Merge pull request #356 from 3b1b/backpropagation-vietnamese

Edit "backpropagation (vietnamese)" by @ngvutuan2811

2017/backpropagation/vietnamese/description.json

@@ -76,12 +76,12 @@
  },
  {
  "input": "9:33 - Stochastic gradient descent",
- "translatedText": "9:33 - Giảm độ dốc ngẫu nhiên",
+ "translatedText": "9:33 - Giảm grandient ngẫu nhiên",
  "n_reviews": 1
  },
  {
  "input": "12:28 - Final words",
  "translatedText": "12:28 - Lời cuối cùng",
  "n_reviews": 1
  }
-]
+]

2017/backpropagation/vietnamese/sentence_translations.json

@@ -13,7 +13,7 @@
  "model": "google_nmt",
  "n_reviews": 1,
  "start": 9.4,
- "end": 17.0
+ "end": 17
  },
  {
  "input": "Then, for those of you who do want to dive into the math, the next video goes into the calculus underlying all this. ",
@@ -29,19 +29,19 @@
  "model": "google_nmt",
  "n_reviews": 1,
  "start": 23.82,
- "end": 31.0
+ "end": 31
  },
  {
  "input": "Here, we're doing the classic example of recognizing handwritten digits whose pixel values get fed into the first layer of the network with 784 neurons, and I've been showing a network with two hidden layers having just 16 neurons each, and an output layer of 10 neurons, indicating which digit the network is choosing as its answer. ",
- "translatedText": "Ở đây, chúng tôi đang thực hiện một ví dụ kinh điển về việc nhận dạng các chữ số viết tay có giá trị pixel được đưa vào lớp đầu tiên của mạng có 784 nơ-ron và tôi đã sử dụng một mạng có hai lớp ẩn, mỗi lớp chỉ có 16 nơ-ron và một đầu ra lớp gồm 10 nơ-ron, cho biết mạng đang chọn chữ số nào làm câu trả lời. ",
+ "translatedText": "Ở đây, chúng ta đang thực hiện một ví dụ kinh điển về việc nhận dạng các chữ số viết tay có giá trị pixel được đưa vào lớp đầu tiên của mạng có 784 nơ-ron và tôi đã sử dụng một mạng có hai lớp ẩn, mỗi lớp chỉ có 16 nơ-ron và một đầu ra lớp gồm 10 nơ-ron, cho biết mạng đang chọn chữ số nào làm câu trả lời. ",
  "model": "google_nmt",
  "n_reviews": 1,
  "start": 31.68,
  "end": 49.04
  },
  {
  "input": "I'm also expecting you to understand gradient descent, as described in the last video, and how what we mean by learning is that we want to find which weights and biases minimize a certain cost function. ",
- "translatedText": "Tôi cũng mong bạn hiểu khái niệm hạ gradient, như đã được mô tả trong video trước và ý nghĩa của việc học là tìm ra trọng số và độ lệch thích hợp để giảm thiểu một hàm chi phí nhất định. ",
+ "translatedText": "Tôi cũng mong bạn hiểu khái niệm giảm gradient, như đã được mô tả trong video trước và ý nghĩa của việc học là tìm ra trọng số và độ lệch thích hợp để giảm thiểu một hàm chi phí nhất định. ",
  "model": "google_nmt",
  "n_reviews": 1,
  "start": 50.04,
@@ -173,7 +173,7 @@
  "model": "google_nmt",
  "n_reviews": 1,
  "start": 232.68,
- "end": 242.0
+ "end": 242
  },
  {
  "input": "We can't directly change those activations, we only have influence on the weights and biases, but it's helpful to keep track of which adjustments we wish should take place to that output layer. ",
@@ -329,7 +329,7 @@
  },
  {
  "input": "Now of course, we cannot directly influence those activations, we only have control over the weights and biases. ",
- "translatedText": "Tất nhiên, hiện tại, chúng ta không thể tác động trực tiếp đến những giá trị kích hoạt đó, chúng ta chỉ có quyền kiểm soát trọng số và độ lệch. ",
+ "translatedText": "Tất nhiên hiện tại ta không thể tác động trực tiếp đến những giá trị kích hoạt đó, chúng ta chỉ có quyền kiểm soát trọng số và độ lệch. ",
  "model": "google_nmt",
  "n_reviews": 1,
  "start": 432.14,
@@ -397,7 +397,7 @@
  "model": "google_nmt",
  "n_reviews": 1,
  "start": 508.96,
- "end": 517.0
+ "end": 517
  },
  {
  "input": "If we only listened to what that 2 wanted, the network would ultimately be incentivized just to classify all images as a 2. ",
@@ -413,7 +413,7 @@
  "model": "google_nmt",
  "n_reviews": 1,
  "start": 524.06,
- "end": 536.0
+ "end": 536
  },
  {
  "input": "This collection here of the averaged nudges to each weight and bias is, loosely speaking, the negative gradient of the cost function referenced in the last video, or at least something proportional to it. ",
@@ -429,7 +429,7 @@
  "model": "google_nmt",
  "n_reviews": 1,
  "start": 554.38,
- "end": 571.0
+ "end": 571
  },
  {
  "input": "By the way, in practice, it takes computers an extremely long time to add up the influence of every training example every gradient descent step. ",
@@ -441,7 +441,7 @@
  },
  {
  "input": "So here's what's commonly done instead. ",
- "translatedText": "Vì vậy, đây là những gì thường được lảm thay vào đó. ",
+ "translatedText": "Vậy thay vào đó, đây là điều thường được làm ",
  "model": "google_nmt",
  "n_reviews": 1,
  "start": 583.14,
@@ -513,10 +513,10 @@
  },
  {
  "input": "Repeatedly going through all the mini-batches and making these adjustments, you will converge towards a local minimum of the cost function, which is to say your network will end up doing a really good job on the training examples. ",
- "translatedText": "Liên tục thực hiện tất cả các đợt nhỏ và những điều chỉnh này, bạn sẽ đạt được cực tiểu cục bộ của hàm chi phí, nghĩa là mạng của bạn sẽ thực hiện rất tốt các mẫu huấn luyện. ",
+ "translatedText": "Liên tục thực hiện tất cả các đợt nhỏ và những điều chỉnh này, bạn sẽ đạt được cực tiểu địa phương của hàm chi phí, nghĩa là mạng của bạn sẽ thực hiện rất tốt các mẫu huấn luyện. ",
  "model": "google_nmt",
  "n_reviews": 1,
- "start": 674.0,
+ "start": 674,
  "end": 685.54
  },
  {
@@ -537,7 +537,7 @@
  },
  {
  "input": "So, for those of you who do want to go deeper, the next video goes through the same ideas that were just presented here, but in terms of the underlying calculus, which should hopefully make it a little more familiar as you see the topic in other resources. ",
- "translatedText": "Vì vậy, đối với những ai muốn tìm hiểu sâu hơn, video tiếp theo sẽ trình bày những ý tưởng tương tự vừa được trình bày ở đây, nhưng bằng các phép tính, hy vọng sẽ làm cho nó quen thuộc hơn một chút khi bạn xem chủ đề này trong các nguồn khác. ",
+ "translatedText": "Vậy, với những ai muốn tìm hiểu sâu hơn, video tiếp theo sẽ trình bày những ý tưởng tương tự vừa được trình bày ở đây, nhưng trong các số hạng của giải tích cơ bản, hy vọng sẽ làm cho nó quen thuộc hơn một chút khi bạn xem chủ đề này trong các nguồn khác. ",
  "model": "google_nmt",
  "n_reviews": 1,
  "start": 704.86,
@@ -561,10 +561,10 @@
  },
  {
  "input": "So a common challenge that those of you working in machine learning will be familiar with is just getting the labeled training data you actually need, whether that's having people label tens of thousands of images, or whatever other data type you might be dealing with. ",
- "translatedText": "Vì vậy, một thách thức chung mà những người làm việc trong lĩnh vực học máy sẽ quen thuộc là lấy dữ liệu huấn luyện được đã được phân loại mà bạn thực sự cần, cho dù đó là yêu cầu nhiều người phân loại cho hàng chục nghìn hình ảnh hay bất kỳ loại dữ liệu nào khác mà bạn có thể đang xử lý. ",
+ "translatedText": "Vậy, một thách thức chung mà những người làm việc trong lĩnh vực học máy sẽ quen thuộc là lấy dữ liệu huấn luyện được đã được phân loại mà bạn thực sự cần, cho dù đó là yêu cầu nhiều người phân loại cho hàng chục nghìn hình ảnh hay bất kỳ loại dữ liệu nào khác mà bạn có thể đang xử lý. ",
  "model": "google_nmt",
  "n_reviews": 1,
  "start": 735.3,
  "end": 747.1
  }
-]
+]

2017/backpropagation/vietnamese/title.json

@@ -2,4 +2,4 @@
  "input": "What is backpropagation really doing? | Chapter 3, Deep learning",
  "translatedText": "Lan truyền ngược thực sự đang làm gì? | Chương 3, Học sâu",
  "n_reviews": 0
-}
+}