Refactor collection creation

.eleventy.js

@@ -8,10 +8,15 @@ module.exports = function (eleventyConfig) {
   /// Search indexing
   eleventyConfig.addFilter("search", searchFilter);
 
-  eleventyConfig.addCollection("words_to_index", collection => {
+  eleventyConfig.addCollection("words", collection => {
     return [...collection.getFilteredByGlob("./words/**/*.md")];
   });
 
+  const alphabet = ["A", "B", "C", "D", "E", "F", "G", "H", "I", "J", "K", "L", "M", "N", "O", "P", "Q", "R", "S", "T", "U", "V", "W", "X", "Y", "Z"];
+  alphabet.forEach(l => eleventyConfig.addCollection(l, collection => {
+    return [...collection.getFilteredByGlob(`./words/${l}/*.md`)];
+  }))
+
 
   return {
     passthroughFileCopy: true,

_scripts/write_google_words.js

@@ -10,9 +10,6 @@ Object.keys(words).forEach((k) => {
       `---
 layout: word
 word: ${w}
-tags:
-  - word
-  - ${w[0].toUpperCase()}
 ---
     `
     );

example_word.md

@@ -1,9 +1,6 @@
 <!-- ---
 layout: word
 word: accuracy
-tags:
-  - word
-  - A
 --- -->
 
 # مرتب

words/A/a-b_testing.md

@@ -2,8 +2,6 @@
 layout: word
 word: A/B Testing
 translation: آزمایش A/B
-tags:
-  - A
 ---
 
 یک روش آماری است که به کمک آن می‌توان یک یا دو شیوه (تکنیک) را مقایسه کرد. به طور معمول یک وظیفه لازم در برابر رقیب جدید است که هدف آن تنها تعیین عملکرد بهتر نیست؛ بلکه برای اینکه درک کنیم آیا این تفاوت از نظر آماری معنادار است یا خیر نیز کاربرد دارد.

words/A/accuracy.md

@@ -2,8 +2,6 @@
 layout: word
 word: Accuracy
 translation: کارایی
-tags:
-  - A
 ---
 
 کسری از [پیش‌بینی‌های](/P/prediction/) درست یک [مدل طبقه‌بندی](/C/classification_model/) است که در [طبقه‌بندی چند کلاسه](/M/multi-class_classification/) به صورت زیر تعریف می‌شود:
@@ -12,5 +10,4 @@ tags:
 
 در [طبقه‌بند دودویی](/B/binary_classification/) کارایی به صورت زیر تعریف می‌شود :
 
-[مثبت واقعی](/T/true_positive_(tp)/) + [منفی واقعی](/T/true_negative_(tn)/)/تعداد کل نمونه‌ها
-
+[مثبت واقعی](</T/true_positive_(tp)/>) + [منفی واقعی](</T/true_negative_(tn)/>)/تعداد کل نمونه‌ها

words/A/action.md

@@ -2,7 +2,6 @@
 layout: word
 word: Action
 translation: عمل
-tags:
-  - A
 ---
-ساز و کاری که توسط آن [عامل](/A/agent/) بین [حالت‌های](/S/state/) [محیط](/E/environment/) تغییر می‌کند.عامل عملش را با استفاده از خط مشی انتخاب می‌کند.
+
+ساز و کاری که توسط آن [عامل](/A/agent/) بین [حالت‌های](/S/state/) [محیط](/E/environment/) تغییر می‌کند.عامل عملش را با استفاده از خط مشی انتخاب می‌کند.

words/A/activation_function.md

@@ -2,7 +2,6 @@
 layout: word
 word: Activation Function
 translation: تابع فعال‌ساز
-tags:
-  - A
 ---
-تابعی که مجموع وزنی کلیه ورودی‌های لایه قبلی را می‌گیرد و سپس مقدار خروجی (به طور معمول غیرخطی است) را به لایه بعدی منتقل می‌کند. به عنوان مثال [ReLU](/R/rectified_linear_unit_(relu)/) یا [سیگموئید](/S/sigmoid_function/).
+
+تابعی که مجموع وزنی کلیه ورودی‌های لایه قبلی را می‌گیرد و سپس مقدار خروجی (به طور معمول غیرخطی است) را به لایه بعدی منتقل می‌کند. به عنوان مثال [ReLU](</R/rectified_linear_unit_(relu)/>) یا [سیگموئید](/S/sigmoid_function/).

words/A/active_learning.md

@@ -2,7 +2,6 @@
 layout: word
 word: Active Learning
 translation: یادگیری فعال
-tags:
-  - A
 ---
-یک رویکرد [آموزشی](/T/training/) که در آن الگوریتم به صورت انتخابی طیف خاصی از نمونه های مورد نیاز برای یادگیری را جستجو می‌کند. استفاده از این روش هنگامی که دسترسی به داده پرهزینه باشد یا تعداد [داده‌های برچسب گذاری شده](/L/labeled_example/) اندک، کارآمد است.
+
+یک رویکرد [آموزشی](/T/training/) که در آن الگوریتم به صورت انتخابی طیف خاصی از نمونه های مورد نیاز برای یادگیری را جستجو می‌کند. استفاده از این روش هنگامی که دسترسی به داده پرهزینه باشد یا تعداد [داده‌های برچسب گذاری شده](/L/labeled_example/) اندک، کارآمد است.

words/A/adagrad.md

@@ -2,7 +2,6 @@
 layout: word
 word: Adagrad
 translation: آداگراد
-tags:
-  - A
 ---
-یک الگوریتم پیشرفته گرادیان کاهشی است که شیب هر پارامتر را ذخیره و به طور موثر به هر پارامتر یک [نرخ یادگیری](/L/learning_rate/) مستقل می‌دهد. برای توضیح کامل‌، به این [مقاله](http://www.jmlr.org/papers/volume12/duchi11a/duchi11a.pdf) مراجعه کنید.
+
+یک الگوریتم پیشرفته گرادیان کاهشی است که شیب هر پارامتر را ذخیره و به طور موثر به هر پارامتر یک [نرخ یادگیری](/L/learning_rate/) مستقل می‌دهد. برای توضیح کامل‌، به این [مقاله](http://www.jmlr.org/papers/volume12/duchi11a/duchi11a.pdf) مراجعه کنید.

words/A/agent.md

@@ -2,7 +2,6 @@
 layout: word
 word: Agent
 translation: عامل
-tags:
-  - A
 ---
-موجودیتی در یادگیری تقویتی است که با استفاده از [خط مشی](/P/policy/) تلاش می‌‌کند تا بازده مورد انتظار از انتقال بین [حالات](/S/state/) محیط را به حداکثر برساند.
+
+موجودیتی در یادگیری تقویتی است که با استفاده از [خط مشی](/P/policy/) تلاش می‌‌کند تا بازده مورد انتظار از انتقال بین [حالات](/S/state/) محیط را به حداکثر برساند.

words/A/agglomerative_clustering.md

@@ -2,7 +2,6 @@
 layout: word
 word: Agglomerative Clustering
 translation: خوشه بندی آگلومره
-tags:
-  - A
 ---
-[خوشه بندی سلسله مراتبی](/H/hierarchical_clustering/) را ببینید.
+
+[خوشه بندی سلسله مراتبی](/H/hierarchical_clustering/) را ببینید.

words/A/ar.md

@@ -2,7 +2,6 @@
 layout: word
 word: AR
 translation: واقعیت افزوده (مخفف)
-tags:
-  - A
 ---
-[مخفف واقعیت افزوده](/A/augmented_reality/).
+
+[مخفف واقعیت افزوده](/A/augmented_reality/).

words/A/area_under_the_pr_curve.md

@@ -2,7 +2,6 @@
 layout: word
 word: Area under the PR curve
 translation: منطقه زیر منحنی PR
-tags:
-  - A
 ---
-[PR AUC (ناحیه زیر منحنی PR) را ببینید](/p/pr_auc_(area_under_the_pr_curve)/).
+
+[PR AUC (ناحیه زیر منحنی PR) را ببینید](</p/pr_auc_(area_under_the_pr_curve)/>).

words/A/area_under_the_roc_curve.md

@@ -2,7 +2,6 @@
 layout: word
 word: Area under the ROC curve
 translation: منطقه زیر منحنی ROC
-tags:
-  - A
 ---
-[AUC (ناحیه زیر منحنی ROC) را ببینید](/a/auc_(area_under_the_roc_curve)/).
+
+[AUC (ناحیه زیر منحنی ROC) را ببینید](</a/auc_(area_under_the_roc_curve)/>).

words/A/artificial_general_intelligence.md

@@ -2,7 +2,6 @@
 layout: word
 word: Artificial General Intelligence
 translation: هوش‌ عمومی مصنوعی
-tags:
-  - A
 ---
-مکانیسم غیر انسانی که طیف گسترده‌ای از حل مسئله‌، خلاقیت و سازگاری (تطبیق) را نشان می‌دهد. به عنوان مثال، برنامه‌ای که می‌تواند متن را ترجمه کند، سمفونی‌ها را سروده و در بازی هایی که هنوز اختراع نشده اند برتری پیدا کند، نشان دهنده هوش‌ عمومی مصنوعی است.
+
+مکانیسم غیر انسانی که طیف گسترده‌ای از حل مسئله‌، خلاقیت و سازگاری (تطبیق) را نشان می‌دهد. به عنوان مثال، برنامه‌ای که می‌تواند متن را ترجمه کند، سمفونی‌ها را سروده و در بازی هایی که هنوز اختراع نشده اند برتری پیدا کند، نشان دهنده هوش‌ عمومی مصنوعی است.

words/A/artificial_intelligence.md

@@ -2,9 +2,8 @@
 layout: word
 word: Artificial Intelligence
 translation: هوش  مصنوعی
-tags:
-  - A
 ---
+
 برنامه یا الگوی غیر انسانی که می تواند کارهای پیچیده‌ای را حل کند. به عنوان مثال، برنامه یا مدلی که متن را ترجمه می‌کند یا بیماریهای ناشی از تصاویر رادیولوژی را شناسایی، هر دو دارای هوش مصنوعی هستند.
 
-با وجود اینکه یادگیری ماشین یک حوزه فرعی از هوش مصنوعی است، در سال های اخیر برخی از سازمان ها اصطلاحات هوش مصنوعی و [یادگیری ماشین](/M/machine_learning/) را بجای یکدیگر استفاده می‌کنند.
+با وجود اینکه یادگیری ماشین یک حوزه فرعی از هوش مصنوعی است، در سال های اخیر برخی از سازمان ها اصطلاحات هوش مصنوعی و [یادگیری ماشین](/M/machine_learning/) را بجای یکدیگر استفاده می‌کنند.

words/A/attribute.md

@@ -2,7 +2,6 @@
 layout: word
 word: Attribute
 translation: صفت
-tags:
-  - A
 ---
-مترادفی برای [خصیصه (ویژگی)](/F/feature/) است. صفت‌ها اغلب به خصیصه‌های مربوط به افراد اشاره دارند.
+
+مترادفی برای [خصیصه (ویژگی)](/F/feature/) است. صفت‌ها اغلب به خصیصه‌های مربوط به افراد اشاره دارند.

words/A/auc_(area_under_the_roc_curve).md

@@ -2,9 +2,8 @@
 layout: word
 word: AUC (Area Uder the ROC Curve)
 translation: AUC (ناحیه زیر منحنی ROC)
-tags:
-  - A
 ---
+
 یک معیار ارزیابی است که تمام [آستانه‌های طبقه‌بندی](/C/classification_threshold/) ممکن را در نظر می‌گیرد.
 
-ناحیه زیر [منحنی ROC](/R/roc_(receiver_operating_characteristic)_curve/) احتمالی است که در آن طبقه‌بند اطمینان بیشتری کسب کند که یک نمونه مثبت که به طور تصادفی انتخاب شده‌ است در واقع مثبت‌تر از آن است که یک نمونه منفی انتخاب شده به طور تصادفی مثبت باشد.
+ناحیه زیر [منحنی ROC](</R/roc_(receiver_operating_characteristic)_curve/>) احتمالی است که در آن طبقه‌بند اطمینان بیشتری کسب کند که یک نمونه مثبت که به طور تصادفی انتخاب شده‌ است در واقع مثبت‌تر از آن است که یک نمونه منفی انتخاب شده به طور تصادفی مثبت باشد.

words/A/augmented_reality.md

@@ -2,7 +2,6 @@
 layout: word
 word: Augmented Reality
 translation: واقعیت افزوده
-tags:
-  - A
 ---
-تكنولوژی‌ای که با قرار دادن تصویر کامپیوتری از دنیای واقعی بر روی دید كاربر، نمای مرکبی را ارائه می‌دهد.
+
+تكنولوژی‌ای که با قرار دادن تصویر کامپیوتری از دنیای واقعی بر روی دید كاربر، نمای مرکبی را ارائه می‌دهد.

words/A/automation_bias.md

@@ -2,7 +2,6 @@
 layout: word
 word: Automation Bias
 translation: سوگیری فرایند خودکار
-tags:
-  - A
 ---
-هنگامی که یک تصمیم گیرنده انسانی توصیه‌هایی که توسط یک سیستم خودکار انجام می‌شود را نسبت به اطلاعاتی که دستی تهیه شده اند برتری می‌دهد، حتی زمانی که سیستم خودکار خطا دارد.
+
+هنگامی که یک تصمیم گیرنده انسانی توصیه‌هایی که توسط یک سیستم خودکار انجام می‌شود را نسبت به اطلاعاتی که دستی تهیه شده اند برتری می‌دهد، حتی زمانی که سیستم خودکار خطا دارد.

words/A/average_precision.md

@@ -2,8 +2,6 @@
 layout: word
 word: Average Precision
 translation: میانگین دقت
-tags:
-  - A
 ---
 
 معیاری برای خلاصه کردن عملکرد یک دنباله‌ رتبه‌بندی شده از نتایج است، که با در نظر گرفتن میانگین مقادیر [صحیح]/P/precision/) مربوط برای هر نتیجه محاسبه می‌شود.

words/B/backpropagation.md

@@ -2,8 +2,6 @@
 layout: word
 word: Backpropagation
 translation: انتشار معکوس
-tags:
-  - word
-  - B
 ---
-الگوریتمی برای [شبکه‌های عصبی](https://fa.wikipedia.org/wiki/%D8%B4%D8%A8%DA%A9%D9%87_%D8%B9%D8%B5%D8%A8%DB%8C_%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C) با بیش از یک لایه پنهان است، که برای محاسبه دقیق‌تر [گرادیان](https://fa.wikipedia.org/wiki/%DA%AF%D8%B1%D8%A7%D8%AF%DB%8C%D8%A7%D9%86) وزن مورد استفاده قرار می‌گیرد. ابتدا مقادیر خروجی هر گره رو به جلو محاسبه می‌شود. سپس مشتقات جزئی خطا با توجه به هر پارامتر با بازگشت به عقب از طریق نمودار محاسبه می شود.
+
+الگوریتمی برای [شبکه‌های عصبی](https://fa.wikipedia.org/wiki/%D8%B4%D8%A8%DA%A9%D9%87_%D8%B9%D8%B5%D8%A8%DB%8C_%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C) با بیش از یک لایه پنهان است، که برای محاسبه دقیق‌تر [گرادیان](https://fa.wikipedia.org/wiki/%DA%AF%D8%B1%D8%A7%D8%AF%DB%8C%D8%A7%D9%86) وزن مورد استفاده قرار می‌گیرد. ابتدا مقادیر خروجی هر گره رو به جلو محاسبه می‌شود. سپس مشتقات جزئی خطا با توجه به هر پارامتر با بازگشت به عقب از طریق نمودار محاسبه می شود.

words/B/bag_of_words.md

@@ -2,25 +2,22 @@
 layout: word
 word: Bag of Words
 translation: کیف کلمات
-tags:
-  - word
-  - B
 ---
 
 ارائه ای بدون ترتیب از لغات درون یک عبارت یا متن برای مثال در کیف کلمات سه عبارت زیر یکسان دیده میشوند.
 
-* سگ میپرد بالاتر
+- سگ میپرد بالاتر
 
   بالاتر سگ میپرد
 
   میپرد بالاتر سگ
 
-هر کلمه به یک شاخص (index) در  بردار پراکنده (sparse vector) متصل میشود، جایی که بردار برای هر کلمه در واژگان یک شاخص در نظر گرفته است.
+هر کلمه به یک شاخص (index) در بردار پراکنده (sparse vector) متصل میشود، جایی که بردار برای هر کلمه در واژگان یک شاخص در نظر گرفته است.
 
-برای مثال  عبارت سگ بالاتر میپرد به یک بردار ویژگی با مقادیر غیر صفر برای سه نمایه‌ی مرتبط به کلمات سگ، بالاتر و میپرد متصل میشود. مقادیر غیرصفر میتواند هریک از موارد زیر باشد:
+برای مثال عبارت سگ بالاتر میپرد به یک بردار ویژگی با مقادیر غیر صفر برای سه نمایه‌ی مرتبط به کلمات سگ، بالاتر و میپرد متصل میشود. مقادیر غیرصفر میتواند هریک از موارد زیر باشد:
 
 \- 1 تا حضور کلمه را نشان بدهد.
 
-\- تعداد دفعاتی که کلمه در کیف مشاهده شده است برای مثال اگر عبارت "سگ قهوه‌ای یک سگ با رنگی قهوه‌ای است."  باشد هر دو کلمه سگ و قهوه ای با مقدار۲ نمایش داده میشوند، درحالی که سایر کلمات با ۱ نمایش داده خواهند شد.
+\- تعداد دفعاتی که کلمه در کیف مشاهده شده است برای مثال اگر عبارت "سگ قهوه‌ای یک سگ با رنگی قهوه‌ای است." باشد هر دو کلمه سگ و قهوه ای با مقدار۲ نمایش داده میشوند، درحالی که سایر کلمات با ۱ نمایش داده خواهند شد.
 
-\- الگوریتم های دیگر مانند لگاریتم تعداد دفعات تکرار کلمه در کیف.
+\- الگوریتم های دیگر مانند لگاریتم تعداد دفعات تکرار کلمه در کیف.

words/B/baseline.md

@@ -2,9 +2,6 @@
 layout: word
 word: Baseline
 translation: مبنا
-tags:
-  - word
-  - B
 ---
 
 مدلی که به عنوان مرجعی برای مقایسه میزان خوب بودن مدلی دیگر (معمولا یک مدل پیچیده تر) استفاده میشود. برای مثال یک **[logistic regression model](/L/logistic_regression/)** ممکن است بتواند به عنوان یک مبنا‌ی خوب برای یک **[deep model](/D/deep_model/)** باشد.

words/B/batch.md

@@ -2,10 +2,8 @@
 layout: word
 word: Batch
 translation: دسته
-tags:
-  - word
-  - B
 ---
+
 مجموعه مواردی که در یک تکرار (یکبار بروزرسانی گرادیان ) از فرآیند آموزش مدل استفاده می‌شود.
 
 مطالعه بیشتر: [اندازه دسته (batch size)](/B/batch_size)

words/B/batch_normalization.md

@@ -2,9 +2,6 @@
 layout: word
 word: Batch Normalization
 translation: نرمال سازی دسته
-tags:
-  - word
-  - B
 ---
 
 نرمال سازی ورودی یا خروجی تابع فعال ساز در یک لایه‌ی مخفی. نرمال سازی دسته میتواند مزایای زیر را داشته باشد:

words/B/batch_size.md

@@ -2,9 +2,6 @@
 layout: word
 word: Batch Size
 translation: اندازه دسته
-tags:
-  - word
-  - B
 ---
 
 تعداد مواردی که در یک دسته حضور دارند. مثلا اندازه دسته **[SGD](</S/stochastic_gradient_descent_(sgd)/>)** عدد یک است، درحالی که اندازه دسته یک **[mini-batch](/M/mini-batch/)** معمولا عددی بین ۱ تا ۱۰۰۰ است. اندازه دسته معمولا در طول فرآیند آموزش و استنتاج ثابت است اگرچه تنسرفلو اجازه تعریف اندازه دسته پویا را نیز میدهد.

words/B/bayesian_neural_network.md

@@ -2,9 +2,6 @@
 layout: word
 word: Bayesian Neural Network
 translation: شبکه عصبی بیزین
-tags:
-  - word
-  - B
 ---
 
 یک[ شبکه عصبی](/N/neural_network/) احتمالی متکی به قضیه [بیز](https://betterexplained.com/articles/an-intuitive-and-short-explanation-of-bayes-theorem/) است که عدم قطعیت در [وزن‌ها](/W/weight/) و خروجی‌های شبکه را به خود اختصاص می‌دهد. بیزین بر خلاف یک مدل رگرسیون (پیش‌بینی یک مقیاس) براساس توزیع مقادیر [پیش‌بینی](/P/prediction/) می‌کند. به عنوان مثال ، یک مدل قیمت خانه را 853،000 و بیزین قیمت خانه را 853،000 با انحراف استاندارد 67200 پیش‌بینی می‌کند. با استفاده از بیزین می‌توان کمیت عدم قطعیت را تعیین کرد.(مانند مدل‌های مرتبط با دارو) همچنین از [بیش‌برازش](/O/overfitting/) جلوگیری کرد.