ol-openedx-course-translations 0.1.0__py3-none-any.whl → 0.3.0__py3-none-any.whl

ol_openedx_course_translations/apps.py

@@ -3,7 +3,7 @@ ol_openedx_course_translations Django application initialization.
 """
 
 from django.apps import AppConfig
-from edx_django_utils.plugins import PluginSettings
+from edx_django_utils.plugins import PluginSettings, PluginURLs
 from openedx.core.djangoapps.plugins.constants import ProjectType, SettingsType
 
 
@@ -15,9 +15,19 @@ class OLOpenedXCourseTranslationsConfig(AppConfig):
     name = "ol_openedx_course_translations"
 
     plugin_app = {
+        PluginURLs.CONFIG: {
+            ProjectType.LMS: {
+                PluginURLs.NAMESPACE: "",
+                PluginURLs.REGEX: "^course-translations/",
+                PluginURLs.RELATIVE_PATH: "urls",
+            }
+        },
         PluginSettings.CONFIG: {
             ProjectType.CMS: {
-                SettingsType.COMMON: {PluginSettings.RELATIVE_PATH: "settings.common"},
+                SettingsType.COMMON: {PluginSettings.RELATIVE_PATH: "settings.cms"},
+            },
+            ProjectType.LMS: {
+                SettingsType.COMMON: {PluginSettings.RELATIVE_PATH: "settings.lms"},
             },
         },
     }

ol_openedx_course_translations/glossaries/machine_learning/ar.txt

@@ -0,0 +1,175 @@
+# AR HINTS
+## TERM MAPPINGS
+These are preferred terminology choices for this language. Use them whenever they sound natural; adapt freely if context requires.
+
+- 'accuracy' -> 'الدقة'
+- 'activation function' -> 'دالّة التفعيل'
+- 'artificial intelligence' -> 'الذكاء الاصطناعي'
+- 'AUC' -> 'AUC'
+- 'AUC (Area under the ROC curve)' -> 'المساحة تحت منحنى ROC'
+- 'backpropagation' -> 'الانتشار العكسي'
+- 'batch' -> 'دفعة'
+- 'batch size' -> 'حجم الدفعة'
+- 'bias (ethics/fairness)' -> 'التحيّز (الأخلاقيات/الإنصاف)'
+- 'bias (math) or bias term' -> 'الانحياز (في الرياضيات) أو مصطلح الانحياز'
+- 'bias in ethics and fairness' -> 'التحيز في الأخلاق والعدالة'
+- 'bias term' -> 'مصطلح التحيز'
+- 'binary classification' -> 'التصنيف الثنائي'
+- 'bucketing' -> 'تصنيف البيانات'
+- 'categorical' -> 'فئوية'
+- 'categorical data' -> 'البيانات الفئوية'
+- 'class' -> 'صنف'
+- 'class-imbalanced dataset' -> 'مجموعة بيانات غير متوازنة الفئات'
+- 'class-imbalanced datasets' -> 'مجموعات بيانات غير متوازنة الفئات'
+- 'classification' -> 'التصنيف'
+- 'classification model' -> 'نموذج التصنيف'
+- 'classification threshold' -> 'عتبة التصنيف'
+- 'classifier' -> 'مصنِّف'
+- 'clipping' -> 'القص'
+- 'confusion matrix' -> 'مصفوفة نجاح التوقعات'
+- 'continuous feature' -> 'خاصية مستمرة'
+- 'convergence' -> 'التقارب'
+- 'data set or dataset' -> 'مجموعة البيانات'
+- 'DataFrame' -> 'DataFrame'
+- 'dataset' -> 'مجموعة بيانات'
+- 'deep learning' -> 'التعلم العميق'
+- 'deep model' -> 'نموذج عميق'
+- 'dense feature' -> 'خاصية كثيفة'
+- 'depth' -> 'العمق'
+- 'discrete feature' -> 'خاصية محدّدة القيم'
+- 'discrete features' -> 'الميزات المنفصلة'
+- 'dynamic' -> 'ديناميكي'
+- 'dynamic model' -> 'نموذج ديناميكي'
+- 'early stopping' -> 'الإيقاف المبكر'
+- 'embedding layer' -> 'طبقة التضمين'
+- 'embedding layers' -> 'طبقات تضمين'
+- 'epoch' -> 'حقبة'
+- 'example' -> 'على سبيل المثال'
+- 'false negative (FN)' -> 'سالب خاطئ (FN)'
+- 'false negatives' -> 'الحالات السالبة الخاطئة'
+- 'false positive (FP)' -> 'موجب خاطئ (FP)'
+- 'false positive rate' -> 'معدّل الموجب الخاطئ'
+- 'false positive rate (FPR)' -> 'معدّل الموجب الخاطئ'
+- 'false positives' -> 'الحالات الموجبة الخاطئة'
+- 'feature' -> 'ميزة'
+- 'feature cross' -> 'مضروب مجموعات الخصائص'
+- 'feature crosses' -> 'تقاطع الميزات'
+- 'feature engineering' -> 'هندسة الميزات'
+- 'feature set' -> 'مجموعة الميزات'
+- 'feature vector' -> 'متّجه الميزات'
+- 'feedback loop' -> 'حلقة الملاحظات'
+- 'generalization' -> 'التعميم'
+- 'generalization curve' -> 'منحنى التعميم'
+- 'gradient descent' -> 'النزول المتدرّج'
+- 'ground truth' -> 'معلومات فعلية'
+- 'hidden layer' -> 'الطبقة المخفية'
+- 'hidden layer(s)' -> 'الطبقات المخفية'
+- 'hyperparameter' -> 'المعلَمة الفائقة'
+- 'independently and identically distributed (i.i.d)' -> 'موزّعة بشكل مستقل ومتشابه'
+- 'inference' -> 'الاستنتاج'
+- 'input layer' -> 'طبقة الإدخال'
+- 'interpretability' -> 'القابلية للتفسير'
+- 'iteration' -> 'التكرار'
+- 'L0regularization' -> 'التسوية من النوع L0'
+- 'L1loss' -> 'L1'
+- 'L1regularization' -> 'التسوية من النوع L1'
+- 'L2loss' -> 'فقدانL2'
+- 'L2regularization' -> 'التسوية من النوع L2'
+- 'label' -> 'التصنيف'
+- 'labeled example' -> 'مثال مصنّف'
+- 'lambda' -> 'lambda'
+- 'layer' -> 'طبقة'
+- 'learning rate' -> 'معدّل التعلّم'
+- 'linear' -> 'خطي'
+- 'linear model' -> 'النموذج الخطي'
+- 'linear models' -> 'النماذج الخطية'
+- 'linear regression' -> 'الانحدار الخطي'
+- 'Log Loss' -> 'الخسارة اللوغاريتمية'
+- 'log-odds' -> 'لوغاريتم فرص الأفضلية'
+- 'logistic regression' -> 'الانحدار اللوجستي'
+- 'loss' -> 'خسارة'
+- 'loss curve' -> 'منحنى الخسارة'
+- 'loss function' -> 'دالة الخسارة'
+- 'machine learning' -> 'تعلُم الآلة'
+- 'majority class' -> 'الفئة الأكبر'
+- 'mini-batch' -> 'دفعة صغيرة'
+- 'minority class' -> 'فئة الأقلية'
+- 'model' -> 'نموذج'
+- 'multi-class classification' -> 'التصنيف المتعدّد الفئات'
+- 'negative class' -> 'فئة سالبة'
+- 'negative classes' -> 'الفئات السلبية'
+- 'neural network' -> 'شبكة عصبونية'
+- 'neural networks' -> 'للشبكات العصبية'
+- 'neuron' -> 'عصبون'
+- 'node (neural network)' -> 'عقدة (شبكة عصبونية)'
+- 'nonlinear' -> 'غير خطي'
+- 'nonstationarity' -> 'عدم الثبات'
+- 'normalization' -> 'التسوية'
+- 'numerical data' -> 'البيانات الرقمية'
+- 'offline' -> 'بلا إنترنت'
+- 'offline inference' -> 'الاستنتاج المؤخَّر'
+- 'one-hot encoding' -> 'الترميز الأحادي'
+- 'one-hot vector' -> 'متجهًا ذا ترميز ساخن'
+- 'one-vs.-all' -> 'واحد-مقابل-الكل'
+- 'online' -> 'online'
+- 'online inference' -> 'الاستنتاج الحي'
+- 'output layer' -> 'الطبقة النهائية'
+- 'output layers' -> 'الطبقات النهائية'
+- 'overfitting' -> 'فرط التخصيص'
+- 'pandas' -> 'باندا'
+- 'parameter' -> 'مَعلمة'
+- 'positive class' -> 'فئة موجبة'
+- 'positive classes' -> 'الفئات الإيجابية'
+- 'post-processing' -> 'المعالجة اللاحقة'
+- 'precision' -> 'الدقة'
+- 'prediction' -> 'التوقّع'
+- 'proxy labels' -> 'تصنيفات تقريبية'
+- 'RAG' -> 'التوليد المعزّز بالاسترجاع (RAG)'
+- 'rater' -> 'مُصنِّف'
+- 'recall' -> 'تذكُّر الإعلان'
+- 'Rectified Linear Unit (ReLU)' -> 'وحدة خطية مصحَّحة (ReLU)'
+- 'regression model' -> 'نموذج الانحدار'
+- 'regularization' -> 'التسوية'
+- 'regularization rate' -> 'معدّل التسوية'
+- 'ReLU' -> 'ReLU'
+- 'retrieval-augmented generation' -> 'التوليد المعزّز بالاسترجاع'
+- 'retrieval-augmented generation (RAG)' -> 'التوليد المعزّز بالاسترجاع (RAG)'
+- 'ROC (receiver operating characteristic) Curve' -> 'منحنى الأمثلة الإيجابية'
+- 'ROC curve' -> 'منحنى ROC'
+- 'Root Mean Squared Error (RMSE)' -> 'جذر الخطأ التربيعي المتوسّط (RMSE)'
+- 'sigmoid function' -> 'الدالّة الإسية'
+- 'softmax' -> 'softmax'
+- 'sparse feature' -> 'خاصية متناثرة'
+- 'sparse representation' -> 'التمثيل المتناثر'
+- 'sparse vector' -> 'متّجه متناثر'
+- 'squared loss' -> 'الخسارة التربيعية'
+- 'static' -> 'ثابت'
+- 'static inference' -> 'الاستنتاج الثابت'
+- 'static model' -> 'النموذج الثابت'
+- 'stationarity' -> 'الثبات'
+- 'Stochastic Gradient Descent (SGD)' -> 'النزول المتدرّج العشوائي (SGD)'
+- 'supervised learning' -> 'التعلم المُوجّه'
+- 'supervised machine learning' -> 'تعلُّم الآلة الخاضع للإشراف'
+- 'synthetic feature' -> 'خاصية مصطنعة'
+- 'synthetic features' -> 'ميزات اصطناعية'
+- 'test loss' -> 'فقدان الاختبار'
+- 'training' -> 'التدريب'
+- 'training loss' -> 'فقدان التدريب'
+- 'training set' -> 'مجموعة التدريب'
+- 'training-serving skew' -> 'اختلاف بين بيانات التدريب وبيانات العرض'
+- 'true negative (TN)' -> 'سالب صحيح'
+- 'true negatives' -> 'الحالات السالبة الصحيحة'
+- 'true positive (TP)' -> 'موجب صحيح (TP)'
+- 'true positive rate' -> 'معدّل الإيجابية الحقيقية'
+- 'true positive rate (TPR)' -> 'معدّل الموجب الصحيح (TPR)'
+- 'true positives' -> 'الحالات الموجبة الصحيحة'
+- 'underfitting' -> 'فرط التعميم'
+- 'unlabeled example' -> 'مثال غير مصنّف'
+- 'unsupervised machine learning' -> 'تعلُّم الآلة غير الموجَّه'
+- 'validation' -> 'الإثبات'
+- 'validation dataset' -> 'مجموعة بيانات التحقّق من الصحة'
+- 'validation loss' -> 'فقدان التحقّق من الصحة'
+- 'validation set' -> 'مجموعة التحقّق'
+- 'weight' -> 'الوزن'
+- 'weighted sum' -> 'المجموع الموزون'
+- 'Z-score normalization' -> 'التسوية باستخدام الدرجة المعيارية'

ol_openedx_course_translations/glossaries/machine_learning/de.txt

@@ -0,0 +1,175 @@
+# DE HINTS
+## TERM MAPPINGS
+These are preferred terminology choices for this language. Use them whenever they sound natural; adapt freely if context requires.
+
+- 'accuracy' -> ‚Genauigkeit'
+- 'activation function' -> ‚Aktivierungsfunktion'
+- 'artificial intelligence' -> ‚künstliche Intelligenz'
+- 'AUC' -> ‚AUC'
+- 'AUC (Area under the ROC curve)' -> ‚AUC (Area Under the ROC Curve, Bereich unter der ROC-Kurve)'
+- 'backpropagation' -> ‚Rückpropagation'
+- 'batch' -> ‚Batch'
+- 'batch size' -> ‚Batchgröße'
+- 'bias (ethics/fairness)' -> ‚Bias (Ethik/Fairness)'
+- 'bias (math) or bias term' -> ‚Bias (mathematisch) oder Bias-Term'
+- 'bias in ethics and fairness' -> ‚Bias in Bezug auf Ethik und Fairness'
+- 'bias term' -> ‚Bias-Term'
+- 'binary classification' -> ‚Binärklassifizierung'
+- 'bucketing' -> ‚Bucketing'
+- 'categorical' -> ‚kategorialen'
+- 'categorical data' -> ‚Kategoriale Daten'
+- 'class' -> ‚Klasse'
+- 'class-imbalanced dataset' -> ‚Dataset mit Klassenungleichgewicht'
+- 'class-imbalanced datasets' -> ‚Datasets mit ungleichmäßiger Klassenverteilung'
+- 'classification' -> ‚Klassifizierungsaufgabe'
+- 'classification model' -> ‚Klassifikationsmodell'
+- 'classification threshold' -> ‚Klassifizierungsschwellenwert'
+- 'classifier' -> ‚Klassifikator'
+- 'clipping' -> ‚Clipping'
+- 'confusion matrix' -> ‚Wahrheitsmatrix'
+- 'continuous feature' -> ‚stetiges Feature'
+- 'convergence' -> ‚Konvergenz'
+- 'data set or dataset' -> ‚Dataset oder Dataset'
+- 'DataFrame' -> ‚DataFrame'
+- 'dataset' -> ‚Dataset'
+- 'deep learning' -> ‚Deep Learning'
+- 'deep model' -> ‚Deep-Modell'
+- 'dense feature' -> ‚vollbesetztes Feature'
+- 'depth' -> ‚Tiefe'
+- 'discrete feature' -> ‚diskretes Feature'
+- 'discrete features' -> ‚diskrete Features'
+- 'dynamic' -> ‚dynamic'
+- 'dynamic model' -> ‚dynamisches Modell'
+- 'early stopping' -> ‚Vorzeitiges Beenden'
+- 'embedding layer' -> ‚Einbettungsebene'
+- 'embedding layers' -> ‚Einbettungsebenen'
+- 'epoch' -> ‚Epoche'
+- 'example' -> ‚Beispiel'
+- 'false negative (FN)' -> ‚falsch negativ (FN)'
+- 'false negatives' -> ‚falsch negativen Ergebnisse'
+- 'false positive (FP)' -> ‚falsch positiv (FP)'
+- 'false positive rate' -> ‚Falsch-Positiv-Rate'
+- 'false positive rate (FPR)' -> ‚Rate falsch positiver Ergebnisse (False Positive Rate, FPR)'
+- 'false positives' -> ‚falsch positiven Ergebnisse'
+- 'feature' -> ‚Feature'
+- 'feature cross' -> ‚Featureverknüpfung'
+- 'feature crosses' -> ‚Feature-Kombinationen'
+- 'feature engineering' -> ‚Feature Engineering'
+- 'feature set' -> ‚Feature-Set'
+- 'feature vector' -> ‚Featurevektor'
+- 'feedback loop' -> ‚Feedbackschleife'
+- 'generalization' -> ‚Generalisierung'
+- 'generalization curve' -> ‚Verallgemeinerungskurve'
+- 'gradient descent' -> ‚Gradientenabstieg'
+- 'ground truth' -> ‚Ground Truth'
+- 'hidden layer' -> ‚versteckte Ebene'
+- 'hidden layer(s)' -> ‚verborgenen Schichten'
+- 'hyperparameter' -> ‚Hyperparameter'
+- 'independently and identically distributed (i.i.d)' -> ‚unabhängig und identisch verteilt (i.i.d.)'
+- 'inference' -> ‚Inferenz'
+- 'input layer' -> ‚Eingabelayer'
+- 'interpretability' -> ‚Interpretierbarkeit'
+- 'iteration' -> ‚Iteration'
+- 'L0regularization' -> ‚L0-Regularisierung'
+- 'L1loss' -> ‚L1-Verlust'
+- 'L1regularization' -> ‚L1-Regularisierung'
+- 'L2loss' -> ‚L2-Verlust'
+- 'L2regularization' -> ‚L2-Regularisierung'
+- 'label' -> ‚Label'
+- 'labeled example' -> ‚Beispiel mit Label'
+- 'lambda' -> ‚Lambda'
+- 'layer' -> ‚Layer'
+- 'learning rate' -> ‚Lernrate'
+- 'linear' -> ‚Linear'
+- 'linear model' -> ‚Lineares Modell'
+- 'linear models' -> ‚linearen Modellen'
+- 'linear regression' -> ‚lineare Regression'
+- 'Log Loss' -> ‚Log Loss'
+- 'log-odds' -> ‚Log-Odds'
+- 'logistic regression' -> ‚logistische Regression'
+- 'loss' -> ‚Niederlage'
+- 'loss curve' -> ‚Verlustkurve'
+- 'loss function' -> ‚Verlustfunktion'
+- 'machine learning' -> ‚Machine Learning'
+- 'majority class' -> ‚Mehrheitsklasse'
+- 'mini-batch' -> ‚Mini-Batch'
+- 'minority class' -> ‚Minderheitsklasse'
+- 'model' -> ‚Modell'
+- 'multi-class classification' -> ‚Klassifizierung mit mehreren Klassen'
+- 'negative class' -> ‚negative Klasse'
+- 'negative classes' -> ‚negativen Klassen'
+- 'neural network' -> ‚neuronales Netzwerk'
+- 'neural networks' -> ‚neuronale Netze'
+- 'neuron' -> ‚Neuron'
+- 'node (neural network)' -> ‚Knoten (neuronales Netzwerk)'
+- 'nonlinear' -> ‚nicht linear'
+- 'nonstationarity' -> ‚Nichtstationarität'
+- 'normalization' -> ‚Normalisierung'
+- 'numerical data' -> ‚Numerische Daten'
+- 'offline' -> ‚offline'
+- 'offline inference' -> ‚Offlineinferenz'
+- 'one-hot encoding' -> ‚One-Hot-Codierung'
+- 'one-hot vector' -> ‚One-Hot-Vektor'
+- 'one-vs.-all' -> ‚One-vs.-All'
+- 'online' -> ‚online'
+- 'online inference' -> ‚Onlineinferenz'
+- 'output layer' -> ‚Ausgabeschicht'
+- 'output layers' -> ‚Ausgabelayer'
+- 'overfitting' -> ‚Überanpassung'
+- 'pandas' -> ‚pandas'
+- 'parameter' -> ‚Parameter'
+- 'positive class' -> ‚positive Klasse'
+- 'positive classes' -> ‚positive Klassen'
+- 'post-processing' -> ‚Nachbearbeitung'
+- 'precision' -> ‚Precision'
+- 'prediction' -> ‚Vorhersage-'
+- 'proxy labels' -> ‚Proxy-Labels'
+- 'RAG' -> ‚RAG'
+- 'rater' -> ‚Bewerter'
+- 'recall' -> ‚Rückruf'
+- 'Rectified Linear Unit (ReLU)' -> ‚Rektifizierte lineare Einheit (ReLU)'
+- 'regression model' -> ‚Regressionsmodell'
+- 'regularization' -> ‚Regularisierung'
+- 'regularization rate' -> ‚Regularisierungsrate'
+- 'ReLU' -> ‚ReLU'
+- 'retrieval-augmented generation' -> ‚Retrieval-Augmented Generation'
+- 'retrieval-augmented generation (RAG)' -> ‚Retrieval-Augmented Generation (RAG)'
+- 'ROC (receiver operating characteristic) Curve' -> ‚ROC-Kurve (Receiver Operating Characteristic)'
+- 'ROC curve' -> ‚ROC-Kurve'
+- 'Root Mean Squared Error (RMSE)' -> ‚Wurzel der mittleren Fehlerquadratsumme (RMSE)'
+- 'sigmoid function' -> ‚Sigmoidfunktion'
+- 'softmax' -> ‚Softmax-Funktion'
+- 'sparse feature' -> ‚dünnbesetztes Feature'
+- 'sparse representation' -> ‚dünnbesetzte Darstellung'
+- 'sparse vector' -> ‚dünnbesetzter Vektor'
+- 'squared loss' -> ‚Quadratischer Verlust'
+- 'static' -> ‚Statisch'
+- 'static inference' -> ‚Statische Inferenz'
+- 'static model' -> ‚statischen Modell'
+- 'stationarity' -> ‚Stationarität'
+- 'Stochastic Gradient Descent (SGD)' -> ‚Stochastic Gradient Descent (SGD)'
+- 'supervised learning' -> ‚überwachtes Lernen'
+- 'supervised machine learning' -> ‚überwachtes maschinelles Lernen'
+- 'synthetic feature' -> ‚synthetisches Feature'
+- 'synthetic features' -> ‚synthetische Features'
+- 'test loss' -> ‚Testverlust'
+- 'training' -> ‚Training'
+- 'training loss' -> ‚Trainingsverlust'
+- 'training set' -> ‚Trainings-Dataset'
+- 'training-serving skew' -> ‚Abweichungen zwischen Training und Bereitstellung'
+- 'true negative (TN)' -> ‚richtig negativ (RN)'
+- 'true negatives' -> ‚richtig negativen Ergebnisse'
+- 'true positive (TP)' -> ‚Richtig positiv (TP)'
+- 'true positive rate' -> ‚Rate der richtig positiven Ergebnisse'
+- 'true positive rate (TPR)' -> ‚Rate richtig positiver Ergebnisse (True Positive Rate, TPR)'
+- 'true positives' -> ‚richtig positiven Ergebnisse'
+- 'underfitting' -> ‚Unteranpassung'
+- 'unlabeled example' -> ‚Beispiel ohne Label'
+- 'unsupervised machine learning' -> ‚unüberwachtes maschinelles Lernen'
+- 'validation' -> ‚Validierung'
+- 'validation dataset' -> ‚Validierungs-Dataset'
+- 'validation loss' -> ‚Validierungsverlust'
+- 'validation set' -> ‚Validierungs-Dataset'
+- 'weight' -> ‚Gewicht'
+- 'weighted sum' -> ‚gewichtete Summe'
+- 'Z-score normalization' -> ‚Z-Score-Normalisierung'