chore(i18n): sync translations with latest source changes (chunk 1/1, 382 changes)

Author: skytin1004

README.md

@@ -26,7 +26,7 @@ Explore the world of **Artificial Intelligence** (AI) with our 12-week, 24-lesso
 #### Supported via GitHub Action (Automated & Always Up-to-Date)
 
 <!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
-[Arabic](./translations/ar/README.md) | [Bengali](./translations/bn/README.md) | [Bulgarian](./translations/bg/README.md) | [Burmese (Myanmar)](./translations/my/README.md) | [Chinese (Simplified)](./translations/zh/README.md) | [Chinese (Traditional, Hong Kong)](./translations/hk/README.md) | [Chinese (Traditional, Macau)](./translations/mo/README.md) | [Chinese (Traditional, Taiwan)](./translations/tw/README.md) | [Croatian](./translations/hr/README.md) | [Czech](./translations/cs/README.md) | [Danish](./translations/da/README.md) | [Dutch](./translations/nl/README.md) | [Estonian](./translations/et/README.md) | [Finnish](./translations/fi/README.md) | [French](./translations/fr/README.md) | [German](./translations/de/README.md) | [Greek](./translations/el/README.md) | [Hebrew](./translations/he/README.md) | [Hindi](./translations/hi/README.md) | [Hungarian](./translations/hu/README.md) | [Indonesian](./translations/id/README.md) | [Italian](./translations/it/README.md) | [Japanese](./translations/ja/README.md) | [Kannada](./translations/kn/README.md) | [Korean](./translations/ko/README.md) | [Lithuanian](./translations/lt/README.md) | [Malay](./translations/ms/README.md) | [Malayalam](./translations/ml/README.md) | [Marathi](./translations/mr/README.md) | [Nepali](./translations/ne/README.md) | [Nigerian Pidgin](./translations/pcm/README.md) | [Norwegian](./translations/no/README.md) | [Persian (Farsi)](./translations/fa/README.md) | [Polish](./translations/pl/README.md) | [Portuguese (Brazil)](./translations/br/README.md) | [Portuguese (Portugal)](./translations/pt/README.md) | [Punjabi (Gurmukhi)](./translations/pa/README.md) | [Romanian](./translations/ro/README.md) | [Russian](./translations/ru/README.md) | [Serbian (Cyrillic)](./translations/sr/README.md) | [Slovak](./translations/sk/README.md) | [Slovenian](./translations/sl/README.md) | [Spanish](./translations/es/README.md) | [Swahili](./translations/sw/README.md) | [Swedish](./translations/sv/README.md) | [Tagalog (Filipino)](./translations/tl/README.md) | [Tamil](./translations/ta/README.md) | [Telugu](./translations/te/README.md) | [Thai](./translations/th/README.md) | [Turkish](./translations/tr/README.md) | [Ukrainian](./translations/uk/README.md) | [Urdu](./translations/ur/README.md) | [Vietnamese](./translations/vi/README.md)
+[Arabic](./translations/ar/README.md) | [Bengali](./translations/bn/README.md) | [Bulgarian](./translations/bg/README.md) | [Burmese (Myanmar)](./translations/my/README.md) | [Chinese (Simplified)](./translations/zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](./translations/zh-HK/README.md) | [Chinese (Traditional, Macau)](./translations/zh-MO/README.md) | [Chinese (Traditional, Taiwan)](./translations/zh-TW/README.md) | [Croatian](./translations/hr/README.md) | [Czech](./translations/cs/README.md) | [Danish](./translations/da/README.md) | [Dutch](./translations/nl/README.md) | [Estonian](./translations/et/README.md) | [Finnish](./translations/fi/README.md) | [French](./translations/fr/README.md) | [German](./translations/de/README.md) | [Greek](./translations/el/README.md) | [Hebrew](./translations/he/README.md) | [Hindi](./translations/hi/README.md) | [Hungarian](./translations/hu/README.md) | [Indonesian](./translations/id/README.md) | [Italian](./translations/it/README.md) | [Japanese](./translations/ja/README.md) | [Kannada](./translations/kn/README.md) | [Korean](./translations/ko/README.md) | [Lithuanian](./translations/lt/README.md) | [Malay](./translations/ms/README.md) | [Malayalam](./translations/ml/README.md) | [Marathi](./translations/mr/README.md) | [Nepali](./translations/ne/README.md) | [Nigerian Pidgin](./translations/pcm/README.md) | [Norwegian](./translations/no/README.md) | [Persian (Farsi)](./translations/fa/README.md) | [Polish](./translations/pl/README.md) | [Portuguese (Brazil)](./translations/pt-BR/README.md) | [Portuguese (Portugal)](./translations/pt-PT/README.md) | [Punjabi (Gurmukhi)](./translations/pa/README.md) | [Romanian](./translations/ro/README.md) | [Russian](./translations/ru/README.md) | [Serbian (Cyrillic)](./translations/sr/README.md) | [Slovak](./translations/sk/README.md) | [Slovenian](./translations/sl/README.md) | [Spanish](./translations/es/README.md) | [Swahili](./translations/sw/README.md) | [Swedish](./translations/sv/README.md) | [Tagalog (Filipino)](./translations/tl/README.md) | [Tamil](./translations/ta/README.md) | [Telugu](./translations/te/README.md) | [Thai](./translations/th/README.md) | [Turkish](./translations/tr/README.md) | [Ukrainian](./translations/uk/README.md) | [Urdu](./translations/ur/README.md) | [Vietnamese](./translations/vi/README.md)
 
 > **Prefer to Clone Locally?**
 

translations/br/README.md

@@ -23,7 +23,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 # Inteligência Artificial para Iniciantes - Um Currículo
 
-|![Sketchnote por @girlie_mac https://twitter.com/girlie_mac](../../../../translated_images/br/ai-overview.0857791951d19500.webp)|
+|![Sketchnote por @girlie_mac https://twitter.com/girlie_mac](../../../../translated_images/pt-BR/ai-overview.0857791951d19500.webp)|
 |:---:|
 | AI For Beginners - _Sketchnote por [@girlie_mac](https://twitter.com/girlie_mac)_ |
 

translations/br/lessons/1-Intro/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # Introdução à IA
 
-![Resumo do conteúdo de Introdução à IA em um doodle](../../../../translated_images/br/ai-intro.bf28d1ac4235881c.webp)
+![Resumo do conteúdo de Introdução à IA em um doodle](../../../../translated_images/pt-BR/ai-intro.bf28d1ac4235881c.webp)
 
 > Sketchnote por [Tomomi Imura](https://twitter.com/girlie_mac)
 
@@ -19,7 +19,7 @@ CO_OP_TRANSLATOR_METADATA:
 
 Originalmente, os computadores foram inventados por [Charles Babbage](https://en.wikipedia.org/wiki/Charles_Babbage) para operar com números seguindo um procedimento bem definido - um algoritmo. Os computadores modernos, embora significativamente mais avançados que o modelo original proposto no século XIX, ainda seguem a mesma ideia de cálculos controlados. Assim, é possível programar um computador para fazer algo se soubermos a sequência exata de passos necessários para alcançar o objetivo.
 
-![Foto de uma pessoa](../../../../translated_images/br/dsh_age.d212a30d4e54fb5f.webp)
+![Foto de uma pessoa](../../../../translated_images/pt-BR/dsh_age.d212a30d4e54fb5f.webp)
 
 > Foto por [Vickie Soshnikova](http://twitter.com/vickievalerie)
 
@@ -46,7 +46,7 @@ Para mais informações, consulte **[Inteligência Artificial Geral](https://en.
 
 Um dos problemas ao lidar com o termo **[Inteligência](https://en.wikipedia.org/wiki/Intelligence)** é que não há uma definição clara para esse termo. Pode-se argumentar que inteligência está conectada ao **pensamento abstrato** ou à **autoconsciência**, mas não conseguimos defini-la adequadamente.
 
-![Foto de um gato](../../../../translated_images/br/photo-cat.8c8e8fb760ffe457.webp)
+![Foto de um gato](../../../../translated_images/pt-BR/photo-cat.8c8e8fb760ffe457.webp)
 
 > [Foto](https://unsplash.com/photos/75715CVEJhI) por [Amber Kipp](https://unsplash.com/@sadmax) do Unsplash
 
@@ -98,13 +98,13 @@ Alternativamente, podemos tentar modelar os elementos mais simples dentro de nos
 
 > | E o ML?         |      |
 > |--------------|-----------|
-> | Parte da Inteligência Artificial que se baseia no aprendizado do computador para resolver um problema com base em alguns dados é chamada de **Machine Learning**. Não consideraremos o aprendizado de máquina clássico neste curso - recomendamos o currículo separado [Machine Learning para Iniciantes](http://aka.ms/ml-beginners). |   ![ML para Iniciantes](../../../../translated_images/br/ml-for-beginners.9e4fed176fd5817d.webp)    |
+> | Parte da Inteligência Artificial que se baseia no aprendizado do computador para resolver um problema com base em alguns dados é chamada de **Machine Learning**. Não consideraremos o aprendizado de máquina clássico neste curso - recomendamos o currículo separado [Machine Learning para Iniciantes](http://aka.ms/ml-beginners). |   ![ML para Iniciantes](../../../../translated_images/pt-BR/ml-for-beginners.9e4fed176fd5817d.webp)    |
 
 ## Um Breve Histórico da IA
 
 A Inteligência Artificial começou como um campo no meio do século XX. Inicialmente, o raciocínio simbólico era a abordagem predominante, e isso levou a uma série de sucessos importantes, como sistemas especialistas – programas de computador capazes de atuar como especialistas em alguns domínios de problemas limitados. No entanto, logo ficou claro que essa abordagem não escala bem. Extrair o conhecimento de um especialista, representá-lo em um computador e manter essa base de conhecimento precisa acaba sendo uma tarefa muito complexa e cara demais para ser prática em muitos casos. Isso levou ao chamado [Inverno da IA](https://en.wikipedia.org/wiki/AI_winter) na década de 1970.
 
-<img alt="Breve Histórico da IA" src="../../../../translated_images/br/history-of-ai.7e83efa70b537f5a.webp" width="70%"/>
+<img alt="Breve Histórico da IA" src="../../../../translated_images/pt-BR/history-of-ai.7e83efa70b537f5a.webp" width="70%"/>
 
 > Imagem por [Dmitry Soshnikov](http://soshnikov.com)
 
@@ -124,7 +124,7 @@ Da mesma forma, podemos ver como a abordagem para criar “programas que falam
 * Assistentes modernos, como Cortana, Siri ou Google Assistant, são todos sistemas híbridos que usam redes neurais para converter fala em texto e reconhecer nossa intenção, e então empregam algum raciocínio ou algoritmos explícitos para realizar as ações necessárias.
 * No futuro, podemos esperar um modelo completamente baseado em redes neurais para lidar com diálogos por conta própria. As recentes redes neurais da família GPT e [Turing-NLG](https://www.microsoft.com/research/blog/turing-nlg-a-17-billion-parameter-language-model-by-microsoft) mostram grande sucesso nisso.
 
-<img alt="a evolução do teste de Turing" src="../../../../translated_images/br/turing-test-evol.4184696701293ead.webp" width="70%"/>
+<img alt="a evolução do teste de Turing" src="../../../../translated_images/pt-BR/turing-test-evol.4184696701293ead.webp" width="70%"/>
 > Imagem de Dmitry Soshnikov, [foto](https://unsplash.com/photos/r8LmVbUKgns) por [Marina Abrosimova](https://unsplash.com/@abrosimova_marina_foto), Unsplash
 
 ## Pesquisas Recentes em IA

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

@@ -12,7 +12,7 @@
     "\n",
     "Neste exemplo, implementaremos um sistema baseado em conhecimento simples para determinar um animal com base em algumas características físicas. O sistema pode ser representado pela seguinte árvore AND-OR (esta é uma parte da árvore inteira, podemos facilmente adicionar mais algumas regras):\n",
     "\n",
-    "![](../../../../../../translated_images/br/AND-OR-Tree.5592d2c70187f283.webp)\n"
+    "![](../../../../../../translated_images/pt-BR/AND-OR-Tree.5592d2c70187f283.webp)\n"
    ]
   },
   {

translations/br/lessons/2-Symbolic/README.md

@@ -9,7 +9,7 @@ CO_OP_TRANSLATOR_METADATA:
 -->
 # Representação do Conhecimento e Sistemas Especialistas
 
-![Resumo do conteúdo de IA Simbólica](../../../../../../translated_images/br/ai-symbolic.715a30cb610411a6.webp)
+![Resumo do conteúdo de IA Simbólica](../../../../../../translated_images/pt-BR/ai-symbolic.715a30cb610411a6.webp)
 
 > Sketchnote por [Tomomi Imura](https://twitter.com/girlie_mac)
 
@@ -35,13 +35,13 @@ Na maioria das vezes, não definimos conhecimento de forma estrita, mas o alinha
 * **Conhecimento** é a informação integrada em nosso modelo do mundo. Por exemplo, uma vez que aprendemos o que é um computador, começamos a ter algumas ideias sobre como ele funciona, quanto custa e para que pode ser usado. Essa rede de conceitos inter-relacionados forma nosso conhecimento.
 * **Sabedoria** é ainda um nível a mais da nossa compreensão do mundo, e representa *meta-conhecimento*, por exemplo, alguma noção sobre como e quando o conhecimento deve ser usado.
 
-<img src="../../../../translated_images/br/DIKW_Pyramid.94126f7d2bd8db5b.webp" width="30%"/>
+<img src="../../../../translated_images/pt-BR/DIKW_Pyramid.94126f7d2bd8db5b.webp" width="30%"/>
 
 *Imagem [da Wikipedia](https://commons.wikimedia.org/w/index.php?curid=37705247), Por Longlivetheux - Trabalho próprio, CC BY-SA 4.0*
 
 Assim, o problema da **representação do conhecimento** é encontrar algum meio eficaz para representar conhecimento dentro de um computador na forma de dados, para torná-lo automaticamente utilizável. Isso pode ser visto como um espectro:
 
-![Espectro de representação do conhecimento](../../../../../../translated_images/br/knowledge-spectrum.b60df631852c0217.webp)
+![Espectro de representação do conhecimento](../../../../../../translated_images/pt-BR/knowledge-spectrum.b60df631852c0217.webp)
 
 > Imagem por [Dmitry Soshnikov](http://soshnikov.com)
 
@@ -94,7 +94,7 @@ Sintaxe de Bloco | Indentação | | |
 
 Um dos primeiros sucessos da IA simbólica foram os chamados **sistemas especialistas** - sistemas computacionais desenhados para atuar como um especialista em algum domínio de problema limitado. Eles foram baseados em uma **base de conhecimento** extraída de um ou mais especialistas humanos, e continham um **motor de inferência** que realizava algum raciocínio sobre ela.
 
-![Arquitetura Humana](../../../../../../translated_images/br/arch-human.5d4d35f1bba3ab1c.webp) | ![Sistema Baseado em Conhecimento](../../../../../../translated_images/br/arch-kbs.3ec5c150b09fa8da.webp)
+![Arquitetura Humana](../../../../../../translated_images/pt-BR/arch-human.5d4d35f1bba3ab1c.webp) | ![Sistema Baseado em Conhecimento](../../../../../../translated_images/pt-BR/arch-kbs.3ec5c150b09fa8da.webp)
 ---------------------------------------------|------------------------------------------------
 Estrutura simplificada do sistema neural humano | Arquitetura de um sistema baseado em conhecimento
 
@@ -106,7 +106,7 @@ Sistemas especialistas são construídos como o sistema de raciocínio humano, q
 
 Como exemplo, vamos considerar o seguinte sistema especialista para determinar um animal com base em suas características físicas:
 
-![Árvore AND-OR](../../../../../../translated_images/br/AND-OR-Tree.5592d2c70187f283.webp)
+![Árvore AND-OR](../../../../../../translated_images/pt-BR/AND-OR-Tree.5592d2c70187f283.webp)
 
 > Imagem por [Dmitry Soshnikov](http://soshnikov.com)
 
@@ -175,7 +175,7 @@ Um conceito central na Web Semântica é o conceito de **Ontologia**. Refere-se
 
 Na web semântica, todas as representações são baseadas em tripletas. Cada objeto e cada relação são identificados unicamente pela URI. Por exemplo, se quisermos afirmar o fato de que este Currículo de IA foi desenvolvido por Dmitry Soshnikov em 1º de janeiro de 2022 - aqui estão as tripletas que podemos usar:
 
-<img src="../../../../translated_images/br/triplet.4b9b332587593298.webp" width="30%"/>
+<img src="../../../../translated_images/pt-BR/triplet.4b9b332587593298.webp" width="30%"/>
 
 ```
 http://github.com/microsoft/ai-for-beginners http://www.example.com/terms/creation-date “Jan 1, 2022”
@@ -186,7 +186,7 @@ http://github.com/microsoft/ai-for-beginners http://purl.org/dc/elements/1.1/cre
 
 Em um caso mais complexo, se quisermos definir uma lista de criadores, podemos usar algumas estruturas de dados definidas em RDF.
 
-<img src="../../../../translated_images/br/triplet-complex.32094972c7b4441b.webp" width="40%"/>
+<img src="../../../../translated_images/pt-BR/triplet-complex.32094972c7b4441b.webp" width="40%"/>
 
 > Diagramas acima por [Dmitry Soshnikov](http://soshnikov.com)
 
@@ -210,7 +210,7 @@ GROUP BY ?eyeColorLabel
 
 > ✅ Se você quiser experimentar criar suas próprias ontologias, ou abrir as existentes, existe um ótimo editor visual de ontologias chamado [Protégé](https://protege.stanford.edu/). Faça o download ou use online.
 
-<img src="../../../../translated_images/br/protege.274177ceeac13b38.webp" width="70%"/>
+<img src="../../../../translated_images/pt-BR/protege.274177ceeac13b38.webp" width="70%"/>
 
 *Editor Web Protégé aberto com a ontologia da Família Romanov. Captura de tela por Dmitry Soshnikov*
 

translations/br/lessons/3-NeuralNetworks/04-OwnFramework/OwnFramework.ipynb

@@ -487,7 +487,7 @@
     "\n",
     "No caso de termos mais de 2 classes, o softmax irá normalizar as probabilidades entre todas elas. Aqui está um diagrama da arquitetura de rede que realiza a classificação de dígitos do MNIST:\n",
     "\n",
-    "![Classificador MNIST](../../../../../translated_images/br/Cross-Entropy-Loss.7acff482d48cc41b2d3ef85ff0b263fbab299da128a462fa9b0640c5b7bc12ef.png)\n"
+    "![Classificador MNIST](../../../../../translated_images/pt-BR/Cross-Entropy-Loss.7acff482d48cc41b2d3ef85ff0b263fbab299da128a462fa9b0640c5b7bc12ef.png)\n"
    ]
   },
   {
@@ -1256,7 +1256,7 @@
     "* Baixa perda de treinamento - o modelo consegue aproximar bem os dados de treinamento, pois tem poder expressivo suficiente.\n",
     "* A perda de validação pode ser muito maior do que a perda de treinamento e pode começar a aumentar durante o treinamento - isso ocorre porque o modelo \"memoriza\" os pontos de treinamento e perde a \"visão geral\".\n",
     "\n",
-    "![Overfitting](../../../../../translated_images/br/overfit.a0bd57f717c15769.webp)\n",
+    "![Overfitting](../../../../../translated_images/pt-BR/overfit.a0bd57f717c15769.webp)\n",
     "\n",
     "> Nesta imagem, `x` representa os dados de treinamento, e `o` os dados de validação. À esquerda - modelo linear (uma camada), que aproxima bem a natureza dos dados. À direita - modelo com overfitting, que aproxima perfeitamente os dados de treinamento, mas deixa de fazer sentido com qualquer outro dado (o erro de validação é muito alto).\n"
    ]

translations/br/lessons/3-NeuralNetworks/05-Frameworks/README.md

@@ -58,7 +58,7 @@ Overfitting é um conceito extremamente importante em aprendizado de máquina, e
 
 Considere o seguinte problema de aproximar 5 pontos (representados por `x` nos gráficos abaixo):
 
-![linear](../../../../../translated_images/br/overfit1.f24b71c6f652e59e.webp) | ![overfit](../../../../../translated_images/br/overfit2.131f5800ae10ca5e.webp)
+![linear](../../../../../translated_images/pt-BR/overfit1.f24b71c6f652e59e.webp) | ![overfit](../../../../../translated_images/pt-BR/overfit2.131f5800ae10ca5e.webp)
 -------------------------|--------------------------
 **Modelo linear, 2 parâmetros** | **Modelo não-linear, 7 parâmetros**
 Erro de treinamento = 5.3 | Erro de treinamento = 0
@@ -79,7 +79,7 @@ Erro de validação = 5.1 | Erro de validação = 20
 
 Como você pode ver no gráfico acima, o overfitting pode ser detectado por um erro de treinamento muito baixo e um erro de validação alto. Normalmente, durante o treinamento, veremos tanto o erro de treinamento quanto o de validação começarem a diminuir, e então, em algum momento, o erro de validação pode parar de diminuir e começar a aumentar. Isso será um sinal de overfitting e um indicador de que provavelmente devemos parar o treinamento nesse ponto (ou pelo menos salvar um snapshot do modelo).
 
-![overfitting](../../../../../translated_images/br/Overfitting.408ad91cd90b4371.webp)
+![overfitting](../../../../../translated_images/pt-BR/Overfitting.408ad91cd90b4371.webp)
 
 ## Como prevenir o overfitting