's not designed for what we would say
没有那种高级的api
it doesn't have like higher level api's
这意味着并不能够使用pytorch
by which I mean there isn't really things to make it

Tamil: 
'பைட்டோர்ச்' என்று அழைக்கப்படும் இந்த மென்பொருள், பயன்படுத்த மிகவும் எளிதாக மற்றும் ஆராய்ச்சியாளர்களுக்கு மிகவும் பயனுள்ளதாக இருந்தது
மற்றும் கடந்த 12 மாதங்களுக்குள்
இந்த
'பைட்டோர்ச்' பயன்படுத்தும் முக்கிய மாநாடுகளில் உள்ள ஆவணங்களின் சதவீதம் 20% முதல் 80% வரை சென்றுள்ளது
இதற்கு நேர்மாறாக 'டென்சர்ஃப்ளோ' பயன்படுத்துபவர்கள் 90% முதல் 20% வரை சென்றுள்ளனர்
எனவே அடிப்படையில் தொழில்நுட்பத்தை உருவாக்கும் அனைவரும் இயந்திர கற்றலை, 'பைட்டோர்ச்' உபயோகித்துப் பயன்படுத்துகிறோம்
தொழில்துறை சற்று மெதுவாக நகரும், ஆனால் அடுத்த ஆண்டு அல்லது இரண்டு ஆண்டுகளில், தொழில்துறையில் இதேபோன்ற ஒன்றை நீங்கள் காணலாம்.
இப்போது 'பைட்டோர்ச்' யின் சிறப்பம்சம் என்னவென்றால், இது மிக மிக நெகிழ்வானது மற்றும்
உண்மையில் நெகிழ்வுத்தன்மை மற்றும் நிரலர் நட்புக்காக வடிவமைக்கப்பட்டுள்ளது. தொடக்க நிரலர் நட்பிற்காக நிச்சயமாக வடிவமைக்கப்படவில்லை
எப்படி சொல்வது, இது ஒரு உயர் மட்ட API கள் வடிவமைக்கப்படவில்லை
அதாவது நான் சொல்கிறேன் என்றால், இதன் மூலம் பொருட்களை விரைவாக உருவாக்குவதற்கு

Spanish: 
Llegó este otro software llamado antorcha pi que era mucho más fácil de usar y mucho más, ya sabes que es útil para los investigadores
y en los últimos 12 meses
el
El número de porcentajes de trabajos en conferencias importantes que utilizan antorcha alta ha pasado del 20% al 80%
Y viceversa, aquellos que usan tensorflow han pasado del 90% al 20%.
Básicamente, todas las personas que realmente están construyendo la tecnología. Todos estamos usando el correo electrónico usando la antorcha pi
Y sabes que la industria avanza un poco más lentamente, pero en el próximo año o dos, probablemente verás algo similar en la industria
ahora lo que pasa con la antorcha pi es que es súper súper flexible y
Realmente está diseñado para brindar flexibilidad y facilidad de desarrollo. Ciertamente no está diseñado para principiantes
Y no está diseñado para lo que diríamos que no tiene un nivel superior
Api es con lo que quiero decir que realmente no hay cosas para hacerlo

Bulgarian: 
Най-общо TensorFlow затъна много.
Дойде и този друг софтуер, наречен PyTorch, който беше много по-лесен за използване и много по-
полезен за изследователите и през последните 12 месеца, процентът на статиите на големи
конференции, които използват PyTorch, е нараснал от 20% на 80% и обратно, тези, които използват
TensorFlow, е намалял от 80% на 20%.
Така че всички хора, които всъщност изграждат технологията, всички сега използват 
PyTorch, и знаете, индустрията се движи малко по-бавно, но през следващите година-две
вероятно ще сте свидетели на подобно нещо и в индустрията.
Особеното на PyTorch е, че е супер, супер гъвкав и наистина е създаден 
за гъвкавост и дружелюбност за разработчици, със сигурност не е създаден за дружелюбност към начинаещите и
не е проектиран за, както казваме, няма API на високо ниво, под което разбирам,

English: 
It got super bogged down, basically TensorFlow
got super bogged down.
This other software called PyTorch came along
that was much easier to use and much more
useful for researchers and within the last
12 months, the percentage of papers at major
conferences that uses PyTorch has gone from
20% to 80% and vice versa, those that use
TensorFlow have gone on from 80% to 20%.
So basically all the folks that are actually
building the technology were all using, are
now using, PyTorch and you know industry moves
a bit more slowly but in the next year or
two you will probably see a similar thing
in industry.
Now, the thing about PyTorch is it's super
super flexible and really is designed for
flexibility and developer friendliness, certainly
not designed for beginner friendliness and
it's not designed for what we say, it doesn't
have higher level API's, by which I mean there

Japanese: 
基本的にTensorFlowは非常に困難な状況に陥りました。
そしてPyTorchというソフトウェアが登場したのですが、これはもっと簡単に使えて、
研究者にとってはもっと便利なものでした。
この12ヶ月間で、主要なカンファレンスでPyTorchを使った論文の割合が20%から80%に、
TensorFlowを使った論文の割合が80%から20%になりました。
つまり、 基本的には、実際に技術を構築している人たちはみんなPyTorchを使っていて、
業界の動きはもう少しゆっくりですが、来年か再来年には
業界でも同じようなことが起こるでしょう。
PyTorchの特徴は、非常に柔軟性が高く、
柔軟性と開発者の利便性を考慮して設計されていますが、初心者向けではありません。
つまり、PyTorch を使って簡単に何かを素早く

Tamil: 
'பைட்டோர்ச்' ஐப் பயன்படுத்த எளிதான விஷயங்கள் இல்லை
அதனால்
அந்த சிக்கலை சமாளிக்க
எங்களிடம் 'பைட்டோர்ச்' மேல் அமர்ந்திருக்கும் 'ஃபாஸ்ட்ஏஐ' என்ற நூலகம் உள்ளது. இப்போது ஃபாஸ்ட்ஏஐ' மிகவும் பிரபலமான
'பைட்டோர்ச்' க்கான உயர் நிலை API.
இது
எங்கள் படிப்புகள் மிகவும் பிரபலமாக இருப்பதால், சிலர் தவறான எண்ணத்தில் உள்ளனர். 'ஃபாஸ்ட்ஏஐ'
வடிவமைக்கப் பட்டதற்கான காரணம்
ஆரம்பநிலை நிரலர் அல்லது கற்பிப்பதற்காக என்று நினைக்கிறார்கள்.
இது ஆரம்ப நிரலர் மற்றும் கற்பித்தலுக்காகவும், அதுமட்டுமில்லாமல்
பயிற்சியாளர்கள் மற்றும் தொழில்துறை மற்றும் ஆராய்ச்சியாளர்களுக்காகவும் வடிவமைக்கப்பட்டுள்ளது.
அந்த நபர்கள் அனைவருக்கும் இது சிறந்த ஏபிஐ என்பதை உறுதிப்படுத்த நாங்கள்
அடுக்கு API எனப்படும் ஒன்றை நாங்கள் பயன்படுத்துகிறோம்.
எனவே ஒரு மதிப்பாய்வு செய்யப்பட்ட கட்டுரை உள்ளது.

Chinese: 
简单快速的搭建模型
easy to build stuff quickly using pytorch
为了解决这个问题
so to had to deal with that issue
我们构建了一个库 叫做fastai
we have a library called fastai
这是基于pytorch的
that sits on top of pytorch
fastai是非常常用的
now in fastai is the most popular
基于pytorch的高级API
higher level API for pytorch
因为我们的课程学习者很多
it is because our courses are so popular
所以有些人会有错误的印象
some people are under the mistaken impression that
认为fastai就是为初学者或教学设计的
fastai is designed for beginners or for teaching
其实fast.ai不仅如此
it is designed for beginners and teaching
它同样可以为从业者 工业界和学术界使用
as well as practitioners and Industry and researchers
我们这么做是为了保证
the the way we do this make sure that it's
它是对所有人来说都是最好的API
that it's the best API for all of those people
我们将它称为layered API
as we use something called a layered API
我们也发表了经过同行评议的论文
and so there's a peer-reviewed paper

Bulgarian: 
че няма неща, които да улесняват бързото изграждане на неща с помощта на PyTorch.
За да се справим с този проблем, имаме библиотека, наречена fastai, която стъпва върху PyTorch.
fastai е най-популярният API на по-високо ниво за PyTorch.
Тъй като нашите курсове са толкова популярни, някои хора са с погрешното впечатление,
че fastai е създаден за начинаещи или за преподаване.
Създаден е за начинаещи и за преподаване, както и за практикуващи от индустрията и за изследователи.
Начинът, по който постигаме това, гарантира, че това е най-добрият API за всички тези хора,
тъй като използваме нещо, наречено многослоен API, и има рецензирана статия, която Силвен

Spanish: 
fácil de construir cosas rápidamente
usando la antorcha pi
entonces
para lidiar con ese problema
Tenemos una biblioteca llamada AI rápida que se encuentra encima de la antorcha pi. Ahora en primera IA es el más popular
API de nivel superior para antorcha pi
Es
Debido a que nuestros cursos son tan populares, algunas personas tienen la impresión errónea de que la IA rápida es
diseñado
para principiantes o para la enseñanza
Está diseñado para principiantes y docentes, así como
profesionales e industria e investigadores
la forma en que hacemos esto nos aseguramos de que sea la mejor API para todas esas personas como
Usamos algo llamado API en capas
Y entonces hay un artículo revisado por pares

Japanese: 
構築できるようにするための高レベルの API はありません。
そこで、この問題に対処するために、PyTorchの上にある
fastaiというライブラリがありす。
FastaiはPyTorchの高レベルAPIとして最も人気のあるものです。
私たちのコースがあまりにも人気があるために、
fastaiは初心者のために設計されているとか、
教えるために設計されていると勘違いしている人がいますが、
初心者やティーチングのためだけに設計されているだけでなく、
業界の実務者や研究者のためにも設計されています。
私たちは、どのレベルの人たちにとっても最高のAPIであるために、
レイヤードAPIと呼ばれるものを使っています。
シルヴァンと私が書いた査読付きの論文には、

English: 
isn't really things to make it easy to build
stuff quickly using PyTorch.
So to deal with that issue, we have a library
called fastai that sits on top of PyTorch.
Fastai is the most popular higher level API
for PyTorch.
It is, because our courses are so popular,
some people are under the mistaken impression
that fastai is designed for beginners or for
teaching.
It is designed for beginners and teaching,
as well as practitioners in industry and researchers.
The way we do this makes sure that it's, that
it's the best API for all of those people
as we use something called a layered API and
so there's a peer-reviewed paper that Sylvain

Bulgarian: 
и аз написахме, която описва как сме го направили и за тези от вас, които са софтуерни инженери,
това няма да бъде нещо необичайно или изненадващо.
Това са просто напълно стандартни практики от софтуерното инженерство, но практики, които
не са следвани в нито една позната ни библиотека за deep learning.
В основни линии много ре-факторинг и разединяване и така този подход ни позволи
да изградим нещо, което може да прави изследвания от съвсем ниско ниво, може да правите съвременни
модели за внедряване и може да правите много лесно, за начинаещи, модели за начинаещи, но на световно ниво.
Това е основният софтуерен стек, има и други части софтуер, за които ще учим
по пътя ни.
Но основното, което мисля да спомена тук, е, че всъщност няма значение.

Spanish: 
Esa plata y yo escribimos que describía cómo lo hicimos y para aquellos de ustedes que son ingenieros de software
No será para nada inusual o sorprendente.
Son prácticas de ingeniería de software totalmente estándar, pero eran prácticas que no se seguían en ninguna biblioteca de aprendizaje profundo.
Habíamos visto
Solo sabes, básicamente mucha refactorización y desacoplamiento
Y así, al usar ese enfoque, nos permite construir algo que puede hacer una investigación de nivel súper bajo
Puedes hacer lo último
modelos de producción
y puedes hacer una especie de
Modelos de principiante súper fáciles pero principiantes de clase mundial
Esa es la pila básica de software. Hay otras piezas de software. Estaremos aprendiendo sobre el camino
Pero lo principal que creo mencionar aquí es que en realidad no importa

Tamil: 
அது சில்வியனும், நானும் எழுதியது. நாங்கள் அதை எவ்வாறு செய்தோம் என்பதை விவரித்திரிகிறோம். உங்களில் மென்பொருள் பொறியாளர்களுக்கு
இது அசாதாரணமானதாகவோ ஆச்சரியமாகவோ இருக்காது.
இது முற்றிலும் தரமான மென்பொருள் பொறியியல் நடைமுறைகள், ஆனால் அவை நாம் பார்த்த எந்த ஆழமான கற்றல் நூலகத்திலும் பின்பற்றப்படாத நடைமுறைகள்
அடிப்படையில் மறுசீரமைப்பு மற்றும் துண்டித்தல்
எனவே அந்த அணுகுமுறையைப் பயன்படுத்துவதன் மூலம், மிகக் குறைந்த அளவிலான ஆராய்ச்சி செய்யக்கூடிய ஒன்றை உருவாக்க இது எங்களுக்கு அனுமதித்தது.
நீங்கள் அதிநவீன
உற்பத்தி மாதிரிகள் செய்யலாம்,
மேலும் நீங்கள் ஒரு விதமான,
மிக எளிதான தொடக்க ஆனால் உலகத்தரம் வாய்ந்த மாதிரிகளை உருவாக்கலாம்
எனவே அது அடிப்படை மென்பொருள் அடுக்கு. மென்பொருளின் பிற பகுதிகளும் உள்ளன, அதை போக போக தெரிந்து கொள்வோம்
ஆனால் நான் இங்கு குறிப்பிட நினைக்கும் முக்கிய விஷயம் 'இது உண்மையில் ஒரு பொருட்டல்ல'

Japanese: 
私たちがどのようにしてそれを行ったかが書かれています。
これは、ソフトウェアエンジニアの人達にとっては
珍しくも驚くこともないと思います。
完全に標準的なソフトウェアエンジニアリングのプラクティスですが、
私たちが見てきたディープラーニングライブラリにはないプラクティスです。
基本的には多くのリファクタリングとデカップリングが行われており、そのアプローチを使うことで、
超低レベルの研究を行うことができ、最先端の生産モデルを作成することができ、超簡単で初心者でも
世界レベルのモデルを作成することができるライブラリを構築することができました。
これが基本的なソフトウェアスタックです。
他にも、途中で学ぶことになるソフトウェアはあります。
しかしここで言及すべき主なことは、ソフトウェアスタックは
実際にはあまり重要ではないということです。

English: 
and I wrote that described how we did that
and for those of you that are software engineers,
it will not be at all unusual or surprising.
It's just totally standard software engineering
practices, but they are practices that were
not followed in any deep learning library
we had seen.
Just basically lots of re-factoring and decoupling
and so by using that approach, it's allowed
us to build something which you can do super
low-level research, you can do state-of-the-art
production models and you can do kind of super
easy, beginner, but beginner world-class models.
So that's the basic software stack, there's
other pieces of software we will be learning
about along the way.
But the main thing I think to mention here
is it actually doesn't matter.

Chinese: 
是Sylvain和我共同完成的
that Sylvain and I wrote
描述了我们是怎么做到的
that described how we did that
对于在座的软件工程师来说
and for those of you that are software engineers
这并不是什么不寻常或者令人吃惊的技术
it will not be at all unusual or surprising
只是标准的软件工程实践
it's just totally standard software engineering practices
只不过在这之前
but they were practices that were not followed
从来没有在深度学习库中用到
in any deep learning library we had seen
你知道 的都是基本操作 例如重构
just you know basically lots of refactoring
和解耦 运用这些技术
and decoupling and so by using that approach
我们可以构建很多东西
it's allowed us to build something
例如可以进行底层研究
which you can do super low level research
还可以构建先进的的生产模型
you can do state-of-the-art production models
也可以简单的适用于初学者
and you can do kind of super easy beginner
但是是从世界级水平的模型开始的初学者
but beginner world class models
这是基础的软件技术栈
so that's the basic software stack
还有一些其他的软件
there's other pieces of software we will
我们会在之后课程中学习
be learning about along the way
我主要想在这说的是
but the main thing I think to mention here is
你在这学习了这个技术栈
it actually doesn't matter
就算之后在工作中要使用比如TensorFlow或是Keras
if you learn this software stack and then at work

Chinese: 
也没有太大关系
you need to use tensorflow and keras say
你完全可以在一周内学会转用那些技术
you'll be able to switch with you know in less than a week
很多学生都能做到
lots and lots of students have have done that
这从来不是一个问题
it's never been a problem
重要的是了解概念
the important thing is to learn the concepts
所以 我们将会聚焦于这些概念
right and so we're going to focus on on those concepts
通过使用一些API
and by using an API which minimizes
可最小化使用模板的数量
the amount of boilerplate you have to use
这意味着你可以专注于重要的部分
it means you can focus on the bits that are important
你实际执行的代码将对应
the actual lines of code will correspond
更多实际应用的概念
more much more of the actual concepts you're implementing
你需要一台包含GPU的机器
you are going to need a GPU machine
GPU是图形处理单元
a GPU is a graphics processing unit
而且你需要一款英伟达的GPU
and specifically you need an NVIDIA GPU
因为其他牌子的GPU
other brands of GPU
没有相应的深度学习库会支持
just aren't well supported by any deep learning libraries
请不要去买
please don't buy one
如果你有一台 你最好也不要用它
if you already have one you probably shouldn't use it

Tamil: 
இந்த மென்பொருள் அடுக்கைக் கற்றுக் கொண்டால், பின்னர் நீங்கள் 'டென்சர்ஃப்ளோ' மற்றும் 'கெராஸ்' ஆகியவற்றைப் பயன்படுத்த வேண்டும் என்றால்
நீங்கள் ஒரு வாரத்திற்குள் மாற முடியும். நிறைய மாணவர்கள் அதைச் செய்திருக்கிறார்கள்
இது ஒருபோதும் ஒரு பிரச்சினையாக இருந்ததில்லை
கருத்துகளைக் கற்றுக்கொள்வதான் முக்கியமான விஷயம், இல்லையா?
எனவே ஒரு API ஐப் பயன்படுத்தி, நாம் அந்த கருத்துகளில் கவனம் செலுத்தப் போகிறோம்
இது
நீங்கள் பயன்படுத்த வேண்டிய கொதிகலனின் அளவைக் குறைக்கிறது. நிரலின் முக்கிய வரிகள் முக்கியமான விஷயங்களில் நீங்கள் கவனம் செலுத்த முடியும் என்பதே இதன் பொருள்,
நீங்கள் செயல்படுத்தும் உண்மையான கருத்துக்களில் அதிகமானவற்றை ஒத்திருக்கும்
உங்களுக்கு ஜி.பீ.யூ கணினி தேவைப்படும். ஜி.பீ.யூ என்பது வரைகலை
செயலாக்க அலகு. குறிப்பாக உங்களுக்கு என்விடியா
ஜி.பீ.யூ தேவை. ஜி.பீ.யூவின் பிற பிராண்டுகள்,
எந்த ஆழமான கற்றல் நூலகங்களாலும் நன்கு ஆதரிக்கப்படவில்லை
தயவுசெய்து ஒன்றை வாங்க வேண்டாம். உங்களிடம் ஏற்கனவே ஒன்று இருந்தால், நீங்கள் அதைப் பயன்படுத்த வேண்டாம்.

English: 
If you learn this software stack and then
at work you need to use TensorFlow and Keras,
you will be able to switch in less than a
week.
Lots and lots of students have done that,
it's never been a problem.
The important thing is to learn the concepts
and so we're going to focus on those concepts
and by using an API which minimizes the amount
of boilerplate you have to use, it means you
can focus on the bits that are important.
The actual lines of code will correspond much
more to the actual concepts you are implementing.
You are going to need a GPU machine.
A GPU is a Graphics Processing Unit, and specifically,
you need an Nvidia GPU.
Other brands of GPU just aren't well supported
by any Deep Learning libraries.
Please don't buy one.

Bulgarian: 
Ако овладеете този софтуерен стек и след това на работа трябва да използвате TensorFlow и Keras,
ще може да превключите за по-малко от седмица.
Много и много студенти са го правили и никога не е било проблем.
Важното е да се научи концепцията и затова ще се фокусираме върху тези концепции
и като използваме API, което свежда до минимум количеството на помощните работи, които трябва да използвате, ще 
може да се фокусирате върху елементите, които са важни.
Конкретните редове код ще отговарят много повече на конкретните концепции, които прилагате.
Ще ви трябва GPU машина.
GPU е графичен процесор и по-специално се нуждаете от Nvidia GPU.
Други марки графични процесори просто не се поддържат добре от никакви библиотеки за Deep Learning.
Моля, не купувайте такъв.

Spanish: 
si aprende esta pila de software y luego en el trabajo necesita usar tensorflow y nos importa decir
Podrá cambiar con lo que sabe en menos de una semana, muchos y muchos estudiantes lo han hecho
Nunca ha sido un problema
Lo importante es aprender los conceptos, ¿verdad?
Entonces, nos centraremos en esos conceptos y mediante el uso de una API
cuales
Minimiza la cantidad de repetitivo que tiene que usar, lo que significa que puede concentrarse en los bits que son importantes para las líneas de código reales
Corresponderá mucho más de los conceptos reales que está implementando
Necesitará una máquina GPU, una GPU es un gráfico
unidad de procesamiento y específicamente necesita un NVIDIA
GPU otras marcas de GPU
Simplemente no están bien respaldados por ninguna biblioteca de aprendizaje profundo
No compre uno si ya tiene uno. Probablemente no deberías usarlo

Japanese: 
このソフトウェアスタックを学んだ後、仕事でTensorFlowと
Kerasを使う必要が出てきたとしても、
1週間もしないうちに切り替えることができるでしょう。
多くの学生がそうしてきましたが、
問題になったことは一度もありません。
重要なのはコンセプトを学ぶことなので、
今回はそのコンセプトに焦点を当てていきます。
使用しなければならないボイラプレートの量を
最小限に抑えるAPIを使用することで、
重要な部分に集中できることを意味します。
実際のコードの行は、あなたが実装しているコンセプト（概念）に
直に対応しています。
GPUマシンが必要になります。
GPUはGraphics Processing Unitであり、
具体的にはNvidia GPUが必要です。
他のブランドのGPUは、どのディープラーニングのライブラリからも
うまくサポートされていないのです。
買わないでください。

Spanish: 
En su lugar, deberías usar una de las plataformas que ya hemos configurado para ti.
Es una gran distracción pasar el tiempo haciendo como administración de
sistemas en una máquina GPU e instalación de controladores y bla bla bla. Correcto? Y ejecutadlo en Linux.
Por favor. Eso es lo que todos están haciendo. No solo nosotros. Todos lo están haciendo en Linux. Deja que la vida sea fácil para ti.
Ya es bastante difícil aprender el aprendizaje profundo sin tener que hacerlo de la manera que estás aprendiendo
todo tipo de problemas arcanos de soporte de hardware
Hay muchas opciones gratuitas disponibles
y así que
por favor,
por favor úsalos
Si
estas usando una opción que no es gratis
no olvides apagar tu equipo.
Entonces, lo que va a pasar es que vas a poner en marcha un servidor que vive en otro lugar del mundo
Te conectarás desde tu computadora y entrenarás, ejecutarás y construirás modelos.

Chinese: 
相反 你应该使用
instead you should use
我们提供的平台
one of the platforms that we have
平台上已经搭建好环境
already got set up for you
使用自己的机器会让你的时间浪费在
it's just a huge distraction to be spending your time
诸如GPU的系统设置
doing like system administration on a GPU machine
安装驱动
and installing drivers and
等等问题上 请在Linux上运行
blah blah blah right and ran it on Linux
大家都是在Linux上运行的
please that's what everybody's doing
不仅仅是我们这么做
not just us everybody's running on a Linux
让你的生活变得简单一点
let make life easy for yourself
毕竟学习深度学习已经很难了
it's hard enough to learn deep learning
哪怕不用学习这些
without having to do it in a way that you're learning
你知道的 各种各样的
you know all kinds of
晦涩难懂的硬件支持问题
arcane hardware support issues
有许多免费的服务可供选择
there's a lot of free options available and so
请你一定要去用它们
please please use them
如果你在用付费的服务
if you're using an option that's not free
请不要忘了关闭实例
don't forget to shut down your instance
事实上是
so what's going to be happening is you're going to
你会启动一个服务器
be spinning up a server that
它位于世界的某个角落
lives somewhere else in the world
你可以通过你自己的电脑连接访问服务器
and you're gonna be connecting to it from your computer
也可以训练 运行和构建模型
and training and running and building models

Bulgarian: 
Ако вече имате такъв, вероятно не трябва да го използвате.
Вместо това трябва да използвате една от платформите, които вече сме настроили за вас.
Просто е огромно разсейване да прекарвате времето си в системна администрация
на GPU машина, инсталирайки драйвери и т.н.
И го стартирайте на Линукс.
Моля ви!
Така правят всички, не само ние, всеки изпълнява кода на Линукс.
Направете живота си лесен.
Достатъчно трудно е да изучавате Deep Learning и без да се налага да си добавяте допълнителни пречки,
знаете всякакви тайнствени проблеми с хардуерната поддръжка.
Има много безплатни варианти на разположение, затова моля, използвайте ги.
Ако използвате вариант, който не е безплатен, не забравяйте да изключите виртуалната машина.
Това, което ще стане, е, че ще държите сървър, който работи някъде
другаде по света, и ще се свързвате към него от своя компютър, и ще обучавате,

Tamil: 
அதற்கு பதிலாக, நாங்கள் உங்களுக்காக ஏற்கனவே அமைத்துள்ள தளங்களில் ஒன்றை நீங்கள் பயன்படுத்த வேண்டும்.
ஜி.பீ.யூ கணினியில் கணினி நிர்வாகம் போன்றவற்றைச் செய்வதற்கும் இயக்கிகளை நிறுவுவதற்கும் உங்கள் நேரத்தை செலவிடுவது ஒரு பெரிய கவனச்சிதறல்.
தயவுசெய்து அதை லினக்ஸில் இயக்கவும். எல்லோரும் அதைத்தான் செய்கிறார்கள். நாங்கள் மட்டுமல்ல. எல்லோரும் அதை லினக்ஸில் இயக்குகிறார்கள். வாழ்க்கையை நீங்களே எளிதாக்கிக்கொள்ளுங்கள்
ஆழ்ந்த கற்றலைக் கற்றுக்கொள்வது கடினம், அதை ஒரு பழகிய வழியில் செய்யாமல், நீங்கள் வேற வழியில் கற்றுக் கொண்டிருக்கிறீர்கள்
அனைத்து வகையான கமுக்க வன்பொருள் ஆதரவு சிக்கல்களும்
நிறைய இலவச தேர்வுகள் உள்ளன
அதனால்
தயவு செய்து
தயவுசெய்து அவற்றைப் பயன்படுத்தவும்
நீங்கள் பயன்படுத்தும் தேர்வு  இலவசமில்லை என்றால்
உங்கள் நிகழ்வை மூட மறக்காதீர்கள்.
எனவே என்ன நடக்கப் போகிறது என்பது நீங்கள் உலகில் வேறு எங்காவது வாழும் ஒரு சேவையகத்தை சுழற்றப் போகிறீர்கள்
உங்கள் கணினியிலிருந்து அதை இணைக்கப் போகிறீர்கள். மாதிரிகளை பயிற்றுவிக்க, உருவாக்க  மற்றும் இயக்க போகிறீர்கள்

English: 
If you already have one you probably shouldn't
use it.
Instead you should use one of the platforms
that we have already got set up for you.
It's just a huge distraction to be spending
your time doing, like, system administration
on a GPU machine and installing drivers and
blah blah blah.
And run it on Linux.
Please.
That's what everybody's doing, not just us,
everybody's running it on Linux.
Make life easy for yourself.
It's hard enough to learn Deep Learning without
having to do it in a way that you are learning,
you know, all kinds of arcane hardware support
issues.
There's a lot of free options available and
so, please, please use them.
If you're using an option that is not free
don't forget to shut down your instance.
So what's gonna be happening is you gonna
be spinning up a server that lives somewhere
else in the world, and you're gonna be connecting
to it from your computer and training and

Japanese: 
もし既に持っていても、それを使うべきではないでしょう。
その代わりに、私たちがすでに用意しているプラットフォームを使ってください。
GPUマシンのシステム管理やドライバのインストールなどに
時間を割くのは気が散るだけです。
そしてLinuxで実行してください。
私たちだけでなく、みんながLinuxで実行しています。
自分の人生を楽にしてください。
ディープラーニングを学習するのは、あらゆる種類の難解な
ハードウェアサポートの問題なしでも十分に難解です。
無料で使えるオプションがたくさんあるので、ぜひ使ってみてください。
もし無料ではないオプションを使っている場合は、
インスタンスをシャットダウンすることを忘れないでください。
つまり、あなたは世界のどこかにあるサーバーを起動して、
あなたのコンピュータからそれに接続して、トレーニングをしたり、

Chinese: 
在关闭浏览器窗口时
just because you close your browser window
并不代表你的整个服务器停止运行了
doesn't mean your server stops running on the whole
所以不要忘了关机
okay so don't forget to shut it down
否则你要多付很多钱
because otherwise you're paying for it
Colab是一个好用且免费的系统
Colab is a great system which is free
它同时还有一个付费的版本
there's also a paid subscription version of it
使用Colab要特别小心
be careful with Colab
我们推荐的很多其他的系统
the most of the other systems we recommend
都可以自动保存你的工作
save your work for you automatically
你可以随时回到之前的工作 但Colab不会
and you can come back to at any time Colab doesn't
所以一定要记得
so be sure to check out
在论坛查看Colab平台的版块
the Colab platform thread on the forums
学习一下使用方法
to learn about that
我提到的这个论坛
so I mentioned the forums
它非常非常重要
the forums are really really important
那里面包含了各种
because that is where all of
讨论 设置和其他内容
the discussion and setup and everything happens
举例来说
so for example if you want
如果你想了解如何开始设置
help with setup here you know there's

Tamil: 
உங்கள் உலாவி சாளரத்தை மூடுவதால், உங்கள் சேவையகம் இயங்குவதை நிறுத்திவிடும்
என்று அர்த்தமல்ல. சரியா? எனவே அதை மூட மறக்காதீர்கள், இல்லையெனில் நீங்கள் அதற்கு பணம் செலுத்துவீர்கள்
'கோலாப்' ஒரு சிறந்த அமைப்பு, இது இலவசமானது
அதன் கட்டண சந்தா பதிப்பும் உள்ளது.
கொலாப் உடன் கவனமாக இருங்கள். மற்ற அமைப்புகளில் பெரும்பாலானவையில்
உங்களுக்காக உங்கள் வேலையை தானாகவே சேமிக்க நாங்கள் பரிந்துரைக்கிறோம், நீங்கள் எந்த நேரத்திலும் திரும்பி வரலாம்.
கோலாப் அப்படி  இல்லை. எனவே அதைப் பற்றி அறிய மன்றங்களில் கோலாப் இயங்குதள நூலைப் பார்க்கவும்
மன்றங்களைக் குறிப்பிட்டேன்
மன்றங்கள் மிகவும் முக்கியமானவை, ஏனென்றால் அது எங்கேதான்
அனைத்து
கலந்துரையாடல் மற்றும் அமைப்பு மற்றும் எல்லாம் நடக்கும். எனவே, எடுத்துக்காட்டாக, நீங்கள் அமைப்பதில் உதவி விரும்பினால்

Spanish: 
El hecho de que cierres la ventana de su navegador no significa que su servidor deje de funcionar.
En conjunto. Bien. Así que no olvides cerrarlo porque de lo contrario estás pagando por ello.
Colab es un gran sistema, que es gratis
También hay una versión de suscripción de pago
Ten cuidado con Colab. La mayoría de los otros sistemas
que recomendamos guardan tu trabajo para ti automáticamente, y puedes volver a ello en cualquier momento
Collab no lo hace. Así que asegurate de revisar en los foros el hilo plataforma Colab
para aprender sobre eso.
Así que mencioné los foros.
Los foros son realmente muy importantes porque ahí es donde sucede
toda la
discusión y configuración y todo. Entonces, por ejemplo, si quieres ayuda con la configuración

Japanese: 
モデルを構築したり実行することになります。
ブラウザのウィンドウを閉じたからといって、
サーバが全体的に停止するわけではありません。
だからシャットダウンするのを忘れないでください。
そうしないとお金を払うことになります。
Colabは無料の素晴らしいシステムです。
有料のサブスクリプション版もあります。
Colabには気をつけて欲しいことがあります。
私たちがお勧めする他のシステムのほとんどは、
あなたの作業を自動的に保存し、
いつでも戻ってくることができます。
Colabはそうではありません。
そのため、フォーラムの「Colabプラットフォーム」のスレッドを
チェックして、その使い方学ぶようにしてください。
それで、フォーラムについても触れておきますが...
フォーラム（https://forums.fast.ai/）は本当に重要です。
そこで、すべての議論や設定、
すべてのことが行われます。
例えばセットアップのヘルプスレッドがあり、

Bulgarian: 
пускате и създавате модели.
Това, че затваряте прозореца на браузъра си, не означава, че сървърът ви спира да работи
 като цяло.
Разбрахте ли?
Затова не забравяйте да го изключите, защото в противен случай плащате за него.
Google Colab е страхотна система, която е безплатна.
Също така има и версия за платен абонамент.
Бъдете внимателни с Колаб.
Повечето от останалите системи, които препоръчваме, запазват работата ви автоматично и може
да се върнете и да продължите по всяко време.
Colab не.
Затова не забравяйте да проверите във форумите темата за платформата Colab, за да научите повече
Като споменах форумите...
Форумите са наистина много важни, защото там са всички дискусии, уговорки
и всичко, което се случва.
Така например, ако искате помощ при настройката,

English: 
running and building models.
Just because you close your browser window
doesn't mean your server stops running on
the whole.
Right?
So don't forget to shut it down because otherwise
you're paying for it.
Colab, is a great system which is free.
There's also a paid subscription version of
it.
Be careful with Colab.
Most of the other systems we recommend save
your work for you automatically and you can
come back to it at any time.
Colab doesn't.
So be sure to check out the Colab platform
thread on the forums, to learn about that.
So, I mention the forums...
The forums are really, really important because
that is where all of the discussion and set
up and everything happens.
So for example if you want help with setup
here.

Tamil: 
இங்கு உதவி நூல் அமைக்கப்பட்டுள்ளது, அதை எப்படி செய்வது என்பதை நீங்கள் கண்டுபிடிக்கலாம்
கொலாப்பை எவ்வாறு சிறப்பாக அமைப்பது மற்றும் அதைப் பற்றிய விவாதங்களை நீங்கள் காணலாம், மேலும் நீங்கள் கேள்விகளைக் கேட்கலாம், தயவுசெய்து உங்கள் கேள்வியைக் கேட்பதற்கு முன் தேட நினைவில் கொள்ளுங்கள்
ஏனென்றால், நீங்கள் நிச்சயமாக ஆரம்பகால மக்களில் ஒருவராக இல்லாவிட்டால் இது முன்பே கேட்டிருக்கப்படும்
அதனால்
படி ஒன்று, வழிமுறைகளைப் பின்பற்றி உங்கள் சேவையகத்தை அமைப்பது,
மன்றங்களிலிருந்து அல்லது பாடநெறி வலைத்தளத்திலிருந்து. பாடநெறி வலைத்தளத்தில்
ஒவ்வொரு தளத்திற்கும் படிப்படியான வழிமுறைகளை இருக்கும்.
தளங்கள் விலையில் மாறுபடும், வேகத்தில் மாறுபடும், அவை அனைத்தும் கிடைப்பதில் வேறுபடுகின்றன.
அந்த வழிமுறைகளைப் பின்பற்றி முடித்ததும், அந்த வழிமுறைகளின் கடைசி படி
இது போன்ற ஒன்றைக் காண்பிக்கும் -

Chinese: 
这里有设置相关主题
a setup help thread and you can find out
比如 设置Colab的最好方法
you know how to best set up colab
你可以在这里看到大家对该问题的讨论
and you can see discussions about it
你可以在这里提问
and you can ask questions and please remember to
请记住 在提问前可以先搜索你的问题
search before you ask your question right
可能已经有人问了同样的问题
because it's probably been asked before
除非你是
unless you're one of the very
最早一批上这门课的人
very earliest people who are doing the course
你的第一步是
so once you so step one is to
先设置好服务器
get your server set up
根据按照论坛的指引
by just following the instructions from the forums
或者根据课程网址的介绍
or from the course website and the course website
课程网站包含了许多含步骤的介绍
will have lots of step-by-step instructions
是针对不同的系统平台的
for each platform
价格和速度都会有不同
they will vary in price they will vary in speed
可用性等方面也都不同
they all vary in availability and so forth
所以 当你按照介绍
once you have finished following
完成最后一步时
those instructions the last step of
会向你展示
those instructions will end up showing you
类似这个course-v4的文件夹
something like this the course-v4 folder

Japanese: 
Colabをどのようにセットアップするのがベストなのかを知ることができたり
それについてのディスカッションを読んだり質問もできます。
質問をする前に検索することを忘れないでください。
あなたがこのコースを最初の頃に受講している人でない限り、おそらく以前にも
質問されたことがあると思いますので。
では、[咳]...
ステップ１は、フォーラムやコースのウェブサイトの指示に従って、
サーバーをセットアップします。
コースのウェブサイトには、各プラットフォームの一歩一歩の説明がたくさんあります。
それぞれのプラットフォームは価格、速度、可用性などが異なります。
これらの指示に従うことが終わると、その指示の最後のステップでは、
次のようなものが表示されます。
コースV4のフォルダ、

English: 
You know there is a setup help thread and
you can find out, you know, how to best set
up Colab, and you can see discussions about
it and you can ask questions, and please remember
to search before you ask your question, right?
Because it's probably been asked before, unless
you're one of the very, very earliest people
who are doing the course.
So, once you…
So, step one is to get your server set up
by just following the instructions from the
forums or from the course website.
And the course website will have lots of step-by-step
instructions for each platform.
They will vary in price, they will vary in
speed, they will vary in availability, and
so forth.
Once you are finished following those instructions
The last step of those instructions will end
up showing you something like this: a course

Spanish: 
aquí, ya sabes, hay un hilo de ayuda de configurado y puedes descubrir cómo
Mejor configurar Colab y puedes ver discusiones al respecto y puede hacer preguntas y recuerda buscar
antes de hacer tu pregunta, ¿vale? Porque probablemente ya se ha hecho antes, a menos que seas una de las primeras
personas que están haciendo el curso.
Entonces
Una vez que... Entonces, el primer paso es configurar su servidor simplemente siguiendo las instrucciones
de los foros o del sitio web del curso y el sitio web del curso tendrá muchas
instrucciones paso a paso para cada plataforma.
Variarán en precio. Variarán en velocidad. Variarán en disponibilidad, etc.
Una vez que hayas terminado de seguir esas instrucciones, el último paso de esas instrucciones terminará mostrándote
algo como esto

Bulgarian: 
знаете, има помощна тема за настройка и можете да разберете как най-добре да настроите 
Colab, и можете да видите дискусии за него, и да задавате въпроси. Моля, не забравяйте
да търсите, преди да задавате въпроси, нали?
Защото вероятно е попитано и преди, освен ако не сте един от първите хора, 
които правят курса.
И така...
И така, първата стъпка е да настроите вашия сървър, като просто следвате инструкциите от
форумите или от уебсайта на курса.
И уебсайтът на курса ще има много инструкции стъпка по стъпка за всяка платформа.
Те ще варират в цената, ще се различават по скорост, наличност и
така нататък.
След като приключите с прилагане на инструкциите,
като последна стъпка от инструкциите ще видите нещо такова: 

Bulgarian: 
папка course v4, т.е. версия четвърта на курса.
До момента, в който гледате това видео, вероятно ще има още неща  в нея, но ще има
NB - означаващо папка с тетрадки (notebooks).
Така че може да цъкнете върху това и ще видите всички тетрадки за курса.
Това, което искам да направите, е да превъртите до долу и да намерите тази, наречена app Jupyter.
Цъкнете и там може да започнете да учите за Jupyter тетрадките.
Какво е Jupyter тетрадка?
Jupyter тетрадка е нещо, където може да пишете неща и да натиснете Shift-Enter,
и ще ви даде отговор.
Нещото, което пишете, е код на Python и това, което получавате, е резултатът
от изпълняване на кода.
И така, може да сложите каквото и да е на Python.
X е равно на три по четири

Japanese: 
つまりこのコースのバージョンです。
このビデオをご覧になる頃にはもっとたくさんのものが入っていると思いますが、
ノートブックスフォルダを意味する「NBS」が入っています。
これをクリックすると、コースのすべてのノートが表示されます。
下にスクロールして、app_jupyter.ipynbというファイルを見つけてください。
それをクリックすると、ここからジュピターノートブックの学習を始めることができます。
ジュピターノートブックって何？
ジュピターノートブックは何かを入力して、Shift-Enterキーを押すと
答えが返ってきます。
あなたが入力しているのはPythonのコードで、出てくるのは
そのコードの結果です。
Pythonだったら何でも入力することができます。
XはXかける４。

Tamil: 
பாடத்தின் 'வி 4' கோப்புறை. எங்கள் பாடத்தின் பதிப்பு 4 மற்றும் இந்த வீடியோவை நீங்கள் பார்க்கும் நேரத்தில்
இதில் அதிகமான விஷயங்கள் இருக்க வாய்ப்புள்ளது
இதில் NBS என்று - (குறிப்பேடுகள் கோப்புறையின் சுருக்கம்) இருக்கும், நீங்கள் அதைக் கிளிக் செய்தால்,
படிப்புகளுக்கான அனைத்து குறிப்பேடுகளையும் காண்பிக்கும்.
நீங்கள் என்ன செய்ய வேண்டும் என்று நான் விரும்புகிறேன் என்றால், கீழே வரை சென்று
app_jupiter எனப்படும் ஒன்றைக் கண்டுபிடித்து அதைக் கிளிக் செய்யவும்
ஜூபைட்டர் நோட்புக் பற்றி நீங்கள் கற்றுக்கொள்ள ஆரம்பிக்கக்கூடிய இடம் இது
ஜூபைட்டர் நோட்புக் என்றால் என்ன?
ஜூபைட்டர் நோட்புக் என்பது நீங்கள் தட்டச்சு செய்யத் தொடங்கி
'ஷிப்ட் என்டர்' அழுத்தியவுடன்
உங்களுக்கு ஒரு பதிலைக் கொடுக்கும். எனவே நீங்கள் தட்டச்சு செய்யும் விஷயம் 'பைதான் நிரல்' மற்றும்
வெளியே வரும் விஷயம்
வெளியே வரும் விஷயம் அந்த குறியீட்டின் விளைவாகும், எனவே நீங்கள் பைத்தானில் எந்த விஷயத்தையும் எழுதலாம். X
3 முறை 4 க்கு சமம்
X கூட்டல் 1

Chinese: 
也就是我们的第四版课程
so version 4 of our course and
当你看这个视频时
by the time you see this video
这里会有更多的内容
this is likely to have more stuff in it
这里会有一个nbs文件夹
but it will have an nbs standing for
是notebooks所在文件夹
notebooks folder
所以你可以点进去
so you can click on that
然后里面会有所有课程笔记
and that will show you all of the notebooks for the course
我希望你做的是滚动到最底部
what I want you to do is scroll at the bottom
找到这个叫做app_jupyter的文件
and find the one called app_jupyter
然后点击它
and click on that
从这里 你就可以开始学习
and this is where you can start learning about
关于Jupyter notebook的使用
Jupyter notebook
什么是Jupyter Notebook呢
what is Jupyter notebook
在Jupyter notebook中
Jupyter notebook is something where
你可以在输入代码后 按shift+enter键
you can start typing things and press shift enter
它会展示运行结果
and it will give you an answer
你输入的是Python代码
and so the thing you're typing is Python code
这个输出就是
and the thing that comes out is
这个代码运行的结果 所以你可以输入
the result of that code and so you can put in
任意Python代码 比如x=3*4
any thing in Python x equals 3 times 4
然后x+1 然后它
x plus 1 and as you can see

English: 
v4 folder, so a version four of our course.
By the time you see this video, this is likely
to have more stuff in it, but it will have
an NB's standing for notebooks folder.
So you can click on that, and that will show
you all of the notebooks for the course.
What I want you to do is scroll bottom and
find the one called app Jupyter.
Click on that, and this is where you can start
learning about Jupyter notebook.
What's Jupyter Notebook?
Jupyter Notebook is something where you can
start typing things, and press Shift-Enter,
and it will give you an answer.
And so the thing you're typing is python code,
and the thing that comes out is a result of
that code.
And so you can put in anything in python.
X equals three times four.

Spanish: 
la carpeta del curso v4, así que la versión 4 de nuestro curso y para cuando veas este video
es probable que tenga más cosas
Pero tendrá NBs, que significa una carpeta de cuadernos. Así que puedes hacer clic en eso
y eso te mostrará todos los cuadernos para el curso
Lo que quiero que hagas es desplazarte a la parte inferior y
encontrar la aplicación llamada Júpiter y haz en eso y
aquí es donde puedes comenzar a aprender sobre el cuaderno Júpiter.
¿Qué es el cuaderno Júpiter?
El cuaderno Júpiter es algo donde puedes comenzar a escribir cosas y
presionar shift enter y
te dará una respuesta. Entonces, lo que estás escribiendo es código Python y
lo que sale es
el resultado de ese código y así puedes poner cualquier cosa en Python x
es igual a 3 veces 4x
más 1 y

Tamil: 
நீங்கள் பார்ப்பதுபோல எந்த நேரத்திலும் ஒரு முடிவு இருக்கும்போது, இது முடிவைக் காட்டுகிறது
எனவே உங்களில், இதற்குமுன்பு ஒரு குறிப்பிட்ட அளவு
நிரலாக்கத்தை செய்தவர்களுக்கு, இதை நீங்கள் ஒரு REPL ஆக - படிக்க, மதிப்பீடு செய்ய, அச்சிட்டு பாருங்கள், கண்டுகொள்வீர்கள்
பெரும்பாலான மொழிகளில் சில வகையான REPL உள்ளது
ஜூபைட்டர் நோட்புக் REPL குறிப்பாக சுவாரஸ்யமானது, ஏனெனில் இதில்
தலைப்புகள்
வரைகலை வெளியீடுகள்
ஊடாடும் மல்டிமீடியா போன்றவை உள்ளன.இது மிகவும் வியக்க வைக்கும் மென்பொருள். இது மிக பெரிய விருதுகளை வென்றுள்ளது.
என்னைப்பொறுத்தவரை, இது BASH போன்ற ஷெல்லை கணக்கு செய்யாமல் மிகவும் பரவலாகப் பயன்படுத்தக்கூடிய REPL நினைக்கிறேன்
இது மிகவும் சக்திவாய்ந்த அமைப்பு. நாங்கள் இதனை நேசிக்கிறோம். எங்கள் முழு புத்தகத்தையும் அதில் எழுதியுள்ளோம்
முழு 'ஃபாஸ்ட்ஏஐ' நூலகத்தையும் அதனுடன் எழுதியுள்ளோம். நம்முடைய எல்லா கற்பித்தல்களையும் அதனுடன் செய்கிறோம்
இது

Japanese: 
X足す１。見ての通り、表示すべき結果があれば
いつでも結果を表示します。
なので、以前に少しコーディングをしたことがある人は、これがREPLだとわかるでしょう。
R-E-P-L、読み込み（Read）、評価（Evaluate）、印刷（Print）、ループ（Loop）のこと。
ほとんどの言語には何らかの REPL があります。
ジュピター ノートブックの REPL は特に興味深いもので、見出し、グラフィカルな出力、
インタラクティブで、マルチメディアのようなものも持っています。
これは本当に驚くべきソフトウェアです。
本当に大きな賞をいくつか受賞しています。
Bashのようなシェル以外では最も広く使われているREPLだと思います。
非常に強力なシステムです。
私たちはこれを愛しています。
私たちの本も全部このシステムで書いていますし、
fastaiのライブラリも全部このシステムで書いていますし、
私たちの授業も全部このシステムで行っています。

Spanish: 
como puede ver, muestra el resultado cada vez que hay un resultado para mostrar.
así que para aquellos de ustedes que hayan hecho un poco de
programación antes, reconocerán esto como un REPL. R. E. P. L. Bucle de lectura evaluación impresión.
La mayoría de los lenguajes tienen algún tipo de REPL.
El REPL del cuaderno Júpiter es particularmente interesante porque tiene cosas como
Encabezados
salidas gráficas
Multimedia interactiva, es una pieza de software realmente asombrosa. Ha ganado grandes premios.
Ya sabes, hubiera pensado que es el RIPL más usado
a excepción de intérpretes de comandos como bash.
Es un sistema muy poderoso. Lo amamos. Hemos escrito todo nuestro libro en él.
Hemos escrito toda la biblioteca fastai el con él. Hacemos toda nuestra enseñanza con ella.
Es

English: 
X plus one, and as you can see, it displays
a result anytime there's a result to display.
So for those of you that have done a bit of
coding before, you will recognise this as
a REPL.
R-E-P-L, read, evaluate, print, loop.
Most languages have some kind of REPL.
The Jupyter notebook REPL is particularly
interesting, because it has things like headings,
graphical outputs, interactive multimedia.
It's a really astonishing piece of software.
It's won some really big awards.
I would have thought the most widely used
REPL, outside of shells like bash.
It's a very powerful system.
We love it.
We've written our whole book in it, we've
written the entire FASTAI library with it,
we do all our teaching with it.

Bulgarian: 
X плюс едно, и както може да видите, дава ви резултат всеки път, когато има резултат за показване.
Тези от вас, които сте се занимавали малко с програмиране, ще разпознаете
REPL
R-E-P-L, read, evaluate, print, loop - прочети, изчисли, отпечатай, цикъл.
Повечето езици имат някакъв вид REPL.
REPL на Jupyter тетрадките е особено интересен, тъй като има неща като заглавия,
графични изходи, интерактивна мултимедия.
Това е наистина изумителен софтуер.
Печелил е няколко наистина големи награди.
Бих си помислил, че е най-широко използваният REPL, извън командните обвивки (shell) като bash.
Това е много мощна система.
Ние я обожаваме.
Написахме цялата си книга в нея, написахме цялата библиотека fastai с нея,
правим цялото си обучение с нея.

Chinese: 
就会显示结果 如果有结果的话
it displays the result anytime there's a result to display
如果你之前
so for those of you that have
写过一些代码
done a bit of coding before
你可以辨认出这是一个REPL
you will recognize this as a REPL r-e-p-l
 “读取-求值-输出”循环 很多语言
read evaluate print loop most languages have
也有类似的循环
some kind of REPL
jupyter notebook的这个循环更为有趣
the jupiter notebook REPL is particularly interesting
它包含了许多元素 像是标题
because it has things like headings
图像化输出 交互式多媒体
graphical outputs interactive multimedia
这是个十分令人惊艳的软件
it's it's it's a really astonishing piece of software
这是巨大的成就
it's it's ones and really big awards it's you know
我认为这是除了shell脚本语言（比如bash）外
I would have thought the most widely-used REPL
最广泛应用的REPL
outside of shells like bash
这是十分强大的系统 我们都很喜欢它
it's a very powerful system we love it
我们整本书都用这个来写的
we've written our whole book in it we've written
我们整个fastai库也是用这个编写的
the entire fastai library with it

Japanese: 
IDEでほとんどの仕事をしてきた人にとっては、非常に馴染みのないものです。
おそらく初めてGUIからコマンドラインに移行したときと同じくらいの
気まずさを感じると思ってください。
別物です。
REPL ベースのシステムに慣れていない人にとっては、
とても違和感を感じるでしょう。
しかし、それは本当に素晴らしいものなので、続けてみてください。
ここで何が行われているかというと、私が見ているこのウェブページでは、
サーバが行うべきことを私が入力すると、サーバが行った計算の結果を表示してくれます。
つまり、サーバーはどこか別の場所にあるということです。
私のコンピュータ上では実行されていないのです。
コンピュータ上で動いているのはこのウェブページだけです。
しかし、私が何かをしていると、例えば、「XはXの3倍に等しい」と言った場合、
サーバーの状態が更新されます。
ここで言うサーバーの状態とは

Spanish: 
extremadamente desconocido para las personas que han realizado la mayor parte de su trabajo en IDE
Debería esperar que se sienta tan incómodo como quizás la primera vez que pasó de una GUI a una línea de comandos.
Es diferente. Muy bien, así que si no está familiarizado con el tipo de sistemas basados ​​RIPL, se sentirá
super raro.
Pero cíñete a él porque realmente es genial.
El tipo de modelo que está pasando aquí es que esta página web a la que estoy mirando
me permite escribir cosas para que lo haga un servidor, y mostrarme los resultados de
cálculos que el servidor está haciendo. Por lo que el servidor está en otro lugar.
No se ejecuta en mi computadora, ¿cierto? Lo único que se ejecuta en la computadora es esta página web.
Pero al hacer las cosas, por ejemplo, si digo x es igual
x veces 3.

Chinese: 
对于那些习惯在集成开发环境中(IDE，Integrated Development Environment)
unfamiliar to people who has done most
完成大部分（日常）工作的人来说是很不熟悉的，
of their work in IDE you should expect
你应该感觉到就像是
it to feel as awkward as perhaps the
当你第一次从GUI转换到命令行时
first time you moved from a GUI to a
你会感到很棘手，它们(俩)大相径庭。
command line it's different
因此如果你不熟悉
so if you're not familiar with
基于交互式解释器（REPL：read-eval-print loop）的系统，
kind of REPL based systems it's going
你会觉得非常奇怪
to feel super weird
但是坚持下去，因为它真的很棒
but stick with it because it really is
这其中运行的模型是
great the kind of the model going on
我眼前这个网站可以
here is that this webpage I'm looking at
让我输入东西给一台服务器执行
is letting me type in things for a server
并向我展示
to do and show me the results of
服务器计算的结果
computations the server is doing so the
这个服务器在别的地方
server is off somewhere else it's not
它不在我这台电脑上运行
running on my computer
我这台电脑上唯一运行的东西
the only thing running on the computer
就是这个网页，但是当我输入一些东西
is this webpage but as I do things so
比如说x = x * 3的时候
for example if I say x equals x times 3
它会更新服务器的状态
this is updating the server's state
那里有一个状态描述了
there's this state that's like what's
x的当前值，所以我可以
currently the value of x and so I can

English: 
It's extremely unfamiliar to people who have
done most of their work in IDE.
You should expect it to feel as awkward as
perhaps the first time you moved from a GUI
to a command line.
It's different.
So if you're not familiar with REPL-based
systems, it's gonna feel super weird.
But stick with it, because it really is great.
The kind of model going on here is that, this
webpage I'm looking at, is letting me type
in things for a server to do, and show me
the results of computations a server is doing.
So the server is off somewhere else.
It's not running on my computer right?
The only thing running on the computer is
this webpage.
But as I do things, so for example if I say
X equals X times three.
This is updating the servers state.
There's this state.

Bulgarian: 
Това е крайно непознато за хората, които са извършвали по-голямата част от работата си в IDE.
Трябва да очаквате, че ще се почувствате толкова неудобно, колкото може би първия път, когато сте преминали от GUI
към команден ред.
Различно е.
Така че, ако не сте запознати със системи, базирани на REPL, ви е супер странно.
Но се придържайте към нея, защото наистина е страхотно.
Моделът, който се случва тук, е, че тази уеб страница, която разглеждам, ми позволява да въвеждам
неща, които сървърът да изпълни, и ми показва резултатите от изчисленията, които прави сървърът.
Значи сървърът е някъде другаде.
Не работи на моя компютър, ясно?
Единственото, което работи на компютъра, е тази уеб страница.
Но като правя нещата, така например, ако кажа, че X е равно на X по три,
това актуализира състоянието на сървъра.
Има това състояние.

Tamil: 
IDE இல் தங்கள் பணிகளைச் செய்தவர்களுக்கு மிகவும் அறிமுகமில்லாதாக இருக்கும்
நீங்கள் ஒரு GUI இலிருந்து ஒரு கட்டளை வரிக்கு சென்ற முதல் தடவை இது போன்ற மோசமான உணர்வை நீங்கள் எதிர்பார்க்க வேண்டும்
இது வித்தியாசமானது. எனவே நீங்கள் REPL அடிப்படையிலான அமைப்புகளைப் பற்றி அறிந்திருக்கவில்லை என்றால், இது
மிகவும் வித்தியாசமாக உணரப் போகிறது.
ஆனால் இதனுடன் ஒட்டி இருங்கள் , ஏனென்றால் இது மிகவும் சிறந்தது
இங்கே நடக்கும் மாதிரியின் வகை என்னவென்றால், நான் பார்த்துக் கொண்டிருக்கிற இந்த வலைப்பக்கம்
நான் தட்டச்சு செய்யும் விஷயங்களை, ஒரு சர்வர்-ல் செயலாக்கம் செய்து
சர்வர் செய்யும் கணக்கீடுகளை எனக்குக் காண்பிக்கிறது. இந்த சர்வர் வேறு எங்காவது அமைந்துள்ளது
இது எனது கணினியில் இயங்கவில்லை, எனது கணினியில் இயங்கும் ஒரே விஷயம் இந்த வலைப்பக்கம் தான்
ஆனால் நான் விஷயங்களைச் செய்யும்போது, எடுத்துக்காட்டாக, X=
x பெருக்கல் 3

Bulgarian: 
Това е каква в момента е стойността на X и така мога да разбера. Сега X е нещо
различно.
Така че можете да видите, когато направих този ред тук, той не промени по-ранния X плюс един, нали?
Това означава, че когато гледате Jupyter тетрадка, тя не ви показва текущото
състояние на сървъра.
Просто ви показва какво е било това състояние в момента, когато сте го отпечатали.
Това е все едно използвате shell (команден ред) като bash.
Въвеждате "ls",
след това изтривате файл,
предишното "ls", което сте отпечатали, не се променя.
Така най-общо работят REPL,
включително и този.
Jupyter тетрадките имат два режима.
Единият е режим "редактиране", който е, когато цъкна върху клетка и получа мигащ курсор и мога 
да се местя наляво и надясно и да въвеждам текст.
Така ли е?
Няма много клавишни комбинации към този режим.

Spanish: 
Esto está actualizando el estado del servidor. Existe este estado que es como lo que actualmente es el valor de X y así puedo averiguar
que ahora X es algo diferente. Así que puedes ver cuándo hice esta línea aquí
no cambió la X más 1 anterior, ¿verdad?
Eso significa que, cuando miras un cuaderno Júpiter, eso no te muestra el estado actual de tu servidor.
Solo te muestra cuál era ese estado en el momento en que imprimiste esa cosa.
Es como si usas un intérprete de comandos como bash y escribes ls y luego borras un archivo.
El ls anterior que imprimiste no vuelve y cambia, ¿verdad? Así es como
generalmente trabaja los REPL.
Incluyendo este.
El cuaderno Júpiter tiene
dos modos. Uno es el modo de edición.
Que es cuando hago clic en una celda y obtengo un cursor parpadeante y puedo moverme hacia la izquierda y hacia la derecha y escribir.
¿Cierto?

Japanese: 
現在のXの値が何であるということで、その値を 表示することができます。
今のXは以前とは違うものになっています。
この行をここでやっても、先ほどのX＋1は変わらないでしょう？
ということは、ジュピターのノートを見たときに、サーバの現在の状態が
表示されていないということですね。
印刷した時の状態を表示しているだけです。
これはBashのようなシェルを使うのと同じで
"ls" と入力します。
そしてファイルを削除する。
以前に印刷した "ls" はそれに従ってって更新されることはありません。
それが REPL の一般的な動作です。
これも含めて。
ジュピターノートブックには2つのモードがあります。
一つは編集モードで、セルをクリックするとカーソルが点滅して、
左右に移動して入力することができます。
このモードではキーボードショートカットはあまりありません。

Tamil: 
இது சர்வர்-ன் நிலையைப் புதுப்பிக்கிறது. X இன் தற்போதைய மதிப்பைக் குறிக்கும் ஒரு நிலை உள்ளது, எனவே இப்போது என்னால்
Xன் மதிப்பு வேறு என்று நான் கண்டுபிடிக்க முடியும். நான் இங்கே இந்த வரியைச் செய்தபோது
இது முந்தைய X+1 ஐ மாற்றவில்லை, இல்லையா?
எனவே நீங்கள் ஒரு ஜுபைட்டரை ஒரு நோட்புக்கைப் பார்க்கும்போது, அது உங்கள் சர்வர்-ன் தற்போதைய நிலையைக் காண்பிக்காது
நீங்கள் அந்த விஷயத்தை அச்சிட்ட நேரத்தில் அந்த நிலை என்ன என்பதை இது உங்களுக்குக் காட்டுகிறது
நீங்கள் பாஷ் போன்ற ஷெல்லைப் பயன்படுத்தினால், அதில் ls எனத் தட்டச்சு செய்து, பிறகு ஒரு கோப்பை நீக்கினால்
நீங்கள் அச்சிட்ட முந்தைய ls திரும்பிச் சென்று மாறாது இல்லையா? அப்படித்தான் REPL கள்
பொதுவாக வேலைசெய்யும்
இது உட்பட
ஜுபைட்டர் நோட்புக்கில்
இரண்டு பயன்முறைகள் உள்ளன, ஒன்று திருத்துதல் முறை
அதாவது, நான் ஒரு கலத்தைக் கிளிக் செய்தால் ஒளிரும் கர்சரைப் பெறுவேன். நான் இடது மற்றும் வலதுபுறமாக நகர்ந்து தட்டச்சு செய்யலாம்
சரியா?

Chinese: 
发现x现在的值变不一样了，因此
find out now x is something different so
正如你所见，当我执行这一行的时候
you can see when I did this line here it
它没有更改先前的x + 1
didn't change the earlier x plus 1
所以，这意味着当你看一个
so that means that when you look at a
jupyter notebook ,它没有显示你的
jupyter notebook it's not showing you
服务器的当前状态
the current state of your server it's
它只是给你显示出
just showing you what that state was at
打印出来时候的状态
the time that you printed that thing out
这就像你用shell(命令行解释器)
it's just like if you use a shell
比如bash，你输入ls然后
like bash and you type ls and then you
删除了一个先前用ls打印的文件
delete a file that earlier ls you printed
它不会返回并改变
doesn't go back and change
这差不多就是REPL的工作原理
that's kind of how REPLs generally
包括这个jupyter notebook
work including this one jupyter notebook
有两种模式，一种是编辑模式
has two modes one is edit mode which is
当我点击一个单元的时候
when I click on a cell and I get a
它会显示一个闪烁的光标
flashing cursor and I can move left and
我可以左右移动并输入
right and type there's not very
这个模式下没有太多快捷键
many keyboard shortcuts in this mode one
比较有用的一个是ctrl或者command + /
useful one is ctrl or command + /

English: 
It's like what's currently the value of X
and so I can find out, now X is something
different.
So you can see, when I did this line here,
it didn't change the earlier X plus one, right?
So that means that when you look at a Jupyter
notebook, it's not showing you the current
state of your server.
It's just showing you what that state was,
at the time that you printed that thing out.
It's just like if you use a shell like bash.
And you type “ls”.
And then you delete a file.
That earlier “ls” you printed doesn't
go back and change.
That's kind of how REPLs generally work.
Including this one.
Jupyter notebook has two modes.
One is edit mode, which is when I click on
a cell and I get a flashing cursor and I can
move left and right and type.
Right?
There's not very many keyboard shortcuts to
this mode.

Spanish: 
No hay muchos atajos de teclado. Uno útil es ctrl o comando barra que comentará y descomentará.
El principal a saber es shift enter para ejecutar la celda.
En ese punto ya no hay cursor intermitente. Y eso significa que ahora estoy en modo comando no en modo edición.
Así que a medida que subo y bajo, selecciono diferentes celdas.
Así que en modo comando al
movernos, ahora estamos seleccionando celdas y ahora hay muchos atajos de teclado que puedes usar, así que si presionas H
puedes obtener una lista de ellos, por ejemplo, y verás que no están en general como
ctrl o cmd con algo. Son letras por sí solas.
Entonces, si usas vim, estarás más familiarizado con esta idea
así que si, por ejemplo, si presiono C para copiar y V para pegar
se copia a sí mismo, o X
para cortarlo.
A para
añadir una nueva celda arriba.

Chinese: 
它会给一行添加注释或者取消注释
which will comment and uncomment the
最主要的一个快捷键是shift 加上回车
main one to know is shift enter to
就会真实地运行当时那个单元
actually run the cell at that point
不再有闪烁的光标
there's no flashing cursor anymore and
这意味着我现在已经在命令模式下
that means that I'm now in command mode
而不是编辑模式了所以当我按上下键的时候
not edit mode so as I go up and down I'm
我是在选择不同的单元，所以在命令模式下
selecting different cells so in command
当我们四处移动时，我们现在
mode as we move around we're now
实际上在选择单元，现在它们
selecting cells and they're there now
有很多键盘快捷键你可以使用
lots of keyboard shortcuts you can use
举个例子，如果你按H可以得到它们的列表
so if you hit H you can get a list of
例如，你会看到
them to it for example and you'll see
总的来说它们不像
that they're not on the whole like
ctrl或者command加上其他键
ctrl or command with something they're
它们只是一个单独的字母，所以
just a letter on its own so if you use
如果你用过vim你会比较熟悉
like vim you'll be more familiar with
这种设计
this idea
举例来说，我可以按C来复制，按V来粘贴
so for example if I hit C to copy and V
这样它就把自己复制了一份，还有按X可以
to paste then it copies itself or X to
剪切，按A可以在上面新建一个单元
cut it A to add a new cell above and
然后我可以按不同的数字键
then I can press the various number keys
来创建一个标题。数字2会创建
to create a heading so number 2 will

Japanese: 
ひとつ便利なのは「control」か「command」＋「/」で行を
コメント化したり、コメントを外したりしてくれます。
知っておくべき主なものは、実際にセルを実行するために「shift」+「enter」です。
その時点でもうカーソルの点滅はありません。
それは、今はコマンドモードになっているということです。
編集モードではありません。
上に行ったり下に行ったりしながら、違うセルを選択しています。
今はコマンドモードで移動しながらセルを選択しているわけです。
キーボードショートカットもたくさんあります。
"H" を押すと、そのリストが表示されます。
「control」や「command」で始まるものはあまりなく、
文字だけで構成されていることがわかります。
だからVimのようなものを使ったことがれば、この考え方の方に馴染みやすいと思います。
だから例えば、私はコピーするために "C "を押して、貼り付けるために "V "を押すと、
セルがコピーされます。
または X" で切り取ります。
"A "で新しいセルを上に追加します。
それから様々な数字キーを押して 見出しを作ります。

Tamil: 
இந்த பயன்முறையில் பல விசைப்பலகை குறுக்குவழிகள் இல்லை. பயனுள்ள ஒன்று ctrl அல்லது கட்டளை சாய்வு, இதைவைத்து கருத்துகலை  உருவாக்கவும் அகற்றவும் முடியும்
கலத்தை இயக்குவதற்கு 'ஷிப்ட் என்டர்' என்பது முக்கியமானது
அந்த நேரத்தில் இனி ஒளிரும் கர்சர் இல்லை. அதாவது நான் இப்போது கட்டளை பயன்முறையில் இருக்கிறேன் திருத்துதல் பயன்முறையில் இல்லை
நான் கீழே-மேலே செல்லும்போது வெவ்வேறு கலங்களைத் தேர்ந்தெடுக்கிறேன்
எனவே கட்டளை பயன்முறையில் நாம்
இப்போது செல்லும்போது கலங்களைத் தேர்ந்தெடுக்கிறோம், இப்போது நீங்கள் பயன்படுத்தக்கூடிய விசைப்பலகை குறுக்குவழிகள் நிறைய உள்ளன. நீங்கள் H அடித்தால்
அவற்றின் பட்டியலைப் பெறலாம். இவை முழுவதுமாக
கண்ட்ரோல் அல்லது கமன்ட் உடன் சேர்ந்து இல்லாமல், அவை தனி எழுத்துக்களாகவே உள்ளன
எனவே நீங்கள் VIM போன்றவற்றைப் பயன்படுத்தினால், இந்த விஷயத்தை நீங்கள் நன்கு அறிந்திருப்பீர்கள்
உதாரணமாக, நான் நகலெடுக்க C மற்றும் ஒட்டுவதற்கு V அடித்தால்
அது தன்னை நகலெடுக்கிறது. X,
அதை வெட்ட
A
மேலே ஒரு புதிய கலத்தைச் சேர்க்க

Bulgarian: 
Една полезна е "Control" или "Command" + "/" за превръщане в коментар или обратно.
Основната клавишна комбинация е “shift” + “enter” за изпълнение на клетката.
В този момент вече няма мигащ курсор.
Това означава, че вече съм в "команден" режим,
а не режим на редактиране.
Като отивам нагоре и надолу, избирам различни клетки,
така в команден режим, като се местим, избираме клетки
и вече има много клавишни комбинации, които можете да използвате.
Ако натиснете „H“, можете да получите списък с тях.
И ще видите, че не са като цяло от типа "Control" или "Command"
с нещо друго, а са просто отделни букви.
Ако сте използвали Vim, ще сте по-запознати с тази идея.
Например, ако натиснете "C" да копирам и "V" да поставя
и клетката се копира.
Или "X", за да я отрежа.
"A" добавя нова клетка отгоре на текущата
и след това мога да натисна различни цифри, за да създам заглавия,

English: 
One useful one is “control” or “command”
+ “/”. Which will comment and uncomment.
The main one to know is “shift” + “enter”
to actually run the cell.
At that point there is no flashing cursor
anymore.
And that means that I'm now in command mode.
Not edit mode.
So as I go up and down, I'm selecting different
cells.
So in command mode as we move around, we're
now selecting cells.
And there are now lots of keyboard shortcuts
you can use.
So if you hit “H” you can get a list of
them.
That, for example - And you'll see that they're
not on the whole, like “control” or “command”
with something they're just the letter on
its own.
So if you use like Vim, you'll be more familiar
with this idea.
So for example if I hit “C” to copy and
“V” to paste.
Then it copies the cell.
Or “X” to cut it.
“A” to add a new cell above.
And then I can press the various number keys,
to create a heading.

Tamil: 
பின்னர் நான் ஒரு தலைப்பை உருவாக்க பல்வேறு எண் விசைகளை அழுத்தலாம். எண் இரண்டு நிலை இரண்டு கொண்ட ஒரு தலைப்பை உருவாக்கும்
நீங்கள் பார்ப்பது போல, நான்
நிரல் மட்டுமின்றி, வடிவமைக்கப்பட்ட உரையை தட்டச்சு செய்யலாம். நான் தட்டச்சு செய்த உரை மார்க் டவுனில் உள்ளது
அதனால்
எனது 'எண்ணப்பட்ட ஒன்று' வேலை செய்தது
அது மார்க் டவுனில் உள்ளது. இதற்கு முன்பு நீங்கள் மார்க் டவுனைப் பயன்படுத்தவில்லை என்றால்,
வடிவமைக்கப்பட்ட உரையை எழுத இது ஒரு மிக மிக பயனுள்ள வழி, இது மிகவும் பரவலாகப் பயன்படுத்தப்படுகிறது
எனவே இது மிகவும் எளிது என்பதால் அதைக் கற்றுக்கொள்ளுங்கள்
இது
ஜூ பைட்டருக்கு தேவைப்படும்
எனவே நீங்கள் எங்கள்
புத்தகத்தின் குறிப்பேடுகள் பார்க்கும்போது,
எல்லா வகையான வடிவமைப்பு மற்றும் குறியீடு மற்றும் விஷயங்களின் உதாரணத்தை இங்கே காணலாம்

English: 
So number two will create a heading level
II.
And as you can see, I can actually type formatted
text not just code.
The formatted text I type is in Markdown.
Like so.
My numbered one work.
There you go.
So that's in Markdown.
If you haven't used Markdown before, it's
a super super useful way to write formatted
text.
That is used very, very, very widely.
So learn it because it's super handy.
And you need it for Jupiter.
So when you look at our book notebooks.
For example, you can see an example of all
the kinds of formatting and code and stuff
here.

Spanish: 
Y luego puedo presionar las diversas teclas numéricas para crear un título, de modo que el número dos creará un título de nivel dos
Y como puedes ver, en realidad puedo escribir
El texto formateado, no solo codificado. El texto formateado que escribo está en markdown
Al igual que esto.
Mi numerado no funciona.
Ahí está. Eso está en Markdown. Si no has usado Markdown antes, es una manera súper útil
de escribir texto formateado que se usa muy muy muy ampliamente.
Así que aprendelo porque es muy útil.
y lo necesitas para
para Júpiter
Entonces cuando miras nuestros
cuadernos del libro, por ejemplo, puedes ver
un ejemplo de todos los tipos de formato y código y demás aquí, así que

Bulgarian: 
например клавиш две ще направи заглавие от второ ниво.
И както виждате, мога да въвеждам форматиран текст, не просто код.
Форматираният текст, който въвеждам е във формат Markdown.
като това
Така че това е в Markdown
Ако досега не сте използвали Markdown, това е супер супер полезен начин за писане на форматиран
текст
Използва се много, много широко
Научете го, защото е много удобен
и ще ви трябва за Jupyter
Като погледнете в тетрадките на нашата книга
може да видите примери за всякакви видове форматиране и код и неща

Japanese: 
だから、数字の2は見出しレベル２を作成します。
見ての通り、私はコードだけでなく、実際にフォーマットされた
テキストを入力することができます。
フォーマットされたテキストはMarkdownです。
こんな感じです。
私の番号付きリストはうまくいかなかった。
これです。
これがMarkdownです。
以前にMarkdownを使用したことがない人、これはフォーマット済み
テキストを書くのに非常に便利な方法です。
非常に広く使われています。
とても便利なので学んでください。
そして、ジュピターでの作業に必要です。
私たちの本のノートブックを見てください。
例えば、ここにはすべての種類のフォーマットやコードの例があります。

Chinese: 
一个二级标题，并且如你所见
create a heading level two and as you
我实际上可以输入格式化的
can see I can actually type formatted
文本，而不只是代码。我输入的
text not just code the formatted text I
格式化文本是markdown格式的
type is in markdown like so and my
我的1号应该是这样，这样就好了
numbered one work there you go so that's in
这是markdown格式。如果你以前没有用过
markdown if you haven't use markdown
markdown，这是一种非常非常有用的
before it's a super super useful way to
写格式化文本的方式
write formatted text that is used
它被非常非常非常广泛地使用所以去学它吧，
very very very widely so learn it
因为它非常方便而且你需要
because it's super handy and you need it
在jupyter里你用到它，所以
for jupyter so when you look at our
比如当你浏览我们书上的notebook的时候
book notebooks for example you can see
你就会看到各种
an example of all the kinds of
格式、代码和内容的示例，所以
formatting and code and stuff here so

Spanish: 
deberías seguir adelante y
Sí, ve a través de la aplicación Júpiter
y puedes ver aquí cómo puedes crear gráficos, por ejemplo, y crear listas de cosas y
importar bibliotecas y
mostrar imágenes
Etcétera
Si quieres crear un nuevo cuaderno
Puedes ir
nuevo
Python tres y eso crea un nuevo
Cuaderno que, de forma predeterminada, se llama sin título, así que puedes cambiarle el nombre para
darle el nombre que quieras
Entonces ahora verás que
En la lista aqui
nuevo nombre
la otra cosa que debes saber
Júpiter es que es una manera fácil y agradable de saltar a una terminal si sabes cómo usar una terminal. Ciertamente no necesitas saberlo
para este curso. Al menos para la primera parte. Si voy a terminal nuevo

Tamil: 
எனவே நீங்கள் மேலே சென்று
ஆம், app_jupyter ஐ முழுமையாகப் படியுங்கள்
மேலும் நீங்கள் எப்படி அடுக்குகளை உருவாக்கலாம் என்பதை இங்கே காணலாம். விஷயங்களின் பட்டியலை உருவாக்கவும்
நூலகங்கள் இறக்குமதி செய்யவும்  மற்றும்
படங்களைக் காண்பிக்கவும்
மற்ற பல விஷயங்களையும் செய்யலாம்
நீங்கள் ஒரு புதிய நோட்புக்கை உருவாக்க விரும்பினால்
நீங்கள் இங்கு சென்று
'நியூ'
'பைதான் 3' அது ஒரு புதிய
நோட்புக்கை உருவாக்குகிறது. இது முன்னிருப்பாக 'பெயரிடப்படாதது' என்று அழைக்கப்படுகிறது, எனவே நீங்கள் அதை
நீங்கள் விரும்பும் பெயரை மறுபெயரிடலாம்
நீங்கள் இப்போது அந்த பெயரை
இங்கே பட்டியலில் காணலாம்
'நியூ நேம்' என்று
ஜூபிட்டரைப் பற்றி தெரிந்து கொள்ள வேண்டிய மற்றொரு விஷயம்-
அதை எவ்வாறு பயன்படுத்துவது என்று உங்களுக்குத் தெரிந்தால் முனையத்தில் செல்ல இது ஒரு நல்ல எளிய வழி. உங்களுக்கு நிச்சயமாக
இந்த பாடத்திட்டத்திற்கு குறைந்தபட்சம் முதல் பகுதிக்கு தெரிய தேவையில்லை . நான் 'புதிய முனையம்' சென்றால்

Japanese: 
なので、app_jupyter.ipynb を見てみてください
ここでは、例えばプロットを作成する方法を見ることができます。
また、リストを作成することもできます。
ライブラリをインポートしたり、
画像の表示などもできます。
新しいノートブックを作成したい場合は、"New" "Python 3 "で新しいノートブックを
作成することができます。
デフォルトでは "Untitled "という名前になっているので、好きな名前に
変更することができます。
そうすると、リストの中に "newname "という名前が表示されます。
ジュピターについて知っておくべきもう一つのことは、ターミナルに
アクセスするのが簡単にできるということです。
もしターミナルの使い方を知っていれば。
でもこのコースのためには（少なくとも前半では）必要はありません。
新しいターミナルに行く場合・・・

Bulgarian: 
Така че трябва да продължите и да преминете през „app_jupyter“
и може да видите например, как да създадете графики
и списъци с неща
да въвеждате библиотеки
да показвате картинки и т.н.
Ако искате да създадете нова тетрадка, може просто да идете на "New" "Python 3" и това
създава нова тетрадка
Която по подразбиране е наименувана “Untitled”, така че може да я преименувате за да и дадете каквото
име си харесате
И ще видите новото име, в списъка тук, "newname".
Другото, което трябва да знаете за Jupyter е, че е хубав лесен начин да скочите в терминал
ако знаете, как да използвате терминал
Разбира се не ви е нужно за този курс или поне за първите неща

English: 
So you should go ahead and go through the
“app_jupyter”.
And you can see here how you can create plots
for example.
And create lists of things.
And import libraries.
And display pictures and so forth.
If you wanna create a new notebook, you can
just go “New” “Python 3” and that
creates a new notebook.
Which by default is just called “Untitled”
so you can then rename it to give it whatever
name you like.
And so then you'll now see that, in the list
here, “newname”.
The other thing to know about Jupiter is that
it's a nice easy way to jump into a terminal
if you know how to use a terminal.
You certainly don't have to for this course
at least for the first bit.

Chinese: 
你应该继续看jupyter
you should go ahead and go through
应用程序，在这里你可以看到如何
the app jupyter and you can see here how
创建绘图，例如
you can create plots for example and
创建事物列表和导入
create lists of things and import
一些库以及显示图片等等
libraries and display pictures and so
如果你想新建一个
forth if you want to create a new
notebook，你可以点击新建 Python3
notebook you can just go new Python3
这会新建一个notebook
and that creates a new notebook
默认情况下它会被命名为untitled(无标题的)
which by default is just called untitled
然后你可以给他重命名为
so you can then rename it to give it
任何你喜欢的名字
whatever name you like
现在你就可以看到，在这个列表里面
and so you'll now see that in the list
新notebook的名字。关于jupyter
here new name the other thing to know
另一件需要知道的事情是，它可以
about jupyter is that it's a nice easy
很方便地跳转到一个终端
way to jump into a terminal if you know
前提是你需要知道怎么使用终端
how to use a terminal you certainly
当然，在这个课程中你不需要用到它
don't have to for this course at least
至少最开始是不用的。如果我点击新建终端
for the first bit if I go new terminal

Tamil: 
எனக்கு ஒரு முனையம் இருப்பதை இங்கே காணலாம்
இங்கு கவனிக்க வேண்டிய ஒரு விஷயம் -
இந்த குறிப்பேடுகள்
'கிதுப்' களஞ்சியத்துடன் இணைக்கப்பட்டுள்ளது. இதற்கு முன்பு நீங்கள் 'கிதுப்' பயன்படுத்தவில்லை என்றால் பரவாயில்லை. ஆனால் அடிப்படையில் அவை
வழங்கனுடன் இணைக்கப்பட்டுள்ளன. அந்த வழங்கத்தில் குறிப்பேடுகளை அவ்வப்போது புதுப்பிப்போம்
நீங்கள் பாடநெறி வலைத்தளத்திலும், மன்றத்திலும் காணலாம். அங்கு உங்களிடம் மிகச் சமீபத்திய பதிப்புகள் இருப்பதை எவ்வாறு உறுதிப்படுத்துவது என்பதை நாங்கள் உங்களுக்குச் சொல்கிறோம்
எங்கள் மிகச் சமீபத்திய பதிப்பை நீங்கள் எடுக்கும்போது, அது உங்கள் மாற்றங்களுடன் முரண்படவோ அல்லது மேலெழுதவோ கூடாது
எனவே நீங்கள் பரிசோதனை செய்யத் தொடங்கும்போது, ஒரு நோட்புக்கைத் தேர்ந்தெடுத்து 'நகல்' என்பதைக் கிளிக் செய்வது நல்ல யோசனை
உங்கள் வேலையை நகலிலும் அந்த வழியிலும் செய்யத் தொடங்குங்கள். எங்கள் சமீபத்திய பாடப் பொருட்களின் புதுப்பிப்பை நீங்கள் பெறும்போது,

Japanese: 
見ての通りこれでターミナルが表示されました。
これらのノートブックはGithubのリポジトリに接続されています。
Githubを使ったことがなければ問題ありませんが、
基本的にはサーバーに接続されていて、そのサーバーで随時私たちはノートブックを
更新していきます。
そして、コースのウェブサイトやフォーラムで最新バージョンであるかの
確認方法をお伝えします。
あなたが最新版を手に入れるとき、あなたの変更と衝突したり、
上書きしたりするを避けるたいものです。
そのために、実験を始めるときには、ノートブックを選択してDuplicate（複製）をクリックして、
コピーしたノートブックで作業を始めるのも悪くないでしょう。
そうすれば、最新のコース教材の更新があったときに、あなたが実行していた実験に

Chinese: 
你看这里就会打开一个终端
you can see here I have a terminal one
需要注意的一件事情是，这些notebook
thing to note is for the the notebooks
连接到一个github仓库（repository）
are attached to a github repository if
如果你之前没有用过github
you haven't used github before that's
没有关系，但基本上它们是
fine but basically they're
连接到一台服务器上的，我们会不时地
attached to a server where from time to
更新该服务器上的notebook
time we will update the notebooks on
你可以看到，在课程
that server and you'll see on
网站的论坛上我们
the course website in the forum we
会告诉你该如何确保你
tell you how to make sure you have the
取得最新版本的notebook
most recent versions when you grab our
当你获取最新版本的时候，你肯定不希望
most recent version you don't want it to
它们和你做的修改冲突，或者把它们覆盖
conflict with or overwrite your changes
所以在你开始做实验之前
so as you start experimenting it's not a
最好选中这个notebook，然后
bad idea to like select a notebook and
点击复制
click duplicate
然后再在这个副本里面开始做你的工作
and then start doing your work in the copy and
这样当你获取我们最新的课程资料更新时
that way when you get an update of our
就不会干扰到
latest course materials it's not going

Bulgarian: 
Ако натиснете нов терминал ... и може да видите, че имам терминал
Едно нещо, което трябва да се отбележи е, че тетрадките са прикрепени към хранилище на Github
Ако не сте използвали Github преди, всичко е наред,
но по принцип те са прикачени към сървър, където от време на време ще актуализираме
тетрадките
Ще видите на уебсайта на курса, във форума, ще ви кажем как да направите така,
че да имате най-новите версии.
Като вземете най-новите версии, не искате да влязат в конфликт или да презапишат вашите
промени.
Затова, като започнете да експериментирате, не е лоша идея да изберете тетрадка и да цъкнете дублирай (duplicate),
и да започнете работата си върху копието.
Така, когато получите актуализация на последните материали от курса, те няма да развалят

English: 
If I go to a new terminal, You can see here
I have a terminal.
One thing to note is for the notebooks are
attached to a Github repository.
If you haven't used Github before that's fine.
but basically they're attached to a server
where from time to time we will update the
notebooks on it.
And we will see you'll see on the course website,
in the forum we tell you how to make sure
you have the most recent versions.
When you grab our most recent version you
don't want to conflict with or overwrite your
changes.
So as you start experimenting it's not a bad
idea to like select a notebook and click duplicate
and then start doing your work in the copy.
And that way when you get an update of our
latest course materials, it's not gonna interfere

Spanish: 
Puedes ver aquí tengo un terminal
Una cosa a tener en cuenta es para...
Los cuadernos estan
adjuntos a un repositorio de github. Si no ha susado github antes, está bien, pero básicamente están unidos a un
servidor, donde de vez en cuando actualizaremos los cuadernos en ese servidor
Y donde verás en el sitio web del curso, y en el foro, te explicamos cómo asegurarte de que tienes las
versiones más recientes
Cuando cojes nuestra versión más reciente, no quieres que entre en conflicto o sobrescriba tus cambios
Entonces, cuando comiences a experimentar, no es una mala idea seleccionar un cuaderno y hacer clic en duplicar
Y después, comenzar a hacer su trabajo en la copia y de esa manera cuando reciba una actualización de nuestros últimos materiales del curso

Tamil: 
நீங்கள் இயங்கும் சோதனைகளில் இது தலையிடப் போவதில்லை
எனவே தெரிந்து கொள்ள இரண்டு முக்கியமான களஞ்சியங்கள் உள்ளன. முதலாவது
'ஃபாஸ்ட்புக்' களஞ்சியம்
நாம் முன்பு பார்த்ததுபோல. இது ஒரு வகையான
முழு புத்தகம், அனைத்து
வெளியீடுகள், உரைநடை மற்றும் எல்லாவற்றையும் கொண்டது
மற்றும்
பின்னர் மற்றொன்று - பாடத்தின்
V4 களஞ்சியம், அதே குறிப்பேடு பாடத்தின் v4 களஞ்சியத்திலிருந்து இங்கு உள்ளது.
இதனில் நாங்கள் உரைநடை, படங்கள் மற்றும் வெளியீடுகள் அனைத்தையும் அகற்றிவிட்டு
தலைப்புகள் மற்றும் குறியீட்டை விட்டிருக்கிறோம். இந்த விஷயத்தில், நீங்கள் சில வெளியீடுகளைக் காணலாம், ஏனென்றால் நான் அந்த குறியீட்டை இயக்கினேன். ஆனால் பெரும்பாலானவற்றில் ...
எதுவும் இருக்காது. இல்லை, நாங்கள் வெளியீடுகளை விட்டுவிட்டோம் என்று நினைக்கிறேன்

Chinese: 
你已经在运行的实验
to interfere with the experiments that
因此这里有两个
you've been running so there's two
重要的仓库需要了解，一个是
important repositories to know about one
我们之前看到的fastbook仓库
is the fastbook repository which we saw
差不多就是完整的书籍
earlier which is kind of the the full
里面有所有的输出和文字
book with all the outputs and prose
以及其他的内容。然后另一个是
and everything and then the other one is
课程v4仓库。这里是与
the course v4 repository and here is the
课程v4仓库完全相同的一个notebook
exact same notebook from the course v4
这个仓库中我们移除了
repository and for this one we remove
所有文字和所有图片
all of the prose and all of the pictures
以及所有输出，只留下了
and all of the outputs and just leave
标题和代码。这里你可以看到
behind the headings and the code in this
一些输出是因为我刚刚
case you can see some outputs because I
运行了那段代码，但大多数时候
just ran that code but for most of it
不会有任何输出。噢不，我觉得我们
there won't be any oh no I guess we have
可能把输出也丢了，我不确定是否会
left the outputs I'm not sure if I'll keep
保留它。所以你也许能，也许不能
that or not so you may or may not see

English: 
with the experiments you've been running.
So there are two important repositories to
know about.
One is the fast book repository which we saw
earlier, which is kind of the full book with
all the outputs and pros and everything.
And then the other one is the course V4 repository.
And here is the exact same notebook from the
course V4 repository.
And for this one we remove all of the pros
and all of the pictures and all of the outputs
and just leave behind the headings and the
code.
In this case you can see some outputs because
I just ran that code, most of it.
There won't be any.
No, No, I guess we have left outputs.
I'm not sure to keep that or not.

Spanish: 
No va a interferir con los experimentos que has estado ejecutando
Así que hay dos repositorios importantes que saber. Uno es el
repositorio fastbook
Que vimos anteriormente, que es una especie de
libro completo con todos los
salidas y prosa y todo
y
Entonces el otro es el
repositorio course V4 y aquí está exactamente el mismo cuaderno del repositorio course v4
y para este
Eliminamos toda la prosa y todas las imágenes y todas las salidas y simplemente dejamos
los encabezados y el código. En este caso, puedes ver algunos resultados porque acabo de ejecutar ese código pero en mayoría
No habrá ninguno. Oh no, supongo que hemos dejado los resultados.

Japanese: 
支障をきたすことはありません。
このように、2つの重要なリポジトリがあります。
一つは先ほど見たファストブックのリポジトリで、これはすべての出力や長所などが
掲載されている完全な本です。
そしてもう一つはコースV4のリポジトリです。
これはファストブックのリポジトリにあるノートと全く同じものですが
このノートでは、すべての文章とすべての写真と出力を削除し、
見出しとコードだけを残しています。
この場合、いくつかの出力を見ることができますが、それは私がコードを実行したからです。
他は何もない・・・
いや、出力を残していると思います。
それを残しておくかどうかはわかりません。

Bulgarian: 
експериментите, които сте изпълнявали.
Има две важни хранилища, за които трябва да знаете.
Едното е хранилището fastbook, което видяхме по-рано, което е нещо като пълната книга
с всички резултати и проза и всичко.
И другото е хранилището course-v4
и тук е съвсем същата тетрадка,
като за тази сме премахнали целия текст и всички картинки, и всички резултати,
и сме оставили само заглавията и кода.
В този случай може да видите някои резултати, защото току-що изпълних кода, но за по-голямата част
няма да има никакви.
Не, не, предполагам, че сме оставили резултати.
Не съм сигурен дали да ги запазя, или не.

Tamil: 
நான் அதை வைத்திருக்கிறேனா இல்லையா என்பது எனக்குத் தெரியவில்லை. எனவே நீங்கள் வெளியீடுகளைக் காணலாம் அல்லது காணாமல் போகலாம்
இதன் பின்னே உள்ள யோசனை என்னவென்றால், இதுவே..
நீங்கள் பரிசோதனை செய்ய விரும்பும் பதிவாக இருக்க வேண்டும் என்பது தான்.
ஏனென்றால், ஒவ்வொரு அடியிலும் நீங்கள் என்ன நடக்கிறது என்பதைப் பற்றி சிந்திக்க இது உங்களைத் தூண்டுகிறது
அதைப் படித்து யோசிக்காமல் இயக்குவதை விட
இதை நீங்கள் இன்னும் வெற்று சூழலில் செய்ய விரும்புகிறோம்..
இதன் மூலம் நீங்கள் "புத்தகம் என்ன சொல்கிறது, இது ஏன் நடந்தது" என்று சிந்திப்பேர்கள் என்று எண்ணுகிறோம்.
மேலும், நீங்கள் மறந்துவிட்டால், நீங்கள் புத்தகத்திற்குச் செல்லலாம்..
குறிப்பிட வேண்டிய மற்றொரு விஷயம், V4 பதிப்பு மற்றும் ஃபாஸ்ட்புக் பதிப்பு இரண்டிலும் இறுதியில் கேள்வித்தாள் உள்ளது
விமர்சகர்களிடையே ஒரு சிலர்  முதலில் கேள்வித்தாளை படித்ததாக எங்களிடம் கூறியுள்ளனர்
நாங்கள் (சில்வியாவும் நானும்) பல வாரங்கள் கேள்வித்தாளை எழுதினோம்

Bulgarian: 
Така че може да видите или да не видите резултати.
Главната идея е
това да е версията, с която да искате да експериментирате,
защото един вид ви кара да мислите, например, какво ще стане, като изпълнявате всяка стъпка,
вместо просто да четете и да изпълнявате, без да мислите.
Искаме да го правите в малко по-гола среда, в която мислите,
какво казва книгата, защо това става така и ако забравите нещо, тогава
може да се върнете обратно към книгата.
Другото, което трябва да се спомене, е, че както course-v4 версията, така и fastbook версията
имат въпросник.
И доста хора ни казаха по време на прегледи и подобни, че
всъщност първо четат въпросника.
Прекарахме много, много седмици в изготвяне на въпросника, Силвен и аз.

Chinese: 
看到这些输出。我们这样做的想法是
the outputs so the idea with this is
这个很可能就是你会
this is probably the version that you
尝试在上面做实验的版本，因为它
want to be experimenting with because it
会迫使你去思考
kind of forces you to think about like
每一步都在做什么
what's going on as you do each step
而不仅仅是阅读和
rather than just reading it and
运行它而不去想我们
running it without thinking we kind of
希望让你在这样一个更简单
want you to to do it in this more bare
的环境中去做，在这里你会思考
environment in which you're thinking
像书本里是怎么说的
about like Oh what at the book say why
为什么会发生这件事，
was this happening and if you forget
如果你忘记了，你就可以回到书本
then you can kind of go back to the book
另一件要提及的事情是
the other thing to mention is both the
课程v4版和fastbook版
course v4 version and the fastbook
最后面都有一个调查问卷
version at the end have a questionnaire
然后
and
很多人告诉我们
quite a few folks have told us that
就是不管是评审员还是其他人
amongst the reviewers and stuff
他们实际上会先读
that they actually read the
调查问卷。我们花了很多很多个
questionnaire first we spent many many
星期去撰写这些调查问卷，就是Syvia和我
weeks writing the questionnaires Sylvia and I
我们之所以这么做，是因为我们
and the reason for that is because we

Japanese: 
なので、出力が見えても見えなくても構いません。
これを使うというアイデアは、
これらがあなたが実験するために使うべきバージョンです。
なぜなら、本を読んで何も考えずに実行するのではなく、各ステップを実行しながら
何が起こっているのかを考えることを強制されるからです。
本に書かれていることは何だったのか、なぜこのようなことが起こったのか、
何か忘れてしまったら本に戻るというように、小さな裸の環境でやってほしいと思っています。
もう一つは、コースV4版とファストブック版の両方に
アンケートがあることです。
かなりの数の人（例えば復習している人たち）が、実際に最初にアンケートを
読んだと言ってくれました。
シルヴァンと私は何週間もかけてアンケートを書いてきました。

Spanish: 
No estoy seguro si dejar eso o no. Entonces puede que o no, vea las salidas.
Así que la idea de esto es que, probablemente
la versión con la que vas a experimentar,
porque de alguna manera te obliga a pensar sobre lo que esta pasando al hacer cada paso, ya sabes, en vez de solamente
leerlo y ejecutarlo sin pensar. De alguna manera queremos
hacerlo en un entorno vacío en el cual estas pensando sobre, ¿Oh que es lo que dice el libro?, ¿porque pasaba esto?
y si olvidas, puedes volver al libro.
Otra cosa a mencionar es que tanto la versión course v4 como la primera versión del libre al final tienen
un cuestionario.
Bastante gente, ya sabe, entre los revisor y eso, nos han dicho que primero leen los cuestionarios.
Hemos pasado muchas muchas semanas escribiendo los cuestionarios. Sylvain y yo.

English: 
So you may or may not see the outputs.
So the idea with this is.
This is properly the version that you want
to be experimenting with.
Because it kind of forces you to think about
like what's going on as you do each step,
rather than just reading it and running it
without thinking.
We kind of want you to do it in a small bare
environment in which you thinking about like
what did the book say why was this happening
and if you forget anything then you kind of
go back to the book.
The other thing to mention is both the course
V4 version and the fast book version at the
end have a questionnaire.
And a quite a few folks have told us you know
that in amongst the reviewers and stuff that
they actually read the questionnaire first.
We spent many, many weeks writing the questionnaires,
Sylvain and I.

Spanish: 
La razón de eso es que nosotros intentamos pensar sobre
que es lo que nosotros queremos con que te quedes
de cada cuaderno. Así que si lees los cuestionarios primero
encontrarás cuales son las cosas que nosotros pensamos que son importantes. ¿Cuales son las cosas que deberías saber antes de avanzar?
Así que en vez de tener una sección de resumen al final que diga al final de esto deberías saber blah blah blah
Nosotros en cambio tenemos un cuestionario para que haga lo mismo.
Así que por favor asegúrate de hacer los cuestionarios antes de avanzar al siguiente capitulo. No tienes que tenerlo todo correcto.
Y muchas veces responder las preguntas es tan simple como ir a esa parte del cuaderno y leer el texto
Pero si has fallado algo, vuelve atrás y léelo, porque estos son cosas que nosotros asumimos que sabes
Así que si no sabes estas cosas
Antes de avanzar podría ser frustrante
Habiendo dicho esto si te atascas
después de intentar varias veces
avanza al siguiente capítulo.

Tamil: 
அதற்கான காரணம் என்னவென்றால், ஒவ்வொரு நோட்புக்கிலிருந்தும்
நீங்கள் எதை எடுத்துச் செல்ல வேண்டும் என்று நாங்கள் விரும்புகிறோம்
என்று சிந்தித்தோம் . எனவே நீங்கள் முதலில் கேள்வித்தாளைப் படித்தால்,
முக்கியமானவை என்று நாங்கள் கருதும் விஷயங்கள் என்ன என்பதை நீங்கள் கண்டுபிடிக்கலாம். நீங்கள் தொடர்வதற்கு முன்பு நீங்கள் தெரிந்து கொள்ள வேண்டிய விஷயங்கள் யாவை? என்பது புரியும்.
எனவே இதன் முடிவில் ஒரு சுருக்கபகுதியாக நீங்கள் இந்த விஷயங்களை நீங்கள் தெரிந்து கொள்ள வேண்டும் என்றதை விட
அதையே செய்ய நாங்கள் ஒரு கேள்வித்தாள் இனித்துள்ளோம்.
எனவே அடுத்த அத்தியாயத்திற்குச் செல்வதற்கு முன் கேள்வித்தாளுக்கு பதிலளிப்பதை உறுதிசெய்க. நீங்கள் எல்லாவற்றையும் பெற வேண்டியதில்லையே..
மேலும் கேள்விகளுக்கு பதிலளிக்கும் பெரும்பாலான நேரம் நோட்புக்கின் அந்த பகுதிக்குச் சென்று உரைநடை வாசிப்பது போல எளிது
ஆனால் நீங்கள் ஏதேனும் தவறவிட்டால், திரும்பிச் சென்று அதைப் படியுங்கள், ஏனென்றால் இவை உங்களுக்குத் தெரியும் என்று நாங்கள் கருதுகிறோம்
எனவே இந்த விஷயங்களை அறியாமல்
நீங்கள் நகர்ந்தால், அது உங்களை வெறுப்படையை செய்யும்
ஓரிரு முறை முயற்சித்த பிறகு நீங்கள் சிக்கிக்கொண்டால், அடுத்த அத்தியாயத்திற்கு செல்லுங்கள்.

Bulgarian: 
И причината за това е, че се опитваме да измислим какво искаме от вас
да усвоите от всяка тетрадка.
Така че може първо да прочетете въпросника.
Да видите какви са нещата, които според нас са важни.
Какви са нещата, които трябва да знаете, преди да продължите.
Така че вместо да имате обобщен раздел в края, който казва "накрая трябва да
знаете... дъра-бъра...", вместо това имаме въпросник, който прави същото, така че моля постарайте се
да направите въпросника, преди да се прехвърлите на следващата глава.
Не е нужно да разберете всичко правилно и в повечето случаи да отговорите на въпросите е
толкова просто, колкото да се върнете в тази част на тетрадката и да прочетете текста, но ако сте 
изпуснали нещо, върнете се назад и го прочетете, защото това са нещата, които приемаме, 
че ще знаете.
Така че, ако не знаете тези неща, преди да продължите, това може да доведе до разочарование.
След тези уговорки, ако все пак блокирате, след няколко опита продължете към следващата глава,

Chinese: 
尝试思考了我们希望
try to think about like what do we want
你们从每个notebook里面收获什么
you to take away from each notebook so
所以如果你先读这些问题表
if you kind of read the questionnaire
你就可以发现我们觉得重要的东西
first you can find out what are the
是什么，在你继续下面的课程之前
things we think are important what are
应该知道的东西是什么
the things that you should know before
所以相比在最后
you move on so rather than having like a
给出一个总结环节
summary section at the end saying at the
说你需要知道blablabla
end of this you should know blah blah blah
我们转而采用了调查问卷
we instead have a questionnaire to
来做相同的事情
do the same thing so please make sure
所以确保你在进入下一章之前
you do the questionnaire before you move
做了前面的调查问卷
on to the next chapter you don't have to
你不必把每道题都做对
get everything right and most of the
大部分时候，回答这些问题
time answering the questions is as
很简单，只要回到notebook里相关的部分
simple as going back to that part of the
然后阅读里面的文字
notebook and and reading the prose but
如果你确实想不起来了，务必
if you've missed something like do go
回去阅读它们，因为我们假设
back and read it because we're assuming
这些东西是你应该知道的
these are the things we're assuming you
所以在你继续下去之前
know so if you don't know these things
如果你不知道这些东西
before you move on it could get
你可能会感到沮丧
frustrating having said that if you get
如果你这样试了几次之后都陷入困境
stuck after trying a couple of times do
那就直接继续学下一章，再做两三章
move on to the next chapter do two or
然后再倒回来
three more chapters and then come back

English: 
And the reason for that is because we try
to think about like what do we want you to
take away from each notebook.
So you kind of read the questionnaire first.
You can find out what are the things we think
are important.
What are the things you should know before
you move on.
So rather than having like a summary section
at the end saying at the end of this you should
know, blah blah blah, we instead have a questionnaire
to do the same thing, so please make sure
you do the questionnaire before you move onto
the next chapter.
You don't have to get everything right, and
most of the time answering the questions is
as simple as going back to that part of the
notebook and reading the prose, but if you've
missed something, like do go back and read
it because these are the things we are assuming
you know.
So if you don't know these things before you
move on, it could get frustrating.
Having said that, if you get stuck after trying
a couple of times, do move onto the next chapter,

Japanese: 
その理由は、それぞれのノートから何を読み取ってほしいかを
考えているからです。
最初にアンケートを読んでもらうと、私たちが大切だと思うことは
何なのかが分かると思います。次に進む前に知っておくべきことは何か。
最後にまとめのようなセクションがあって「最後に
知っておくべきことはこれとこれ」というのではなく、
その同じ目的をアンケートで達成することにしました。
なので、次の章に移る前に必ずアンケートをしてください。
すべてを正しく理解する必要はありませんし、質問に答えるのは、
ノートのその部分に戻って散文を読むくらい簡単です。
だから、何か見逃したことがあったら、ちゃんと戻って読んでください。
なぜなら私たちはあなたがこれらを知っていることを前提としています。
だから先に進む前にこれらのことを知らないと イライラすることになりかねません。
とはいえ、何度かやってみてどうしても行き詰まったら、次の章に移って、

Japanese: 
あと2～3章をやってから戻ってきてください。
もう2、3章やった後にはもうちょっと視野が広がってるかもしれません。
私たちは違う方法で何度も説明し直すようにしているので、
もし試してみて行き詰ったとしても大丈夫です。
さて、それではノートの最初の部分を実行してみましょう。
これは01_introのノートブック。
これは第1章で、これが最初のセルです。
セルをクリックすると・・・
デフォルトではツールバーにヘッダーが表示されます。
これをオンにしたりオフにしたりすることができます。
私はいつもオフにしています。
このセルを実行するには、Run（再生）ボタンをクリックするか、
先ほど言ったようにシフト・エンターキーを押してください。

Bulgarian: 
направете две, три или повече глави и се върнете обратно
може би до момента, в който сте минали още няколко глави, ще получите малко повече
перспектива.
Опитваме се да дообясняваме нещата по няколко пъти по различни начини, така че всичко е наред, когато сте опитали
и сте се закучили, тогава може да опитате да продължите.
И така, нека опитаме да пуснем първата част на тетрадката.
Намираме се в 01_intro, това е глава 1 и това е първата клетка.
Така че кликвам върху клетката и... по подразбиране всъщност ще има заглавка в лентата с инструменти,
както може да видите,
може да я показвате или скривате.
Аз лично винаги ги оставям скрити и така, за да изпълните клетката, трябва или да цъкнете на Play,
бутонът за пускане, или както споменах, да натиснете клавиши Shift-Enter.

Tamil: 
நீங்கள் இன்னும் இரண்டு அல்லது மூன்று அத்தியாயங்களைப் புரிந்துகொண்டு திரும்பி வரும்போது,
அந்த நேரத்தில், விஷயங்களை வெவ்வேறு வழிகளில்
பல முறை மீண்டும் விளக்க இன்னும் சில முன்னோக்குகளைப் பெறுவீர்கள்
எனவே ஆமாம், நீங்கள் முயற்சி செய்து சிக்கிக்கொண்டால் நீங்கள் முன்னேற முயற்சி செய்யலாம்
சரி, எனவே நோட்புக்கின் முதல் பகுதியை இயக்க முயற்சிப்போம்
இங்கே நாம் 01-இன்ட்ரோவில் இருக்கிறோம். எனவே இது அத்தியாயம் ஒன்று
இங்கே நம் முதல் செல் உள்ளது, எனவே நான் அந்த செல்லைக் கிளிக் செய்கிறேன்
கருவிப்பட்டியில் ஒரு தலைப்பு இருக்கும், நீங்கள் காண்பது போல்  அவற்றை இயக்கலாம் மற்றும் முடக்கலாம்.
நான் எப்போதும் அவற்றை நானே மூடிவிடுவேன். . And so to run this cell
எனவே இந்த கலத்தை இயக்க நீங்கள் பிளே அல்லது ரன் பொத்தானைக் கிளிக் செய்யலாம் அல்லது நான் குறிப்பிட்டபடி ஷிப்ட் என்டரை அழுத்தலாம்
எனவே இதனை, நான் கிளிக் செய்கிறேன்

Chinese: 
也许在你多学了几章之后
maybe by the time you've done a couple
你就会有更多的视角
more chapters you'll get some
来尝试重新解释
more perspective we try to re-explain
多次，以不同的方式
things multiple times in different ways
所以如果你在尝试过了
it's okay if you've tried
但你被卡住了，你可以试着
and you get stuck then you can try
继续读下去。我们现在试着
moving on alright so let's try running
运行这个notebook的第一部分
the first part of the notebook so here
我们现在在01 简介里面
we are in 01 intro so this is chapter
这是第一章。这是我们的第一个单元
one and here is our first cell
点击这个单元。默认情况下，
so I click on the cell and by default
这里实际上会有一个标题和一个
actually there will be a header and a
工具栏。如你所见，你可以打开
toolbar as you can see you can turn them
和关闭它们。我自己一直都把它们
on and off I always leave them off
关闭。所以要运行这个单元
myself and so to run this cell you can
你可以点击播放按钮，就是这个
either click on the play you know the
运行按钮，或者像我之前提到的
Run button or as I mentioned you can hit
你也可以按shift 加上回车键
shift enter so for this one I'm just

Spanish: 
Lee dos o tres capítulos más y después vuelve atrás. Puede que para cuando hayas leído más capítulos, ya sabes,
tendrás una perspectiva mejor. Intentamos
explicar las cosas múltiples veces de forma diferente.
Por lo que sí, si lo has intentado y te quedas atascado está bien si sigues adelante.
Muy bien, comencemos ejecutando la primera parte del cuaderno.
Aquí estamos en 01 intro. Este es el capítulo 1 y
Aquí está nuestra primera celda, hago click en la celda y por omisión
En realidad habrá un encabezado en la barra de tareas, que como podrás ver puedes activarla o desactivarla
Yo siempre la dejo desactivada. Entonces para ejecutar la celda
puedes hacer click en "reproducir", el botón "Run" o como he dicho, presionando "MAYUSCULAS INTRO"
así que para ésta, solo haré click y

English: 
do two or three more chapters and then come
back.
maybe by the time you've done a couple more
chapters, you know, you will get some more
perspective.
We try to re-explain things multiple times
in different ways, so it's okay if you tried
and you get stuck, then you can try moving
on.
Alright, so, let's try running the first part
of the notebook.
So here we are in 01 intro, so this is chapter
1 and here is our first cell.
So I click on the cell and by default, actually,
there will be a header in the toolbar as you
can see.
You can turn them on or off.
I always leave them off myself and so to run
this cell, you can either click on the play,
the run button or as I mentioned, you can
hit shift enter.

Tamil: 
இந்த நட்சத்திரம் தோன்றுவதை நீங்கள் காண முடியும், எனவே இது நான் இயங்குவதாகக் கூறுகிறது, இப்போது நீங்கள் ஒரு முன்னேற்றப் பட்டியைக் காணலாம்
அது சில வினாடிகள் ஆகும். சரி..
இது இயங்கும்போது சில முடிவுகளை அச்சிடப் போகிறது, எங்களைப் போன்ற முடிவுகளைப் பெறும் என்று எதிர்பார்க்க வேண்டாம்
ஒரு மாதிரியைப்(model) பயிற்றுவிப்பதில் சில சீரற்ற தன்மை உள்ளது, அது பரவாயில்லை
எங்களைப் போலவே அதே நேரத்தைப் பெறுவீர்கள் என்று எதிர்பார்க்க வேண்டாம்
உங்களிடம் பழைய ஜி.பீ.யூ இல்லையென்றால், இந்த முதல் செல் ஐந்து நிமிடங்களுக்கு மேல் எடுத்தால்,
நீங்கள் மன்றங்களில் வந்து என்ன தவறு நடக்கிறது என்பதைக் கண்டுபிடிக்க விரும்பலாம்
அல்லது நீங்கள் விண்டோஸைப் பயன்படுத்த முயற்சிக்கிறீர்கள் என்றால், தற்போது இது சரியாக வேலை செய்யவில்லை
"எல்லா குறியீடுகளும் இன்னும் என்ன செய்கின்றன என்பது எங்களுக்குத் தெரியவில்லை" என்று கவலைப்பட வேண்டாம். நாம் ஒரு மாதிரியைப் பயிற்றுவிக்க முடியும் என்பதை உறுதிசெய்கிறோம்
எனவே இங்கே நாம் இயக்குவது முடிந்துவிட்டது..
நீங்கள் பார்க்க முடியும், இது சில தகவல்களை அச்சிட்டுள்ளது. இந்த விஷயத்தில், ஏதோ செய்வதில் 0.005 பிழை விகிதம் இருப்பதை

English: 
So for this one this i'll just click and as
you can see this star appears, so this says
I'm running and now you can see this progress
bar popping up and that is going to take a
few seconds and so as it runs to print out
some results.
Don't expect to get exactly the same results
as us, there is some randomness involved in
training a model, and that's okay.
Don't expect to get exactly the same time
as us.
If this first cell takes more than five minutes
unless you have a really old GPU that is probably
a bad sign.
You might want to hop on the forums and figure
out what's going wrong or maybe it only has
windows which really doesn't work very well
for this moment.
Don't worry that we don't know what all the
code does yet.
We are just making sure that we can train
a model . So here we are, it's finished running
and so as you can see, it's printed out some
information and in this case it's showing

Chinese: 
这里我点了运行按钮，如你所见
click and as you can see this star
这里有个星号出现，这表示我正在运行
appears so this says I'm running and now
然后现在你可以看到一个进度条弹出
you can see a progress bar popping up
这会花一点时间
that's going to take a few seconds
当它运行时，它将打印出
and so as it runs it's going to print
一些结果。不要期望得到与我们
out some results don't expect to get
完全一样的结果。因为训练一个模型时
exactly the same results as us there's
会掺杂一些随机性因素
some randomness involved in training a
这是没问题的。不要期望
model and that's okay don't expect to
得到和我们完全一样的结果
get exactly the same time as us if this
如果第一个单元的运行时间超过5分钟
first cell takes more than five minutes
除非你用了非常老的GPU
unless you have a really old GPU that's
不然那很可能是个不好的征兆
probably a bad sign you might want to
你可能需要上论坛然后查清楚
hop on the forums and figure out what's
哪里出现了问题，或者你可能在尝试
going wrong or maybe you're trying to
用Windows，这个系统目前对这些的
use Windows which really doesn't work
支持不是很好
very well for this at the moment don't
别担心，我们现在还不用知道
worry that we don't know what all the
这些代码都做了些什么，我们只是
code does yet we're just making sure
确保我们可以训练一个模型。这样我们
that we can train a model so here we are
就完成了它的运行，正如你所见
it's finished running and so as you can
它打印出了一些信息
see it's printed out some information
在这种情况下，它向我显示
and in this case it's showing me that

Japanese: 
このセルではRunボタンをクリックします。
すると星が表示されるので、
実行中だというのがわかり、この進行状況バーがポップアップします。
これは数秒かかります。
実行中には、いくつかの結果が表示されます。
私たちと全く同じ結果を期待しないでください。
モデルのトレーニングにはランダム性がありますが、
それは大丈夫です。
我々と全く同じ時間を得ることは期待しないでください。
もしあなたが本当に古いGPUを持っていない限り、この最初のセルに5分以上かかるなら、
それはおそらく悪い兆候です。
フォーラムに参加して、何が問題なのかを調べてたほうがいいです。
またはWindowsを使っている場合。
今のところWindows ではあまりうまく動作しません。
まだすべてのコードが何をするかわからなくても心配しないでください。
私たちはただモデルを訓練できるかどうかを確認しているだけです。
これで実行が終了しました。
見ての通り、いくつかの情報が出力され、この場合、何かを行う際に

Bulgarian: 
В случая просто ще цъкна и, както виждате, появява се тази звездичка, което ни казва
"Аз работя" и може да видите новоизскочилата лента за напредък. И това ще отнеме
няколко секунди, и докато работи, ще отпечата някакви резултати.
Не очаквайте да получите съвсем същите резултати като нашите, има определена случайност, свързана с
обучаването на модел, и това е нормално.
Не очаквайте да получите и съвсем същото време като нас.
Ако първата клетка отнеме повече от пет минути, освен ако нямате наистина старо GPU, това вероятно е
лош знак.
Може да се прехвърлите към форумите и да потърсите какво не е наред или може би
се опитвате да използвате Windows, който наистина не работи особено добре с това към момента.
Не се притеснявайте, че не знаем какво прави кодът все още.
Просто се убеждаваме, че можем да обучим модел. И така, ето ни, свърши да работи
и както може да видите, отпечата се някаква информация, в този случай ми показва,

Spanish: 
como puedes ver aparece este asterisco y ahora verás aparecer la barra de progreso.
Eso llevará unos segundos. Muy bien.
Mientras ejecuta irá mostrando algunos resultados. No esperes obtener los mismos que nosotros
Hay cierta aleatoriedad en el entrenamiento de un modelo y eso es correcto.
No esperes obtener los mismos tiempos que nosotros.
Si esta primera celda te lleva mas de 5 minutos, a menos que dispongas de un GPU realmente vieja,
Es probablemente una mala señal. Dirígite a los foros para ver cuál es el problema.
O quizás estás usando Windows, que realmente no funciona muy bien para esto por el momento.
Aquí estamos ahora y terminado de correr y
Como podrás ver, ha impreso alguna información. Y, en este caso, está mostrando que hay una tasa de error de

Bulgarian: 
че има грешка (error rate) 0.005 при правенето на нещо.
Какво е нещото, което прави?
Това, което прави, е, че взема набор от данни (dataset), извикваме данните за домашни любимци,
което е набор от снимки на котки и кучета.
И се опитва да разбере: кои са котки и кои са кучета.
И както можете да видите, след около по-малко от минута той е в състояние да направи това с
0.5% грешка.
Така че може да го направи почти перфектно.
И така, обучихме първия си модел!
Нямаме идея как,
не знаем какво правим,
но наистина обучихме модел.
Това е добро начало.
И както виждате, можем да обучаваме модели доста бързо на един компютър,
каквито много може да получите безплатно.

English: 
me that there is an error rate of 0.005 at
doing something.
What is the something it's doing?
Well, what it's doing here is it's actually
grabbing a dataset, we call the pets dataset,
which is a dataset of pictures of cats and
dogs.
And it's trying to figure out; which ones
are cats and which ones are dogs.
And as you can see, after about well less
than a minute, it's able to do that with a
0.5% error rate.
So it can do it pretty much perfectly.
So we've trained our first model.
We have no idea how.
We don't know what we were doing.
But we have indeed trained our model.
So that's a good start.
And as you can see, we can train models pretty
quickly on a single computer.
Which you know - Many of which you can get
for free.

Japanese: 
0.005のエラー率があることを示しています。
何をしているのでしょうか？
ここで何をしているのかというと、実際にデータセットを取得しているのですが、
これはペットデータセットと呼ばれていて、猫と犬の写真のデータセットです。
これはどれが猫でどれが犬なのかを判断しようとしています。
見ての通り、1分もしないうちに、0.5%の誤差率で
これを行うことができました。
つまり、ほぼ完璧にできるということです。
これで最初のモデルを訓練しました。
どうやったのかは分かりませんし、
何をしていたのかもわかりません。
しかし、私たちはは確かにモデルを訓練しました。
これで良いスタートが切れました。
見ての通り、1台のコンピュータでかなり速く
モデルを訓練することができます。
ご存知の通り、その多くは無料で手に入入ります。

Tamil: 
இது எனக்குக் காட்டுகிறது. என்ன செய்கிறது?
சரி, அது இங்கே என்ன செய்கிறது என்றல், ஒரு தரவு தொகுப்பைப் பெறுகிறது
செல்லப்பிராணிகளின் தரவுத் தொகுப்பை நாங்கள் அழைக்கிறோம், இது பூனைகள் மற்றும் நாய்களின்
படங்களின் தரவு தொகுப்பு ஆகும். மேலும்,
எது பூனைகள்,
எது நாய்கள் என்பதைக் கண்டுபிடிக்க முயற்சிக்கிறது
நீங்கள் காண்பது போல், ஒரு நிமிடத்திற்கும் குறைவான நேரத்திற்குப் பிறகு, அதனால்
0.5 சதவிகித பிழை வீதத்துடன் அதனை மிகச்சரியாக செய்ய முடிகிறது..
எனவே நாம் நம்  முதல் மாதிரியைப் பயிற்றுவித்தோம். நாம்  என்ன செய்கிறோம் என்று நமக்கு முழுமையாக புரியவில்லை .
ஒரு மாடலைப் பயிற்றுவித்திருக்கிறோம், அது ஒரு நல்ல தொடக்கமாகும். நீங்கள் பார்க்கிறபடி,
ஒரே கணினியில் மாடல்களை மிக விரைவாகப் பயிற்றுவிக்க முடியும். அக்கணினியில் பலவற்றை நீங்கள் இலவசமாகப் பெறலாம்
குறிப்பிட வேண்டிய இன்னொரு விஷயம் என்னவென்றால், உங்களிடம் மேக் இருந்தால்,

Chinese: 
在做某件事情时的错误率是0.005
there's an error rate of 0.005 at doing
这件事情是什么呢？
something what is the something it's
它在这里做的是它
doing well what it's doing here is it's
实际上抓取了一个数据集，我们称之为
actually grabbing a dataset we call the
宠物数据集，这是一个包含了
pets dataset which is a dataset of
猫和狗的图片的数据集
pictures of cats and dogs and it's
它试图找出哪些是猫
trying to figure out which ones are cats
还有哪些是狗。如你所见
and which ones are dogs and as you can
大概在不到1分钟的时间里
see after about well less than a minute
它已经可以做到0.5%的
it's able to do that with a 0.5 percent
误差率。所以它做得非常
error rate so it can do it pretty much
完美。现在我们已经训练出我们的
perfectly so we've trained our first
第一个模型了。我们完全不知道怎么做到的
model we have no idea how we don't
我们不知道我们之前在做什么
know what we were doing that we have
不过我们确实训练了一个模型，这是一个不错的
indeed trained a model so that's a good
开始
start
如你所见，我们可以相当快地
and as you can see we can train models
在单台电脑上训练出模型
pretty quickly on a single computer
就是
which
那些你们可以免费使用的电脑
you know many of which you can get for
还有一事要提，就是如果你
free one more thing to mention is if you

Spanish: 
0,005 haciendo algo. ¿Qué es eso que está haciendo?
Lo que está haciendo aquí es realmente obteniendo un conjunto de datos.
Lo llamamos el conjunto de datos de mascotas que es un conjunto de imágenes de
gatos y perros y está intentando descubrir
cuáles son gatos y
cuáles son perros y
como puedes ver, después de menos de un minutos es capaz de hacerlo con
una tasa de error del 0,5 porciento. Casi
perfecto. Hemos entrenado nuestro primer modelo. No tenemos mucha idea de cómo, no sabemos qué estamos haciendo y aún así hemos entrenado
un modelo. Por lo que es un buen comienzo y como podrás ver
podemos entrenar modelos rápidamente en un único ordenador, que se pueden obtener gratuitamente.
Una cosa mas a mencionar es que si tienes un Mac

Chinese: 
用了一台Mac，不管你有
have a Mac just no matter with you have
Windows还是Mac或者Linux
Windows or Mac or Linux in terms of
对浏览器上运行的东西都没影响
what's running in the browser but if you
但是如果你有一台Mac，请不要尝试使用
have a Mac please don't try to use that
它上面的GPU。事实上，苹果甚至
GPU Macs actually Apple doesn't even
不再支持英伟达的GPU
support NVIDIA GPUs anymore
因此这真不是一个明智之选
so that's really not going to be
所以坚持使用Linux
a great option so stick with Linux it'll
它会让你的生活更轻松
make life much easier for you
实际上，我们应该做的第一件事
well actually the first thing we should
应该是试着用用它
do is actually try it out
我声称我们已经训练了一个
so I claimed we've trained a model
可以区分猫和狗的模型，让我们
that can pick cats and dogs let's
来确保我们可以。所以我们来检查一下
make sure we can so let's check out this
这个单元。真有趣，对吗
cell this is interesting right
我们创建了一个widgets.FileUpload对象
we've created a widgets.FileUpload
然后显示出来了，它实际上
object and displayed it and this is
给我们显示了一个可以按动的按钮
actually showing us a clickable button
正如我前面提到的，这是一个不寻常的
so as I mentioned this is an unusual
REPL。我们甚至可以在这里创建GUI(图形用户界面)
REPL we can even create GUIs in this
如果我点击这个文件上传，
REPL so if I click on this FileUpload

Spanish: 
No importa si tienes Windows, Mac o Linux  con respecto a lo que se corren en un navegador
pero si tienes un Mac, por favor no intentes
Usar la GPU de las Mac. La verdad es que Apple no da mas soporte a las GPU de NVIDIA
por lo que realmente no será una buena opción
Por lo que quédate con Linux. Te hará la vida
mucho mas fácil.
Bien. Lo primero que debes hacer es probarlo.
Alego que hemos entrenado un moldeo que puede distinguir entre gatos y perros. Asegurémonos que realmente puede hacerlo
entonces vamos
Revisa ésta celda. Es interesante
correcto?
Hemos creado un widget para cargar objetos, lo mostramos y se ve un botón cliqueable.
Como he mencionado este es un REPL inusual. Podemos crear IUG en este REPL
por lo que cliqueo en la carga de archivos
puedo elegir gato

Japanese: 
もう一つ、もしあなたがMacを持っているのであれば・・・　ブラウザで何を
実行しているかという点では、WindowsでもMacでもLinuxでも関係ありません。
しかし、Macを持っている人は、そのGPUを使おうとしないでください。
Macは、いえ、 AppleはもうNvidiaのGPUすらサポートしていません。
だから、それは本当に良い選択肢にはなりません。
だからLinuxを使って下さい。
そうすれば、あなたの生活はずっと楽になります。
そうですね、最初にすべきことは実際に試してみることです。
犬から猫を判別するモデルを訓練したと言っても、
本当にできるかどうか確認してみましょう。
このセルを見てみよう。
これは面白いでしょう？
widget.FileUploadオブジェクトを作成して表示すると、
これは実際にクリック可能なボタンです。
だから、先ほども言ったように、これは珍しいREPLです。
このREPLではGUIを作成することもできます。
だから、私はこのファイルのアップロードをクリックして、

Tamil: 
உலாவியில் (பிரௌசர்) என்ன இயங்குகிறது (விண்டோஸ் அல்லது மேக் அல்லது லினக்ஸ் இருக்கிறதா) என்பது தான் முக்கியம்.
உங்களிடம் மேக் இருந்தால், தயவுசெய்து அந்த "ஜி.பீ.யூ" ஐப் பயன்படுத்த முயற்சிக்காதீர்கள்.
மேக் (உண்மையில் ஆப்பிள்) இனி "என்விடியா ஜி.பீ.யை" ஆதரிக்காது.
எனவே அது உண்மையில் ஒரு சிறந்த தேர்வாக இருக்கப்போவதில்லை.
எனவே லினக்ஸில் வேலை செய்யுங்கள், இது உங்கள் வாழ்க்கையை
மிகவும் எளிதாக்கும்
சரி, நாம் செய்ய வேண்டிய முதல் விஷயம் அதை முயற்சி செய்வதுதான்.
எனவே பூனைகள், நாய்களை வேறுபடுத்தும் ஒரு மாதிரியை நாம் பயிற்றுவித்ததாக நான் சொல்கிறேன். உண்மையா என பார்ப்போம்
எனவே
இந்த கலத்தைப் பாருங்கள். இது மிகவும் சுவாரஸ்யமாக
உள்ளதல்லவா...
நாம்  ஒரு கோப்பு பதிவேற்றும் (கிளிக் செய்யமுடியும்) விட்ஜெட்டை காண்கிறோம்.
முன் குறிப்பிட்டுள்ளபடி, இது ஒரு அசாதாரண REPL. இதில்  GUI-களை கூட உருவாக்கலாம்
எனவே, நான் பூனை படத்தை எடுக்க  இங்கே கிளிக் செய்தால்

English: 
One more thing to mention is, if you have
a Mac - doesn't matter whether you have Windows
or Mac or Linux in terms of what's running
in the browser.
But if you have a Mac, please don't try to
use that GPU.
Mac's actually - Apple doesn't even support
Nvidia GPUs anymore.
So that's really not gonna be a great option.
So stick with Linux.
It will make life much easier for you.
Right, actually the first thing we should
do is actually try it out.
So if - I claim we've trained a model that
can pick cats from dogs.
Let's make sure we can.
So let's - Check out this cell.
This is interesting.
Right?
We've created a widgets dot file upload object
and displayed it.
And this is actually showing us a clickable
button.
So as I mentioned this is an unusual REPL.
We can even create GUIs, in this REPL.
So if I click on this file upload.

Bulgarian: 
Още нещо да отбележа, ако имате Mac... няма значение дали имате Windows,
Mac или Linux при използване на браузър,
но ако имате Mac, моля, не се опитвайте да използвате GPU-то.
Всъщност Mac и Apple дори вече не поддържат Nvidia GPU.
Така че това няма да е добър вариант
Така че придържайте се към Линукс.
Ще ви направи живота много по-лесен.
И така, първото нещо, което трябва да направим, е да го пробваме.
Така че, ако твърдя, че сме обучили модел, който може да подбира котки от кучета,
нека се уверим, че можем.
Вижте тази клетка.
Интересно е,
нали?
Създали сме widget.FileUpload() обект и сме го показали
и това ни показва бутон за кликване.
Както ви казах, нова е необикновен REPL,
можем дори да създаваме GUI (графичен потребителски интерфейс) в този REPL.
Ако кликна на този бутон,

Bulgarian: 
мога да избера котка
и сега мога да превърна качените данни в изображение.
Има котка
и мога да изпълня predict (прогнозирай), и това е котка.
С вероятност 99.96%.
Виждате, току-що качихме снимка, която сме избрали.
Така че може да пробвате и вие.
Така ли е?
Вземете снимка на котка.
Намерете от интернет или идете и направете сами снимка
и не забравяйте да получите снимка на котка.
Това е нещо, което може да разпознава снимки на котки, а не рисунки на котки.
И както ще видим по време на курса,
този вид модели могат да научат само вида информация, която сте им дали
и до този момент сме дали, както ще видите, само снимки на котки.

English: 
And I can pick “cat”.
There we go.
And I can now turn that uploaded data into
an image.
There's a cat.
And now I can do predict, and it's a cat.
With a 99.96% probability.
So we can see we have just uploaded an image
that we've picked out.
So you should try this.
Right?
Grab a picture of a cat.
Find one from the Internet or go and take
a picture of one yourself.
And make sure that you get a picture of a
cat.
This is something which can recognise photos
of cats, not line drawings of cats.
And so as we'll see, in this course.
These kinds of models can only learn from
the kinds of information you give it.
And so far we've only given it, as you'll
discover, photos of cats.

Chinese: 
我可以选择猫
and I can pick cat
好了，我现在可以把上传的数据
there we go and I can now turn that
转换成一张图片了。这有一只
uploaded data into an image there's a
猫。然后现在我可以
cat and now I can do
做预测，这是一只猫的概率是99.96%
predict and it's a cat with a 99.96%
正如我们所看见的
probability so we can see we
我们刚刚上传了一张我们事先选好的图片
have just uploaded an image that we've
你应该试试看
picked out so you should try this right
从网上抓取一张猫的照片
grab a picture of a cat find one
或者自己
from the internet or go and take a
拍一张，确保你有一张
picture of one yourself and make sure
猫的照片。这东西只能识别
that you get a picture of a cat this is
猫的照片，而不能识别
something which can recognize photos of
猫的素描，所以
cats not line drawings of cats and so as
我们将在本课程中看到
we'll see in this course these kinds of
这一类模型只能从你提供给它的一类
models could only learn from the kinds
信息中学习，迄今为止
of information you give it and so far
我们只提供给你，因为你发现了
we've only given it as you discover
猫的照片，而不是卡通猫
photos of cats not anime cats not

Spanish: 
Ahí está. Y ahora puedo convertir esos datos cargados en una imagen.
Hay un gato y ahora puedo hacer la predicción y
Y es un gato con un 99,96 por ciento de probabilidad.
Vemos que hemos subido
una imagen que hemos elegido. Deberías probarlo tu mismo obteniendo una imagen de un gato de internet.
o toma una foto tu mismo y te aseguras que es una foto de un gato.
Esto puede reconocer fotos de gatos no dibujos de gatos y como veremos en este curso
este tipo de modelos solo pueden aprender del tipo de información que le brindas y por el momento solo le hemos dado
fotos de gatos

Tamil: 
நான் இப்போது பதிவேற்றிய கோப்பை ஒரு படமாக மாற்ற முடியும்
ஒரு பூனை இருக்கிறது, இப்போது நான் கணிக்க முடியும்
இது 99.96 சதவீத நிகழ்தகவு (ப்ரோபைபிளிட்டி) அளவிற்கு பூனை
நாங்கள் ஒரு படத்தை பதிவேற்றியுள்ளோம்
நீங்கள் இணையத்திலிருந்து ஒன்றைக் கண்டுபிடிக்க முயற்சி செய்யலாம்
அல்லது ஒரு பூனையின் படத்தை நீங்களே எடுத்துக் கொள்ளுங்கள்
இது பூனைகளின் புகைப்படங்களை அடையாளம் காணக்கூடிய ஒன்று. மற்றும் பூனைகளின் வரி வரைபடங்கள் அல்ல. இந்த பாடத்திட்டத்தில் போக போக பார்ப்போம்
இந்த மாடேல்கள் பூனைகளின் புகைப்படங்களை மட்டும் அடையாளம் காணும்.

Japanese: 
猫の写真を選択できます。
この通り。
そして、アップロードしたデータを画像に変換することができます。
猫がいます。
そして予測をすることができ、結果は猫です。
99.96%の確率で。
ということで、自分で選んだ画像をアップロード
できることがわかりますね。
これをやってみてください。
猫の写真をネットで探すか
自分で撮ってきて、 アップロードした写真が
猫であることを確認してください。
これは猫の線画ではなく 猫の写真を認識できるものです。
これからのコースでわかるように、
この種のモデルは、あなたが与えた情報からのみ
学習することができます。
これまでのところ、私たちは猫の写真しか与えていません。

English: 
Not anime cats, not drawn cats, not abstract
representations of cats but just photos.
So we're now gonna look at; what's actually
happened here?
And you'll see at the moment, I am not getting
some great information here.
If you see this, in your notebooks, you'll
have to go: file, trust notebook.
And that just tells Jupiter that it's allowed
to run the code necessary to display things,
to make sure there isn't any security problems.
And so you'll now see the outputs.
Sometimes you'll actually see some weird code
like this.
This is code that actually creates outputs.
So sometimes we hide that code.
Sometimes we show it.
So generally speaking, you can just ignore
the stuff like that and focus on what comes
out.
So I'm not gonna go through these.

Spanish: 
Ni gatos de animé, ni dibujados ni representaciones abstractas. Sólo fotos.
Ahora veremos
¿Qué ha pasado aquí realmente?
Lo verás en un momento. No estoy
obteniendo mucha información aquí. Si ves esto en tu cuaderno, tendrás que ir a "File" y
"Trust notebook"
Y
eso sólo le dice a
Jupiter puede ejecutar el código necesario para mostrar cosas. Que no haya problemas de seguridad.
Y así podrás ver las salidas.
Algunas veces verán código raro, algo como esto
Este código realmente crea las salidas
entonces
Algunas veces ocultamos ese código
y otras veces lo mostramos. En general puedes ignorar eso y concentrarte en lo que se muestra.
No iré sobre esto. En cambio veremos lo

Japanese: 
アニメの猫でもなく、描かれた猫でもなく、
抽象的な猫の表現でもなく、ただの写真です。
では次に実際に何が起きたのか？というのをみていきます。
ご覧の通り、今のところ、私はここに十分な情報を得ていません。
もしこういう出力をノートに見たら、 File → Trust Notebook　
→ Trustという操作をして下さい。
これはジュピターに表示に必要なコードの実行を許可すると伝えているのです。
セキュリティ上の問題がないと。
これで出力が表示されます。
時々、このような奇妙なコードを見ることがあります。
これは以下の図を作成するコードです。
このようなコードは基本的に隠します。
しかし時には見せることもあります。
しかし，一般にこのようなコードは無視して、出力されている図に
集中してください。
ですので，こういったコードは紹介しません。

Bulgarian: 
Не анимационни котки, не нарисувани котки, не абстрактни изображения на котки, а просто снимки.
Сега ще погледнем какво всъщност е станало тук?
Както ще видите след момент, тук не получаваме добра информация. 
Ако видите това във вашата тетрадка, трябва да идете до: file, trust notebook.
И това казва на Jupyter, че е позволено да изпълнява кода, необходим за визуализиране на неща,
за да е сигурно, че няма проблем със сигурността.
И така, вече ще видите резултата.
Понякога ще виждате странен код като този.
Това е код, който създава изходни резултати.
Понякога скриваме този код,
понякога го показваме
и казано най-общо, може просто да игнорирате такива неща и да се съсредоточите върху това, което следва
като изход.
Няма да минавам през тези неща.

Tamil: 
புகைப்படங்கள் மட்டும் கண்டறியும்.. அனிமேஷன், வரையப்பட்ட, சுருக்க பிரதிநிதித்துவங்களை கண்டறியாது.
எனவே இப்போது இங்கே என்ன நடந்தது என்பதைப் பார்க்கப் போகிறோம்.
நான் இங்கு தகவல்களைப் பெற முடியவில்லை
உங்கள் குறிப்பேடுகளில், நீங்கள் பைல் ->
டிரஸ்ட் நோட்புக்  செல்ல வேண்டும்
எந்தவொரு பாதுகாப்பு சிக்கல்களும் இல்லாததால், விஷயங்களைக் காண்பிக்க
தேவையான குறியீட்டை இயக்க அனுமதிக்க இது ஜூபிட்டரிடம் கூறுகிறோம்.
எனவே நீங்கள் இப்போது வெளியீடுகளைப் பார்ப்பீர்கள்
சில நேரங்களில் இது போன்ற சில வித்தியாசமான குறியீட்டை நீங்கள் காண்பீர்கள்
இது வெளியீடுகளை உருவாக்கும் குறியீடு
எனவே
சில நேரங்களில் அந்த குறியீட்டை மறைக்கிறோம்
சில நேரங்களில் நாம் அதைக் காட்டுகிறோம். பொதுவாக நீங்கள் அதைப் போன்றவற்றைப் புறக்கணித்து வெளியே வரும் விஷயங்களில் கவனம் செலுத்தலாம்
எனவே நான் இவற்றைப் பார்க்கப் போவதில்லை. அதற்கு பதிலாக, நான் அதைப் பார்க்கப் போகிறேன்

Chinese: 
不是涂鸦的猫，也不是抽象表示
drawn cats not abstract representations
的猫，但只是一些照片
of cats but just photos
现在我们来看看这里实际上
so we're now going to look at what's
发生了什么。你看，
actually happened here and you see at
这时候我实际上没有拿到一些好的
the moment I'm not getting some great
信息。如果你在你的notebook上
information here if you see this in your
看到了这个，你应该点击文件
notebooks you'll have to go file
和信任的notebook
Trust notebook
这会告诉jupyter，它被允许
and that just tells jupyter that it's
运行必要的代码来显示图形
allowed to run the code necessary to
以确保没有
display things to make sure that there
任何安全问题，所以
isn't any security problems and so
现在你就可以看到输出了
you'll now see the outputs sometimes you
实际上有时候你会看到一些奇怪的代码
will actually see some weird code like
比如说这个。这是实际上产生输出的
this this is code that actually creates
代码。所以有时候我们会隐藏这个代码
outputs so sometimes we hide that code
有时候我们会显示它。一般来说
sometimes we show it so generally
你可以直接忽略像这样的东西
speaking you can just ignore the stuff
然后专注于输出上。这样
like that and focus on what comes out so
我就不会去看这些东西
I'm not going to go through these
而是我们去看看
instead I'm going to have a look at it
幻灯片上的同样的内容
the same thing over here on the slides

English: 
Instead I'm gonna have a look at it - same
thing over here on the slides.
So what we're doing here is; we're doing machine
learning.
Deep learning is a kind of machine learning.
What is machine learning?
Machine learning is, just like regular programming,
it's a way to get computers to do something.
But in this case, it's pretty hard to understand
how you would use regular programming to recognise
dog photos from cat photos.
How do you kind of create the loops and the
variable assignments and the conditionals
to create a program that recognises dogs vs
cats in photos.
It's super hard.
Super super hard.
So hard, that until kind of the deep learning
era, nobody really had a model that was remotely
accurate at this apparently easy task.
Because we can't write down the steps necessary.
So normally, you know, we write down a function
that takes some inputs and goes through our
program.
Produces some results.

Spanish: 
mismo desde las diapositivas.
Lo que estamos haciendo es aprendizaje automático
Aprendizaje profundo es un tipo de aprendizaje automático. ¿Qué es aprendizaje automático?
Es como la programación común. Es la forma de hacer que los ordenadores hagan algo.
Pero en este caso es realmente difícil entender cómo usarías
la programación común para distinguir fotos de perros de las de gatos
¿Cómo crearías los bucles, la asignación de variables, las condiciones para
crear un programa que distinga perros de gatos en fotos? Es súper difícil
Súper súper difícil. Tan difícil que hasta la era del aprendizaje profundo
Nadie tenía un modelo que fuera remotamente exacto en esta tarea aparentemente sencilla.
porque no podemos escribir los pasos necesarios.
Normalmente, escribimos una función que recibe algunas entradas pasa por nuestro programa y nos da ciertos resultados
Entonces

Japanese: 
代わりにスライドを見てみましょう。
ここでやっていることは、機械学習です。
ディープラーニングは機械学習の一種です。
機械学習とは何か。
機械学習とは、普通のプログラミングと同じで、
コンピュータに何かを処理させる方法です。
しかし、どうやって普通のプログラムに
写真に映っているのが猫か犬かを
識別させるかというのはのは、想像しにくいでしょう。
ループや変数の代入、条件式をどう使えば
写真の中の犬と猫を認識するプログラムになるのでしょうか？
これは大変難しいです。
本当に難しいです。
難しすぎて、ディープラーニングの時代までは、この一見簡単そうな作業を
正確にこなすモデルは誰も持っていませんでした。
必要なステップを書き切れないからです。
通常は、いくつかの入力を処理し，いくつかの結果を返す関数を書きます。

Tamil: 
ஸ்லைடுகளிலும் இதே விஷயம் இருக்கிறது, எனவே நாம் இங்கே என்ன செய்கிறோம் என்றால் ..
நாம் இயந்திர கற்றல் செய்கிறோம்..
ஆழ்ந்த கற்றல் என்பது ஒரு வகையான இயந்திர கற்றல். இயந்திர கற்றல் என்றால் என்ன? இயந்திர கற்றல்
வழக்கமான நிரலாக்கத்தைப் போன்றது. ஏதோ செய்ய கணினிகளைப் பயன்படுத்த ஒரு வழி..
But in this case like it's pretty hard to understand how you would use
ஆனால் இந்த விஷயத்தில் பூனை புகைப்படங்களிலிருந்து நாய் புகைப்படங்களை அடையாளம் காண
வழக்கமான நிரலாக்கத்தை எவ்வாறு பயன்படுத்துவீர்கள் என்பதைப் புரிந்துகொள்வது கடினம்
புகைப்படங்களில் நாய்கள் அல்லது பூனைகளை அடையாளம் காணும் ஒரு திட்டத்தை உருவாக்குவது கடினம்.
ஆழ்ந்த கற்றல் சகாப்தம் வரை மிகவும் கடினமாக மிகவும் கடினமாக இருந்தது
இந்த சுலபமான பணியில் நல்ல வழி யாரிடமும் இருந்ததில்லை
ஏனென்றால் அதை செய்ய  தேவையான படிகளை நாம் எழுத முடியாது
பொதுவாக, சில உள்ளீடுகளை எடுத்து நம் நிரல் வழியாக சென்று சில முடிவுகளை வழங்கும் ஒரு செயல்பாட்டை நாங்கள் எழுதுகிறோம்
எனவே

Chinese: 
我们这里做的其实叫做机器学习
so what we're doing here is um we're
深度学习是机器学习的一种
doing machine learning deep learning is
什么是机器学习
a kind of machine learning what is
机器学习就像是
machine learning machine learning is
常规的编程一样
just like regular programming it's a way
它是一种让计算机做某些事情的方式
to get computers to do something but in
但是这种情况下，你很难
this case like it's pretty hard to
理解如何使用常规的
understand how you would use regular
编程去从猫的照片中识别狗的照片
programming to recognize dog photos from
如何创建
cat photos how do you kind of create the
循环和变量赋值
loops and the variable assignments and
创建一个程序
the conditionals to create a program
来识别照片中的猫狗
that recognizes dogs versus cats in
这是非常难，非常非常难
photos it's super hard super super hard
以至于在深度学习
so hard that until kind of the deep
时代之前，没有人能够真正对这项
learning era nobody really had a model
看似简单的任务，做出一个
that was remotely accurate at this
细微精确的模型
apparently easy task
因为我们没有办法写下必要的步骤
because we can't write down the steps
通常我们会写一个函数
necessary so normally you know we write
它接受一些输入
down a function that takes some inputs
然后随着程序的运行
and goes through our program and gives
通常会给出我们一些结果
us some results so this general

Bulgarian: 
Вместо това ще разгледаме същите неща от слайдовете.
И така, това, което правим, е машинно самообучение,
Deep Learning е вид машинно самообучение.
Какво е машинно самообучение?
Машинното самообучение е просто, както и стандартното програмиране, то е начин да се накарат компютрите да правят нещо.
Но в случая е доста трудно да разбереш как да използваш нормално програмиране, за да разпознаеш
снимки на кучета от снимки на котки.
Как да създадеш циклите, да присвоиш променливите, условните конструкции,
необходими за създаване на програма, която разпознава кучета от котки на снимки.
Това е страшно сложно
Много, много сложно.
Толкова трудно, че до ерата на Deep Learning никой наистина нямаше модел, който да е донякъде точен
при тази очевидно лесна задача.
Защото не можем да напишем необходимите стъпки.
Обикновено пишем функция, която приема някакви входни данни, преминава през 
нашата програма
и дава някакви резултати.

Spanish: 
Esta idea general donde el programa es algo que escribimos los pasos
no parece funcionar bien para cosas como reconocer fotos
Tiempo atrás, en 1949, alguien llamado Arthur Samuel, intentó encontrar un forma de resolver problemas como
distinguir imágenes de gatos y perros. En 1962 describió una forma de hacerlo.
Primero describimos el problema. Programar un ordenador para esta clase de computación es, en el mejor de los casos, una tarea dificultosa.
Por la necesidad de explicitar detalladamente cada paso del proceso de forma exasperada.
Los ordenadores son unos imbéciles gigantes, algo que todos los programadores entendemos.
Por lo que dijo: Bien, no le digamos al ordenador los pasos precisos,
si no que démosle ejemplos del problema a resolver y que encuentre la forma de resolverlo por su cuenta.
Así, para 1961, construyó un programa de juego de damas que ganó al campeón estatal de Connecticut.
no diciéndole los pasos a realizar para jugar a las damas

Japanese: 
ですので，人間がステップを書き下す方式のプログラムは
写真の認識などが難しいのです。
1949年に、アーサー・サミュエルという人が、猫や犬の認識といった問題を
プログラムに解かせる方法を見つけようとし始めました。
1962年にその方法を説明しました。
まず彼は問題を定義しました。
「この種の計算のためのプログラムを書くのは
困難な作業である。
なぜなら、処理に含まれる微細なステップを
うんざりするほど詳細に綴らなければならないのだから。
コーダーなら誰もが知っているように，
コンピュータは巨大なマヌケである。」
そこで彼は、コンピュータに正確な手順を教えるのではなく、問題の例を与えて、
その問題を解く方法をコンピュータに考えさせよう、と言いました。
そして、1961年までに、彼はチェッカープログラムを作成し、
コネチカット州のチャンピオンを倒しました。

Bulgarian: 
Тази обща идея, при която програмата е нещо, което ние пишем (стъпките),
изглежда не работи добре за неща, като разпознаване на снимки.
Така през 1949 г. някой на име Артър Самуел започва да се опитва да измисли начин за решаване
на проблеми като разпознаване на снимки на котки и кучета.
И през 1962 г. той описа начин за това.
Най-напред той описа проблема: „Програмирането на компютър 
за този вид изчисления е в най-добрия случай трудна задача,
поради необходимостта да се изписва всяка незначителна стъпка от процеса в мъчителни подробности.
Компютрите са гигантски дебили, което всички ние, програмистите, напълно го признаваме."
Така че той казва, нека не казваме на компютъра точните стъпки, а да му дадем примери 
от проблема за решаване и да намери сам как да го реши.
И така, до 1961 г. той е изградил програма за шашки, която е победила щатския шампион в Кънектикът

English: 
So this general idea where the program is
something that we write (the steps).
Doesn't seem to work great for things like
recognising pictures.
So back in 1949, somebody named Arthur Samuel
started trying to figure out a way to solve
problems like recognising pictures of cats
and dogs.
And in 1962, he described a way of doing this.
Well first of all he described the problem:
“Programming a computer for these kinds
of computations is at best a difficult task.
Because of the need to spell out every minute
step of the process in exasperating detail.
Computers are giant morons which all of us
coders totally recognise.”
So he said, okay, let's not tell the computer
the exact steps, but let's give it examples
of a problem to solve and figure out how to
solve it itself.
And so, by 1961 he had built a checkers program
that had beaten the Connecticut state champion,

Chinese: 
我们编写的步骤似乎
idea where the program is something that
看起来不太适用于
we write the steps doesn't seem to work
像识别照片的事情
great for things like recognizing
所以早在1949，有个叫Arthur Samuel的人
pictures so back in 1949 somebody named
开始想方设法找出一种
Arthur Samuel started trying to figure
解决比如识别猫狗照片
out a way to solve problems like
这种问题的方法
recognizing pictures of cats and dogs
1962年，他描述了一种方法
and in 1962 he described a way of doing this
well first we describe the problem
好 我们首先描述问题
通过计算机编程来解决这类计算任务（机器学习）
programming a computer for these kinds of computations
这是一个困难的任务
is [at best] a difficult task
因为它需要极其明确地
because of the need to spell out every minute step of the process
说明过程中每一个麻烦的步骤
in exasperating detail
计算机是大白痴
computers are giant morons
我们所有程序员都完全承认这一点
which all of us coders totally recognize
因此他说  我们现在不告诉计算机明确的执行步骤
so he said ok let's not tell the computer the exact steps
而是待解问题的一些例子交给计算机
but let's give it examples of a problem to solve
然后让计算机自己去求解问题
and figure out how to solve it itself
到1961年
and so by 1961
他成功编写出一个跳棋程序
he had built a checkers program
打败了康涅狄格州的跳棋冠军
that had beaten the Connecticut state champion

Tamil: 
நிரல் என்பது நாம் படிகளை எழுதும் ஒன்று என்ற இந்த பொதுவான யோசனை படங்களை
அடையாளம் காண்பது போன்ற விஷயங்களுக்கு பெரிதாக வேலை செய்யவில்லை
1949 ஆம் ஆண்டில், ஆர்தர் சாமுவேல் என்ற ஒருவர் பூனைகள் மற்றும் நாய்களின் படங்களை அடையாளம் காண்பது போன்ற
சிக்கல்களைத் தீர்க்க ஒரு வழியைக் கண்டுபிடிக்க முயற்சிக்கத் தொடங்கினார். 1962 ஆம் ஆண்டில் அவர் சிக்கலை விவரித்தார்..
இந்த வகையான கணக்கீடுகளுக்கு ஒரு கணினியை நிரல் செய்வது மிகவும் கடினமான பணியாகும்
செயலின் ஒவ்வொரு சிறிய அடியையும் களைப்பதில் எழுத வேண்டிய அவசியம் தான் அதற்க்கு காரணம்
கணினிகள் மாபெரும் மாரன்கள், அவை அனைத்து குறியீட்டாளர்களும் முற்றிலும் ஏற்றுக்கொள்வார்கள்
எனவே அவர், சரி ... கணினிக்கு சரியான படிகளை சொல்ல வேண்டாம்..
மாறாக ஒரு சிக்கலைத் தீர்ப்பதற்கான எடுத்துக்காட்டுகளைக் கொடுப்போம், அதை எவ்வாறு தீர்ப்பது என்பதைக் அதே கண்டுபிடிக்கட்டும் என்றெண்ணினார்
எனவே 1961 வாக்கில் அவர் ஒரு செக்கர்ஸ் நிரலை உருவாக்கினார், அது கனெக்டிகட் மாநில சாம்பியனை வீழ்த்தியது,
செக்கர்களை விளையாடுவதற்கான நடவடிக்கைகளைச் சொல்வதன் மூலம் இல்லாமல்

English: 
not by telling it the steps to take to play
checkers, but instead by doing this, which
is: “arrange for an automatic means of testing
the effectiveness of a weight assignment in
terms of actual performance and a mechanism
for altering the weight assignment so as to
maximise performance.”
This sentence is the key thing.
And it's a pretty tricky sentence so you can
spend some time on it.
The basic idea is this; instead of saying
inputs to a program and then outputs.
Let's have inputs to a - let's call the program
now model.
It is the same basic idea.
Inputs to a model and results.
And then we're gonna have a second thing called
weights.
And so the basic idea is that this model is
something that creates outputs based not only
on, for example, the state of a checkers board,
but also based on some set of weights or parameters

Spanish: 
si no haciendo esto
que es
Organizar por medios automáticos la prueba de la efectividad de la asignación de pesos en términos del rendimiento real
y un mecanismo para alterar la asignación de pesos que maximice dicho rendimiento.
Esta frase es la clave y
Es una frase muy intrincada y nos detendremos en ella. La idea básica es que en vez de decir
Entradas a un programa y luego salidas
Tengamos las entradas
Llamemos el programa modelo
La misma idea básica, entradas a un modelo y sus resultados y luego vamos a tener una segunda cosa llamada
pesos. Así la idea básica es que este modelo
es algo que crea salidas basadas no solamente en, por ejemplo, el estado del tablero de un juego de damas

Chinese: 
他并没有告诉这个程序每一步应该怎么走
not by telling it the the steps to take to play checkers
而是这样做
but instead by doing this
而是用一个自动方法
which is arranged for an automatic means of
根据实际表现来测试权重分配的有效性
testing the effectiveness of  a weight assignment in terms of actual performance
和一套最大化性能的权重进行修正机制
and a mechanism for altering the weight assignment so as to maximize performance
这句话很关键，而且不太容易理解
this sentence is the key thing and it's a pretty tricky sentence
所以我们再花些时间来理解
so we can spend some time on it
它的基本思想是
the basic idea is this
不再只是将数据输入到程序然后输出结果
instead of saying inputs to a program and then outputs
有一个输入到 ...
let's have inputs to a...
现在给程序换个说法，叫做模型
let's call the program now model
思想没有变。模型输入然后输出结果
this is the same basic idea. inputs to a model and results
然后加入权重作为模型的第二个输入
and then we're gonna have a second thing called weights
这样，它的思想就变成了了
and so the basic idea is
模型输出结果不再只是
that this model is something that creates outputs
基于比如说跳棋版的状态
based not only on for example the state of a checkers board
还基于权重集合或者说是参数集合
but also based on some set of weights or parameter

Japanese: 
コンピューターにチェッカーの遊び方を教えたのではなく、
その代わりに、これをしたのです。
「実際のパフォーマンスから現在の重みの有効性を
自動でテストする手段と、
パフォーマンスを最大化するように重みを変更する
メカニズムを構築する」。
この文章が肝心です。
そして、かなりトリッキーな文章なので、
時間をかけても大丈夫です。
基本的な考え方は何かというと、
プログラムへの入力があって、プログラムが何かを出力するというのではなく
その代わりに入力を・・・
ここではプログラムではなくモデルと呼びましょう。
モデルへの入力と結果。
そして、重みと呼ばれる2つ目のものがあります。
基本的な考え方としては、このモデルは、
例えばチェッカーボードの状態だけでなく、
モデルがどのように動作するかを記述する重み、あるいはパラメータに基づいて

Tamil: 
அது இப்படி செய்தது,
அதாவது
உண்மையான செயல்திறனின் அடிப்படையில் எடை ஒதுக்கீட்டின் செயல்திறனை சோதிக்கும் தானியங்கி வழிமுறையை ஏற்பாடு செய்தல், மற்றும்
செயல்திறனை அதிகரிக்க எடை ஒதுக்கீட்டை மாற்றுவதற்கான ஒரு பொறிமுறையை வழங்குதல்
இந்த வாக்கியம் முக்கிய விஷயம் மற்றும்
இது ஒரு அழகான தந்திரமான வாக்கியம், எனவே நாம் அதில் சிறிது நேரம் செலவிடவோம் . அடிப்படை யோசனை என்னவென்றால் -
உள்ளீடுகளிலிருந்து, ஒரு நிரலுக்கு பின்னர் வெளியீடுகள் - என்று சொல்வதற்கு பதிலாக -
உள்ளீடுகளை வைத்திருப்போம்,
நிரலை இப்போது மாதிரி என்று அழைப்போம்,
இதே அடிப்படை யோசனைதான். உள்ளீடுகளிலிருந்து ஒரு மாதிரிக்கு மற்றும் பின்னர் முடிவுகளுக்கு. பின்னர் இங்கு இரண்டாவது விஷயம் இருக்கும் அதன் பெயர்
எடைகள். எனவே அடிப்படை யோசனை என்னவென்றால், இந்த மாதிரி,
வெளியீடுகளை உருவாக்கும் பொது, உள்ளீடுகளின் அடிப்படையில் மட்டுமல்லாமல், (எடுத்துக்காட்டாக ஒரு செக்கர்ஸ் போர்டின் நிலை)

Bulgarian: 
не като указва стъпките, които да се предприемат, за да се играят шашки, а като прави това, 
което е "организиране на автоматични начини за проверка на ефективността на присвоените тегла
от гледна точка на реално постигнатия резултат и на механизъм за промяна на присвоените тегла, така че да се 
максимизират резултатите".
Това е ключовото изречение.
И то е доста сложно изречение, така че можете да му отделите известно време.
Основната идея е следната: вместо да казваме входни данни (inputs) за програмата и след това изходни резултати (outputs)
нека имаме входни данни - и да казваме на програмата модел -
имаме същата основна идея
вход - модел - резултати
и след това ще имаме второ нещо, наречено тегла.
И така, основната идея е, че този модел е нещо, което създава резултати не само на база,
в случая на състоянието на таблото с шашки, но и на база на някакво множество от тегла или параметри,

Spanish: 
pero también en un conjunto de pesos o parámetros que describen cómo dicho modelo funcionará.
Entonces la idea es si que si pudiéramos enumerar todas las formas posibles de jugar a las damas
y de alguna forma describir cada uno de esas formas usando algún conjunto de parámetros o, como  Arthur Samuel los llamó, "pesos"
entonces, si tuviéramos una forma de controlar qué tan efectivo es
la asignación actual de los pesos en términos de rendimiento. En otras palabras,
¿Termina esa enumeración de estrategia para jugar a las damas ganando o perdiendo juegos?
Y luego una forma de alterar la asignación de pesos para maximizar el rendimiento.
Para luego intentemos aumentar o disminuir cada uno de esos pesos uno por uno
para encontrar si hay una forma ligeramente mejor de jugar a las damas, y luego hacerlo muchas muchas veces
entonces, eventualmente,
ese procedimiento podría hacerse enteramente automático, y luego la máquina así programada podría aprender de su experiencia.
Así que este pequeño párrafo

English: 
that describe how that model is going to work.
So the idea is, if we could, like, enumerate
all the possible ways of playing checkers,
and then kind of describe each of those ways
using some set of parameters or what Samuel
called weights.
Then if we had a way of checking how effective
a current weight assignment is in terms of
actual performance, in other words, does that
particular enumeration of a strategy for playing
checkers end up winning or losing games, and
then a way to alter the weight assignment
so as to maximise the performance.
So then oh let's try increasing or decreasing
each one of those weights one at a time to
find out if there is a slightly better way
of playing checkers and then do that lots
of lots of times then eventually such a procedure
could be made entirely automatic and then
the machine so programmed would learn from
its experience so this little paragraph is,

Chinese: 
参数集合描述了模型的运行方式
that describe how that model is going to work
因此它的思想是假设我们可以，比如枚举出玩跳棋的所有方式
so the idea is if we could like enumerate all the possible ways of playing checkers
然后利用参数集合来描述其中的每一种方式
and then kind of describe each of those ways using some set of parameters
参数集合也就是Arthur Samuel所说的权重
or what Arthur Samuel called weights
然后假设存在一种方法来检查
then if we had a way of checking
当前权重在实际表现中的有效性
how effective a current weight assignment is in terms of actual performance
换句话说
in other words
某一种特定的玩跳棋策略
does that particular enumeration of a strategy for playing checkers
是否最终能够赢得比赛，对吧？
end up winning or losing games right
然后有一种方法对权重分布进行修正
and then a way to alter the weight assignment
从而使性能最大化
so as to maximize the performance
接着尝试每次增加或者降低其中一个权重
so then oh let's try increasing or decreasing each one of those weights one at a time
来判断是否存在玩跳棋好的的方式
to find out if there's a slightly better way of playing checkers
将上面的步骤重复很多遍
and then do that lots of lots of times
这个过程可以完全自动化运行
then eventually such a procedure could be made entirely automatic
经过这样编程后计算机将可以从经验中学习到知识
and then the machine so programmed would learn from its experience
因此这一小段
so this little paragraph is

Tamil: 
சில எடைகள் அல்லது அளவுருவுகளையும் அடிப்படையாகக் கொண்டது. இவை மாதிரி எவ்வாறு செயல்படப் போகிறது என்பதை விவரிக்கும்.
எனவே யோசனை என்னவென்றால், செக்கர்களை விளையாடுவதற்கான அனைத்து வழிகளையும் கணக்கிட முடிந்தால்
பின்னர் அந்த வழிகளில் ஒவ்வொன்றையும் சில அளவுருக்கள் அல்லது எடைகளைப் (ஆர்தர் சாமுவேல் அழைத்ததைப் போல) பயன்படுத்தி விவரிக்கவும்
உண்மையான செயல்திறன் அடிப்படையில் தற்போதைய எடை ஒதுக்கீடு எவ்வளவு பயனுள்ளதாக இருக்கும் என்பதை சரிபார்க்க நமக்கு ஒரு வழி இருந்தால்.
வேறு வார்த்தைகளில் கூறுவதானால்.
செக்கர்களை விளையாடுவதற்கான ஒரு மூலோபாயமான அந்த குறிப்பிட்ட கணக்கீடு, விளையாட்டுகளை வெல்வதற்கு உதவுகிறதா அல்லது இழப்பதற்காகவா?
செயல்திறனை அதிகரிக்க எடை ஒதுக்கீட்டை மாற்றுவதற்கான ஒரு வழி
எனவே அந்த எடைகள் ஒவ்வொன்றையும் ஒரு நேரத்தில் அதிகரிக்க அல்லது குறைக்க முயற்சிப்போம்
அப்படிசெய்வதால் செக்கர்களை விளையாடுவதற்கு சற்று சிறந்த வழி இருக்கிறதா என்று கண்டுபிடிப்போம். பின்னர் அதையே நிறைய முறை செய்வோம்.
பின்னர் இறுதியில்
அத்தகைய செயல்முறை முற்றிலும் தானியங்கி செய்யப்படலாம். அவ்வாறு திட்டமிடப்பட்ட இயந்திரம் அதன் அனுபவத்திலிருந்து கற்றுக்கொள்ளும்
எனவே இந்த சிறிய பத்தி

Bulgarian: 
които описват как ще работи моделът.
Идеята е, ако можем да изредим всички възможни начини за игра на шашки
и след това опишем всеки един от тези начини, използвайки някакво множество от параметри, или както Самуел
ги нарича, тегла.
След това, ако имаме начин да проверим колко ефективно е текущото присвояване на тегла от гледна точка
на резултата, с други думи, дали конкретната от изредените стратегии за игра
на шашки приключва с победа или загуба на играта, и след това начин за промяна на теглата,
така че да се максимизират резултатите.
Тогава нека да опитаме да увеличим или намалим всяко едно от тези тегла едно по едно,
за да видим дали има леко по-добър начин за игра на шашки, и след това да го повторим същото
много, много пъти, и евентуално такава процедура може да се направи изцяло автоматична, и тогава
така програмирана машина ще може да учи от своя опит, така че този кратък параграф

Japanese: 
出力を作成するものです。
 このアイディアは、もし私たちがチェッカーの遊び方を全て列挙できたして、
それぞれをパラメータを使って説明することができて（サミュエルは重みと呼びますが）
現在の重みの割り当てが、実際のパフォーマンスの面で
どれだけ効果的かを検証する方法があれば、
言い換えれば、チェッカーをプレイするための特定の戦略が、ゲームの勝ち負けにつながるかどうか、
そして、パフォーマンスを最大化するように
重みの割り当てをする方法があるとします。
そうすると、重みを一つずつ増やしたり減らしたりしてみて、
少しでも良いチェッカーの戦略があるかどうかを調べるというのを
何回も何回もやってみると、最終的にはそのような手順が完全に自動化されて、
機械がその経験から学習するようにプログラムされます。
このパラグラフそのものです。

English: 
is the thing.
This is machine learning a way of creating
programs such that they learn, rather than
programmed.
So if we had such a thing, then we would basically
now have something that looks like this: you
have inputs and weights again going into a
model, creating results, i.e. you won or you
lost, and then a measurement of performance.
So remember that was this key step and then
the second key step is a way to update the
weights based on the measured performance
and then you could look through this process
and create a) train a machine learning model
so this is the abstract idea.
So after it ran for a while, right, it's come
up with a set of weights which it's pretty
good, right, we can now forget the way it
was trained and we have something that is

Chinese: 
讲得就是这么个事。也就是所谓的机器学习，对吧
it's the thing. this is machine learning，right？
这样创造的程序将具备学习的能力
a way of creating programs such that they learn
而不是被设定好的
rather than they're programmed
因此如果我们有这样一个东西
so if we had such a thing
它基本上会是这样
then we would basically now have something that looks like this
输入数据和权重到模型中并产生结果
you have inputs and weights again going into a model creating results
也就是赢或者输
i.e. you won or your lost
然后就可以衡量模型的性能
and then a measurement of performance
记住这是关键的一步
so remember that was this key step
然后第二个关键步骤是如何
and then the second key step is a way to
在现有表现得基础上更新权值
update the weights based on the measure of performance
继而不断循环这一过程
and then you could loop through this process
然后创造或者说训练出一个机器学习模型
and create a train a machine learning model
这是机器学习的抽象思想
so this is the abstract idea
因此在上面的步骤执行一段时间后
so after we've run that for a while, right?
会得到一组在性能表现非常 好的权值
it's come up with a set of weights that's pretty good right
现在我们可以忘掉它是如何被训练出来的
we can now forget the way it was trained
然后我们得到了像这样的东西，对吧？
and we have something that's just like this right

Bulgarian: 
е нещото.
Това е машинно самообучение, начин за създаване на програми, при който те учат,
вместо да се програмират.
Ако имаме такова нещо, тогава в общи линии ще имаме нещо, което изглежда така:
имате входни данни и тегловни коефициенти, подавани към модела, който създава резултати, например печелите
или губите, и мярка за качеството на резултата.
Припомнете си, това беше тази ключова стъпка и след това втората ключова стъпка е начин за актуализиране 
на теглата на база измереното качество на резултата и след това може да направите цикъл през този процес
и да създадете и обучите модел за машинно самообучение, така че това е абстрактната идея.
След като сме тренирали модела известно време, ще ни дава комплект тегловни коефициенти, който е доста добър;
вече можем да забравим начина, по който е бил обучен, и имаме нещо, което е

Spanish: 
es la cuestión. Esto es aprendizaje automático. Una forma de crear un programa
de forma que aprendan en vez de programarse.
Si tuviéramos algo así,
básicamente tendríamos algo que se parece a esto. Tienes entradas y pesos como entrada a un modelo
que crea resultados, i.e. la pérdida, una medida del rendimiento (recuerda que este paso es clave)
y luego el segundo paso clave es una forma de actualizar los pesos basado en la medida del rendimiento;
y luego puedes hacer un bucle por este proceso y
crear y entrenar un modelo de aprendizaje automático. Esta es la idea abstracta.
Entonces, después de ejecutar esto durante un rato
surge un conjunto de pesos. Está muy bien, no?
Podemos ahora olvidarnos de cómo fue entrenado y obtenemos algo que es como

Tamil: 
முக்கியமானது. இதுதான் இயந்திர கற்றல். நிரல்களை உருவாக்குவதற்கான ஒரு வழி,
அவை திட்டமிடப்பட்டதை விட அவர்கள் கற்றுக்கொள்கின்றன
எனவே நம்மிடம் அப்படி ஏதாவது இருந்தால்
அது இது போல் இருக்கும். நம்மிடம் உள்ளீடுகள் மற்றும் எடைகள் இருக்கும், அவை ஒரு மாதிரிக்குள்  செலுத்தி
முடிவுகளை உருவாக்கி. அதாவது நீங்கள் வென்றீர்களா அல்லது தோற்றீர்களா என்று சொல்லும். மற்றும் செயல்திறன் அளவீட்டு இருக்கும்.
இந்த முக்கிய படியாக இருந்தது என்பதை நினைவில் கொள்ளுங்கள். இரண்டாவது முக்கிய படி செயல்திறன் அளவின் அடிப்படையில் எடையை புதுப்பிக்க ஒரு வழியாகும்
பின்னர், இந்த செயல்முறையை திரும்ப திரும்ப செய்து,
இயந்திர கற்றல் மாதிரியைப் பயிற்றுவிக்கலாம். எனவே இதுதான் சுருக்கமான யோசனை
எனவே நாம் அதை சிறிது நேரம் செயல்படுத்திய பிறகு
இது மிகவும் நல்ல எடைகளின் தொகுப்பைக் கொண்டு வரும்.
இப்போது நாம், அது பயிற்றுவிக்கப்பட்ட வழியை மறந்துவிடால், இது போன்ற ஒன்று

Japanese: 
これが機械学習です。
プログラムを作るのに処理方法を与えるのではなく、
処理を学習させるのです。
もしそのようなものがあったとしたら、我々は基本的に
今、このようなものを持っているでしょう。
入力と重みがモデルの入力となり、結果、つまりチェッカーでの勝敗を出力し，
これらのパフォーマンスを評価します。
この評価が重要なステップです。
2つ目の重要なステップは、測定されたパフォーマンスに基づいて重みを更新する方法。
この一貫の処理を繰り返し行うことで
機械学習モデルの訓練ができます。
これは抽象的なアイデアです。
しばらく実行した後、重みがかなり良い感じになりました。
ここで，どう訓練したかを無視すれば，機械学習モデルは
従来のプログラムと同様なものになります。
このようなものです。

Chinese: 
除了名字由程序变成了模型
except the word program is now replaced with a word model
因此一个训练好的模型可以像其它计算机程序一样使用
so a trained model can be used just like any other computer program
总而言之，思想就是我们构建一个计算机程序
so the idea is we're building a computer program
不是将完成任务的必要步骤写出来
not by putting out the steps necessary to do the task
而是训练它学会完成任务
but by training it to learn to do the task
训练结束后它其实也只是另一种程序而已
at the end of which it's just another program
这就是所谓的推断，对吧？
and so this is what's called inference, right?
它将一个训练好的模型作为程序使用
it's using a trained model as a program
来执行像玩跳棋这样的任务
to do a task such as playing checkers
所以机器学习就是对程序进行训练
so machine learning is training programs
让计算机从经验中学习知识
developed by allowing a computer to learn from its experience
而不是手动地写代码
rather than through manually coding ok
OK
好的
那在图片识别的场景下你将会怎么做
how would you do this for image recognition
它对应的模型和我们想要修改的权重是什么
what is that mode and that set of weights such that as we vary them
通过修改权重它会在区分猫和狗的任务上面表现得越来越好
it could get better and better at recognizing cats versus dogs

Spanish: 
esto excepto que la palabra programa está ahora reemplazada por la palabra modelo.
Por lo tanto un modelo entrenado puede ser usado igual que cualquier otro programa informático.
Así que la idea es que construimos un programa de ordenador no poniendo los pasos necesarios para realizar la tarea
si no entrenándolo para que aprenda a realizar la tarea. A cuyo final es sólo otro programa mas.
Esto es lo que llama inferencia. Es usar un modelo entrenado como un programa para realizar una tarea
como jugar a las damas
Entonces, el aprendizaje automático es
Entrenar programas desarrollados para permitir a un ordenar aprender de su experiencia en vez de una codificación manual.
Bien, ¿Cómo lo harías para reconocimiento de imágenes?
¿Cuál es ese modelo
y ese conjunto de datos tales que variándolos sea cada vez mejor reconociendo gatos vs. perros?

English: 
just like this, right, except the word program
is now replaced with the word model.
So a trained model can be used just like any
other computer program.
So the idea is we are building a computer
program not by putting up the steps necessary
to do the task, but by training it to learn
to do the task at the end of which it's just
another program and so this is what's called
inference right is using a trained model as
a program to do a task such as playing checkers
so machine learning is training programs developed
by allowing a computer to learn from its experience
rather than through manually coding.
Ok how would you do this for image recognition,
what is that model and that set of weights
such that as we vary them it could get better
and better at recognising cats versus dogs,

Tamil: 
நம்மிடம் இருக்கும் .ஆனால் ஒரே ஒரு வித்தியாசம் எனவென்றால்  - 'நிரல்' என்ற சொல் இப்போது 'மாதிரி' என்ற சொல்லுடன் மாற்றப்பட்டுள்ளது.
பயிற்சி பெற்ற மாதிரியை மற்ற கணினி நிரல்களைப் போலவே பயன்படுத்தலாம்
யோசனை என்னவென்றால், நாம் உருவாக்குகிறோம் கணினி நிரல், பணியைச் செய்ய தேவையான படிகளை ஆட்டிப்படையாக கொள்ளாமல்,
அதைப் பயிற்றுவிப்பதன் மூலம் பணியைச் செய்ய கற்றுக்கொடுக்கிறோம்.முடிவில் இது மற்றொரு நிரலாகும்
இதைத்தான் 'அனுமானம்' என்று அழைக்கிறார்கள். ஒரு பயிற்சி பெற்ற மாதிரியை ஒரு நிரலாகப் பயன்படுத்தி
செக்கர்ஸ் விளையாடுவது - போன்ற ஒரு பணியைச் செய்கிறது
இயந்திர கற்றல் என்பது -
தனிப்பட்ட படிநிலைகளை கைமுறையாக நிரலாக்கமாகக் காட்டிலும், கணினியை அதன் அனுபவத்திலிருந்து கற்றுக்கொள்ள அனுமதிப்பதன் மூலம் உருவாக்கப்பட்ட பயிற்றுவித்து நிரல்.
சரி, 'பட அடையாளத்திற்கு' இதை எப்படி செய்வீர்கள்
எந்த விதமான
மாதிரி மற்றும் எடைகளின் தொகுப்புகளை பயன்படுத்தினால், அவை மாறுபடும் போது, நாய்களையும் பூனைகளையும் அடையாளம்கொள்வதில் படிப்படியாக சிறந்ததாக இருக்கும்.

Bulgarian: 
точно като това, освен че думата програма сега е заменена с думата модел.
И така, обучен модел може да се използва също като всяка друга компютърна програма.
Идеята е, че създаваме компютърна програма не като поставяме необходимите стъпки
за изпълнение на задачата, а като я обучаваме да научи да изпълнява задачата, в края на което пак имаме просто
друга програма. Това е така нареченият логически извод (inference), да се използва обучен модел
като програма, за да изпълнява задачи, например игра на шашки. И така, машинното самообучение е обучаване на програми, разработени,
като се дава възможност на компютъра да се учи от опита си, вместо ръчно да се програмират отделните стъпки.
Как бихте направили това за разпознаване на изображение, какъв е този модел и този набор от тегла,
такива, че като ги променяме, да получаваме все по-добро разпознаване на котки спрямо кучета.

Japanese: 
ここでは「プログラム」ではなく「モデル」という単語が使われています。
訓練されたモデルは他のコンピュータプログラムと
同じように使うことができます。
つまり、我々はコンピュータプログラムを，
タスクを実行するための必要なステップを設書き下すのではなく、
タスクを実行するよう学習させることによってプログラムを構築していて、
訓練の後にはただのプログラムになります。
このプログラムは推論と呼ばれます。
推論とは、この訓練済みのモデルを使ってチェッカーなどのタスクを解かせることです。
つまり，機械学習とは，処理を書き下すのではなく，
コンピュータに経験から学習させるプログラムの訓練です。
これを画像認識の場合、どうやってやったらいいのでしょうか。
それらを変化させていくと、猫と犬の認識がどんどん良くなっていく「モデル」と「重み」は何でしょう。

Spanish: 
Quiero decir para el juegos de damas, no es difícil imaginar como podrías enumerar
dependiendo de cuan lejos están las piezas de tu oponente que harías en esa situación.
Cuánto sacrificar piezas vs estrategias agresivas, bla bla bla
No es tan obvio cómo lo harías para reconocimiento de imágenes.
Entonces ¿Qué buscamos en realidad?
¿Hay alguna función aquí, que sea lo tan flexible
que haya un conjunto de pesos que podría hacer que hiciera cualquier cosa?
En realidad, la función mas flexible del mundo. Pues resulta que esa cosa existe,
es una red neuronal.
Estamos describiendo exactamente esa función matemática en las próximas clases.
Para usarla, realmente no importa cuál es esa función matemática.
Es una función a la que, como decimos, "parametrizamos", mediante un conjunto de pesos

Chinese: 
我想对于跳棋玩家来说，这个问题并不难想象
I mean for checkers it's not too hard to imagine
你可以列举出不同种类的...比如
that you could kind of enumerate like depending on different kinds of
对手的棋子离你的棋子有多远
how far away the opponent's pieces from your piece
在相应情况你应该怎么做
what should you do in that situation
如何等待，这个代价很高，那是一种激进的策略，等等
and how should you wait, this is expensive, that is an aggressive strategy, bla bla bla
但对于图片识别而言就没有那么清楚了
not at all obvious how you would do that for image recognition
我们真正想要的是在这里面的一些函数
so what we really want is some function in here
这些函数非常灵活以至于
which is so flexible
存在一个权值集合能够帮助模型做任何事
that there's a set of weights that could cause it to do anything
就像世界上最为灵活的函数一样
are real like the world's most flexible possible function
事实表明这类函数是存在的
and it turns out that there is such a thing
它就是神经网络
it's a neural network
在接下来的课程中，我们将准确的描述神经网络的数学函数
so we'll be describing exactly what that mathematical function is in the coming lessons
如果只是使用它，表达式其实并没那么重要
to use it, actually doesn't really matter
这个数学函数
but the mathematical function is

Bulgarian: 
Имам предвид, че за шашките
не е толкова трудно да си представим как може един вид да изброите, в зависимост от различни
видове „колко далеч е парчето на противника“, "какво трябва да направите
в тази ситуация",
"как трябва да претеглиш защитните спрямо агресивните стратегии" и други.
Изобщо не е очевидно, как трябва да се направи това при разпознаване на изображения.
Затова това, от което се нуждаем, е някаква функция за тук, която да е толкова гъвкава, че има
множество тегла, които могат да я накарат да направи всичко.
Най-гъвкавата възможна функция в света. Оказва се, че има такова 
нещо.
Това е невронната мрежа.
Ще опишем точно каква е тази математическа функция в следващите уроци.
За да я използваме реално, няма значение каква математическа функция е тя.

Tamil: 
செக்கர்ஸ் விளையாட்டைப் பொறுத்தவரை, நீங்கள் எவ்வாறு கணக்கிட முடியும் என்பதை கற்பனை செய்வது மிகவும் கடினம் அல்ல
பல்வேறு  விஷயங்கள் அதாவது - உங்கள் துண்டுகளிலிருந்து எதிரியின் துண்டுகள் எவ்வளவு தொலைவில் உள்ளன. அந்த சூழ்நிலையில் நீங்கள் என்ன செய்ய வேண்டும்?
தாக்குதல் அல்லது ஆக்கிரமிப்பு உத்திகளை நீங்கள் எவ்வாறு எடைபோட வேண்டும்? இத்தியாடிகளை -  பொறுத்து
பட அடையாளத்திற்காக நீங்கள் அதை இப்படி செய்யவேண்டும் என்பது தெளிவாகத் தெரிகிறது.
நாம் உண்மையில் இங்கே விரும்புவது நெகிழ்வான ஒரு செயல்பாடுடன்,
எதையும் செய்யக் கூடிய எடைகளின் தொகுப்பு
உலகின் மிகவும் நெகிழ்வான சாத்தியமான செயல்பாடாக இருக்கவேண்டும். உண்மையில் அத்தகைய செயல்பாடு இருப்பதாக தெரிகிறது
அதுதான் நரம்பியல் வலையமைப்பு.
வரவிருக்கும் பாடங்களில் அந்த கணித செயல்பாடு என்ன என்பதை சரியாக விவரிப்போம்
அதைப் பயன்படுத்த, கணித செயல்பாடு என்ன என்பதை அறிவது உண்மையில் தேவையில்லை. இது ஒரு
அதாவது

English: 
I mean for checkers
It's not too hard to imagine how you could
kind of enumerate, depending on different
kinds of “how far away the opponent's piece
is from your piece,” what should you do
in that situation.
How should you weigh defensive versus aggressive
strategies, blah blah blah.
Not at all obvious how you do that for image
recognition.
So what we really want, is some function in
here which is so flexible that there is a
set of weights that could cause it to do anything.
A real--like the world's most flexible possible
function--and turns out that there is such
a thing.
It's a neural network.
So we'll be describing exactly what that mathematical
function is in the coming lessons.
To use it, it actually doesn't really matter
what the mathematical function is.

Japanese: 
チェッカーの場合
「相手の駒が自分の駒からどれくらい離れているか」に応じて、
その状況で何をすべきかを列挙することは想像に難くありません。
どのように防御的な戦略と攻撃的な戦略を比較するべきか、などなど。
しかし画像認識のためにどうするのか、全く明らかではありません。
私たちが本当に必要としているのは
ここのモデルに含まれる非常に柔軟な関数と、
それを如何様にも機能させる重みです。
本物の...世界で最も柔軟性のある関数のような...
そんなものがあることがわかりました。
それはニューラルネットワークです。
今後の授業で，その正確な数式を説明していきます。
しかし，ニューラルネットワークを使うためには、その数学的な関数が
何であるかは、実際には重要ではありません。

English: 
It's a function which is, we say, “parameterised”
by some set of weights by which I mean, as
I give it a different set of weights it does
a different task, and it can actually do any
possible task: something called the universal
approximation theorem tells us that mathematically
provably, this functional form can solve any
problem that is solvable to any level of accuracy.
If you just find the right set of weights.
Which is kind of restating what we described
earlier in that, like, how do we deal with
Minsky (the Marvin Minsky) problem so neural
networks are so flexible that if you could
find the right set of weights they can solve
any problem including “Is this a car or
is this dog.”
So that means you need to focus your effort
on the process of training that is finding
good weights, good weight assignments to use
Samuel's terminology.
So how do you do that?

Chinese: 
这是由一组权重集合参数化的函数
it's a function which is we say parameterised by some set of weights
我的意思是
by which I mean is
如果给它不同的权值
as I give it a different set of weights
它会执行不同的任务
it does a different task
它实际上可以完成任何可能的任务
and it can actually do any possible task
万能近似理论
something called the universal approximation theorem
告诉我们从数学上可以证明
tells us that mathematically provably
这种函数形式能够求解任何在任意一个精确度水平上可解的问题
this functional form can solve any problem that is solvable to any level of accuracy
只要找到正确的权值集合
if you just find the right set of weights
这有点像在重申我们之前描述的
which is kind of restating what we described earlier
比如我们如何去处理Marvin Minsky问题
in that like oh how do we deal with the Marvin Minsky problem
神经网络如此地灵活
so neural networks are so flexible that
如果可以找到正确的权值集合
if you could find the right set of weights
他们可以解决任何问题包括
they can solve any problem including
这幅图片是猫还是狗
is this a cat or is it a dog
这意味着你需要把精力集中在训练模型的过程中
so that means you need to focus your effort on the process of training them
也就是找到好的权值
that is finding good weights,
或者按照Samuels的术语说，好的权重分配
good weight assignments, to use Samuels' terminology
怎么做到这一点呢
so how do you do that

Tamil: 
சில எடைகள் மூலம் அளவுரு செயல்பாடு, அதாவது, வேறுபட்ட எடைகளை கொடுக்கும்போது
வேறுபட்ட பணிகளை செய்கிறது
அது உண்மையில்
எப்படிப்பட்ட
பணியையும் செய்ய முடியும். உலகளாவிய தோராய தேற்றம் என்ன சொல்கிறதுஎன்றால், கணித ரீதியாக நிரூபிக்கக்கூடிய
செயல்பாட்டு வடிவம், எந்த பிரச்சனையையும், எந்த அளவிலான துல்லியத்திற்கும் தீர்க்க முடியும்
சரியான எடைகளை கண்டுபிடிக்கும் பட்சத்தில்
இது நாம் மார்வின் மின்ஸ்கி பிரச்சினையை எவ்வாறு கையாள்வது, என்று முன்னர் விவரித்ததை மீண்டும் கூறுவது போல உள்ளது.
அதனால்
நரம்பியல் வலையமைப்புகுகள் மிகவும் நெகிழ்வானவை, உங்களால் சரியான எடைகளைக் கண்டுபிடிக்க முடிந்தால்,
இது பூனை-யா அல்லது நாய்-யா  உள்ளிட்ட எந்தவொரு பிரச்சினையையும் அதன்மூலம் தீர்க்க முடியும்.
அதாவது, உங்கள் முயற்சிகளை அதை பயிற்றுவிக்கும் பணியில் கவனம் செலுத்த வேண்டும். அதாவது
நல்ல எடை ஒதுக்கீடுகள் கிடைக்கும் வழிகளைக் கண்டுபிடிக்க வேண்டும் - சாமுவேல்ஸ் சொற்களின்படி
நாம் அதை எப்படி செய்வது?

Japanese: 
これは、我々が言うところの重みで「パラメータ化」された関数であり、
もし重みを変えれば、異なるタスクを実行し、
実際にはあらゆるタスクを実行するできます。
普遍性定理と呼ばれるものは、
この関数の形は、正しい重みを見つければ，任意の精度で
あらゆる問題を解けると数学的に証明しています。
これは以前にミンスキー（マービン・ミンスキー）問題の対処方法に関して
述べたことを言い換えてるようなものです。
ニューラルネットワークは非常に柔軟性があるので，正しい重みを見つけることができれば
「これは猫か犬か」などの問題に答えられます。
つまり、（モデルの）訓練に力を注ぐ必要があります。
良い重み，これはサミュエルの言い方ですが，を見つけて、それらの適切な配分を見つけることです。
どうすれば良いのでしょうか？

Spanish: 
y si le doy un conjunto diferente de pesos, realiza una tarea diferente. Realmente puede hacer cualquier
tarea diferente
Puede realizar
cualquier
tarea posible: algo llamado "el teorema de aproximación universal" que prueba matemáticamete
que esta función puede resolver cualquier problema soluble hasta cualquier nivel de exactitud.
Si sólo encuentras el conjunto correcto de pesos.
Que es una forma de reafirmar lo descripto anteriormente sobre cómo lidiar con
el problema de Minsky (Marvin Minksy).
Las redes neuronales son tan flexibles que si pudieras encontrar el conjunto correcto de pesos pueden resolver
cualquier problema incluyendo "¿es esto un gato o es un perro?"
Esto implica que tienes que focalizar tus esfuerzos en el proceso de entrenamiento. Es decir, encontrar
una buena asignación de pesos, usando la terminología de Samuel.
¿Asi que, como haces eso?

Bulgarian: 
Това е функция, която, казваме, е „параметризирана“
под някакъв набор от тегла, с което имам предвид,
че като давам различни набори тегла, тя изпълнява различни задачи и на практика може да изпълни всяка
възможна задача. Така наречената теорема за универсалното приближение ни казва, че математически доказуемо 
тази функция може да реши всеки проблем, който е решим, с произволно ниво на точност.
Само ако намерите правилния набор от тегловни коефициенти.
Което е вид преформулиране на описаното по-рано в това как се справяме с
проблема на Мински (Марвин Мински). И така, невронните мрежи са толкова гъвкави, че ако може
да намерите правилния набор от коефициенти, те могат да решат всеки проблем, включително "Това котка ли е
или е куче?"
Така че това означава, че трябва да насочите усилията си към процеса на обучение, т.е. намиране
на добри тегла или присвояване на добри тегла по терминологията на Самуел. 
И как го правите това?

Spanish: 
Queremos una forma completamente general
para hacer
Esto. Actualizar los pesos
basado en una alguna medida de la performance, como cuan bueno es para distinguir gatos vs. perros.
Resulta que, por suerte, ¡esa cosa existe!
Y esa cosa es llamada descenso de gradiente estocástico (SGD siglas en inglés) Veremos cómo funciona.
Construiremos una nosotros mismo desde cero. Pero por ahora no nos preocupemos de ello. Eso sí, te diré
ni el SGD ni las redes neuronales son matemáticamente complejas. Son casi todas sumas y productos.
El truco es que hace muchas de ellas, como miles de millones,
muchas mas de las que intuitivamente podríamos entender. Pueden hacer cosas realmente poderosas.
No es ingeniería de cohetes. No son nada complicadas y veremos exactamente cómo funcionan.

Chinese: 
我们希望找到一个完全通用的方法来达到这一目的
we want a completely general way to do this
在某种性能度量的基础上对权值进行更新
to update the weights based on some measure of performance
比如区分猫和狗的效果
such as how good is it at recognizing cats versus dogs
幸运地是这种通用的方法是存在的
and luckily it turns out such a thing exists
它被叫作随机梯度下降或者简写为SGD
and that thing is called it stochastic gradient descent or SGD
我们来看看它的工作原理
again, we'll look at exactly how it works
后面我们将会从头开始构建这个算法
we'll build it from ourselves and scratch
但现在我们暂时不用担心它
but for now we don't have to worry about it
我会告诉你们
I will tell you this out
无论是SGD还是神经网络在数学表达上都不复杂
neither the SGD nor neural nets are at all mathematically complex
它们基本上完全是由加法和乘法构成
they nearly entirely are addition and multiplication
难点在于, 这些运算会执行非常多次
the trick is, it just does a lot of them
比如有数十亿次
like billions of them
超出我们可以直观地掌握的范围
so many more than we can like intuitively grasp
以至于完成非常复杂的工作
that they can do extraordinarily powerful things
但它们完全没有航天科技这么复杂
but they're not rocket science at all
它们并不复杂，我们后面会准确的了解它们的工作原理
they're not complex things and we'll see exactly how they work

Tamil: 
எடைகளைப் புதுப்பிக்க முற்றிலும் பொதுவான வழியை நமக்கு தேவை
இது செயல்திறனின் சில அளவை அடிப்படையாகக் கொண்டதாக இருக்கவேண்டும். உதாரணமாக  நாய்களையும் பூனைகளையும் அடையாளம்காண்பதில் எவ்வளவு சிறந்ததாக இருக்கிறது என்பதில்.
அதிர்ஷ்டவசமாக, இது போன்ற ஒரு விஷயம் இருக்கிறது
இதன் பெயர் - தோராயமான சாய்வு இறக்கம் (SGD). இது எவ்வாறு இயங்குகிறது என்பதை பிறகுப் பார்ப்போம்
அதை நாம் புதிதாக உருவாக்குவோம். ஆனால் இப்போதைக்கு நாம் இதைப் பற்றி கவலைப்பட வேண்டியதில்லை. ஆனால் நான் இதை மட்டும் சொல்வேன்
எஸ்ஜிடி அல்லது நரம்பியல் வலையமைப்புகள் கணித ரீதியாக சிக்கலானவை அல்ல. அவை கிட்டத்தட்ட கூட்டல் மற்றும் பெருக்கலை கொண்டதாகும்.
இதன் தந்திரம் என்னவென்றால், அது அதிகமாக உள்ளன, கிட்டத்தட்ட பில்லியன் கணக்கில் உள்ளன
நாம் உள்ளுணர்வாக புரிந்துகொள்ளக்கூடியதை விட அதிகமானது. மற்றும் அவை அசாதாரணமான சக்திவாய்ந்த காரியங்களைச் செய்ய கூடியவை. ஆனால் அவை
அவைகள் ஏவிகணையின் அறிவியல் போல அல்ல. அவை சிக்கலான விஷயங்கள் அல்ல, அவை எவ்வாறு செயல்படுகின்றன என்பதை நாம் பார்ப்போம்

Bulgarian: 
Искаме напълно общ начин да правим това, да променяме теглата въз основа на някаква мярка за
качеството на работа, като например колко е добър в разпознаване на котки спрямо кучета.
За наше щастие, оказва се, че такова нещо съществува!
И това нещо се нарича stochastic gradient descent или SGD (стохастично градиентно спускане).
Отново ще видим точно как това работи, ще го създадем сами от нулата, но
засега няма нужда да се тревожим за това.
Само ще ви кажа, че и SGD, и невронните мрежи изобщо не са 
математически сложни.
Те са почти изцяло сумирания и умножения.
Номерът е, че имаме много от тях - милиарди от тях, много повече, отколкото интуитивно можем
да възприемем.
Могат да правят изключителни неща, но не са ракетна наука.
Не са сложни неща и ще видим точно как работят.

English: 
We want a completely general way to do this--to
update the weights based on some measure of
performance, such as how good is it at recognising
cats versus dogs.
And luckily it turns out such a thing exists!
And that thing is called stochastic gradient
descent (or SGD).
Again, we'll look at exactly how it works,
we'll build it ourselves from scratch, but
for now we don't have to worry about it.
I will tell you this, though, neither SGD
nor neural nets are at all mathematically
complex.
They nearly entirely are addition and multiplication.
The trick is it just a lot of them--like billions
of them--so many more than we can intuitively
grasp.
They can do extraordinarily powerful things,
but they're not rocket science at all.
They are not complex things, and we will see
exactly how they work.

Japanese: 
これを行うには、完全に一般的な方法が必要です。
例えば、猫と犬の認識がどれくらい優れているかというような、
パフォーマンスに基づいて重みを更新することです。
そして幸運なことに、そのような方法が存在することが判明しました！
その方法とは、確率的勾配降下法、あるいは
SGDと呼ばれています。
今後，実際にSGDがどのように動作するのかを確認し、
スクラッチで作成しますが、
今のところは心配する必要はありません。
これだけは言っておきますが、SGDも
ニューラルネットも数学的には全く複雑ではありません。
ほとんど足し算と掛け算だけです。
トリックは、足し算と掛け算を、数十億，いやそれより多く、
私たちが直感的に把握できるより多く行うことによって、極めて強力なことができるのです。
でもそれはロケットサイエンスのように複雑ではありませんし，
それらがどのように動くのかをしっかり確認します。

English: 
So that's the Arthur Samuel version, right?
Nowadays we don't use quite the same terminology,
but we use exactly the same idea.
So that function that sits in the middle,
we call an architecture.
An architecture is the function that we're
adjusting the weights to get it to do something.
That's the architecture, that's the functional
form of the model.
Sometimes people say model to mean architecture,
so don't let that confuse you too much.
But, really the right word is architecture.
We don't call them weights; we call them parameters.
Weights has a specific meaning- it's quite
a particular kind of parameter.
The things that come out of the model, the
architecture with the parameters, we call
them predictions.
The predictions are based on two kinds of
inputs: independent variables that's the data,

Japanese: 
ここまでがアーサー・サミュエル版です。
今日では、用語は異なりますが、全く同じ考えを使っています。
真ん中にあるの関数を
アーキテクチャと呼びます。
アーキテクチャは重みを調整することで何かしらのタスクを
適切に処理するようになる関数です。
それがアーキテクチャーであり、モデルの関数形です。
時々、人々は「モデル」をアーキテクチャーを意味するように使うことがありますが、
そのせいであまり混乱しないようにしてください。
しかし、本当に正しい言葉はアーキテクチャーです。
私たちはそれらを「重み」とは呼ばず、「パラメータ」と呼んでいます。
重みには特定の意味があり、非常に特殊な種類のパラメータです。
モデルから出てくるもの、つまりパラメータを持つ
アーキテクチャの出力を、
私たちは予測と呼んでいます。
予測は2種類の入力に基づいています。
データである独立変数 (猫や犬の写真のようなもの)

Chinese: 
这就是Samuel设计程序的最初版本
right,so that's the Alpha Samuel version,right?
现在我们不再使用相同的术语
nowadays we don't use quite the same terminology
但思想是一样的
but we use exactly the same idea
对于位于中间方格里的函数
so that function that sits in the middle
我们称之为架构
we call an architecture
架构就是我们调整权重来完成一些任务的函数
and an architecture is the function that we're adjusting the weights to get it to do something
这就是它的架构，也就是这个模型的函数形式
so that's the architecture. that's the functional form of the model
有时候大家说模型时指的就是架构
sometimes people say model to mean architecture
所以不要被它所迷惑了
so don't let that confuse you too much
但事实上架构才是正确的词
but really the right word is architecture
我们不称它们为权重，而是称之为参数
we don't call them weights. we call them parameters
权重这个词有特定的含义
weights has a specific meaning
它是一种参数
it's quite an object like a kind of parameter
从模型或者有权重的架构中输出的东西
the things that come out of the model, the architecture with the parameters
我们称之为预测
we call them predictions
预测基于两类输入或者自变量
and the predictions are based on two kinds of inputs, independent variables
一类是数据，比如猫和狗的图片
that's the data like the pictures of the cats and dogs

Spanish: 
Esa es la versión de Arthur Samuel, ¿correcto?
Actualmente, no usamos esa terminología pero usamos exactamente es misma idea.
Así que
esa función que se encuentra en el medio,
llamamos arquitectura. Una arquitectura es la función que estamos ajustando los pesos para que haga algo.
Esa es la arquitectura, esa es la forma funcional del modelo
A veces la gente dice que el modelo significa arquitectura, así que no dejes que eso te confunda demasiado. Pero, realmente la palabra correcta es arquitectura.
No los llamamos pesas; los llamamos parámetros.
Pesos tiene un significado específico: es un tipo de parámetro bastante particular.
Las cosas que salen del modelo, la arquitectura con los parámetros, las llamamos predicciones.
 
Las predicciones se basan en dos tipos de entradas: variables independientes que son los datos

Tamil: 
எனவே இதுதான் ஆர்தர் சாமுவேலின் பதிப்பு
இன்று , நாம் அதே சொற்களைப் பயன்படுத்தவில்லை. ஆனால் அதே கருத்தைத்தான் பயன்படுத்துகிறோம்
அதனால்
நடுவில் அமர்ந்திருக்கும் அந்த செயல்பாடை நாம்
கட்டடமைப்பு என்று அழைக்கிறோம். மற்றும் கட்டடமைப்பு என்பது எடைகளை சரிசெய்து, சில பணிகளை செய்ய பயன்படும் செயல்பாடு.
எனவே அது கட்டடமைப்பு. அது மாதிரியின் செயல்பாட்டு வடிவம். சில நேரங்களில் மக்கள் மாதிரியை
கட்டடமைப்பை குறிப்பிட பயன்படுத்துவார்கள், அதனால் அதிகம் குழப்பிட வேண்டாம், உண்மையில் சரியான சொல் 'கட்டடமைப்பு'
நாம் இதை எடைகள் என்று சொல்லாமல் அளவுருக்கள் என்று அழைக்கிறோம்
எடைகள் ஒரு குறிப்பிட்ட பொருளைக் கொண்டுள்ளன. அவை ஒரு குறிப்பிட்ட வகையான அளவுரு
மாதிரியிலிருந்து ( அளவுருக்கள் கொண்ட கட்டடமைப்பு)  வெளிவரும் விஷயங்கள்,நாம் கணிப்புகளை அழைக்கிறோம்
கணிப்புகள் இரண்டு வகையான உள்ளீடுகளை அடிப்படையாகக் கொண்டவை
சார்பற்ற மாறிகள் - அதுதான் தரவு. பூனைகள் மற்றும் நாய்களின் படங்கள் போல

Bulgarian: 
Това е версията на Артур Самуел.
В наши дни не използваме точно същата терминология, но използваме съвсем същата идея.
Функцията, която се намира по средата,
наричаме я архитектура.
Архитектура е функцията, чиито коефициенти настройваме, за да я накараме да върши нещо.
Това е архитектурата, това е функционалната форма на модела.
Понякога хората казват модел и имат предвид архитектура, така че не позволявайте това да ви обърка особено.
Но правилната дума е архитектура.
Не ги наричаме тегла (тегловни коефициенти), наричаме ги параметри.
Теглата имат специално значение, това са особен вид параметри.
Нещата, които излизат от модела, архитектурата с параметрите, наричаме ги
прогнози (predictions).
Прогнозите се базират на два вида входна информация (inputs): независимите променливи, това са данните,

Japanese: 
そしてラベルとして知られている従属変数
これは「これは猫です」「これは犬です」といったもので、
これが入力です。
そして、結果は予測です。
アーサー・サミュエルの言葉を借りれば、
パフォーマンスの尺度は、損失と呼ばれています。
損失は予測値とラベルから 計算されます。
そして、パラメータの更新があります。
さて、これは先ほどの図と同じですが、
今日使う言葉を入れてみました。
私が「これがモデルを作成するためにこのアーキテクチャで
使用されているパラメータだ」と言った時、
もし忘れてしまった場合は、もう一度この図に戻って、
それらの意味を思い出してみてください。
パラメータとは何か？
予測値とは？
損失とは何か？
損失とはをパラメータを更新できるような方法でモデルのパフォーマンスを
測定する関数の損失です。

Spanish: 
como las imágenes de los gatos y los perros, y variables dependientes también conocidas como etiquetas,
que es como lo que dice "esto es un gato", "esto es un perro "," esto es un gato ". Entonces, esas son sus entradas.
Entonces, los resultados son predicciones.
La medida del rendimiento, para usar la palabra de Arthur Samuel, se conoce como la pérdida.
Known as the loss
Entonces, la pérdida se calcula a partir de las etiquetas en las predicciones
y luego está la actualización de los parámetros.
Bien, entonces, esta es la misma imagen que vimos, pero simplemente poniendo las palabras que usamos hoy.
Entonces, esta imagen, si se olvida, si digo que estos son los parámetros utilizados
para esta arquitectura para crear un modelo, puede regresar y recordar lo que significan.
¿Cuáles son los parámetros? ¿Cuáles son las predicciones? ¿Cuál es la pérdida?
De acuerdo, la pérdida de alguna función que mide el rendimiento del modelo de tal manera que podamos actualizar los parámetros.
Entonces,

Bulgarian: 
като снимките на котки и кучета, и зависими променливи, още известни като етикети (labels),
което е нещото, казващо ни "това е котка", "това е куче", "това е
котка".
Това ви е входът.
Резултатите са прогнозите.
Мярката за качество на работа, използвайки думите на Артур Самуел, е известна като загуба (loss).
Загубата се изчислява от етикетите и от прогнозите и след това има
актуализиране в обратна посока към параметрите.
Това е същата схема, която вече видяхме, но са сложени думите, които ще използваме
в наши дни.
И така, тази картина, ако сте забравили, това са параметрите, използвани
за тази архитектура да създаде модел, може да се върнете и да си припомните какво означават.
Какво са параметрите (parameters)?
Какво са прогнозите (predictions)?
Какво е загубата (loss)?
Загубата е някаква функция, коя измерва работата на модела по такъв начин, 
че можем да актуализираме параметрите.

English: 
like the pictures of the cats and dogs, and
dependent variables also known as labels,
which is like the thing saying “this is
a cat”, “this is a dog”, “this is
a cat”.
So, that's your inputs.
So, the results are predictions.
The measure of performance, to use Arthur
Samuel's word, is known as the loss.
So, the loss is being calculated from the
labels on the predictions and then there's
the update back to the parameters.
Okay, so, this is the same picture as we saw,
but just putting in the words that we use
today.
So, this picture- if you forget, if I say
these are the parameters of this used for
this architecture to create a model- you can
go back and remind yourself what they mean.
What are the parameters?
What are the predictions?
What is the loss?
Okay, the loss of some function that measures
the performance of the model in such a way
that we can update the parameters.

Tamil: 
மற்றும் சார்புடைமாறிகள், சிட்டைகள் என்றும் அழைக்கப்படுகின்றன, இது விஷயங்களுக்கு பெயரிடுவது போன்றது. இது ஒரு பூனை. இது ஒரு நாய். என்பதுபோல
அதுதான் நம் உள்ளீடுகள்
முடிவுகள்தான் கணிப்புகள்
செயல்திறன் அளவு என்பதை - ஆர்தர் சாமுவேல்ஸின் சொற்களின்படி  -
இழப்பு என்று அழைக்கிறோம்
இழப்பு, சிட்டைகள் மற்றும் கணிப்புகளிலிருந்து கணக்கிடப்பட்டுள்ளது
பின்னர் 'அளவுருக்கள்' க்கு புதுப்பிக்கப்படுகிறது
இது நாம் பார்த்த அதே படம்தான், ஆனால் இன்று நாம் பயன்படுத்திய சொற்களை மட்டும் நிரப்புகிறோம்.
மாதிரியை உருவாக்க இந்த கட்டடமைப்பில் பயன்படுத்தப்படும் அளவுருக்கள் இவை, என்று நான் கூறும்போது நீங்கள் மறந்துவிட்டால்.
நீங்கள் திரும்பிச் சென்று நான் என்ன சொன்னேன் என்று நினைவுபடுத்திக் கொள்ளலாம்
கணிப்புகள் என்ன? அளவுருக்கள் என்ன? இழப்பு என்ன? என்பதை
இழப்பு என்பது ஒரு செயல்பாடு, இது மாதிரியின் செயல்திறனை அளவிட்டு அளவுருக்களைப் புதுப்பிக்க வேண்டி செயல்படும்
அதனால்

Chinese: 
另一类是因变量，也就是标签，比如
and dependent variables also known as labels which is like the single thing
表示这张图片代表猫或者狗
this is a cat. this is a dog this is a cat, this is a dog, this is a cat
这是输入
so that's your inputs
结果就是预测值
so the results are predictions
性能的度量用Samuels的术语来说，就是损失值
the measure of performance to use out the Samuels' word is known as the loss
损失值可以通过标签和预测值来进行计算
so the loss has been calculated from the labels and the predictions, okay?
然后损失值反向更新模型的参数
and then these the updates back to the parameters
这和我们刚才看的是同一张图
OK, so this is the same picture as we saw
只是我们把今天用到的词放上去了
but just putting in the words that we use today
这张图片，如果你们忘了
so this picture if you forget, if I say
这是模型的参数，输入到架构中构建模型
these are the parameters of this, you know, used for this architecture to create a model
你可以回顾一下，提醒自己我是什么意思
you can go back and remind yourself what did I mean
什么是参数
I mean what are the parameters
什么是预测，什么是损失
what are the predictions. what is the loss okay
损失是度量模型性能的函数
OK,the loss is some function that measures the performance of the model
通过这种方法对参数进行更新
in such a way that we can update the parameters so

Spanish: 
es importante tener en cuenta que el aprendizaje profundo y el aprendizaje automático no son mágicos, ¿vale?
El modelo solo se puede crear cuando tengas datos que le muestren ejemplos de lo que estás tratando de aprender.
Solo puede aprender a operar en los patrones que has visto en la entrada utilizada para entrenarlo,
¿vale?
Entonces, si no tenemos dibujos lineales de gatos y perros,
entonces nunca habrá una actualización de los parámetros que conforman la arquitectura,
por lo que el arquitecto y los parámetros juntos son el modelo. Entonces, decimos el modelo, eso hace que el modelo sea mejor
para predecir  dibujos lineales de gatos y perros porque simplemente, nunca recibieron esas actualizaciones de peso porque nunca recibieron esas entradas.
Tenga en cuenta también que este enfoque de aprendizaje solo crea predicciones. No te dice qué hacer al respecto.
Eso será muy importante cuando pensemos en cosas como

English: 
So, it's important to note that deep learning
and machine learning are not magic, right?
The model can only be created where you have
data showing you examples of the thing that
you're trying to learn about.
It can only learn to operate on the patterns
that you've seen in the input used to train
it, right?
So, if we don't have any line drawings of
cats and dogs, then there's never going to
be an update to the parameters that makes
the architecture and so the architect and
the parameters together is the model.
So, to say the model, that makes the model
better at predicting line drawings of cats
and dogs because they just, they never received
those weight updates because they never received
those inputs.
Notice also that this learning approach only
ever creates predictions.
It doesn't tell you what to do about it.
That's going to be very important when we
think about things like a recommendation system

Japanese: 
ここで注意しなければならないのは、ディープラーニングや
機械学習は魔法ではないということですね。
モデルは、学習しようとしていることの例を示すデータがあるところでしか
作成できません。
それは訓練に使われた入力の中で見たパターンでしか
動作を学習できないんです。
だから、猫や犬の線画像がないと
そのアーキテクチャーを作るためのパラメータの更新がないので
（アーキテクチャーとパラメータを合わせたものがモデル）
モデルが猫や犬の線画を予測するのが上手になることはありません。
それはそういう入力を受け取らなかったため、
その重みの更新を受け取らなかったからです。
また、この学習アプローチは予測値を作成するだけで
あることにも注意してください。
それに対して何をすべきかは教えてくれません。
これは、「誰かにどの製品を勧めるか」というような
レコメンデーションシステムのようなものを考えるときに

Bulgarian: 
Важно е да отбележим, че Deep Learning и машинното самообучение не са магия.
Модел може да се създаде само когато имате данни с примери с нещата, за които
се опитвате да научите. 
Моделът може да се обучи да работи само със закономерности, които сте видели във входните данни, използвани за обучението му.
Така че, ако нямаме скици на котки и кучета, тогава никога няма да има
актуализиране на параметрите, което ще направи архитектурата, по-точно архитектурата и
параметрите заедно представляват модела,
Та да кажем моделът, която ще направи модела по-добър в прогнозиране на скици на котки
и кучета, защото никога няма да има такива актуализации на теглата, защото никога не са получени
такива входни данни.
Забележете също така, че този подход за обучение създава единствено прогнози.
Не ви казва какво да правите с тях.
Това ще бъде много важно, когато мислим за неща, като система за даване на препоръки

Chinese: 
值得注意地是
it's important to note
深度学习和机器学习并不是魔术对吧
that deep learning and machine learning are not magic, right?
要建立模型必须有数据
the model can only be created where you have data
向模型展示一些能体现待学习知识的例子
showing your examples of the thing that you're trying to learn about
它只能学习
it can only learn to
在输入数据中已经出现过的模式
operate on the patterns that you've seen in the input used to train it, all right?
因此如果我们没有任何猫和狗的线描图时
so if we don't have any line drawings of cats and dogs
模型参数就不可能被更新
then there's never going to be an update to the parameters
使得架构
that makes the architecture that
结构和参数一起组成了模型
and so the architecture and the parameters together is the model so to say the model
使得模型能更好地预测猫和狗的描线图
that makes the model better at predicting line drawings of cats and dogs
因为它们没有接收到权值的更新
because they never received those weight updates
也没有接收到输入
because they've never received those inputs
还有一点要注意的是这个学习算法只是产生预测
notice also that the learning approach only ever creates predictions
它不会告诉你是如何去行动
it doesn't tell you what to do about it
这一点是非常重要的
and that's going to be very important
我们思考像推荐系统这类事务时
when we think about things like a recommendation system of like

Tamil: 
ஆழ்ந்த கற்றல் மற்றும் இயந்திர கற்றல் ஆகியவை மந்திரம் அல்ல என்பதை கவனத்தில் கொள்ள வேண்டியது அவசியம்.
நீங்கள் அறிய முயற்சிக்கும் விஷயத்தின் எடுத்துக்காட்டுகளைக் காட்டும் தரவு  இருந்தால்தான் மாதிரியை உருவாக்க முடியும்
அதைப் பயிற்றுவிக்கப் பயன்படுத்தப்படும் உள்ளீட்டில் காணப்படும் வடிவங்களில் மட்டுமே செயல்பட பயிற்றுவிக்க முடியும்
சரியா?
பூனைகள் மற்றும் நாய்களின் வரி வரைபடங்கள் நம்மிடம் இல்லை என்றால்
அளவுருக்கள் ஒருபோதும் புதுப்பிக்கப்படமாட்டாது. இதனால்
(கட்டமைப்பு மற்றும் அளவுருக்கள் சேர்ந்ததுதான் மாதிரி) பூனைகள் மற்றும் நாய்களின் வரி வரைபடங்களை, மாதிரியால்  சிறப்பாக கணிக்க முடியாது.
உள்ளீடுகள் கிடைக்காத காரணத்தினால், எடையும் புதுப்பிக்க படவில்லை
இந்த கற்றல் அணுகுமுறை எப்போதுமே கணிப்புகளை மட்டுமே உருவாக்குகிறது என்பதையும் கவனியுங்கள்
இதைப் பற்றி என்ன செய்வது என்று அது சொல்லுவதில்லை
'பரிந்துரை அமைப்பு' போன்ற விஷயங்களைப் பற்றி நாம் சிந்திக்கும்போது அது மிகவும் முக்கியமானதாக இருக்கும்

Bulgarian: 
от типа какъв продукт препоръчваме на някого.
Ами не знам, ние не правим това, нали?
Ние можем да предвидим какво ще каже някой за продукт, който сме му показали, но 
не създаваме действия.
Създаваме прогнози.
Това е супер важна разлика за разпознаване.
Не е достатъчно само да има примери за входни данни като снимки на кучета и котки.
Нищо не можем да направим без етикети.
Много често организациите казват: "Нямаме достатъчно данни."
В повечето случаи имат предвид: "Нямаме достатъчно категоризирани данни (labelled data)."
Защото, ако компанията се опитва да прави нещо с Deep Learning, често това е, защото 
се опитват да автоматизират или подобрят нещо, което вече правят.
Това означава, че по определение те имат данни за това нещо или имат начин за събиране на данни
за това нещо.
Защото те го правят,
нали?
Но често трудната част е поставянето на етикети.
Например в медицината,

English: 
of like “what product do we recommend to
somebody”?
Well, I don't know- we don't do that, right?
We can predict what somebody will say about
a product we've shown them, but we're not
creating actions.
We're creating predictions.
That's a super important difference to recognize.
It's not enough just to have examples of input
data like pictures of dogs and cats.
We can't do anything without labels.
And so very often, organisations say: “we
don't have enough data”.
Most of the time they mean: “we don't have
enough labelled data”.
Because if a company is trying to do something
with deep learning, often it's because they're
trying to automate or improve something they're
already doing.
Which means by definition they have data about
that thing or a way to capture data about
that thing.
Cus they're doing it.
Right?
But often the tricky part is labelling it.
So for example in medicine.

Tamil: 
ஒருவருக்கு எந்த பொருளை பரிந்துரைக்கிறோம் - என்பது
எனக்குத் தெரியாது. நாங்கள் அதை செய்வதில்லை
ஒரு தயாரிப்பைக் காட்டிய பிறகு யாராவது என்ன சொல்வார்கள் என்று நாம் கணிக்க முடியும், ஆனால் நாம் செயல்களை உருவாக்கவதில்லை
நாம் கணிப்புகளை உருவாக்குகிறோம். அது ஒரு மிக முக்கியமானது
அங்கீகரிக்கப்பட வேண்டிய ஒரு வேறுபாடு
நாய்கள் மற்றும் பூனைகளின் படங்கள் போன்ற உள்ளீட்டு தரவுகளின் எடுத்துக்காட்டுகள் இருந்தால் மட்டும் போதாது. சிட்டைகள் இல்லாமல்  நம்மால் எதுவும் செய்ய முடியாது
எனவே பெரும்பாலும் நிறுவனங்கள் எங்களிடம் போதுமான தரவு இல்லை என்று கூறுகின்றன
பெரும்பாலான நேரங்களில், அவர்களிடம் போதுமான பெயரிடப்பட்ட தரவு இல்லை என்று கூறுவதாக அர்த்தம்
ஏனெனில் ஒரு நிறுவனம் ஆழ்ந்த கற்றலுடன் ஏதாவது செய்ய முயற்சித்தால், பெரும்பாலும்
அவர்கள் ஏற்கனவே செய்துகொண்டிருக்கும் ஒன்றை தானியக்கமாக்க அல்லது மேம்படுத்த முயற்சிக்கிறார்கள். இதன் பொருள்,
அவர்களிடம் அந்த விஷயத்தைப் பற்றிய தரவு அல்லது அந்த விஷயத்தைப் பற்றிய தரவைப் எடுக்க, ஒரு வழி இருக்கிறது, ஏனென்றால் அவர்கள் அதை ஏற்கனவேச் செய்கிறார்கள் அல்லவா?
ஆனால் பெரும்பாலுமாக கடினமான பகுதி -
அதை பெயரிடுகிறதாகும். எனவே மருத்துவத்தில் உதாரணமாக, நீங்கள் கதிரியக்கத்திற்கான ஒரு மாதிரியை உருவாக்க முயற்சிக்கிறீர்கள் என்றால்

Chinese: 
我们要向某个人推荐什么样的产品
what product do we recommend to somebody
好吧，我们不知道。这不是我们要干的，对吧？
well I don't know we don't do that, right?
我们可以预测一个人对于一件产品的评价
we can predict what somebody will say about a product
在我们展示产品之后
after we've shown them
但我们不产生行动，我们只输出预测值
but we're not creating actions, we're creating predictions 
分辨这两者的不同点很重要
that's a super important difference to recognize
只有猫和狗的图片这样的输入样本数据是不够的
it's not enough just to have examples of input data like pictures of dogs and cats
只有数据没有标签我们还是什么都做不了
we can't do anything without labels
一些机构经常说我们没有足够的数据
and so very often organizations say we don't have enough data
大多数情况他们的意思是我们没有足够的打上标签的数据
most of the time they mean we don't have enough labeled data
因为如果一家公司打算使用深度学习做一些事情
because if a company is trying to do something with deep learning
他们往往是尝试改进已经在做的事情或者使其自动化
often it's because they're trying to automate or improve something they're already doing
也就是按照定义
which means by definition
他们已经拥有关于这件事情的数据
they have data about that thing
或者收集数据的方法，因为他们正在做这件事，对吧？
or a way to capture data about that thing, because they're doing it,right? 
往往难点就在于给数据打标签
but often the tricky part is labeling it
比如在医疗领域，如果你想建立一个放射学模型
so for example in medicine,  if you're trying to build a model for radiology

Japanese: 
非常に重要になるでしょう。
私たちはそれはわかりません。
私たちが見せた製品について誰かが何を言うか予測することはできますが、
私たちは行動を生み出しているわけではありません。
予測をしているのです。
これは非常に重要な違いです。
犬や猫の絵などの入力データの例が
あるだけでは不十分なのです。
ラベルなしでは何もできません。
企業がよく言うのは 「データが足りない」
と言うことがよくあります。
ほとんどの場合は、「ラベル付きのデータが
足りない」という意味です。
なぜなら、企業がディープラーニングを使って
何かをしようとしている場合、多くの場合、
すでに行っていることを自動化したり、
改善したりしようとしているからです。
つまり、理論的には、そのデータを持っているか、
またはそのデータを取得する方法を持っていることを意味します。
それは彼らはもうそれをやっているからです。
そうでしょう?
しかし、しばしば厄介なのは、それにラベルを付けることです。
例えば医療における

Spanish: 
un sistema de recomendación como"¿qué producto le recomendamos a alguien"?
Bueno, no sé, no hacemos eso,
Podemos predecir lo que alguien dirá sobre un producto que les hemos mostrado, pero no estamos creando acciones.
Estamos creando predicciones. Esa es una diferencia súper importante
para reconocer.
No es suficiente tener ejemplos de datos de entrada como imágenes de perros y gatos. No podemos hacer nada sin etiquetas.
Y muy a menudo, las organizaciones dicen: "no tenemos suficientes datos".
La mayoría de las veces significan: "no tenemos suficientes datos etiquetados".
Porque si una empresa está tratando de hacer algo con el aprendizaje profundo, a menudo es porque están
tratando de automatizar o mejorar algo que ya están haciendo.
Lo que significa que, por definición, tienen datos sobre esa cosa o una forma de capturar datos sobre esa cosa. Porque lo están haciendo.
Pero a menudo la parte difícil es etiquetarlo.
Así, por ejemplo, en medicina, si estás intentando de construir un modelo para radiología.

Chinese: 
你肯定可以得到很多你能想到的医学影像
you can almost certainly get lots of medical images about just about anything you can think of
但是标记它们可能是非常困难的
but it might be very hard to label them
根据肿瘤是否是恶性，脑膜瘤是否存在等
according to a malignancy of a tumor or according to whether or not meningioma is present or whatever
因为这类标签很难用结构化的方法获取
because these kinds of labels are not necessarily captured in a structured way
至少在美国的医疗系统中是这样
at least in the US medical system
这是一个会影响构建模型策略的重要的区别
so that's an important distinction that really impacts your kind of strategy here
正如PDP书里写的。模型运行在对应的环境中，对吧?
so then a model as we saw from the the PDP book. a model operates in an environment right
将它展开
you roll it out
然后用它来做一些事情
you do something with it
因此这类PDP框架的这一部分是非常重要的，对吧
and so then this piece of that kind of PDP framework is super important right
你有一个用以完成某项工作的模型
you have a model that's actually doing something
比如你构建了一个预测性的治安模型
for example you've built a predictive policing model
进行预测，而不是对动作作出推荐
that predicts, doesn't recommend actions

English: 
If you're trying to build a model for radiology.
You can almost certainly get lots of medical
images about just about anything you can think
of.
But it might be very hard to label them according
to malignancy of a tumour or according to
whether or not meningioma is present or whatever,
because these kinds of labels are not necessarily
captured in a structured way, at least in
the US medical system.
So that's an important distinction that really
impacts your kind of strategy.
So then a model, as we saw from the PDP book,
a model operates in an environment.
Right?
You roll it out and you do something with.
And so then, this piece of that kind of PDP
framework is super important.
Right?
You have a model that's actually doing something.
For example, you've built a predictive policing
model that predicts (doesn't recommend actions)

Tamil: 
நீங்கள் நினைக்கும் எதையும் பற்றியும் உங்களுக்கு நிச்சயமாக நிறைய மருத்துவ படங்களை கிடைக்கும்
ஆனால் அவற்றை பெயரிடுவது மிகவும் கடினமாக இருக்கலாம். வீரியம்படி அல்லது கட்டியின் படி அல்லது
மெனிங்கியோமா உள்ளதா இல்லையா என்றின்படி. ஏனெனில் இந்த வகையான சிட்டைகள் கட்டமைக்கப்பட்ட வழியில் கைப்பற்றப்பட்டதல்ல
அதாவது  அமெரிக்க மருத்துவ அமைப்பில் ஆட்டிப்படையில் கொண்டு
எனவே இது உங்கள் மூலோபாயத்தை பாதிக்கும் ஒரு முக்கியமான வேறுபாடாகும்
ஒரு மாதிரி என்பது , பி.டி.பி புத்தகத்திலிருந்து நாம் பார்த்தது போல. ஒரு மாதிரி என்பது
ஒரு சூழலில் இயங்குகிறது. நீங்கள் அதை விடுவித்து, பின்னர் அதோடு நீங்கள் ஏதாவது செய்கிறீர்கள்.
பி.டி.பி கட்டமைப்பின் இந்த பகுதி மிகவும் முக்கியமானது
உங்களிடம் உண்மையில் ஏதாவது செய்யும் ஒரு மாதிரி இருக்கிறது
உதாரணத்திற்கு

Spanish: 
Es casi seguro que puede obtener muchas imágenes médicas sobre casi cualquier cosa que se le ocurra,
pero podría ser muy difícil etiquetarlos según la neoplasia maligna de un tumor o según si hay
meningioma presente o no, ya que este tipo de etiquetas no se capturan necesariamente de forma estructurada
al menos en el sistema médico de los EE. UU.
Esa es una distinción importante que realmente impacta su tipo de estrategia.
Entonces, un modelo, como vimos en el libro PDP,
un modelo opera en un entorno.  Lo despliegas y haces algo con él. Así que,
esta pieza de ese tipo de marco PDP es súper importante.
Tienes un modelo que realmente está haciendo algo.
por ejemplo

Bulgarian: 
ако се опитваш да създадеш модел за радиология.
Почти сигурно можете да получите много медицински снимки за почти всичко, за което се сетите.
Но може да е много трудно да ги маркирате според злокачествеността на тумор или според това
дали има менингиом или не, или каквото и да е, защото този вид етикети не са непременно
запазени по структуриран начин, поне в медицинската система на САЩ.
Така че това е важна разлика, която наистина се отразява на вашия вид стратегия.
След това, както видяхме от книгата PDP, моделът работи в някаква среда.
Пускате го и правите нещо с нещо.
И така, тази част от PDP рамката е изключително важна.
Имате модел, който всъщност прави нещо.
Например, изградили сте прогнозиращ модел на полицейския контрол, който предвижда, не препоръчва действия, а

Japanese: 
放射線学のモデルを作成するとします。
思いつく限りのあらゆる医療画像を
入手できることはほぼ間違いないでしょう。
しかし、それらを腫瘍の悪性度や髄膜腫の有無などで
ラベル付けするのは非常に難しいかもしれません。
なぜなら、少なくとも米国の医療システムでは、
この種のラベルは必ずしも構造化された方法では捉えられていないからです。
このような違いは、戦略に大きな影響を与える重要なものです。
そしてPDPの本で見たように、モデルは環境の中で動作します。
あなたはそれを展開して、何かをするのです。
そして、並列分散処理のフレームワークの中のこの部分が
非常に重要なのです。（PDP＝Parallel Distributed Processing）
そうですよね？
実際に何かをしているモデルがあります。
例えば、どこで人を逮捕するかを予測する（行動を推奨するわけではありません）

Tamil: 
நீங்கள் ஒரு முன்கணிப்பு பொலிஸ் மாதிரியை உருவாக்கியுள்ளீர்கள். இது கணிக்கிறது ஆனால் செயல்களை பரிந்துரைப்பதில்லை. ஒரு கைது எங்கு செய்யப்படலாம் என்று அது கணிக்கிறது
இதை அமெரிக்காவில் நிறைய அதிகார வரம்புகளில் பயன்படுத்துகிறது
இது தரவுகளின் அடிப்படையில் மற்றும் பெயரிப்பட்ட தரவை அடிப்படையாகக் கொண்டது கணிக்கிறது
இந்த விஷயத்தில், இது உண்மையில் அமெரிக்காவில் பயன்படுத்தப் போகிறது. உதாரணமாக
தோலின் கருப்பு அல்லது வெள்ளை நிறமா என்பதைப் பொறுத்து. அமெரிக்காவில் கஞ்சா வைத்திருத்தல், கறுப்பின மக்கள்  வெள்ளையர்களை விட ஏழு மடங்கு அதிகமாக கைது செய்யப்படுகிறார்கள்
கஞ்சா பயன்பாட்டின் உண்மையான அடிப்படை அளவு, இரண்டு மக்கள்தொகையில் ஒரே மாதிரியாக இருந்தாலும் கூட இப்படி செய்யப்படுகிறது
எனவே நீங்கள் பக்கச்சார்பான தரவுகளுடன் தொடங்கி, ஒரு முன்கணிப்பு பொலிஸ் மாதிரியை உருவாக்கினால். அதன் கணிப்பு -
சில சார்புடைய தரவின் அடிப்படையில் - நீங்கள் 'இங்கே' கைது செய்யக்கூடிய ஒருவரை நீங்கள் காணலாம் என்று கூறும்.
எனவே சட்ட அமலாக்க அதிகாரிகள்
அந்த கணிப்புகள் சொல்லும் பகுதிகளில் தங்கள் காவல் நடவடிக்கையில் கவனம் செலுத்த முடிவு செய்யலாம்.

Spanish: 
has creado un modelo de vigilancia predictivo que predice (no recomienda acciones) que predice dónde se puede realizar un arresto.
Esto es algo que muchas jurisdicciones en los Estados Unidos están usando.
Ahora está prediciendo eso, basado en datos y en datos etiquetados.
Y en este caso, en realidad va a utilizar, en los EE. UU. por ejemplo, datos donde, creo que,
dependiendo de si eres negro o blanco, creo que los negros en los EE. UU. son arrestados algo así como siete veces más a menudo
por digamos posesión de marihuana que los blancos. A pesar de
que la cantidad real subyacente de consumo de marihuana es casi la misma en las dos poblaciones.
Entonces, si comienza con datos sesgados y crea un modelo de vigilancia predictivo,  su predicción dirá:
"oh, encontrarás a alguien a quien puedas arrestar aquí" basado en algunos datos sesgados.
Entonces, los agentes de la ley podrían decidir
centrar su actividad policial en las áreas donde están ocurriendo esas predicciones.

Bulgarian: 
предвижда къде ще бъде извършен арест.
Това е нещо, което много юрисдикции в САЩ използват.
Прогнозата е въз основа на данни и на базата на етикетирани данни.
И в този случай всъщност ще се използват
(в САЩ например) данни къде, ... мисля, че
в зависимост дали сте черен или бал, черните хора в САЩ, мисля, че са арестувани
около седем пъти по-често, примерно за притежание на марихуана, от белите,
въпреки че реалната консумация на марихуана е приблизително еднаква за двете
популации.
Така че, ако започнете с изместени данни (biased data) и изградите прогнозиращ модел на полицейския контрол,
прогнозите ще казват "ей, ще намерите някой за арестуване... тук!" на база
изкривени данни.
Затова служителите на реда могат да решат да съсредоточат полицейската си дейност върху зоните,
където се случват прогнозите.

Japanese: 
警察のような予測モデルを構築したとします。
これはアメリカの多くの管轄区域で使われているものです。
今では、データに基づいて、ラベル付けされたデータに基づいて、
それを予測しています。
この場合、例えばアメリカで実際に使われているデータは
黒人か白人かなど。アメリカの黒人は白人に比べて
マリファナ所持で逮捕される頻度が７倍くらい高いと思います。
実際のマリファナ使用量は白人と黒人でほぼ同じなのにもかかわらすです。
偏ったデータを元に取り締まり予測モデルを構築すると、
その予測はこのような偏ったデータに基づいて「ここに逮捕できる人がいるだろう」と
予測します。
そうすると、法執行機関の職員は、モデルが予測した地域に警察活動を
集中させることに決めるかもしれません。

English: 
it predicts where an arrest might be made.
This is something a lot of jurisdictions in
the US are using.
Now it's predicting that, based on data and
based on labelled data.
And in this case it's actually gonna be using
(in the US) for example data where, I think,
depending on whether you're black or white,
black people in the US, I think, get arrested
something like seven times more often for
say marijuana possession than whites.
Even though the actual underlying amount of
marijuana use is about the same in the two
populations.
So if you start with biased data and you build
a predictive policing model.
Its prediction will say: “oh you will find
somebody you can arrest here” based on some
biased data.
So then, law enforcement officers might decide
to focus their police activity on the areas
where those predictions are happening.

Chinese: 
这个模型预测犯罪可能发生的地点
it predicts where an arrest might be made
美国很多司法管辖区正在使用这样的模型
this is something a lot of jurisdictions in the u.s. are using
现在模型的预测结果是基于数据和标签数据
now it's predicting that based on data and based on label data
在这里，它将在美国被使用
and in this case it's actually going to be using in the US
比如你是黑人或者白人这样的的标签数据
for example data where I think depending on  whether you're black or white black people in the US
我想黑人因持有大麻而遭到逮捕的的几率要比白人大7倍
black people in the US I think get arrested something like seven times more often for say marijuana possession than whites
即使使用大麻的潜在人数在这两人群中基本相同
even though the actual underlying amount of marijuana use is about the same in the two populations
因此如果你从有偏差的数据开始
so if you start with biased data
然后构建一个预测性的治安模型
and you build a predictive policing model
它的预测结果会告诉你可以在这里发现应该被逮捕的人
its prediction will say oh you will find somebody you can arrest here
基于这些有偏差的数据
based on some biased data
然后执法部门可能会决定在一些区域增强警力活动
so then law enforcement officers might decide to focus their police activity on the areas
这些区域是由模型的预测指出的
where those predictions are happening

Japanese: 
その結果、そこでより多くの人を逮捕することになる。
そして、それを使ってモデルに戻す。
するとモデルは黒人居住区ではもっと多くの人を逮捕すべきだと
予測するようになり、それが繰り返されるのです。
これは、モデルが環境と相互作用する中で、どのように
正帰還フィードバックループと呼ばれるものを
作るのかの一例です。
モデルの利用増加に伴い、データはより偏ったものになり、
モデルはさらに偏ったものになります。
ですから、機械学習で注意しなければならないことの1つは、
モデルが実際にどのように使用されているかを認識し、
その結果として起こり得るかを認識することです。
これはプロキシの例であるということを伝えたいです。
なぜなら、ここでは逮捕が犯罪の代わりとして使われているからです。
ほとんどのケースで、実際に持っているデータは、

Bulgarian: 
В резултат ще намерят още хора за арестуване
и ще използват тези данни, за да захранят модела,
който сега ще установи: "ха, има още повече хора, които трябва да бъдат арестувани
в кварталите на черните", и това ще продължи.
Това е пример как моделът си взаимодейства със средата, за да създаде т.нар.
положителна обратна връзка,
при която колкото повече използваме модела, толкова по-изместени (изкривени - biased) стават данните, което прави модела дори още
по-изместен и така нататък.
И така, едно от нещата, с които трябва да сме особено внимателни при машинното самообучение, е да се разбере, 
как всъщност се използва този модел и какви неща могат да се случат в резултат
на това.
Само бих добавила, че това е пример за заместители (proxies), защото тук се използва арест
като заместител (proxy) за престъпление и мисля, че почти във всички случаи данните, които имате,

Spanish: 
Como resultado, encontrarán más personas para arrestar.
Y luego lo usarán para volver a colocarlo en el modelo. Que ahora encontrará:
"oh, hay incluso más personas a las que deberíamos arrestar en los barrios negros"
y así continúa. Entonces, este sería un ejemplo de cómo un modelo que interactúa con su entorno crea algo llamado bucle de retroalimentación positiva.
Donde más se usa un modelo, más sesgados se vuelven los datos, haciendo que el modelo sea aún más sesgado
y así sucesivamente.
Entonces, una de las cosas con las que se debe tener mucho cuidado con el aprendizaje automático es
reconociendo cómo
se está utilizando ese modelo y qué tipo de cosas podrían suceder como resultado de eso.
Solo iba a añadir que este es un ejemplo de
proxy porque aquí el arresto se está utilizando como un proxy del delito,  y creo que,
en casi todos los casos,
los datos que realmente tienes son un proxy de algún valor que realmente nos interesar.

English: 
As a result of which they'll find more people
to arrest.
And then they'll use that, to put it back
into the model.
Which will now find: “oh there's even more
people we should be arresting in the black
neighbourhoods” and thus it continues.
So this would be an example of how a model
interacting with its environment creates something
called a positive feedback loop.
Where the more a model is used, the more biased
the data becomes, making the model even more
biased and so forth.
So one of the things to be super careful about
with machine learning is; recognising how
that model is actually being used and what
kinds of things might happen as a result of
that.
I was just going to add that this is an example
of proxies because here arrest is being used
as a proxy for crime, and I think that pretty
much in all cases, the data that you actually

Tamil: 
இதன் விளைவாக அவர்கள் கைது செய்ய அதிக நபர்களைக் கண்டுபிடிப்பார்கள்
பின்னர் அவர்கள் மீண்டும் மாதிரியில் அதை கொடுக்கப் பயன்படுத்துவார்கள். அந்த மாதிரி இப்போது -
கறுப்பின சுற்றுப்புறங்களில் கைது செய்யப்பட வேண்டியவர்கள் இன்னும் அதிகம் இருக்கிறார்கள் - என்று கணிக்கும்
இதனால் இதுவே தொடர்கிறது. எனவே மாதிரிகளை உருவாக்கும்போது, அதன் சூழலுடன் தொடர்புகொண்டு, நேர்மறையான பின்னூட்ட வளையம் எனப்படும் ஒன்றை எப்படி உருவாக்குவது என்பதற்கு இது ஒரு எடுத்துக்காட்டு
மாறாக, அதிகமான மாதிரி பயன்படுத்தப்படும்போது, தரவு அதிக சார்புடையதாக மாறும்.
இது மாதிரியை இன்னும் சார்புடையதாக ஆக்குகிறது
அதனால்
இயந்திர கற்றல் குறித்து மிகவும் கவனமாக இருக்க வேண்டிய ஒன்று என்னவென்றால்
அந்த மாதிரி உண்மையில் எவ்வாறு பயன்படுத்தப்படுகிறது என்பதையும் அதன் விளைவாக என்ன வகையான விஷயங்கள் நடக்கக்கூடும் என்பதையும் அறிவது.
நான் இதை மட்டும் குறிப்பிட விரும்புகிறேன், அதாவது இது பினாமிக்கான ஒரு எடுத்துக்காட்டு
ஏனெனில் இங்கே கைது என்பது குற்றத்திற்கான பினாமியாக பயன்படுத்தப்படுகிறது. நான் என்ன நினைக்கிறேன் என்றால்
கிட்டத்தட்ட எல்லா சந்தர்ப்பங்களிலும்
உங்களிடம் உள்ள தரவு நீங்கள் உண்மையிலேயே அக்கறை கொள்ளும் சில மதிப்புகளுக்கான பினாமி ஆகும்.மேலும்,

Chinese: 
结果在这些区域他们将会发现更多需要被逮捕的人
as a result of which they'll find more people to arrest
然后他们将这些结果再反馈到模型中
and then they'll use that to put it back into the model
反馈显示在黑人社区又有更多的人应该被逮捕
which will now find oh there's even more people we should be arresting in the black neighborhoods
然后继续这个过程
and thus it continues
这是一个例子来展示建模过程与环境的交互
so this would be an example of how modeling interacting with its environment
从而创建出一个正向的反馈循环
to create something called a positive feedback loop 
模型使用的越多，数据偏差也越多
where the more a model is used, the more biased the data becomes
造成模型更加有偏差
making the model even more biased
这是第四点的内容
and so forth
机器学习中格外需要小心的一点
so one of the things to be super careful about with machine learning
是认识模型的使用方式
is recognizing how that model is actually being used
以及会造成什么样的后果
and what kinds of things might happen as a result of that
我想要补充的一点是
I was just gonna add that
这其实也是代名词的一个例子
this is also an example of proxies
因为在这里逮捕被当做犯罪的代名词
because here arrest is being used as a proxy for crime
我想在很可能在所有情况下
and I think that pretty much in all cases
实际上拥有的数据都是你真正关心的数值的一个代名词
the data that you actually have is a proxy for some value that you truly care about

Chinese: 
并且这个名词和实际值之间的区别是十分显著的
and that difference between the proxy and the actual value often ends up being significant
谢谢Rachel。这是非常重要的一点
thanks Rachel. that's a really important point
最后让我们来看看这些代码都写了什么
OK, so let's finish off by looking at what's going on with this code
我们运行的代码基本上只有1,  2，3，4，5，6行
so the code we ran is basically one two three four five six lines of code
第一行是import行
so the first line of code is an import line
在Python里要使用外部函数库
so in Python you can't use an external library
必须先将其导入
until you import from it
通常使用python，只从库中导入需要的函数和类
normally in Python people import just the functions and classes that they need from a library

Japanese: 
あなたが本当に関心のある値の代理だと思います。
そして、往々にして，プロキシと実際の値の差は大きいのです。
ありがとう、レイチェル。
本当に重要なポイントですね。
それでは最後に、このコードで何が起こっているのかを見てみましょう。
私たちが実行したコードは、基本的には、1,2,3,4,5,6行のコードです。
コードの最初の行はインポート行です。
Pythonでは、外部ライブラリをインポートしない限り、
それらを使うことはできません。
通常はライブラリから必要な関数やクラスだけをインポートします。

Bulgarian: 
са заместител на някаква стойност, която реално ви интересува.
И разликата между заместителя и действителната стойност често може да се окаже значителна.
Благодаря, Рейчъл.
Това е наистина важен момент.
Добре, нека приключим, като разгледаме какво става в този програмен код.
Кода, който изпълняваме, е... един, два, три, четири, пет, шест... реда код.
Първият ред е ред за импортиране (import).
В Python не може да използвате външна библиотека, докато не импортирате от нея.
Обикновено в Python хората импортират само тези функции и класове, които им трябват
от библиотеката.

Tamil: 
பினாமிக்கும் உண்மையான மதிப்பிற்கும் இடையிலான வேறுபாடு பெரும்பாலும் குறிப்பிடத்தக்கதாக இருக்கும்
நன்றி ரேச்சல். இது மிகவும் முக்கியமான விஷயம்
சரி, எனவே இப்போது முடிவுக்கு வரும் நிலையில் -
இந்த நிரலில் என்ன நடக்கிறது என்பதைப் பாப்போம்.  எனவே நாம் செயல்படுத்திய நிரல்
அது
அடிப்படையில். ஒன்று, இரண்டு, மூன்று, நான்கு, ஐந்து, ஆறு வரிகள் கொண்ட நிரல்.
எனவே நிரலின் முதல் வரி
இறக்குமதியை குறிக்கிறது. பைத்தானில்
இறக்குமதி செய்யமல், வெளிப்புற நூலகத்தைப் பயன்படுத்த முடியாது
பொதுவாக, பைத்தானில், மக்கள்
நூலகத்திலிருந்து தேவைப்படும், செயல்பாடுகள் மற்றும் வகுப்புகள் இறக்குமதி செய்வார்கள். ஆனால் பைதான்

English: 
have is a proxy for some value that you truly
care about.
And that difference between the proxy and
the actual value often ends up being significant.
Thanks, Rachel.
That's a really important point.
Okay, so let's finish off by looking at what's
going on with this code.
So the code we ran is, basically -- one, two,
three, four, five, six -- lines of code.
So the first line of code is an import line.
So in Python you can't use an external library
until you import from it.
Normally in place, people import just the
functions and classes that they need from
the library.

Spanish: 
Y esa diferencia entre el proxy y el valor real a menudo termina siendo significativa.
Gracias Rachel. Ese es un punto realmente importante.
Bien, terminemos mirando lo que está
pasando con este código. Entonces, el código que ejecutamos es,
 
básicamente, una, dos, tres, cuatro, cinco, seis líneas de código.
Entonces, la primera línea de código
es una línea de importación. Por lo tanto, en Python
no puedes usar una biblioteca externa hasta que importe desde ella.
Normalmente en Python, la gente importa solo
las funciones y clases que necesitan de la biblioteca. Pero Python proporciona una

Chinese: 
但Python中有一项很方便的操作可以导入一个模块中的所有东西
but Python does provide a convenient facility where you can import everything from a module
也就是在import后面加上星号
which is by putting a star there
大多数情况下这不是好办法
most of the time this is a bad idea
因为在默认情况下Python的运行方式是
because by default the way python works
如果使用import *
is that if you say import star
不是仅仅从库中导入你关注的和重要的部分
it doesn't only import the things that are interesting and important in the library you're trying to get something from
还会将库中所有的东西导入进来
but it also imports things from all the libraries
它会在所有库中使用
it used in all the libraries they used
最后可能导致命名空间的混乱
and you end up kind of exploding your namespace in horrible ways
造成各式各样的bug
and causing all kinds of bugs
因为fast.ai被设计成在包装器环境中使用
because fast AI is designed to be used in this wrapper environment
可以完成很多快速的被封装的原型构建
where you want to be able to do a lot of quick wrapped prototyping
事实上我们花了大量时间来寻找方法来避免这一问题的发生
we actually spent a lot of time figuring out how to avoid that problem
来让你安全地使用import * 语法
so that you can import star safely
所以用不用完全取决于你们自己
so whether you do this or not is entirely up to you
但请放心，你可以对fastai库使用import *
but rest assured that if you import star from a fastai library

Spanish: 
instalación conveniente donde puedes importar todo desde un módulo, que es poniendo una estrella ahí.
La mayoría de las veces, esta es una mala idea.
Porque, de manera predeterminada, la forma en que funciona Python es que si dices importar estrella, no solamente importa las cosas
que son interesantes e importantes en la biblioteca de la que estás tratando de
obtener algo. Pero también importa cosas de todas las bibliotecas que usó,
y todas las bibliotecas que usaron, y terminas explotando tu espacio de nombres
de maneras horribles y causando todo tipo de errores.
Debido a que fastai está diseñado para ser utilizado
en este entorno REPL donde desea poder realizar muchos prototipos rápidos,
pasamos mucho tiempo descubriendo cómo evitar ese problema para que pueda importar estrellas de forma segura.
Si haces esto o no, depende totalmente de ti.
Pero tenga la seguridad de que si importa una estrella desde una biblioteca fastai,

Tamil: 
ஒரு நட்சத்திரத்தை அங்கு வைப்பதன் மூலம், ஒரு தொகுதியிலிருந்து எல்லாவற்றையும் இறக்குமதி செய்ய வசதியான வசதியை வழங்குகிறது.
பெரும்பாலும் இது ஒரு மோசமான யோசனை
ஏனெனில் இயல்புநிலையாக, பைதான் செயல்படும் முறை என்னவென்றால், நீங்கள் 'இறக்குமதி நட்சத்திரம்' என்று குறிப்பிடும்போது அது
சுவாரஸ்யமான மற்றும் முக்கியமான விஷயங்களை மட்டும் இறக்குமதி செய்யமல்
அது பயன்படுத்திய அனைத்து நூலகங்களிலிருந்தும் பொருட்களை இறக்குமதி செய்கிறது
ஒன்றின்பினொன்றாக அனைத்தையும் இறக்குமதி செய்து, உங்கள் பெயர்வெளியை
பயங்கரமான வழிகள் வெடித்துவிடும் மற்றும் அனைத்து வகையான பிழைகளையும் ஏற்படுத்தும்
'ஃபாஸ்ட்-ஏஐ' யின் வடிவமைப்பு,
REPL சூழலில் பயன்படுத்த ஏற்றாற்போன்றது. நீங்கள் இதில் மிக விரைவான முன்மாதிரிகளை செய்ய விரும்புவீர்கள்.
அந்த சிக்கலை எவ்வாறு தவிர்ப்பது என்பதைக் கண்டுபிடிப்பதில் நாங்கள் நிறைய நேரம் செலவிட்டோம், இதன் மூலம் நீங்கள் பாதுகாப்பாக 'நட்சத்திரத்தை இறக்குமதி' செய்யலாம்
எனவே நீங்கள் இதைச் செய்கிறீர்களா இல்லையா என்பது முற்றிலும் உங்கள் விருப்பமே
அனால் உறுதியாக, நீங்கள் ஒரு 'ஃபாஸ்ட்-ஏஐ' நூலகத்திலிருந்து 'நட்சத்திரத்தை இறக்குமதி' செய்தால்

Bulgarian: 
Но Python предлага и удобен начин, с който може да импортирате всичко от един модул, 
който да се постави *
В повечето случаи това е лоша идея,
защото, по подразбиране, начинът, по който работи Python, е, че ако въведете import *, той не 
въвежда само нещата, които са интересни и важни от библиотеката, 
от която опитвате да вземете нещо,
но въвежда и неща от всички библиотеки, които тази библиотека използва, и от всички библиотеки, които те използват,
и накрая приключвате, взривявайки пространството на имената по ужасни начини и предизвиквайки най-различни
дефекти (бъгове).
Понеже fastai е проектирана да се използва в тази PERL среда, където искате да има възможност
да правите голямо количество бързо прототипиране, ние изразходихме много време, за да измислим
как да избегнем този проблем, така че да може да импортирате със звезда безопасно.
Дали ще правите така или не, зависи изцяло от вас.
Но това е гарантирано, че ако импортирате * от библиотека на fastai, тя е изрично

Japanese: 
しかし、Pythonはモジュールからすべてをインポートできる
便利な機能を提供していて、
これはそこに星をつけることで実現しています。
ほとんどの場合、これは悪い考えです。
なぜなら、デフォルトでは、Pythonの動作方法は、
import *　を実行した場合、
ライブラリの中であなたが使いたい重要なものだけを
インポートするのではないからです。
実際には、使用した全てのライブラリや、使用した全てのライブラリが
importしているものもimportするため、
結果的に名前空間を爆発させてしまい、多くのバグを引き起こしてしまいます。
fastaiはREPL環境で素早くプロトタイピングができるように設計されてるので、
私たちはこの問題を避けるために多くの時間を費やしました。
安全にimport * ができるように。
ですから、これをするかしないかはあなた次第です。
しかし、fastaiライブラリからimport * する場合は、

English: 
But Python does provide a convenient facility
where you can import everything from a module,
which is by putting a start there.
Most of the time, this is a bad idea.
Because, by default, the way Python works
is that if you say import star, it doesn't
only import the things that are interesting
and important in the library you're trying
to get something from.
But it also imports things from all the libraries
it used, and all the libraries they used,
and you end up kind of exploding your namespace
in horrible ways and causing all kinds of
bugs.
Because fastai is designed to be used in this
REPL environment where you want to be able
to do a lot of quick rapid prototyping, we
actually spent a lot of time figuring out
how to avoid that problem so that you can
import star safely.
So, whether you do this or not, is entirely
up to you.
But rest assured that if you import star from
a fastai library, it's actually been explicitly

Japanese: 
実際に必要な部分だけを取得できるように明示的に
設計されているので安心してください。
一つだけ言及しておきたいのは、ビデオの中で 
"fastai2"と呼ばれていることです。
その理由は収録時はプレリリース版を使っているからです。
オンライン版、MOOC版を見ている時には、2は取れているでしょう。
他にも言及しておきたいことがあります。
fastaiには今のところ
4つの定義済みアプリケーションがあり、
それはvision、text、テーブル、協調フィルタリングです。
それぞれについて、詳しく学んでいく予定です。
各アプリケーションで、例えばビジョンにしたら、
.allをインポートすることができます。
メタモデルのようなもの、と呼んでもいいかもしれませんね。
これで、一般的なvisionアプリケーションに
必要なほぼ全てがimportされます。
Jupyter NotebookのようなREPLシステムを使っていれば、
必要なものはすべてそこにあるので、戻って何が必要か調べたりする必要はありません。

English: 
designed in a way that you only get the bits
that you actually need.
One thing to mention is in the video you see
it's called “fastai2.”
That's because we're recording this video
using a prerelease version.
By the time you are watching the online, the
MOOC, version of this, the 2 will be gone.
Something else to mention is, there are, as
I speak, four main predefined applications
in fastai, being vision, text, tabular and
collaborative filtering.
We'll be learning about all of them and a
lot more.
For each one, say here's vision, you can import
from the .all, kind of meta-model, I guess
we could call it.
And that will give you all the stuff that
you need for most common vision applications.
So, if you're using a REPL system like Jupyter
notebook, it's going to give you all the stuff

Spanish: 
en realidad se ha diseñado explícitamente de manera que solo obtenga las cosas que realmente necesitas.
Una cosa para mencionar es en el video que ves que se llama "fastai2"
Esto se debe a que estamos grabando este video usando una versión preliminar. Para cuando esté viendo
la versión en línea, MOOC, de esto, los 2 se habrá ido.
Algo más que mencionar es que,
hay, mientras hablo,  cuatro aplicaciones predefinidas principales en fastai, que son la visión, el texto,
el tabular y el filtrado colaborativo. Aprenderemos sobre todos ellos y mucho más
Para cada uno, digamos aquí la visión, puede importar desde el .all metamodulo,
creo que podríamos llamarlo, y eso le dará todo lo que necesita para
las aplicaciones de visión más comunes.
Entonces, si estás utilizando un sistema REPL como el cuaderno Jupyter,
te dará todo lo que necesitas sin tener que regresar y resolverlo.

Chinese: 
它实际上被明确地设计成只中导入到实际需要的字节数据
it's actually been explicitly designed in a way that you only get the bits that you actually need 
需要提醒一点，你可以看到，这个库的名字是fastai2
one thing to mention is in the video you see it's called fastai2 
这是因为我们正在录制这段视频使用的是预发布版本
that's because we're recording this video using a pre-release version
当你在网上看到
by the time you are watching
视频的MOOC版本的时候
the online the MOOC version of this,
版本2的fastAI库已经完成了
you will have that the two will be done.
还有一点要提的是
Something else to mention is (there are)
正如我所说  fastAI中的四个主要的预定义应用
as I speak four main predefined applications in fastAI,
分别是计算机视觉  文本处理  表格和协同过滤
being vision, text, tabular and collaborative filtering,
我们将会了解到所有这些和更多的内容
will be learning about all of them and a lot more.
对于每个应用  如这里的计算机视觉
for each one say here's vision,
你可以从'.all'模块中导入
you can import from the '.all' kind of meta module,
我认为我们可以调用它
I guess we could call it
并且它将给你所有
and that will give you all the stuff
大多数计算机视觉应用所需要的库函数
that you need for most common vision applications.
如果你使用的是repo系统来放置notebook
So if you're using a repo system like to put a notebook,
它将会给你所有的东西，并且你需要的东西都在那里
it's going to give you all the stuff right there
而不需要回头再去弄清楚
that you need without having to go back and figure it out.

Bulgarian: 
проектирана по начин, че да получите само тези части, които в действителност ви трябват.
Едно нещо, което трябва да се спомене, е във видеото, което виждате, нарича се "fastai2".
Това е така, защото записваме този видеоклип, използвайки предварителна версия.
До момента, в който гледате онлайн (MOOC) версията, двойката ще е изчезнала.
Друго за отбелязване е, че в момента, в който говоря, има четири основни предварително дефинирани приложения
във fastai - изображения (vision, компютърно зрение), текст (text), таблични (tabular) и съвместно филтриране (collaborative filtering).
Ще научим за всички тях и много повече.
За всяко едно, да кажем vision, може да импортирате от .all, един вид мета-модул,
предполагам така може да го наречем.
И това ще ви даде всички неща, от които се нуждаете за най-типичните приложения с изображения.
И така, ако използвате система REPL като Jupyter notebook, това ще ви предостави всички неща,

Tamil: 
இது வெளிப்படையாக , உங்களுக்கு உண்மையில் தேவையானவற்றை மட்டுமே பெறும் வழியில் வடிவமைக்கப்பட்டுள்ளது.
இந்த வீடியோவில் குறிப்பிட வேண்டிய ஒரு விஷயம். இது 'ஃபாஸ்ட்-ஏஐ 2' என்று அழைக்கப்படுகிறது
வெளியீட்டுக்கு முந்தைய பதிப்பைப் பயன்படுத்தி இந்த வீடியோவை நாங்கள் பதிவுசெய்கிறோம் என்பதே அதற்குக் காரணம். நீங்கள் பார்த்துக்கொண்டிருக்கும் நேரத்தில்
2 என்பது போய்விடும்.
குறிப்பிட வேண்டிய இன்னொரு விஷயம்-
நான் பேசும்போது, 'ஃபாஸ்ட்-ஏஐ' இல் நான்கு முக்கிய முன் பயன்பாடுகள் உள்ளன. அவை - பார்வை, உரை,
அட்டவணை மற்றும் கூட்டு வடிகட்டுதல். நாம் இது அனைத்து பற்றியும், மேலும் பலவற்றையும் கற்றுக்கொள்வோம்.
ஒவ்வொன்றிற்கும், எடுத்துக்காட்டாக இங்கே 'பார்வை', நீங்கள் ஒரு வகையான மெட்டா தொகுதியான '.all' இலிருந்து இறக்குமதி செய்யலாம்
மேலும் இது உங்களுக்கு மிகவும் பொதுவான எல்லா விஷயங்களையும்
'பார்வை' பயன்பாடுகளுக்கு சார்ந்த பொருட்களை தரும்
எனவே நீங்கள் ஜூபைட்டர் குறிப்பேடுகள் போன்ற REPL அமைப்பைப் பயன்படுத்துகிறீர்கள் என்றால்
திரும்பிச் சென்று அதைக் கண்டுபிடிக்க தேவைப்படாமல் , உங்களுக்குத் தேவையான எல்லாவற்றையும் இங்கேயே கொடுக்கப் போகிறது

Tamil: 
இதில் உள்ள சிக்கல்களில் என்னவென்றால், நிறைய பைதான் பயனர்கள்
இல்லை
அவர்கள் 'அண்டார் டேட்டா' போன்ற ஒன்றைப் பார்த்தால், இறக்குமதி வரியைப் பார்ப்பதன் மூலம் அது எங்கிருந்து வருகிறது என்பதை அவர்கள் கண்டுபிடித்துக்கொள்வார்கள்
எனவே நீங்கள் 'நட்சத்திரத்தை இறக்குமதி' செய்தால் நீங்கள் இனி அவ்வாறு செய்ய முடியாது, ஆனால் நல்ல செய்தி என்னவென்றால், REPL இல்
நீங்கள் அப்படி செய்ய வேண்டியதில்லை. நீங்கள் உண்மையில், வெறும்
குறியீட்டைத் தட்டச்சு செய்து, 'ஷிப்ட் என்டர்' அழுத்தினால், அது
எங்கிருந்து வந்தது என்பதை அது உங்களுக்குத் தெரிவிக்கும்.இது மிகவும் எளிதானது
எனவே இந்த விஷயத்தில், எடுத்துக்காட்டாக
உண்மையில் தரவுத்தொகுப்பை உருவாக்க. நாம் 'இமேஜடடலோடர்ஸ் , பிரம் _நேம் _பங்க்' என்ரை அழைக்கிறோம்
உண்மையில், நான்
அதற்கான ஆவணங்களைப் பெற இந்த சிறப்பு 'டாக்' செயல்பாட்டை அழைக்க முடியும்
நீங்கள் பார்ப்பது போல, அது சரியாகச் சொல்வது எதுவென்றால்

Chinese: 
这其中的一个问题是
One of the issues with this
很多Python用户不知道
is a lot of Python users don't if
如果他们看的是像untar_data()这样的函数
they look at something like untar_data()
他们会通过看'import'行就知道它是哪里来的
they would figure out where it comes from by looking at the import line,
所以如果你导入所有(*)  你就不需要再这样做了
and so if you import star(*) you can't do that anymore,
但在repo系统里你不需要回看'import'行
but the good news is in a repo you don't have to,
你可以逐字输入关键字
you can literally just type the symbol,
按下shift回车  界面将准确告诉你
press shift+enter and it will tell you exactly
它来自哪里
where it came from as you can see.
超级方便
So that's super handy.
所以在这种情况下  比如说
So in this case for example
来做数据集的实际构建
to do the actual building the dataset
我们调用ImageDataLoaders.from_name_func()
we called ImageDataLoaders.from_name_func(),
而我实际上可以调用这个特殊的doc()函数
and I can actually call this special doc() function
来获取该函数的文档
to get the documentation for that,
正如你所看到的
and as you can see,
它告诉我所有需要传入的参数
it tells me exactly everything to pass in,
默认值是什么
what all the defaults are,

Spanish: 
Uno de los problemas con esto es que muchos de los usuarios de Python
no
Si miran algo como untar_data, averiguarán de dónde proviene mirando la línea de importación.
Y si importas estrella, ya no puedes hacerlo. La buena noticia, en un REPL,
no es necesario. Literalmente, simplemente puedes
escribir el símbolo, presionar MAYÚS - ENTRAR y le dirá
exactamente de dónde vino. Como puedes ver. Eso es muy útil.
Entonces, en este caso, por ejemplo,
para hacer la construcción real del conjunto de datos, llamamos ImageDataLoaders.from_name_func.
De hecho, puedo
llamar a la función doc especial para obtener la documentación para eso.
Como puedes ver, me dice exactamente

Japanese: 
これの問題点の一つは、pythonユーザーの多くが
例えばuntar_dataがどこから来ているのかを知るのに、
インポートの行を見ているのです。
しかし import * をすると、それがわからなくなってしまうのです。
でもREPLではインポート行を見る必要がありません。
調べたい記号を入力して [SHIFT - ENTER] を押すだけで、
それがどこから来たのかを正確に教えてくれます。
この通りです。
大変便利なのです。
この場合、例えば、実際にデータセットを構築するために、
ImageDataLoaders.from_name_func()を呼び出しました。
このdoc関数を使えば簡単にドキュメントを確認できます。
ご覧のように、デフォルト値を含めて全ての引数が確認できます。

Bulgarian: 
от които се нуждаете, без да се налага да се връщате назад и да го мислите.
Един от проблемите с това е, че много потребители на Python не...
Ако погледнат към нещо, като untar_data, те ще разберат откъде идва,
като погледнат на реда с import-ите.
Ако импортирате звезда, не може да правите повече така.
Добрата новина е, че в REPL това не ви е нужно.
Можете буквално да въведете символ, да натиснете SHIFT - ENTER и ще ви каже точно
откъде е дошъл.
Както виждате
и това е много удобно.
В този случай, например, за да направим изграждането на набора с данни, извикахме ImageDataLoaders.from_name_func.
Всъщност мога да извикам специалната функция doc, за да получа документацията,
и както виждате, тя ми казва точно всичко, което трябва да подам, какви са стойностите по подразбиране и

English: 
right there that you need without having to
go back and figure it out.
One of the issues with this is a lot of the
python users don't.
If they look at something like untar_data,
they would figure out where it comes from
by looking at the import line.
And so if you import star, you can't do that
anymore.
The good news, in a REPL, you don't have to.
You can literally just type the symbol, press
SHIFT - ENTER and it will tell you exactly
where it came from.
As you can see.
So that's super handy.
So in this case, for example, to do the actual
building of the dataset, we called ImageDataLoaders.from_name_func.
I can actually call the special doc function
to get the documentation for that.
As you can see, it tells me exactly everything
to pass in, what all the defaults are, and

Japanese: 
そして最も重要なことは、この [SHOW IN DOCS] は、
使用例を含む完全なドキュメントへのリンクになっています。
fastAIのドキュメントにはすべて例がついています。
さらに、それらは全てJupyter Notebookで書かれているので、
自分でコードを実行して、実際の動作や出力など確認できます。
また、ドキュメントにはたくさんのチュートリアルがあります。
例えば、visionのチュートリアルには多くのことが書かれていますが、
その1つは、レッスン１の内容をほぼカバーしています。
fastAIにはたくさんのドキュメントがあり、それを活用するのは
とても良いアイデアだと思います。
ドキュメントは完全に検索可能ですし、おそらく最も重要なことは、

Spanish: 
todo lo que debo pasar cuáles son todos los valores predeterminados y, lo más importante, no solo lo que hace, sino que SHOW IN DOCS
me muestra
me muestra la documentación completa,
incluido un ejemplo.
Todo en la documentación de fast
tiene un ejemplo y lo bueno es que:
toda la documentación está escrita en cuadernos Jupyter.
Eso significa que en realidad puedes
abrir el cuaderno Jupyter para esta documentación
y ejecutar la línea de código usted mismo y ver que realmente funciona y mirar las salidas, etc.
También en la documentación, vas a ver que hay un montón de tutoriales.
Por ejemplo, si observas el tutorial de visión, hablará de muchas cosas,
pero una de las de que hablamos es, como puedes ver en este caso,
casi el mismo tipo de cosas que realmente estamos viendo en la Lección 1 .
Por lo tanto, hay mucha documentación en fastai y aprovecharla es una muy buena idea. Se puede buscar por todo

Chinese: 
并且最重要的是它不仅显示了这个函数的用途
and most importantly not only what it does
并且在"Show in docs"中
but 'Show in Docs' pops me over
显示了完整的文档和示例
to the full documentation including an example.
fastAI文档的所有部分都有一个示例
Everything in the fastAI documentation has an example
而很酷的事情是
and the cool thing is
整个文档都是用Jupyter笔记写的
the entire documentation is written in Jupyter notebooks,
这意味着
so that means
你可以打开Jupyter笔记本来了解这个文档的内容
you can actually open the Jupyter notebook for this documentation
然后自己运行这行代码
and run the line of code yourself
看到它的实际运行了  还可以观察它的输出等等
and see it actually working and look at the outputs and so forth.
另外在文档中你可以
Also in the documentation you will
发现有很多教程
find there's a bunch of tutorials,
所以例如  如果你看一下视觉教程
so for example if you look at the vision tutorial
它会涉及到很多东西
it'll cover lots of things
但我们要讨论的一个问题是
but one of the things that we'll cover is
如你所见  在这种情况下  相当多的是
as you can see in this case, pretty much
就像我们在第一课里说的一样
the same kind of stuff we're actually looking at in Lesson one
所以有
so there's
在fastAI上有很多文档
a lot of documentations in fastAI and
大家可以好好利用
taking advantage of it it's a good idea
而且它是完全可以搜索的  而且正如我提到的那样
and it is fully searchable and as I mentioned
也许最重要的是
perhaps most importantly that

Bulgarian: 
най-важното, не само какво прави, но "show in docs" ме прехвърля към пълната документация,
включваща и пример.
Всичко в документацията на fastai има пример и готиното е, че 
цялата документация е написана в Jupyter тетрадки.
Това означава, че можете да отворите тетрадката Jupyter за този документ и сами да изпълните
съответния ред програмен код, да го видите в работа и да разгледате резултатите, и т.н.
Също така в документацията ще откриете, че има куп уроци.
Например, ако погледнете урока за vision, той ще покрива много неща, но едно
от нещата е, както виждате в случая, почти същия вид неща,
каквито гледаме в урок 1.
Така че във fastai има много документация и да се възползвате от нея е доста добра идея.
Тя е напълно достъпна за търсене и както споменах, може би най-важното, всяка една от тези 

Tamil: 
செலுத்தவேண்டிய எல்லாவற்றையும், எல்லா இயல்புநிலைகளும்.மேலும் மிக முக்கியமாக, அது என்ன செய்கிறது என்பது மட்டுமல்லாமல், "டாக்ஸில் காண்பி"யை அழுத்தும்போது
இங்கு கொண்டு செல்கிறது.
இவை முழு ஆவணங்கள் ஆகும்.
இதில் ஒரு எடுத்துக்காட்டும் உள்ளது
'ஃபாஸ்ட்-ஏஐ' இல் உள்ள அனைத்து
ஆவணங்களிலும் ஒரு எடுத்துக்காட்டு உள்ளது. மற்றும் ஆச்சரியமான விஷயம் என்னவென்றால்
முழு ஆவணங்களும் ஜூபைட்டர் குறிப்பேடுகளில் எழுதப்பட்டுள்ளன.
எனவே நீங்கள் உண்மையில்
இந்த ஆவணதிற்கான ஜூபைட்டர் குறிப்பேடுகள் திறந்து
நிரலின் வரியை நீங்களே இயக்கவும், அது செயல்படுவதைக் காணவும் மற்றும் வெளியீடுகளைப் பார்க்கவும்.
ஆவணங்களில் ஒரு சில பயிற்சிகள் இருப்பதைக் காண்பீர்கள்
உதாரணமாக, நீங்கள் 'பார்வை' பயிற்சியைப் பார்த்தால், அது நிறைய விஷயங்களை உள்ளடக்கும்
ஆனால் நாம் பார்க்கபோகும் விஷயங்களில் ஒன்று, இங்கு இருப்பதுபோல
அனைத்தும் அதே வகையான விஷயங்கள். நாம் உண்மையில் பாடம் ஒன்றை பார்க்கிறோம்
எனவே 'ஃபாஸ்ட்-ஏஐ' இல் நிறைய ஆவணங்கள் உள்ளன மற்றும் அதைப் பயன்படுத்திக் கொள்வது நல்ல யோசனையாகும், அது முழுமையாக தேடக்கூடியது

English: 
most importantly, not only what it does, but
SHOW IN DOCS pops me over to the full documentation
including an example.
Everything in the fastAI documentation has
an example and the cool thing is: the entire
documentation is written in Jupyter Notebooks.
So that means you can actually open the Jupyter
Notebook for this documentation and run the
line of code yourself and see it actually
working and look at the outputs and so forth.
Also in the documentation, you'll find that
there are a bunch of tutorials.
For example, if you look at the vision tutorial,
it will cover lots of things but one of the
things we will cover is, as you can see in
this case, pretty much the same kind of stuff
we are actually looking at in Lesson 1.
So there is a lot of documentation in fastAI
and taking advantage of it is a pretty good
idea.
It is fully searchable and as I mentioned,
perhaps most importantly, every one of these

Chinese: 
这些文件中的每一个页面
every one of these documentation pages
也是一个完全互动的Jupyter notebook文件
is also a fully interactive Jupyter notebook
所以  看了更多的这个代码
So looking through more of this code
import 后的第一行是
the first line after the import is
使用整个数据的东西
something that uses entire data
将下载一个数据集  将其解压
that will download a dataset, decompress it
并把它放在你的电脑上
and put it on your computer
如果它已经下载了  就不会再下载了
If it's already downloaded it won't download it again
如果它已经解压了
if it's already decompressed
不会再解压了
it won't decompress it again
你可以看到fastAI已经有预定义的
and as you can see fastAI already has predefined
获得一些真正有用的数据集（的途径）
access to a number of really useful datsets
如他的宠物数据集
such as his pets dataset
数据集是深度学习的一个超级重要的部分  你可以想象  它是深度学习的重要组成部分
datasets are a super important part as you can imagine of deeplearning
我们会看到很多的
we'll be seeing lots of them
而这些是通过
and these are created by
大把大把的英雄人物
lots of heroes who
基本上是花数月或数年收集数据
basically spend months or years collecting data
我们可以用它来建立这些模型
that we can use to build these models
下一步就是告诉fastAI这个数据是什么
The next step is to tell fastAI what this data is

English: 
documentation pages is also a fully interactive
Jupyter Notebook.
So, looking through more of this code, the
first line after the import is something that
uses untar_ data.
That will download a dataset, decompress it,
and put it on your computer.
If it is already downloaded, it won't download
it again.
If it is already decompressed it won't decompress
it again.
And as you can see, fastAI already has predefined
access to a number of really useful datasets.
such as this PETS dataset.
Datasets are a super important part, as you
can imagine of deep learning.
We will be seeing lots of them.
And these are created by lots of heroes (and
heroines) who basically spend months or years
collating data that we can use to build these
models.

Tamil: 
நான் குறிப்பிட்டுள்ளபடி, மிக முக்கியமாக, இந்த ஆவணங்கள் பக்கங்களில் ஒவ்வொன்றும் ஒரு முழுமையான ஊடாடும் ஜூபைட்டர் குறிப்பேடுகள் ஆகும்.
எனவே இந்த நிரலை உற்று பார்க்கும்போது
இறக்குமதியின் முதல் வரி ஒரு தரவுத்தொகுப்பைப் பதிவிறக்கும் 'அண்டார்_டேட்டா'  ஐப் பயன்படுத்தும் ஒன்று
அதைத் திறந்து உங்கள் கணினியில் வைக்கும். இது ஏற்கனவே பதிவிறக்கம் செய்யப்பட்டால் அதை மீண்டும் பதிவிறக்காது. இது ஏற்கனவே திறக்கப்பட்டுஇருந்தால்
அது மீண்டும் திறக்கப்படாது. 'ஃபாஸ்ட்-ஏஐ' யில்  ஏற்கனவே
பல பயனுள்ள தரவுத்தொகுப்புகளுக்கான முன் வரையறுக்கப்பட்ட அணுகல் உள்ளது. இந்த செல்லப்பிராணிகளின் தரவுத்தொகுப்பு போன்றவை.
தரவுத்தொகுப்புகள் ஆழ்ந்த கற்றலின் மிக முக்கியமான பகுதியாகும்
நாம் அவற்றில் நிறையவற்றைப் பார்ப்போம்,
இந்த மாதிரிகளை உருவாக்க நாம் பயன்படுத்தக்கூடிய தரவை சேகரிக்க மாதங்கள் அல்லது வருடங்கள் செலவழிக்கும் ஏராளமான ஹீரோக்களால் இவை உருவாக்கப்படுகின்றன
அடுத்த கட்டமாக, 'ஃபாஸ்ட்-ஏஐ' க்கு சொல்லவேண்டியது

Bulgarian: 
страници документация е също и напълно интерактивна Jupyter тетрадка.
И така, разглеждайки още от кода, първият ред след импортирането е нещо, което
използва untar_data.
Това ще свали набора с данни, ще го разкомпресира и ще го сложи на компютъра ви.
Ако вече е свален, няма да го свали повторно.
Ако е вече декомпресиран, няма да го декомпресира отново.
И както виждате, fastai има предварително зададен достъп до редица много полезни набори с данни,
като този набор PETS с домашни любимци.
Данните са изключително важна част от Deep Learning, както може да си представите.
Ще виждаме много такива.
Създадени са от много герои, които са прекарали месеци или години,
събирайки данни, които можем да използваме, за да създаваме модели.

Spanish: 
y, como mencioné, quizás lo más importante, cada una de estas páginas de documentación también es un cuaderno Jupyter totalmente interactivo.
Entonces, mirando más de este código,
la primera línea después de la importación es algo que usa untar_data. Eso descargará un conjunto de datos,
lo descomprimirá y lo colocará en su ordenador. Si ya está descargado, no lo volverá a descargar. Si ya está descomprimido,
no lo volverá a descomprimir. Y como puedes ver, fastai ya tiene
acceso predefinido a una serie de conjuntos de datos realmente útiles, como este conjunto de datos PETS.
Los conjuntos de datos son una parte muy importante, como se puede imaginar del aprendizaje profundo.
Vamos a ver muchos de ellos. Y estos son creados
por muchos héroes que básicamente pasan meses o años recopilando datos que podemos usar para construir estos modelos.
El siguiente paso es decirle a fastai

Japanese: 
これらのドキュメントのすべてが完全にインタラクティブな
Jupyter Notebookになっていることです。
そこで、このコードをさらに見てみると、importの後の最初の行は、
untar_dataを呼んでいます。
これはデータセットをダウンロードして、解凍して、あなたのコンピュータに置いてくれます。
すでにダウンロードされている場合は、
再度ダウンロードすることはありませんし，
解凍済みなら解凍しません。
ご覧のように、fastAIはすでに多くの有用なデータセットを定義しています。
このペットデータセットは一例です。
データセットは深層学習で想像できるように超重要です。
これからたくさんのデータセットを見ていくでしょう。
そして、これらのデータセットは多くのヒーロー（とヒロイン）によって作成され、
基本的には数ヶ月から数年かけてデータを照合し、
これらのモデルを構築するために使用することができます。
次のステップは、このデータが何であるかをfastAIに伝えることです。

Bulgarian: 
Следващата стъпка е да кажем на fastai какви са тези данни и това ще го изучаваме подробно.  
Но в случая ние основно казваме:
„Добре, съдържа изображения“ (Image...).
Съдържа изображения, които са на този път (path).
untar_data връща пътя, т.е. къде е бил декомпресиран наборът с данни
или ако е вече декомпресиран, ни казва къде е бил декомпресиран преди.
Трябва да й кажем неща, като какви изображения са на този път.
Едно от интересните неща е label_func.
Как да кажете за всеки файл дали е котка или куче?
И ако погледнете във файла със сведения (ReadMe) на оригиналния набор с данни, там се използва леко чудат
подход, който е, казват "о, всичко, където първата буква на името на файла е 
главна буква е котка".
Така са решили.
Затова тук просто създадохме малка функция, наречена is_cat, която връща първата буква,
дали е главна или не.
И казваме на fastai "така разбираш дали е котка".

Spanish: 
cuáles son estos datos y vamos a aprender mucho sobre eso. Pero en este caso, básicamente estamos diciendo, "vale, contiene imágenes".
Contiene imágenes que se encuentran en este ruta. Entonces untar_data devuelve la ruta
que es
el sitio en el que se ha descomprimido.  O si ya estaba descomprimido,
nos dice dónde se descomprimió previamente. Tenemos que decirle cosas como "vale, qué imágenes están realmente en ese ruta".
Uno de los realmente interesantes es label_func. ¿Cómo sabes,
por cada
fichero, si es gato o perro?
Y si realmente miras el README para el conjunto de datos original, usa una cosa un poco peculiar que dicen, "oh,
cualquier cosa donde la primera letra del nombre de fichero es mayúscula es un gato". Eso es lo que decidieron.
Así que creamos una pequeña función llamada is_cat que devuelve
la primera letra, sea mayúscula o no. Y le decimos a fastai que así es como se sabe si es un gato.

English: 
The next step is to tell fastAI what this
data is and we will be learning a lot about
that.
But in this case, we are basically saying,
‘okay, it contains images'.
It contains images that are in this path.
So untar_data returns the path that is whereabouts
it has been decompressed to.
Or if it is already decompressed, it tells
us where it was previously decompressed to.
We have to tell it things like ‘okay, what
images are actually in that path'.
One of the really interesting ones is label_func.
How do you tell, for each file, whether it
is a cat or a dog.
And if you actually look at the ReadME for
the original dataset, it uses a slightly quirky
thing which is they said, ‘oh, anything
where the first letter of the filename is
an uppercase is a cat'.
That's what they decided.
So we just created a little function here
called is_cat that returns the first letter,
is it uppercase or not.
And we tell fastai that's how you tell if
it's a cat.

Tamil: 
இந்த தரவு என்ன என்பது. நாங்கள் அதைப் பற்றி நிறைய கற்றுக்கொள்வோம். ஆனால் இந்த விஷயத்தில், அதில் படங்கள் உள்ளன என்று சொல்கிறோம்
இந்த பாதையின் இருப்பிடத்தில் கிடைக்கும் படங்கள் இதில் உள்ளன. எனவே 'அண்டார்_டேட்டா' பாதையைத் தருகிறது.
அதாவது
அது எங்கே திறக்கப்பட்டு உள்ளது என்ற விவரங்களும். அல்லது அது ஏற்கனவே திறக்கப்பட்டு விட்டால்
இதற்கு முன்னர் எங்கே திறக்கப்பட்டது என்று இது நமக்கு சொல்கிறது. நாம் அதற்கு  - அந்த பாதையில் உண்மையில் என்ன படங்கள் உள்ளன? போன்ற சில விஷயங்கள் சொல்லவேண்டும்.
மிகவும் சுவாரஸ்யமான ஒன்று 'லேபிள்_ பங்க்ஷேன் '. நாம் எப்படி சொல்வது
- ஒவ்வொரு
கோப்பிலும் பூனை உள்ளதா அல்லது நாய் உள்ளதா என்று ?
அசல் தரவுத்தொகுப்பிற்கான 'ரீட்மே'வை நீங்கள் படித்தால், அது சற்று நகைச்சுவையான விஷயத்தைப் பயன்படுத்துகிறது, அதாவது அவர்கள் சொல்கிறார்கள் -
கோப்பு பெயரின் முதல் எழுத்து பெரிய எழுத்தாக இருந்தால் அது பூனை. இப்படித்தான் அவர்கள் முடிவு செய்தனர்.
எனவே இங்கே 'ஐஸ்_காட்' என்று அழைக்கப்படும் ஒரு சிறிய செயல்பாட்டை உருவாக்கியுள்ளோம்
முதல் எழுத்துக்கள் ஒரு பெரிய எழுத்தா இல்லையா என்பதை இது நமக்குத் தெரிவிக்கும். நாம் ஃபாஸ்ட்-ஏஐ' க்கு - இதை வைத்துதான் பூனை என்று கண்டறியவேண்டும் - என்று சொல்கிறோம்

Japanese: 
私たちはそれについて多くのことを学んでいきます。
しかし、今回は、基本的には「これには画像が含まれている」と言っています。
このパスにある画像が含まれています。
untar_dataは解凍済みのデータのパスを返します。
あるいはすでに解凍されている場合は、
以前に解凍された場所を教えてくれます。
そのパスの中に実際にどんな画像があるのかを
説明しなくてはいけません。
本当に興味深いものに label_func があります。
ファイルごとに、それが猫なのか犬なのかを
どうやって伝えるのでしょうか。
実際にオリジナルのデータセットのREADMEを見てみると、
少し風変わりで、「ああ、ファイル名の最初の文字が
大文字のものは猫だ」ということです。
これは彼らが決めたことです。
そこで、ここにis_catという小さな関数を作って、
最初の文字が大文字かどうかを
返すようにしました。
これで猫かどうかを判断する方法をfastaiに伝えました。

Chinese: 
我们会学到很多关于这个的东西
and we'll be learning a lot about that
但在这种情况下  我们基本上是说
but in this case we're basically saying
好吧  它包含图像
okay it contains images
(它包含图像)  在此路径中
(it contains images) that are in this path
所以整个数据返回的路径是
so entire data returns the path that is
它已经被解压到的地址
where about it's been decompressed to
如果它已经解压了  它会告诉我们
if it's already decompressed it tells us
以前被解压到的地址
where it was previously decompressed to
我们必须告诉它一些事情  比如
we have to tell it things like okay what
那条路径下到底保存有什么图像
what images are actually in that path
其中一个真正有趣的是标签函数
one of the really interesting ones is label function
你怎么知道每个文件是猫还是狗
how do you tell for each file whether it's a cat or a dog
如果你真正看一下原始数据集的readme文件
and if you actually look at the readme for the original dataset
它用了一个有点怪异的东西
it uses a slightly quirky thing
就是他们说  哦
which is they said oh
凡是文件名的第一个字母
anything where the first letter of the filename
是一个大写字母就是猫咪
is an uppercase is a cat
这就是他们的决定
that's what they decided
所以我们在这里创建了一个小函数  叫做 "is cat"
so we just created a little function here called is cat that
返回第一个字母是否为大写字母
returns the first letter is an uppercase or not
我们告诉FASTAI  这就是你如何判断它是否是一只猫的依据
and we tell fastAI that's how you tell if it's a cat

English: 
We'll come back to these two in a moment.
So the next thing, now we've told it what
the data is.
We then have to create something called a
learner.
A learner is a thing that learns, it does
the training.
So you have to tell it what data to use.
Then you have to tell it what architecture
to use.
I'll be talking a lot about this in the course.
But, basically, there's a lot of predefined
neural network architectures that have certain
pros and cons.
And for computer vision, the architecture
is called ResNet.
Just a super great starting point, and so
we're just going to use a reasonably small
one of them.
So these are all predefined and set up for
you.
And then you can tell fastai what things you
want to print out as it's training.
And in this case, we're saying “oh, tell
us the error, please, as you train”.
So then we can call this really important
method called fine_tune that we'll be learning
about in the next lesson which actually does
the training.

Chinese: 
我们稍后再来说说这两点
we'll come back to these two in a moment
所以接下来的事情是  我们现在已经告诉它数据是什么了
So the next thing so now we've told it what the data is
然后  我们必须创造一些东西
we then have to create something
称为learner  learner是指会学习的东西（程序）
called a learner, a learner is the thing that learns
它要做的是训练
it does the training
所以你必须告诉它
so you have to tell it
要用什么数据  然后你必须告诉它
what data to use, then you have to tell it
使用什么架构
what architecture to use
我在课程中会讲很多关于这个问题的内容
I'll be talking a lot about this in the course
但基本上有很多
but basically there's a lot of
预定义的神经网络架构
predefined neural network architectures
有一定的利弊
that have certain pros and cons
而对于计算机视觉来说  该架构被称为ResNet
and for computer vision the architecture is called ResNet
是一个超级好的出发点
just a super great starting point
所以我们只要用一个他们中合理的小的（架构）
and so we're just going to use a reasonably small one of them
因此这些都是预置
so these are all predefined
并为你设置的
and set up for you,
然后你可以告诉fastAI
and then you can tell fastAI
你想打印出什么东西
what things you want to print out
因为它的训练和这个
as it's training and this
在这种情况下  哦  在你训练（模型）时  请告诉我们报错
in this case, oh, tells us the error please as you train
然后  我们就可以把这个真正重要的方法叫做fine-tune
so then we can call this really important method called fine-tune
我们将在下节课中学习到
that we'll be learning about in the next lesson
(fine-tune)是实际在做训练的
which actually does the training
有效百分比要做的是
valid percent does
十分重要的事情
something very important

Spanish: 
Volveremos a estos dos en un momento.
Entonces, lo siguiente, ahora le hemos dicho cuáles son los datos,
luego tenemos que crear algo llamado learner. Un learner es una cosa que
aprende, hace el entrenamiento. Entonces tienes que decirle que datos usar.
Luego tienes que decirle qué arquitectura usar.
Hablaré mucho sobre esto en el curso. Pero, básicamente, hay muchas arquitecturas de redes neuronales predefinidas
que tienen ciertas ventajas y desventajas. Y para la visión por ordenador, la arquitecturas que se llaman ResNet son un excelente punto de partida
por lo que vamos a utilizar uno razonablemente pequeño.  Por lo tanto, todos estos están
predefinidos y configurados para ti. Y luego
puedes decirle a fastai que cosas quieres imprimir durante el entrenamiento. Y en este caso,
decimos "oh, cuéntanos el error, por favor, mientras entrenas".
Entonces, podemos llamar a este método realmente importante llamado fine_tune del que estaremos aprendiendo en la próxima lección que realmente hace el entrenamiento.
valid_pct hace algo muy importante.

Tamil: 
இந்த இரண்டிற்கும் ஒரு கணத்தில் திரும்பி வருவோம்
அடுத்ததாக, இப்போது தரவு என்னவென்று சொல்லியுள்ளோம்
நாம் 'லேர்னர்' என்று அழைக்கப்படும் ஒன்றை உருவாக்க வேண்டும். 'லேர்னர்' என்பது
கற்றுக்கொள்ளக்கூடிய ஒரு பொருள். அது பயிற்றுவிக்கிறது. எனவே எந்த தரவைப் பயன்படுத்த வேண்டும் என்பதை நீங்கள் சொல்ல வேண்டும்
அடுத்ததாக எந்த கட்டமைப்பை பயன்படுத்த வேண்டும் என்பதை நீங்கள் சொல்ல வேண்டும்
நிச்சயமாக இதைப் பற்றி நான் நிறைய பேசுவேன், ஆனால் அடிப்படையில், நிறைய 'முன் வரையறுக்கப்பட்ட நரம்பியல் பிணைய கட்டமைப்புகள்' உள்ளன
அதில் சில நன்மை தீமைகள் உள்ளன. கணினி பார்வைக்கு 'ரெஸ்நெட்' என்று அழைக்கப்படும் கட்டமைப்பு, ஒரு சிறந்த தொடக்க புள்ளியாகும்.
நாம் அதன் ஒரு சிறிய மாறுபாட்டைப் பயன்படுத்தப் போகிறோம். எனவே இவை அனைத்தும்
உங்களுக்காக முன் வரையறுக்கப்பட்டுள்ளது.
பயிற்சியின் போது நீங்கள் அச்சிட விரும்பும் விஷயங்களை 'ஃபாஸ்ட்-ஏஐ'க்கு சொல்லலாம். இந்த விஷயத்தில்
இதை பயிற்றுவிக்கும்போது வரும் பிழையை, தயவுசெய்து எங்களுக்கு சொல்லுங்கள் என்று கட்டளையிடுகிறோம்
'ஃபைன்-டியூன்' என்று அழைக்கப்படும் இந்த மிக முக்கியமான முறையை நாங்கள் அழைப்போம், இதுதான் உண்மையில் பயிற்றுவிக்கச் செய்கிறது. அடுத்த பாடத்தில் இதைப் பற்றி அறிந்து கொள்வோம்.
'வேலிட்_பேர்சன்ட்' மிக முக்கியமான ஒன்றை செய்கிறது.

Bulgarian: 
Ще се върнем към тези две след малко.
И така, дотук разказахме какви са данните.
След това трябва да създадем нещо, наречено learner (изучаващ).
learner е нещо, което се учи, то прави обучението (training).
Трябва да му кажете какви данни да ползва.
След това трябва да му кажете каква архитектура да ползва.
Ще говоря много за това през курса.
Но в общи линии, съществуват много предварително зададени архитектури на невронни мрежи, които имат определени
предимства и недостатъци.
И за компютърното зрение (computer vision), архитектурата се нарича ResNet.
Просто много добра отправна точка и ние просто ще използваме една 
сравнително малка.
Така че всичко това е предварително дефинирано и настроено за вас.
И след това можете да кажете на fastai какви неща искате да се разпечатват, докато протича обучение.
В този случай казвате: "Кажете ни каква е грешката, моля, по време на обучение."
След това можем да извикаме особено важния метод, наречен fine_tune, за който ще учим
през следващия урок и който реално изпълнява обучението.

Japanese: 
この2つについては後で説明します。
データが何であるかを伝えた後に、
learnerと呼ばれるものを作らなければなりません。
learnerは
「学習するもの」です。訓練をします。
だから、どのデータを使うか教えなければなりません。
そして、どのようなアーキテクチャを使うかを
設定しなければなりません。
このコースではアーキテクチャについてたくさんお話します。
しかし、基本的には、事前に定義されたニューラルネットワークの
アーキテクチャがたくさんあり、
それぞれ長所と短所があります。
コンピュータビジョン用のアーキテクチャは
ResNetと呼ばれています。
これは非常に素晴らしい出発点で、ここでは小さめなものを
使うことにします。
これらはすべて事前に定義されていて、すぐに使えます。
そして、訓練中にプリントアウトしたいものを
fastaiに伝えることができます。
ここでは、「トレーニング中に、誤差を教えてください」と言っています。
そして、fine_tuneと呼ばれるとても重要なメソッドを呼び出すことができます。
次のレッスンで説明しますが、fine_tuneが訓練を行います。

Bulgarian: 
valid_pct прави нещо много важно -
отделя, в случая 20% от данните (пропорция 0.2), и не ги използва за обучение
на модела.
Вместо това той го използва, за да ви каже процента на грешки на модела.
И така, за определяне на тази мярка, процента грешки, при fastai винаги се използва отделената част от данните,
с която не е обучаван моделът.
Идеята е, за това ще говорим много в следващите уроци,
но основната идея е, че искаме да сме сигурни, че не получаваме прекомерно нагаждане (overfitting, преобучаване).
Нека обясня.
Прекомерното нагаждане (overfitting) изглежда така:
Да кажем, че се опитваме да направим функция, която съответства на всички тези точки.
Една добра функция ще изглежда така, нали?
Но може да подберете, даже може да напаснете много по-точно с тази функция.
Вижте, тя минава много по-близо до всички точки от другата.
Излиза, че това очевидно е по-добра функция.

Spanish: 
Agarra, en este caso,
el 20% de los datos (proporción .2) y
no lo usa para entrenar un modelo
En cambio, lo usa para decirle la tasa de error del modelo. Entonces, siempre en fastai,
esta métrica, error_rate, siempre se calculará sobre una parte de los datos con los que no se ha entrenado.
Y la idea aquí, y hablaremos mucho más sobre esto en futuras
lecciones. Pero la idea básica aquí es que queremos asegurarnos de que no estamos sobreajustando. Dejame explicar.
El sobreajuste se ve así.
Supongamos que está intentando crear una función que se ajuste a todos estos puntos.. Una buena función se vería así.
 
Pero también podrías ajustar, en realidad puedes ajustarlo con mucha más precisión con esta función.
Mira, esto va mucho más cerca de todos los puntos que este.
Entonces, esta es obviamente una mejor función. Excepto que, tan pronto como salgas de donde están los puntos, especialmente si sales de los bordes,

Chinese: 
在这种情况下  它利用20%的数据
it grabs in this case 20% of the data
点到比例  并不用于训练模型
point to proportion, and does not use it for training a model
相反  它们被用于
and instead it uses for
告诉你模型的错误率
telling you the error rate of the model
所以在FASTAI中  这就是衡量的标准
so always in fastAI this is the metric --
误差率将永远被计算为
the error rate will always be calculated
在没有经过训练的数据中的那部分数据上
on a part of the data which has not been trained with
这里的想法是
and the idea here and we'll
（我们会）在未来的课程中会有更多关于这个问题的讨论
talk a lot more about this in the future lessons
但这里的基本理念是
but the basic idea here is
我们要确保我们不至于过度拟合
we want to make sure that we're not overfitting
让我解释一下  过拟合是这样的
let me explain, overfitting looks like this
比方说  你想创建一个
let's say you're trying to create a
匹配所有这些点的函数
function that fits all these dots, right?
一个不错的函数会是这样的
a nice function would look like that,
但你也可以这样拟合  你可以
right? but (you could also fit) you can
实际上这个函数更好地拟合了这些点
actually fit it much more precisely with this function
看  这更接近于
look, this is going much closer to
所有的点
all the dots and this one is
所以这显然是一个更好的函数
right? so this is obviously a better function
除非你移到
except as soon as you get
外围  那里的点特别是
outside where the dots are especially

Japanese: 
valid_pctは非常に重要なことをします。
この場合、データの20%は、モデルの学習には使用しません。
その代わりに、モデルの誤差率を知るために使います。
したがって、常にfastaiでは、このメトリック、error_rateは
訓練されていないデータの一部で計算されます。
この考え方については、今後のレッスンで詳しく説明します。
しかし、ここでの基本的な考え方は、過学習していないことを
確認したいということです。
説明しましょう。
過学習は次のようなものです。
例えば、これらの点にフィットする関数を
作ろうとしているとしましょう。
素敵な関数はこのようになりますよね？
しかし、この関数をはより正確にフィットしています。
見てください、これはこちらよりも
はるかにすべての点に近づいています。
ですから、明らかにこちらの方が優れた関数です。

English: 
valid_pct does something very important.
It grabs, in this case, 20% of the data (.2
proportion), and does not use it for training
a model.
Instead, it uses it for telling you the error
rate of the model.
So, always in fastai this metric, error_rate,
will always be calculated on a part of the
data which has not been trained with.
And the idea here, and we'll talk a lot about
more about this in future lessons.
But the basic idea here is we want to make
sure that we're not overfitting.
Let me explain.
Overfitting looks like this.
Let's say you're trying to create a function
that fits all these dots, right.
A nice function would look like that, right.
But you could also fit, you can actually fit
it much more precisely with this function.
Look, this is going much closer to all the
dots than this one is.
So, this is obviously a better function.

Tamil: 
இந்த விஷயத்தில், இது
தரவில் 20% எடுக்கும், அதாவது 0.2 விகிதம் மற்றும்
இதை மாதிரியைப் பயிற்றுவிக்கப் பயன்படுத்துவதில்லை
அதற்கு பதிலாக, மாதிரியின் பிழை விகிதத்தை உங்களுக்குச் சொல்வதற்கு அதைப் பயன்படுத்துகிறது. எனவே எப்போதும் 'ஃபாஸ்ட்-ஏஐ'யில் இந்த
பிழை வீதம் எனப்படும் அளவீடு எப்போதுமே பயிற்சியளிக்கப்படாத தரவின் ஒரு பகுதியிலேயே கணக்கிடப்படும்.
இங்குள்ள யோசனை, எதிர்கால பாடங்களில் இதைப் பற்றி அதிகம் பேசுவோம்
இங்குள்ள அடிப்படை யோசனை என்னவென்றால், நாம் 'அதிகப்படியான பொருத்த' போவதில்லை என்பதை உறுதிசெய்வதேயாகும். விரிவாக விளக்குகிறேன் -
'அதிகப்படியான பொருத்துதல்' இப்படித்தான் இருக்கும்
இந்த எல்லா புள்ளிகளுக்கும் பொருந்தக்கூடிய ஒரு செயல்பாட்டை உருவாக்க முயற்சிக்கிறீர்கள் என்று எடுத்துக்கொள்ளலாம். ஒரு நல்ல செயல்பாடு இது போல இருக்கும்,
சரியா?
ஆனால் இந்த செயல்பாட்டுடன் நீங்கள் அதை மிகவும் துல்லியமாக பொருத்த முடியும்.
பாருங்கள், இது எல்லா புள்ளிகளுக்கும் மிக நெருக்கமாக செல்கிறது, ஆனால் அது நன்றாக இருக்கிறது.
எனவே இது வெளிப்படையாக ஒரு சிறந்த செயல்பாடு. ஆனால், நீங்கள் வெளியே வந்தவுடன், புள்ளிகள் இருக்கும் இடத்தில், குறிப்பாக நீங்கள் விளிம்புகளுக்குச் சென்றால்,

Japanese: 
ただし、点がある場所の外に出るとすぐに、特に端から外れてしまうと、
明らかに意味がありません。
これが過学習と呼ばれるものです。
過学習は様々な理由で起こります。
大きすぎるモデルを使ったり、十分なデータを使っていなかったり...
この話はこれからですね。
しかし、ディープラーニングの技術は、
適切なフィットを持つモデルを
作成することがすべてです。
モデルが適切にフィットしているかどうかを知る
唯一の方法は、
それを訓練するために使用されていないデータで
うまく機能するかどうかを見ることです。
そのため、私たちは常にデータの一部を脇に置いて、
バリデーション・セットと呼ばれるものを作成します。
バリデーション・セットは、モデルを訓練しているときには
全く触らないようにしているデータですが、
モデルが実際に機能しているかどうかを
把握するためだけに使用しています。
シルヴァンが本の中で言っていたことですが、
fastaiを勉強していて面白いことの一つは、

Tamil: 
அதில் வெளிப்படையாக எந்த அர்த்தமும் இல்லை. எனவே இதைதான் நாம்
'அதிகப்படியான பொருத்துதல்'
செயல்பாடு - என அழைக்கிறோம்
'அதிகப்படியான பொருத்துதல்' எல்லா வகையான காரணங்களுக்காகவும் நிகழ்கிறது. உதாரணமாக, நாம் ஒரு மிகப் பெரிய மாதிரியைப் பயன்படுத்தினால் / போதுமான தரவைப் பயன்படுத்தவில்லை என்றால், இது நடக்கும்.
நாங்கள் அதைப் பற்றி சரியாகப் பேசுவோம்
ஆழ்ந்த கற்றலின் கைவினை என்பது சரியான பொருத்தம் கொண்ட ஒரு மாதிரியை உருவாக்குவதாகும். மற்றும்
ஒரு மாதிரிக்கு சரியான பொருத்தம் இருக்கிறதா என்பதை அறிய ஒரே வழி, அதைப் பயிற்றுவிக்கப் பயன்படுத்தப்படாத தரவுகளில் அது சிறப்பாக செயல்படுகிறதா என்பதைப் பார்ப்பதே ஆகும்.
எனவே எப்போதும் 'சரிபார்ப்பு தொகுப்பு' எனப்படும் ஒன்றை உருவாக்க சில தரவை ஒதுக்கி வைக்கிறோம்
'சரிபார்ப்பு தொகுப்பு' என்பது ஒரு மாதிரியைப் பயிற்றுவிக்கும் போது நாம் தொடாத தரவு.
மாதிரிகள் உண்மையில் 'வேலை செய்கிறதா இல்லையா' என்பதைக் கண்டுபிடிக்க மட்டுமே இதைப் பயன்படுத்துகிறோம்.
சில்வன் புத்தகத்தில் குறிப்பிட்ட ஒரு விஷயம்,

English: 
Except, as soon as you get outside where the
dots are, especially if you go off the edges,
it's obviously doesn't make any sense.
So, this is what you'd call an overfit function.
So, overfitting happens for all kinds of reasons.
We use a model that's too big or we use not
enough data.
We'll be talking all about it, right.
But, really the craft of deep learning is
all about creating a model that has a proper
fit.
And the only way you know if a model has a
proper fit is by seeing whether it works well
on data that was not used to train it.
And so, we always set aside some of the data
to create something called a validation set.
The validation set is the data that we use
not to touch it at all when we're training
a model, but we're only using it to figure
out whether the model's actually working or
not.
One thing that Sylvain mentioned in the book,
is that one of the interesting things about

Bulgarian: 
С изключение на това, че щом излезете извън областта на точките, особено ако излезете от краищата, 
очевидно няма смисъл.
Ето това наричаме пренапасната (overfit) функция.
overfitting се получава поради най-различни причини -
използваме модел, който е прекалено голям или използваме недостатъчно данни.
Ще говорим за това.
Но в действителност занаятът Deep Learning в същината си е да се създаде модел, който е правилно 
напаснат (proper fit).
И единственият начин да разберете дали моделът е правилно напаснат, е да видите дали работи добре
с данни, които не са използвани за обучението му.
Затова винаги си оставяме настрана част от данните, за да създадем т.нар. набор за валидиране.
Наборът за валидиране са данните, които няма да пипаме изобщо при обучението 
на модела, а ще ги използваме само за да разберем дали моделът реално работи,
или не.
Едно нещо, което Sylvain спомена в книгата е..., едно от интересните неща 

Spanish: 
obviamente no tiene ningún sentido. Entonces, esto es lo que llamarías una función de
sobreajuste.
 
Entonces, el sobreajuste ocurre por todo tipo de razones: usamos un modelo que es demasiado grande o no usamos suficientes datos.
Hablaremos de eso, seguro. Pero en realidad
el arte del aprendizaje profundo se trata de crear un modelo que tenga un ajuste adecuado. Y la única forma de saber
si un modelo tiene un ajuste adecuado es ver si funciona bien en los datos que no se usaron para entrenarlo.
Por eso, siempre reservamos algunos de los datos para crear algo llamado conjunto de validación.
El conjunto de validación son los datos que utilizamos para no tocarlo en absoluto cuando estamos entrenando a un modelo,
pero solo lo estamos utilizando para determinar si el modelo realmente
funciona o no.
Una cosa que Sylvain mencionó en el libro

Chinese: 
如果你离开了边缘  它就显然
if you go off the edges, it's obviously
没有任何意义了
doesn't make any sense
这就是你所谓的过拟合函数
so this is what you'd call an overfit function
所以  过拟合是有各种原因的
so overfitting happens for all kinds of reasons
我们用的模型太大或太小了
we use a model that's too big or
使用的数据不够多
used not enough data, we'll be
我们将谈论有关它的一切
we'll be talking all about it, right?
那真的是  深度学习的技术是
that really...the, the craft of deeplearning is
一切都是为了创建一个合适的模型
all about creating a model that has a proper fit
而你知道一个模型是否合适的唯一方法
and the only way you know if a model has a proper fit
是通过看它是否
is by seeing whether it
在没有被用来训练的数据上效果很好
works well on data that was not used to train it
因此我们总是把一些数据排除在外
and so we always set aside some of the data
来创建一个叫做验证集的东西
to create something called a validation set
验证集是我们使用的数据
the validation set is the data that we use
（我们）根本不碰（这部分）数据
not to touch it at all
当我们在训练一个模型时
when we're training a model
但我们只用它来计算出
but we're only using it to figure out whether the
模型实际工作与否
models actually working or not
西尔维娅在书中提到的一件事是
One thing that Sylvia mentioned in the book is
研究FASTAI的有趣之处之一是
that one of the interesting things about studying fastAI

Japanese: 
多くの面白いプログラミングを学ぶことができるということです。
私は子供の頃からプログラミングをしていたので、
かれこれ40年くらい経ちます。
Sylvain と私は python に多くの仕事をさせ、
生産性を高め、
何年も後になっても自分のコードを理解できるような
プログラミングの実践をするために、本当に一生懸命働いています。
私たちのコードの中ではよく、今まで見たことの
ないようなことをやっていることがあります。
以前のコースを受講した多くの学生は、
このコースでコーディングやPythonコーディング、
ソフトウェアエンジニアリングについて
多くを学んだと言っています。
だから、何か新しいものを見たときはチェックして、
なぜそのような方法で行われたのか
気になったらフォーラムで気軽に質問してください。
一つ言及しておきたいのは、先ほども述べたように、

Spanish: 
es que una de las cosas interesantes sobre estudiando fastai es que aprendes muchas
prácticas de programación interesantes. Y así que he estado programando, quiero decir, desde que era un niño, así que como 40 años.
Y Sylvain y yo trabajamos muy, muy duro
para hacer que Python trabaje mucho para nosotros y para usar, ya sabes,
prácticas de programación que nos hacen muy productivos y nos permiten volver a nuestro código, años después y aún entenderlo.
Entonces, como verás
en nuestro código,
a menudo haremos cosas que quizás no hayas visto antes.
Y entonces, muchos estudiantes que han pasado por cursos anteriores dicen que aprendieron mucho sobre
codificación y codificación de Python e ingeniería de software del curso.
Entonces, sí,
verifique, cuando veas algo nuevo, échele un vistazo y no dudes en preguntar en los foros si tienes curiosidad acerca de por qué se hizo algo
de esa manera.
Una cosa para mencionar es que

Tamil: 
'ஃபாஸ்ட்-ஏஐ' படிப்பது பற்றிய ஒரு சுவாரஸ்யமான விஷயம் என்னவென்றால், நீங்கள் நிறைய -
சுவாரஸ்யமான நிரலாக்க நடைமுறைகளைக் கற்றுக்கொள்வீர்கள். நான் சிறுவனாக இருந்ததிலிருந்து சுமார் 40 ஆண்டுகளாக நிரலாக்கத்தில் இருந்தேன்
சில்வியன் மற்றும் நான் இருவரும், பைத்தான் எங்களுக்கு நிறைய வேலை செய்ய, மிகவும் கடினமாக உழைக்கிறோம்.
நம்மை மிகவும் ஆற்றல்வாய்ந்தவர்களாக மாற்ற, நிரலாக்க நடைமுறைகளைப் பயன்படுத்திருக்கிறோம். பல ஆண்டுகளுக்குப் பிறகும் நம் நிரலிற்குத் திரும்பினாலும், அதை புரிந்துகொள்ளுமாறு எழுதியுள்ளோம்.
அதனால் நீங்கள்
எங்கள் நிரலில் என்ன பார்ப்பீர்கள் என்றால்
நீங்கள் முன்பு பார்த்திராத விஷயங்களை நாங்கள் அடிக்கடி செய்திருப்போம்.
முந்தைய படிப்புகளில் தேர்ச்சி பெற்ற நிறைய மாணவர்கள், பைதான் நிரலாக்க மற்றும் மென்பொருள் சோதனை பற்றி, பாடத்திட்டத்திலிருந்து நிறைய கற்றுக்கொண்டதாகக் கூறுகிறார்கள்.
அதனால்
நீங்கள் புதிதாக ஒன்றைக் காணும்போது, அதை கவனமாகப் பாருங்கள்.
ஏதாவது 'அவ்வாறு ஏன் செய்யப்பட்டது' என்பது பற்றி நீங்கள் ஆர்வமாக இருந்தால், மன்றங்களில் கேட்க தயங்காதீர்கள்
குறிப்பிட வேண்டிய ஒரு விஷயம்-

Chinese: 
是你学会了很多
is you learn a lot of
有趣的编程实践  所以
interesting programming practices, and so
编程  我的意思是说  我从小就开始
I've been programming I mean since I was a kid
所以（至今）大概40年了
so like 40 years
我和苏菲亚都非常非常努力地工作
and Sophia and I both work really really hard
让Python为我们做很多工作
to make Python do a lot of work for us
并使用你们所知道的编程实践
and to use you know programming practices
这使我们的工作效率很高
which make us very productive
并允许我们多年后再回到我们的代码中来
and allow us to come back to our code years later
并且仍能理解它
and still understand it
所以你会在我们的代码中看到
so you'll see in our code
我们经常会做一些你以前没有见过的事情
we'll often do things that you might not have seen before
许多学过我们之前课程的学生
and so we, a lot of students who have gone through previous courses
说他们学到了很多关于编程的知识
say they learned a lot about coding
Python编码以及软件工程
and Python coding and software engineering
从（这门）课程中
from the course
所以  是的
so yeah check, you know
当你看到新东西时  仔细看看
when you see something new check it out
并随时在论坛上询问
and feel free to ask on the forums
如果你想知道为什么（某件事）要这样做的话
if you're curious about why something was done that way
值得一提的是
one thing to mention is
就像他们提到的“import *”一样
just like they mentioned like import star is something

English: 
studying fastai is you learn a lot of interesting
programming practices.
And so I've been programming, I mean, since
I was a kid, so like 40 years.
And Sylvain and I both work really, really
hard to make python do a lot of work for us
and to use, you know, programming practices
which make us very productive and allow us
to come back to our code, years later and
still understand it.
And so you'll see in our code we'll often
do things that you might not have seen before.
And so we, a lot of students who have gone
through previous courses say they learned
a lot about coding and python coding and software
engineering from the course.
So, yeah check, when you see something new,
check it out and feel free to ask on the forums
if you're curious about why something was
done that way.
One thing to mention is, just like I mentioned
import star is something most Python programmers

Bulgarian: 
при изучаването на fastai е, че научавате много интересни практики в програмирането.
Аз съм програмирал още от дете, значи към 40 години.
И двамата, Силвен и аз, работим наистина много усилено, за да накараме Python да направи много неща за нас,
използваме практики за програмиране, които ни правят много продуктивни и ни позволяват
да се върнем към кода си след години и пак да го разбираме.
И така, ще видите в кода ни, че често правим неща, които може да не сте виждали преди.
Много студенти, които са минали през предишните ни курсове, казват, че са научили
много за програмирането, програмирането на Python и за софтуерното инженерство от този курс.
Така че, проверете, когато видите нещо ново, проверете го и не се колебайте да питате във форумите,
ако сте любопитни, защо нещо е направено по този начин.
Едно нещо, което трябва да отбележа, е точно както споменах, че import * е нещо, което повечето програмисти на Python

Japanese: 
ほとんどのPythonプログラマーは import * を使いsません。
ほとんどのライブラリが
適切にそれをサポートしていないからです。
私たちはそのようなことをたくさんやっています。
私たちは伝統的なPythonプログラミングのアプローチに
従わないことをたくさんやっています。
私は長年にわたって多くの言語を使ってきたので、
特にPython的なコードの書き方ではなく、
他の多くの言語や、他の多くの表記法からのアイデアを取り入れて、
データサイエンスに適したものをベースに
Pythonプログラミングへのアプローチを大幅にカスタマイズしています。
つまり、あなたがfastaiで見たコードは、あなたの職場でPythonを使っている場合、
おそらく、あなたの職場のスタイルガイドや通常のアプローチには合わないでしょう。
ですから、私たちのやり方に従うのではなく、あなたの組織のプログラミングの
やり方に合うようにする必要があります。

Chinese: 
大多数Python程序员都不会这么做
most Python programmers don't do
大多数（python 库）也许不支持这样做
cause most libraries don't support doing it properly
我们做了很多这样的事情
we do a lot of things like that
我们做了很多不
we do a lot of things where we don't
遵循传统的Python编程方法（的事情）
follow a traditional approach to Python programming
因为我用过很多
because I've used so many
语言这些年来  我的代码不是以一种方式来写的
languages over the years, I code not in a way that's
特别是python式的
specifically pythonic
但也包含了很多其他语言中的类似想法
but incorporates like ideas from lots of other languages
和许多其他注释
and lots of other notations 
并在很大程度上定制了我们的Python编程方法
and heavily customized our approach to Python programming
基于哪些东西对数据科学有好处
based on what works well for data science
这意味着你在 fastAI 中看到的代码是
that means that the code you see in fastAI
可能不适合于
is not, probably not going to fit with
编程风格指南和
the kind of style guides and
工作中使用Python的一般方法
normal approaches at your workplace if you use Python there
所以显然是的
so obviously yeah
你应该确保
you should make sure
符合贵公司的编程要求做法
that you fit in with your organization's programming practices
而不是按照我们的做法
rather than following ours
但也许在你自己的爱好工作中
but perhaps in your own hobby work

Bulgarian: 
не правят, защото повечето библиотеки не го поддържат правилно,
ние правим много неща от този род.
Правим много неща, при които не следваме традиционния подход за програмиране на Python.
Тъй като съм използвал толкова много езици през годините, кодирам не по начин, който е конкретно 
Pythonic, но включва идеи от много други езици и много други
обозначения, и силно адаптира нашия подход към програмирането на Python въз основа на това, което работи
добре за науката за данните (data science).
Това означава, че кодът, който виждате във fastai, вероятно няма да отговаря на 
указанията за стил и нормалните подходи на работното ви място, ако там ползвате Python.
Очевидно ще трябва да се убедите, че съответствате на правилата за програмиране на вашата организация,
а не да следвате нашите.

Tamil: 
'இறக்குமதி நட்சத்திரம்' என்பது பைத்தான் புரோகிராமர்கள் செய்யாத ஒன்று என்று நான் குறிப்பிட்டது போல. ஏனெனில் பெரும்பாலான நூலகங்கள்
அதைச் சரியாகச் செய்வதை ஆதரிக்கவில்லை
அது போன்ற நிறைய விஷயங்களை நாங்கள் செய்கிறோம். பைதான் நிரலாக்கத்திற்கான ஒரு பாரம்பரிய அணுகுமுறையை பின்பற்றாத பல விஷயங்களை நாங்கள் செய்கிறோம்.
ஏனென்றால் நான் பல ஆண்டுகளாக பல மொழிகளைப் பயன்படுத்தியுள்ளேன்.
நான் செய்யும் நிரல்
'பைதான்' னின் வகையில் இருக்காது. ஆனால் இது பல மொழிகளிலிருந்தும் அவற்றின் குறிப்புகளிலிருந்தும் யோசனைகளை உள்ளடக்கிய ஒன்றாகும்.
மற்றும்
பைதான் நிரலாக்கத்திற்கான எங்கள் அணுகுமுறை தரவு அறிவியலுக்கு எது சிறப்பாக செயல்படுகிறது என்பதை அடிப்படையாகக் கொண்டு பெரிதும் தனிப்பயனாக்கப்பட்டுள்ளது
அதாவது 'ஃபாஸ்ட்-ஏஐ' இல் நீங்கள் காணும் நிரல்
உங்கள் பணியிடத்தில் பைத்தானுக்குப் பயன்படுத்தப்படும் பாணி வழிகாட்டிகள் மற்றும் சாதாரண அணுகுமுறைகளுடன் இது பொருந்தாது
எனவே உங்கள் நிறுவனத்தின் நிரலாக்க நடைமுறைகளுடன் நீங்கள் பொருந்துகிறீர்கள் என்பதை உறுதிப்படுத்த வேண்டும்.
நம்முடையதைப்
பின்பற்றுவதை விட.
உங்கள் சொந்த பொழுதுபோக்கில், நீங்கள் இந்த முறைகளைப் பின்பற்றி,

Spanish: 
tal como mencioné, import star es algo que la mayoría de los programadores de Python no hacen porque la mayoría de las bibliotecas
no admiten hacerlo correctamente.
Hacemos muchas cosas así. Hacemos muchas cosas en las que no seguimos un enfoque tradicional para la programación en Python.
Debido a que he usado tantos idiomas a lo largo de los años,
no codifico de una manera que sea
specíficamente Pitónica, sino que incorpore ideas de muchos otros lenguajes y muchas otras anotaciones.
 
y personalicé en gran medida nuestro enfoque de la programación de Python en función de lo que funciona bien para ciencia de los datos.
Eso significa que el código que ve en fastai
probablemente no encajará con el tipo de guías de estilo y enfoques normales en su lugar de trabajo, si usa Python allí
Entonces, obviamente, debes asegurarte de que encajas
con las prácticas de programación de tu organización
en lugar
de seguir las nuestras.
Pero tal vez en su propio trabajo de pasatiempo, puede seguir el nuestro y ver si

English: 
don't do cause most libraries don't support
doing it properly.
We do a lot of things like that.
We do a lot of things where we don't follow
a traditional approach to python programming.
Because I've used so many languages over the
years, I code not in a way that's specifically
pythonic, but incorporates like ideas from
lots of other languages and lots of other
notations and heavily customised our approach
to python programming based on what works
well for data science.
That means that the code you see in fastai
is not probably, not gonna fit with, the kind
of style guides and normal approaches at your
workplace, if you use Python there.
So, obviously, you should make sure that you
fit in with your organization's programming
practices rather than following ours.

Bulgarian: 
Но може би в своето хоби ще можете да следвате нашите и да видите, дали ще ги намерите за интересни
и полезни, или дори да експериментирате с това във вашата компания, ако сте мениджър
и се интересувате от това.
И така, за да завършим, ще ви покажа нещо доста интересно, което е,
погледнете този код - untar_data, ImageDataLoaders.from_name_func, learner, fine_tune.
untar_data, SegmentationDataLoaders.from_label_func, learner, fine_tune.
Почти същият код и това създава модел, който върши нещо, ха, напълно различно!
Това е нещо, което е взело изображения,
това вляво са маркираните данни (labelled data).
Имаме изображение с цветови код, който отбелязва дали има кола, дърво или сграда,
или небе, или осева линия, или път.
Отдясно е нашият модел и нашият модел успешно е намерил за всеки пиксел

Tamil: 
இது சுவாரஸ்யமானதா, உபயோகமானதா என்று பாருங்கள். அல்லது  நீங்கள் ஒரு மேலாளராக இருந்தால், ஆர்வமிருந்தால் உங்கள் நிறுவனத்தில் பரிசோதனைக்கு பயன்படுத்துங்கள்.
சரி, இதை முடிக்க, நான் உங்களுக்கு மிகவும் சுவாரஸ்யமான ஒன்றைக் காட்டப் போகிறேன்
அதாவது, இந்த
நிரலை பாருங்கள் 'அண்டார்_டேட்டா'
இமேஜடேடலோடர்ஸ், ஃபரம்_நேம்_ஃபங்க், லர்நர்,  பைன்-டியூன்
அண்டார்_டேட்டா, செக்மென்ட்டேஷன் டேடலோடர்ஸ், ஃபரம்_நேம்_ஃபங்க், லர்நர்,  பைன்-டியூன்
கிட்டத்தட்ட அதே நிரல். இது முற்றிலும் வேறுபட்ட ஒன்றைச் செய்யும் ஒரு மாதிரியை உருவாக்கியுள்ளது
இது படங்களை எடுத்துள்ளது. இது இடதுபுறத்தில் உள்ளது. இது பெயரிடப்பட்ட தரவு.இதில் படங்கள் உள்ளன
வண்ணக் குறியீடுகளின் அடிப்படையில் -  இது கார்
இது மரம், இது கட்டிடம், இது வானம், இது சாலைகோடு குறி, இது சாலை என்று வேறுபடுத்தியுள்ளது
வலதுபுறத்தில் நம் மாதிரி உள்ளது. நம் மாதிரி ஒவ்வொரு பிக்சலுக்கும் என்னாவென்று வெற்றிகரமாக கண்டுபிடித்துள்ளது

Japanese: 
しかし、おそらくあなた自身の趣味の仕事では、私たちのものに従ってみて、
それがいいかとか、役に立つかどうか試してみてもいいでしょうし、
もしあなたが管理職で、そうすることに興味があるのであれば、
あなたの会社でそれを試してみるのもいいでしょう。
さて、最後に、かなり面白いものをお見せしましょう。
それは、このコードを見てみてください。
untar_data、ImageDataLoaders.from_name_func
learner、fine_tune。
untar_data、SegmentationDataLoaders.from_label_func、learner、 fine_tune。
ほとんど同じコードですが、これは何か違う事をするモデルを構築しました。
これは画像を見て
左側がラベル付きのデータです。
カラーコードで、車なのか、木なのか、建物なのか、空なのか、ラインマークなのか、
道路なのかがわかるようになっています。
右側は私たちのモデルですが、私たちのモデルは各ピクセルごとに、車なのか、

Chinese: 
你可以遵循我们的习惯  看看那是否
you can follow ours and see if you find that
有意思有用  甚至可以在贵公司尝试一下
interesting and helpful or even experiment with that in your company
如果你是个经理并且有兴趣的话
if you're a manager and you're interested in doing so
好吧  最后  我要给你看一些很有趣的东西
okay, so, to finish I'm going to show you something pretty interesting
这就是
which is
看看这段代码  untar_data()
have a look at this code, untar_data()
ImageDataLoaders.from_name_func()
ImageDataLoaders.from_name_func()
learner(), fine_tune(), untar_data()
learner(), fine_tune(), untar_data()
SegmentationDataLoaders.from_label_func()
SegmentationDataLoaders.from_label_func()
learner(), fine_tune()
learner(), fine_tune()
几乎相同的代码
almost the same code
而这已经建立了一个模型  做了一些事情
and this has built a model that does something
哇  完全不同的结果
whoa! totally different!
此模型以图象为输入
it's something which has taken images
左边是被标记的数据
this is on the left, this is the labeled data
图片有颜色代码 标示
it's got images with color codes to tell you
是车  树  楼房
whether it's a car or a tree or a building
天空  线标  还是道路
or a sky or a line marking or a road
而在右边  是我们的模型
and on the right, is our model
而我们的模型已经成功地找出了每个像素点
and our model has successfully figured out for each pixel

English: 
But perhaps in your own hobby work, you can
follow ours and see if you find that are interesting
and helpful, or even experiment with that
in your company if you're a manager and you
are interested in doing so.
Okay, so to finish, I'm going to show you
something pretty interesting, which is, have
a look at this code untar data, image data
loaders from name func, learner, fine tune.
Untar data, segmentation date loaders, from
label func, learner, fine tune.
Almost the same code, and this has built a
model that does something, whoa totally different!
It's something which has taken images.
This is on the left, this is the labeled data.
It's got images with color codes to tell you
whether it's a car, or a tree, or a building,
or a sky, or a line marking or a road.
And on the right is our model, and our model
has successfully figured out for each pixel,

Spanish: 
le parece interesante y útil, o incluso experimentar con eso en su empresa si es un gerente y está interesado en hacerlo.
Bien, para terminar, les voy a mostrar algo bastante interesante,
que es echar un vistazo
a este código untar_data
ImageDataLoaders.from_name_func, learner, fine_tune
untar_data, SegmentationDataLoaders.from_label_func, learner, fine_tune
Casi el mismo código, y esto ha creado un modelo que hace algo,
¡totalmente diferente!
Es algo que ha cogido imágenes. Esto está a la izquierda, estos son los datos etiquetados. Tiene imágenes
con códigos de color para indicarte si se trata de un coche,
o un árbol, un edificio, un cielo, una línea de marcación o una carretera.
Y a la derecha está nuestro modelo, y nuestro modelo ha descubierto con éxito para cada píxel

Spanish: 
si es un coche, una línea de marcación o una carretera. Ahora, lo ha hecho en solamente
en menos de 20 segundos. Entonces es un modelo rápido, muy pequeño.
Así que, ha cometido algunos errores, como si le faltara el marcado de esta línea, y algunos de estos coches cree que son de casas, vale.
Pero puedes ver que si entrenas esto durante unos minutos, es casi perfecto.
Pero puedes ver que la idea básica es que podemos crear muy rápidamente, con casi exactamente el mismo código, algo que no
clasifique a los gatos y los perros, sino que haga lo que se llama segmentación: descubrir qué es cada píxel en la imagen.
Mira, aquí está lo mismo:
from import star TextDataLoaders.from_folder, learner, learn.fine_tune
El mismo código básico.
Esto es ahora algo en lo que podemos darle una frase y puede
determinar si eso está expresando un sentimiento positivo o negativo.
Esto en realidad está dando una precisión del 93% en esa tarea
en
aproximadamente 15 minutos sobre

Tamil: 
அது கார்-ஆ, சாலைகோடு குறியா,  அல்லது சாலையா என்று. இது 20 வினாடிகளுக்குள் மட்டுமே செய்யப்படுகிறது.
சரியா? இது மிகச் சிறிய விரைவான மாதிரி
இது சில தவறுகளைச் செய்துள்ளது. இந்த சாலைகோடு குறிகளும் காணவில்லை, இந்த கார்களை வீடுகள் என்று எண்ணுகிறது.
நீங்கள் இதை சில நிமிடங்கள் பயிற்றுவித்தால், அது கிட்டத்தட்ட சரியாக இருப்பதாக நீங்கள் பார்க்கலாம் .
ஆனால் அடிப்படை யோசனையை நீங்கள் காணலாம், கிட்டத்தட்ட அதே நிரலைக் கொண்டு மிக விரைவாக
பூனைகள் - நாய்கள் என வகைப்படுத்தாமல், 'பிரிவு' என்று அழைக்கப்படுவதை உருவாக்குகிறது. இது ஒரு படத்தில் உள்ள ஒவ்வொரு பிக்சலும் என்ன என்பதைக் கண்டுபிடிக்கும்.
பாருங்கள், இங்கே அதே விஷயம். ஃபரம் இம்போர்ட் ஸ்டார், டெக்ஸ்ட் டேடலோடர்ஸ், ஃபரம்_ஃபோல்டர், லர்நர்,  பைன்-டியூன்
அதே அடிப்படை நிரல்
இது இப்போது நாம் ஒரு வாக்கியத்தை கொடுக்கக்கூடிய ஒன்று
இதனால், ஒரு நேர்மறையான அல்லது எதிர்மறையான உணர்வை வெளிப்படுத்துகிறதா என்பதைக் கண்டுபிடிக்க முடியும்.
இது உண்மையில் அந்த பணியில் 93 சதவீத துல்லியத்தை அளிக்கிறது
வெறும்
15 நிமிடங்களில்

Chinese: 
是车辆  线标  还是道路
is that a car, a line marking, a road
现在  它只花了
now it's only done it in
不到20秒  对吗
under 20 seconds, right?
所以这是一个非常小的快速模型
so it's a very small quick model,
这个模型有一点错误  比如缺少了这一行标示
so it's made some mistakes like it's missing this line marking
并且把部分车辆认成了房子
and some of these cars it thinks is house
但你可以看到
right? but you can see so
如果你训练个几分钟  结果几乎是完美的
if you train this for a few minutes it's nearly perfect
但你可以看到  基本的想法是
but you can see the basic idea is that
我们可以非常迅速地用几乎完全相同的代码
we can very rapidly with almost exactly the same code
创造模型  不仅可以分类猫狗图片
create something not that classify as cats and dogs
而且可以做图像分割
but does what's called segmentation
计算出图像中的每一个像素点分别是什么
figures out what every pixel in an images
你看  这里用同样的代码  “import *"
Look, here's the same thing from import star
TextDataloaders.from_folder(), learner(),learn.fine_tune()
TextDataloaders.from_folder(), learner(), learn.fine_tune()
相同的基本代码
Same basic code
现在我们可以给它一个句子
this is now something where we can give it a sentence
它可以算出
and it can figure out
（该句子）表达的是积极的还是消极的情绪
whether that is expressing a positive or negative sentiment
而这实际上
and this is actually
能达到93%的准确率
giving a 93% accuracy on that task

English: 
is that a car, line marking, a road.
Now it's only done it in, under 20 seconds
right.
So it's a very small quick model.
It's made some mistakes -- like it's missing
this line marking, and some of these cars
it thinks is house, right?
But you can see so if you train this for a
few minutes, it's nearly perfect.
But you can see the basic idea is that we
can very rapidly, with almost exactly the
same code, create something not that classifies
cats and dogs but does what's called segmentation:
figures out what every pixel and image is.
Look, here's the same thing:
from import star
text loaders from folder
learner
learn fine-tune
Same basic code.
This is now something where we can give it
a sentence and it can figure out whether that
is expressing a positive or negative sentiment,
and this is actually giving a 93% accuracy

Japanese: 
ラインマークなのか、道路なのかを判別することに成功しました。
たった20秒以内でこれを実現しました。
ですから、非常に小さなモデルです。
いくつかのミスをしています。 この線のマークを見落としていたり、
いくつかの車を家だと思っていたりなど。
しかし、数分間これを訓練すれば、ほぼ完璧になることがわかります。
基本的なアイディアは、ほぼ同じコードを使って、
猫や犬を分類するのではなく、
すべてのピクセルと画像が何であるかを把握する
セグメンテーションと呼ばれるものを
非常に速く作ることができるということです。
見てください、同じものがあります。
import *、TextDataLoaders.from_folder、
learner、fine_tune
基本的なコードは同じです。
これは、文章が表している感情が肯定的か
否定的かを理解するできるようになりました。

Bulgarian: 
дали е кола, пътна линия, или път.
Направило го е за под 20 секунди, така ли е?
Така че, това е много бърз модел.
Направил е някои грешки, например, изпуснал е тази линия от маркировката и част от колите,
мисли, че са къщи, 
но може да видите, че ако обучавате модела още няколко минути, ще е почти перфектен.
Но може да видите основната идея, че можем много бързо с почти
същия код да създадем нещо, което не категоризира котки и кучета, а прави т.нар сегментация:
определя какво е всеки пиксел от изображението.
Вижте пак същото:
from ... import * TextDataLoader.from_folder
learner learn fine_tune
Същият основен код.
Това сега е нещо, където можем да подадем изречение и то ще разбере дали
изразява положителна или отрицателна емоция, при това ни дава точност 93%

Bulgarian: 
за тази задача, след около 15 минути с IMDb набора данни, който съдържа хиляди пълноразмерни
рецензии на филми (1000 до 3000 думи на рецензия).
Числото, което получихме със същите три реда код, щеше да е най-доброто
на света за тази задача, с този много популярен сред академичните среди набор данни, примерно за 2015 г.,
предполагам
.
1:18:21.670,1:18:31.700
Така че създаваме модел от световно ниво в нашия браузър, използвайки някакъв базов код.
Ето същите основни стъпки отново:
from import * 
untar_data
TabularDataLoaders.from_csv
learner fit
Сега се изгражда модел, който предвижда заплата въз основа на csv таблица, съдържаща тези
колони.
И така, това са таблични данни (tabular data).
Ето същите основни стъпки:
from import *
untar_data

Tamil: 
IMDB தரவுத்தொகுப்பில் இதில் ஆயிரக்கணக்கான
இது முழு நீள திரைப்பட மதிப்புரைகளைக் கொண்டுள்ளது. 1,000 முதல் 3,000 சொற்கள் கொண்ட திரைப்பட மதிப்புரைகள். அதே மூன்று வரிகளை பயன்படுத்தி நமக்கு இங்கே கிடைத்துள்ள எண்ணிக்கை,
மிகவும் பிரபலமான கல்வியாளர்கள் தரவுத்தொகுப்பில் இந்த பணிக்கு உலகில் மிகச் சிறந்ததாக இருந்திருக்கும்
2015 இல் என்று நினைக்கிறேன். நம் உலாவியில், உலகத்தரம் வாய்ந்த மாதிரிகளை உருவாக்குகிறோம்
- அதே அடிப்படை நிரலை பயன்படுத்தி.
இங்கே மீண்டும் அதே அடிப்படை படிகள் உள்ளன. ஃபரம் இம்போர்ட் ஸ்டார், டாபுலர் டேடலோடர்ஸ், ஃபரம்_சிஎஸ்வி , லர்நர், ஃபிட்
இப்போது கணிக்கும் ஒரு மாதிரியை உருவாக்குகிறது, அது
இந்த நெடுவரிசைகளுடன், CSV அட்டவணையை அடிப்படையாகக் கொண்டது, சம்பளத்தை கணிக்கிறது.
இது அட்டவணை தரவு.

Spanish: 
el conjunto de datos de IMDB, que contiene miles de
reseñas completas de películas (de 1000 a 3000 palabras). Este número aquí que obtuvimos con las mismas tres líneas de código
habría sido el mejor del mundo para esta tarea en un conjunto de datos académicos muy, muy, muy popular en
2015, creo. Así que estamos creando modelos de clase mundial, en nuestro navegador,
usando el mismo código básico.
Estos son los mismos pasos básicos nuevamente: from import *, untar_data, TabularDataLoaders.from_csv, learner, fit
Esto ahora está construyendo un modelo que predice,
a ver, salario basado en una tabla csv que contiene
estas columnas. Entonces estos son datos tabulares.

English: 
on that task in about 15 minutes on the IMDb
dataset, which contains thousands of full-length
movie reviews (in fact, 1000- to 3000-word
reviews).
This number here that we got with the same
three lines of code would have been the best
in the world for this task in a very, very,
very popular academics dataset in like 2015
I think.
So we are creating world-class models, in
our browser, using the same basic code.
Here's the same basic steps again:
from import star
untar data
tabular data loaders
from csv
learner fit
This is now building a model that is predicting
salary based on a csv table containing these
columns.
So this is tabular data.
Here's the same basic steps
from import *
untar data

Japanese: 
15分の訓練による93%という正確度です。
何千ものフルの映画レビューからなるIMDBデータセットは、1000から3000語を含んでいます。
この同じ3行のコードでの正確度は、2015年時点で世界最高のものだったと思います。
私たちは基本的に同じコードを使って、ブラウザ上で、
世界クラスのモデルを作成したのです。
ここでも同じ基本的な手順です。
from import *、untar_data、
TabularDataLoaders.from_csv、
learner、fit。
今度は、これらの列を含むcsvに
基づいて給与を予測するモデルを
構築しています。
これは表形式のデータです。
ここでも基本的な手順は同じです。
import *、untar_data、

Chinese: 
在约15分钟内  在IMDB数据集上的训练
in about 15 minutes on the IMDB dataset
（数据集）中包含了数千篇完整的电影评论
which contains thousands of full-length movie reviews
长度一般在1000到3000字的电影评论
like 1,000 to 3,000 word, movie reviews
而我们在这里得到的这个（准确率）数字
and this number here that we got with
是同样用三行代码完成的
the same three lines of code
（这）可能是世界上最好的
would have been the best in the world
完成（句子情感倾向判断）这个任务（的方法）
for this task
用一个（大概是2015年时）非常流行的学术数据库
in a very very very popular academics dataset, in like 2015, I think
所以我们正在创造世界一流的模型
so we are creating world-class models in
在我们的浏览器中  使用相同的基本代码
in our browser, using the same basic code
下面又是同样的基本步骤
Here's the same basic steps again
”import *“  然后untar_data()
from import star, untar_data()
TabularDataLoaders.from_csv(), learner(), fit()
TabularDataLoaders.from_csv(), learner(), fit()
现在正在建立一个模型来预测
this is now building a model that is predicting
让我们来了解一下
let's find out
通过包含这些列的CSV表格（来预测）工资
salary based on a CSV table containing these columns
这是表格数据
so this is tabular data
这里（跟之前）是相同的基本步骤  从”import *“开始
here's the same basic steps from import star

English: 
collab data loaders from csv
learner fine-tune
This is now building something which predicts,
for each combination of a user and a movie,
what rating do we think that user will give
that movie, based on what other movies they've
watched and liked in the past.
This is called collaborative filtering and
is used in recommendation systems.
So here you've seen some examples of each
of the four applications in fastai.
And as you'll see throughout this course,
the same basic code and also the same basic
mathematical and software engineering concepts
allow us to do vastly different things using
the same basic approach.
And the reason why is because of Arthur Samuel.
Because of this basic description of what
it is you can do if only you have a way to

Japanese: 
CollabDataLoaders.from_csv、learner，fine_tune
これはユーザーと映画の組み合わせごとに、視聴履歴をもとに，
ユーザが映画をどう評価するかを予測するものを構築しています。
これは協調フィルタリングと呼ばれ、
レコメンデーションシステムで使用されています。
ここでは、fastaiの4つのアプリケーションの例を見てきました。
このコースを通してお分かりになると思いますが、
基本的には同じコードと、
同じ数学やソフトウェア工学の基本的な概念を使って、
幅広いいろいろなことができるのです。
基本的には同じアプローチを使って。
なぜかというと、アーサー・サミュエルのおかげです。
もしもモデルをパラメータ化する方法と、重みを更新して

Tamil: 
இங்கே மீண்டும் அதே அடிப்படை படிகள். ஃபரம் இம்போர்ட் ஸ்டார், அண்டார்_டேட்டா, கொல்லாப் டேடலோடர்ஸ், ஃபரம்_சிஎஸ்வி, லர்நர், லர்ந, பைன்-டியூன்
இது இப்போது எதை உருவாக்குகிறது என்றால்
ஒரு பயனர் மற்றும் ஒரு திரைப்படத்தின் ஒவ்வொரு சேர்க்கைக்கும், அந்த பயனர் ஒரு திரைப்படத்திற்கு என்ன மதிப்பீட்டைக்
கொடுப்பார் என்பதை, கடந்த காலத்தில் அவர் பார்த்த மற்றும் விரும்பிய பிற திரைப்படங்களின் அடிப்படையில் இது கணிக்கிறது
இது கூட்டு வடிகட்டுதல் என்று அழைக்கப்படுகிறது மற்றும் பரிந்துரை அமைப்புகளில் பயன்படுத்தப்படுகிறது.
எனவே 'ஃபாஸ்ட்-ஏஐ' யில் நான்கு பயன்பாடுகளில் ஒவ்வொன்றின் சில எடுத்துக்காட்டுகளை இங்கே பார்த்தீர்கள்
இந்த பாடநெறி முழுவதும் அதே அடிப்படை நிரல், அதே அடிப்படை
கணித மற்றும் மென்பொருள் பொறியியல் கருத்துக்கள்
ஒரே அடிப்படை அணுகுமுறையைப் பயன்படுத்தி பல்வேறு விஷயங்களைச் செய்ய நமக்கு அனுமதிக்கிறது.
இதற்கு ஆர்தர் சாமுவேல் தான் காரணம். அதாவது இந்த அடிப்படையான
விளக்கத்தின் காரணத்தால் -

Chinese: 
untar_data(), CollabDataLoaders.from_csv(), learner() and fine_tune()
untar_data(), CollabDataLoaders.from_csv(), learner() and fine_tune()
这（代码）所构建的就是
this is now building something
可以预测用户的电影评论的模型
which predicts for each combination of a user and a movie
我们认为什么样的评分
what rating do we think
这些用户将评给那部电影
that user will give that movie
根据他们过去看了什么电影以及喜欢什么样的电影
based on what other movies they watched and liked in the past
这就是所谓的协同过滤
this is called collaborative filtering
并在推荐系统中使用
and used in recommendation systems
所以在这里  你已经看到了
so here you've seen
FASTAI中的四种应用的一些实例
some examples of each of the four applications in fastAI
正如你在这门课程中所看到的那样
and as you'll see throughout this course
相同的基本代码
the same basic code
以及相同的基本数学和软件工程概念
and also the same basic mathematical and software engineering concepts
让我们可以做很多不同的事情
allow us to do vastly different things
使用同样的基本方法
using the same basic approach
（可以这么做的）原因是因为Arthur Samuel(被誉为“机器学习之父”)
and the reason why, it's because of Arthur Samuel
正是因为这个基本的原因
it's because of this basic
说明你能做什么
description of what is you can do
只要你有办法对模型进行参数化
if only you have a way to parameterize a model
并有一个更新程序
and have an update procedure which can

Bulgarian: 
CollabDataLoaders.from_csv learner fine_tune
Това вече изгражда нещо, което предвижда за всяка комбинация от потребител и филм,
каква оценка смятаме, че потребителят ще даде на този филм въз основа на други филми, които
са гледали и харесвали в миналото.
Това се нарича съвместно филтриране (collaborative filtering) и се ползва в системите за препоръки.
И така, видяхте малко примери за всяко от четирите приложения във fastai.
Както ще видите през този курс, един и същи основен код, както и едни и същи основни
математически и програмни концепции, ни позволяват да правим много различни неща,
използвайки един и същи основен подход.
И това е заради Артур Самуил,
заради неговото фундаментално описание на това, което можеш да направиш, ако имаш начин да

Spanish: 
Mira, aquí están los mismos pasos básicos: from import *, untar_data, CollabDataLoaders.from_csv, learner, learn.fine_tune
Esto ahora está construyendo algo
que predice, para cada combinación de un usuario y una película, qué calificación
creemos que el usuario otorgará a esa película, en función de las otras películas que vieron y les gustaron en el pasado.
Esto se llama filtrado colaborativo y se usa en sistemas de recomendación.
Así que aquí has ​​visto algunos ejemplos de cada una de las cuatro aplicaciones en fastai.
Y como verás a lo largo de este curso, el mismo código básico y  también los mismos conceptos básicos
de ingeniería matemática y de software
nos permiten hacer cosas muy diferentes usando el mismo enfoque básico.
Y la razón es por Arthur Samuel, debido a esta
descripción básica de
que es lo que puedes hacer si solo tienes una forma de parametrizar un modelo y tienes un procedimiento de actualización

English: 
parameterize a model and you have an update
procedure which can update the weights to
make you better at your loss function, and
in this case we can use neural networks, which
are totally flexible functions.
So that's it for this first lesson.
It's a little bit shorter than our other lessons
going to be and the reason for that is that
we are as I mentioned at the start of a global
pandemic here, or at least in the West (in
other countries they are much further into
it).
So we spent some time talking about that at
the start of the course and you can find that
video elsewhere.
So in the future lessons there will be more
on deep learning.
So, what I suggest you do over the next week,
before you work on the next lesson, is just
make sure that you can spin up a GPU server,
you can shut down when it's finished and that

Tamil: 
நீங்கள் மாதிரியை அளவுருவாக்க முடியும் மட்டுமே மற்றும் இழப்பு செயல்பாட்டை மேம்படுத்த எடைகளுக்கு ஒரு புதுப்பிப்பு நடைமுறையைப் பயன்படுத்தலாம் என்றால் நீங்கள் என்ன செய்வீர்கள் என்பதேயாகும்.
இந்த விஷயத்தில் நாம் நரம்பியல் வலையமைப்புக்களைப் பயன்படுத்தலாம், அவை முற்றிலும் நெகிழ்வான செயல்பாடுகளாகும்
அதனால்
இந்த முதல் பாடத்திற்கு அவ்வளவுதான்
மற்ற பாடங்களை விட இது கொஞ்சம் குறைவு, அதற்கான காரணம் நான் ஆரம்பத்தில் குறிப்பிட்டது போலவே நாம்
நாங்கள் இங்கே (மேற்கத்திய நாடுகளில்) ஒரு உலகளாவிய தொற்றுநோயின் தொடக்கத்தில் இருக்கிறோம். மற்ற நாடுகளில், அவர்கள் அதற்கு மேலும் அதிகமாக உள்ளனர்.
பாடத்திட்டத்தின் தொடக்கத்தில் நாங்கள் அதைப் பற்றி பேச சிறிது நேரம் செலவிட்டோம், அந்த வீடியோவை வேறு இடத்தில் காணலாம்.
எனவே எதிர்கால பாடங்களில் ஆழ்ந்த கற்றலுக்கு அதிக நேரம் இருக்கும்.
அடுத்த வாரத்தில் நீங்கள், அதாவது அடுத்த
பாடத்தில் நீங்கள் பணியாற்றுவதற்கு முன் செய்யவேண்டியது -
GPU வழங்கனை உங்களால் உருவாக்க முடியும் என்பதை உறுதிப்படுத்திக் கொள்ளுங்கள், அது முடிந்ததும் வழங்கனை மூடுங்கள். மேலும் நீங்கள் இங்கே

Bulgarian: 
параметризираш модел и ако имаш процедура за актуализация, която може да актуализира теглата,
за да подобри функцията на загубите, и в този случай за модел можем да използваме невронна мрежа, която е
изключително гъвкава функция.
Това е за този първи урок!
Той е малко по-кратък, отколкото ще бъдат другите уроци, като причината за това е, че
сме, както споменах, в началото на глобална пандемия, тук или поне на Запад,
други държави са много по-напред.
Затова прекарахме известно време да говорим за това в началото на курса. Може да намерите това
видео отделно.
През следващите уроци ще има още Deep Learning.
Това, което предлагам да правите през следващата седмица, преди да работите по следващия урок, е 
да се уверите, че може да пуснете GPU сървър, че може да го спрете, когато приключите, и че

Chinese: 
可以更新权重
update the weights
来让你的损失函数更优化
to make you better at your loss function
而在这个例子里  我们可以用神经网络
and in this case, we can use neural networks
（它们）是完全灵活的函数
which are totally flexible functions
那么  第一课就到此结束了
So, that's it for this first lesson
它比其他课要短一点儿
it's a little bit shorter than other lessons going to be
原因是我们
and the reason for that is that we are
如前所述
as I mentioned
正处在全球疫情流行的初始阶段
are at the start of a global pandemic here
至少在西方国家是这样  其他国家可能已经过了（这个阶段）
or at least in the West, in other countries, they are much further into it
所以我们在课程开始的时候花一些时间来讨论这个问题
so we spend some time talking about that at the start of the course
而你可以在其他地方找到那个视频
and you can find that video elsewhere
所以在未来的课程中  将有更多的时间在深度学习上
so, in future lessons there will be more time on deep learning
那么我建议你
so what I suggest you do
在下周
over the next week
在你开始学习下一课之前
before you work on the next lesson
只是确保你可以启动一个GPU服务器
is just make sure that you can spin up a GPU server
你可以在完成后关闭它
that you can shut it down when it's finished

Spanish: 
que puede actualizar los pesos para mejorar
su función de pérdida,
y en este caso podemos usar redes neuronales, que son funciones totalmente flexibles.
Entonces
Así que eso es todo para esta primera lección.
Es un poco más corto que nuestras otras lecciones y la razón es que somos como mencioné al
comienzo de una pandemia global aquí, o al menos en Occidente (en otros países están mucho más involucrados).
Así que hemos pasado un tiempo hablando de eso al comienzo del curso y puedes encontrar ese video en otro lugar.
Entonces, en las lecciones futuras habrá más tiempo sobre el aprendizaje profundo.
Así que, lo que te sugiero que hagas durante la próxima semana, antes de trabajar en la próxima lección,
trabajar en la próxima lección,
es asegurarte de que puedes activar un servidor GPU, puedes apagarlo cuando esté terminado y que puedes ejecutar todo el código aquí

Japanese: 
損失関数を改善する更新手順があれば、何でもできるということです。
そしてこの場合、柔軟な関数であるニューラルネットワークを
使うことができます。
ということで、今回の最初のレッスンはここまで。
他のレッスンよりも少し短くなりますが、その理由は、先ほど述べたように、
私たちは世界的なパンデミックの始まりの時期にあるからです。
少なくとも欧米では。他の国ではもっと進んでいます。
なのでそれをコースの最初の方でお話しました。
そのビデオは別の場所で見ることができます。
今後のレッスンでは、より深層学習について学ぶことになるでしょう。
次のレッスンに取り組む前に、次の週までに以下に取り組むことをお勧めします。
GPUサーバをスピンアップして、終了したらシャットダウンして、

Japanese: 
ここにあるすべてのコードを実行できることを確認して、
コードを読みながら自分が認識できる方法でPythonを使っているかを見たり、
ドキュメンテーションや doc 関数を使ってみたり、
fastaiのドキュメンテーションで検索して、それが何をするか確かめたり、
ドキュメンテーションのノートブックを実際に実行したりしてみて下さい。
自分のやり方を知ることができれば、快適に過ごせるようになるでしょう。
この学習スタイル、トップダウン学習で最も重要なことは、
実験を行うことであり、そのためにはコードを実行できるようになる必要があります。
ですから、私のお勧めは、コードを実行できるようになるまでは先に進まないで、
本の章を読んで、
アンケートに答えてください。
検証セットやテストセット、転送学習については、まだまだやるべきことがあります。
ですから、まだすべてのことができるわけではありませんが、
これまでのコースを見てきたことに基づいて、

Chinese: 
你可以运行这里所有的代码
that you can run all of the the code here
当你完成这些后
and as you go through it, see, you know
学会使用python
this using Python in a way you recognize
学会查文档  使用那个Doc函数
use the documentation, use that Doc function
查一查
do some searching of
fastai的网站看看它的作用是什么
the fastAI dot see what it does
看看你是否能真正掌握FastAI文档的内容
See if you can actually grab the fastAI documentation notebooks themselves
并运行它们
and run them
尝试着让自己舒服一点来熟悉这个（学习方式）
just try to get comfortable that you kind of can know your way around
因为在这种学习方式下最重要的是
because the most important thing to do with this style of learning
这种自上而下的学习
this top-down learning
是为了能够进行实操
is to be able to run experiments
这意味着你需要能够运行代码
and that means you need to be able to run code
所以我的建议是  在你能跑通代码之前不要继续
so my recommendation is don't move on, until you can run the code
阅读该书的章节
read the chapter of the book
然后再看一下调查表
and then go through the questionnaire
我们还需要做一些关于验证集的事情
we've still got some more work, some more stuff to do about validation sets
测试集以及迁移学习（的事情）
and test sets and transfer learning
你们现在还没有能力完成这些
so you won't be able to do all of it yet
但尽量做所有你能做的部分
but try to do all the parts that you can

Tamil: 
அனைத்து
குறியீட்டையும் இயக்கமுடிகிறதா என்று பாருங்கள். நீங்கள் செல்லும் வழியில் இது பைத்தானை நீங்கள் அடையாளம் காணும் வகையில் பயன்படுத்துகிறதா என்று பாருங்கள்
ஆவணங்களைப் பயன்படுத்தவும், அந்த 'டாக்' செயல்பாட்டைப் பயன்படுத்தவும்
'ஃபாஸ்ட்-ஏஐ' ஆவணங்களைத் தேடுங்கள். அது என்ன செய்கிறது என்று பாருங்கள். நீங்கள் உண்மையில் 'ஃபாஸ்ட்-ஏஐ'
ஆவணப்படுத்தல் குறிப்பேடுகளை எடுத்து அவற்றை இயக்க முடியுமா என்று பாருங்கள். வசதியாக இருக்க முயற்சி செய்யுங்கள்
இதன் மூலம் சுற்றியுள்ள வழியை அறிந்து கொள்ளுங்கள்
இந்த மேல்-கீழ் கற்றலைக் கற்றுக்கொள்வதற்கான இந்த பாணியுடன் செய்ய வேண்டிய மிக முக்கியமான விஷயம், சோதனைகளை இயக்க செய்வதேயாகும். அதாவது
நிரலை இயக்கும் திறன் உங்களுக்கு இருக்க வேண்டும். எனது பரிந்துரை - நிரலை இயக்கும் வரை எங்கும் செல்ல வேண்டாம்
புத்தகத்தின் அத்தியாயத்தைப் படியுங்கள்
பின்னர்
கேள்வித்தாள் முழுவதையும் படியுங்கள்
நாம் இன்னும் சில வேலைகளை செய்ய்யவேண்டும்
சரிபார்ப்பு, சோதனை தொகுப்புகள் மற்றும் பரிமாற்ற கற்றல் பற்றி இன்னும் சில வேலைகளை செய்ய்யவேண்டும். எனவே இப்போது நீங்கள் அனைத்தையும் செய்ய முடியாது.
ஆனால் உங்களால் முடிந்த அனைத்து பகுதிகளையும் செய்ய முயற்சிக்கவும்,

English: 
you can run all of the code here and, as you
go through, see if this is using Python in
a way you recognise, use the documentation,
use that doc function, do some search on the
fastai doc, see what it does, see if you can
actually grab the fastai documentation notebooks
themselves and run them.
Just try to get comfortable, that you can
if you can know your way around.
Because the most important thing to do with
this style of learning, this top-down learning,
is to be able to run experiments and that
means you need to be able to run code.
So my recommendation is: don't move on until
you can run the code, read the chapter of
the book, and then go through the questionnaire.
We still got some more work to do about validation
sets and test sets and transfer learning.
So you won't be able to do all of it yet but
try to to all the parts you can, based on

Spanish: 
puede apagarlo cuando esté terminado y que pueda ejecutar todo
el código aquí y, a medida que avanzas, veas si esto está usando Python de una manera que reconoces,
use la documentación, use esa función doc,
hagas una búsqueda en la documentación fastai, veas qué hace, veas si realmente puedes obtener
la documentación fastai cuadernos y ejecutarlos. Solo trata de ponerte cómodo,
que puedas conocer el entorno
Porque lo más importante que tiene que ver con este estilo de aprendizaje, este aprendizaje de arriba hacia abajo, es poder ejecutar experimentos y eso significa
que necesita poder ejecutar código. Por lo tanto, mi recomendación es: no continúes hasta que puedas ejecutar el código,
lea el capítulo del libro
y luego
revise el cuestionario.
Todavía tenemos más trabajo por hacer
sobre conjuntos de validación y conjuntos de prueba y transferencia de aprendizaje. Por lo tanto, aún no podrá hacerlo todo,
pero intente con todas las partes que pueda,

Bulgarian: 
може да изпълните целия код оттук и като минавате през него, да видите дали се използва Python
по начин, който познавате; използвайте документацията, използвайте doc-функцията, направете търсене
в документацията на fastai, вижте какво прави, вижте дали можете да вземете самите тетрадки от документацията
и да ги изпълните.
Просто опитайте да се почувствате комфортно, да се ориентирате в обстановката,
тъй като най-важното нещо за този стил на обучение, това обучение отгоре надолу, 
е да можете да провеждате експерименти и това означава, че трябва да можете да изпълнявате код.
Затова моята препоръка е: не продължавайте, докато не изпълните кода, прочетете главата
от книгата и след това преминете въпросника.
Предстои ни още работа за наборите с данни за валидиране и за тестване и за обучението с пренос (transfer learning).
Така че все още няма да можете да го направите целия, но се опитайте да изпълните всички части, които можете, въз основа

Bulgarian: 
на видяното от курса досега.
Рейчъл, има ли нещо, което искаш да добавиш, преди да тръгнем?
Добре, много благодаря на всички, че се присъединихте към нас за урок първи, и наистина ще се радваме
да се видим следващия път, където ще научим за обучението с пренос и тогава
ще продължим със създаването на реална работна (production) версия на приложението, която ще можем
да сложим в интернет, и ще може да започнете да създавате приложения, които може да покажете на приятелите си
и те да започнат да си играят с тях.
Чао на всички!

Spanish: 
según lo que hemos visto hasta ahora en el curso.
Rachel, ¿quieres añadir algo antes que nos vamos?
De acuerdo, así que muchas gracias por acompañarnos
en la lección uno a todos y estamos ansiosos por verte la próxima vez
donde aprenderemos sobre el aprendizaje de transferencia y luego pasaremos a crear
una versión de producción real de una aplicación que realmente podamos poner en Internet y puedes comenzar
a crear aplicaciones que puedes mostrar a tus amigos y con las que pueden comenzar a jugar.
Adiós a todo el mundo. Besitos x

Chinese: 
根据我们在课程中所看到的
based on what we've seen in the course so far
瑞秋  在我们结束之前  你还有什么要补充的吗
Rachel anything you want to add before we go?
好了  非常感谢你们的加入
okay so thanks very much for joining us
所以  各位  （这就是）第一课
so lesson one everybody and
我真的很期待下一次见到你们
I really looking forward to seeing you next time
那时我们将学习到迁移学习
where we will learn about transfer learning
然后  我们将继续
and then we will move on to
创建一个实际生产版本的应用程序
creating a actual production version of an application
那是我们实际上可以在互联网上发布的
that we can actually put out on the Internet
你可以开始
and you can start
构建应用程序  你可以向你的
building apps that you can show your
朋友展示（你的应用程序）  然后他们可以来使用它。
friends and they can start playing with
好吧  大家再见
All right bye everybody

Japanese: 
できる部分はすべてやってみてください。
レイチェル、何か追加したいことがあれば教えてください。
それでは、レッスン１に参加してくれてありがとうございました。
次回お会いできるのを本当に楽しみにしています。
次は転移学習について学び、その後、
実際にインターネット上で公開できるアプリの制作に移ります。
バイバイみんなさん。

English: 
what we've seen of the course so far.
Rachel, anything you want to add before we
go.
Okay, so thanks very much for joining us for
lesson one everybody and are really looking
forward to seeing you next time where we will
learn about transfer learning and then we
will move on to creating an actual production
version of an application that we can actually
put out on the Internet and you can start
building apps that you can show your friends
and they can start playing with.
Bye Everybody

Tamil: 
இதுவரை நாம் பார்த்தவற்றின் அடிப்படையில்,
ரேச்சல், நாம் செல்வதற்கு முன் நீங்கள் எதையும் சேர்க்க  விரும்புகிறீர்களா? சரி. எங்களுடன் இணைந்ததற்கு மிக்க நன்றி
எனவே, அனைவருக்கும் பாடம் ஒன்று. அடுத்த முறை உங்களைப் பார்க்க ஆவலுடன் காத்திருக்கிறேன்
பரிமாற்றக் கற்றல் பற்றி நாங்கள் கற்றுக்கொள்வோம், பின்னர் ஒரு
பயன்பாட்டின் உண்மையான உற்பத்தி பதிப்பை உருவாக்குவோம். அதை நாம் இணையத்தில் வெளியிடுவோம். உங்கள்
நண்பர்களுக்குக் காட்டக்கூடிய பயன்பாடுகளை உருவாக்கத் தொடங்கலாம். அவர்கள் அதனுடன் விளையாட ஆரம்பிக்கலாம். சரி. அனைவரிடமிருந்தும் விடைபெறுகிறேன்.
