update-translations
localizeflow[bot]
4 days ago
parent
00c2adf2ab
commit
4da685c3c1
@ -1,152 +1,157 @@
|
||||
# ការណែនាំអំពីការរៀនម៉ាស៊ីន
|
||||
|
||||
## [សំណួរតេស្តមុនថ្នាក់](https://ff-quizzes.netlify.app/en/ml/)
|
||||
## [សំណួរពីមុនវគ្គសិក្សា](https://ff-quizzes.netlify.app/en/ml/)
|
||||
|
||||
---
|
||||
|
||||
[](https://youtu.be/6mSx_KJxcHI "ML សម្រាប់អ្នកសរសេរใหม่ - ការណែនាំអំពីការរៀនម៉ាស៊ីនសម្រាប់អ្នកសរសេរ")
|
||||
[](https://youtu.be/6mSx_KJxcHI "ML for beginners - Introduction to Machine Learning for Beginners")
|
||||
|
||||
> 🎥 ចុចលើរូបភាពខាងលើសម្រាប់វីដេអូខ្លីបង្ហាញពីមេរៀននេះ។
|
||||
> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូចំនុចខ្លីបរិយាយអំពីមេរៀននេះ។
|
||||
|
||||
សូមស្វាគមន៍មកកាន់វគ្គសិក្សានេះអំពីការរៀនម៉ាស៊ីនបែបសាមញ្ញសម្រាប់អ្នកចាប់ផ្ដើម! មិនថាអ្នកជាអ្នកថ្មីតែម្តងនឹងប្រធានបទនេះ ឬជាអ្នកអនុវត្ត ML ដែលមានបទពិសោធន៍ជាមួយកន្លែងមួយណាមួយដែលចង់បង្កើតវិជ្ជាជីវៈឡើងវិញ យើងមានសេចក្ដីសប្បាយរីករាយដែលអ្នកបានចូលរួមជាមួយយើង! យើងចង់បង្កើតទីតាំងមួយដែលរាប់មិត្តភាព សម្រាប់ការសិក្សា ML របស់អ្នក ហើយយើងនឹងមានមោទនភាពក្នុងការវាយតម្លៃ ឆ្លើយតប និងរួមបញ្ចូលមតិយោបល់របស់អ្នក [feedback](https://github.com/microsoft/ML-For-Beginners/discussions)។
|
||||
សូមស្វាគមន៍មកកាន់មុខវិជ្ជានេះស្តីពីការរៀនម៉ាស៊ីនបែបបុរាណសម្រាប់អ្នកដែលជាអ្នកចាប់ផ្តើម! មិនថាអ្នកថ្មីយ៉ាងពិតប្រាកដដល់មុខវិជ្ជានេះ ឬជាអ្នកមានបទពិសោធន៍ក្នុងការអនុវត្ត ML ដែលចង់បន្ថែមជំនាញផ្នែកណាមួយក៏ដោយ យើងរីករាយដែលអ្នកបានចូលរួមជាមួយយើង! យើងចង់បង្កើតចំណុចចាប់ផ្តើមមិត្តភក្តិសម្រាប់ការសិក្សា ML របស់អ្នក ហើយរីករាយក្នុងការវាយតម្លៃ ការឆ្លើយតប និងបញ្ចូលមតិអ្នក [មតិយោបល់](https://github.com/microsoft/ML-For-Beginners/discussions)។
|
||||
|
||||
[](https://youtu.be/h0e2HAPTGF4 "ការណែនាំអំពី ML")
|
||||
[](https://youtu.be/h0e2HAPTGF4 "Introduction to ML")
|
||||
|
||||
> 🎥 ចុចលើរូបភាពខាងលើសម្រាប់វីដេអូ៖ John Guttag របស់ MIT ដឹកនាំបង្ហាញអំពីការរៀនម៉ាស៊ីន
|
||||
> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ៖ John Guttag ពី MITណែនាំអំពីការរៀនម៉ាស៊ីន
|
||||
|
||||
---
|
||||
## ផ្ដើមសិក្សាអំពីការរៀនម៉ាស៊ីន
|
||||
## ការចាប់ផ្តើមជាមួយការរៀនម៉ាស៊ីន
|
||||
|
||||
មុននឹងចាប់ផ្ដើមវគ្គសិក្សានេះ អ្នកត្រូវតែមានកុំព្យូទ័ររបស់អ្នកត្រៀមរួចរាល់សម្រាប់បើកចូលប្រើមូលដ្ឋានសៀវភៅកំណត់ត្រាផ្ទាល់ខ្លួន។
|
||||
មុននឹងចាប់ផ្តើមជាមួយមេរៀននេះ អ្នកត្រូវតែដំឡើងកុំព្យូទ័ររបស់អ្នកហើយមានការត្រៀមរួចជាស្រេចដើម្បីរត់កំណត់ត្រាតូចៗនៅក្នុងកន្លែងរបស់អ្នកបាន។
|
||||
|
||||
- **កំណត់រចនាសម្ព័ន្ធម៉ាស៊ីនរបស់អ្នកជាមួយវីដេអូទាំងនេះ**។ ប្រើតំណភ្ជាប់ខាងក្រោមសម្រាប់រៀនពីរបៀប [ដំឡើង Python](https://youtu.be/CXZYvNRIAKM) នៅលើប្រព័ន្ធរបស់អ្នក និង [កំណត់ការ text editor](https://youtu.be/EU8eayHWoZg) សម្រាប់ការអភិវឌ្ឍន៍។
|
||||
- **រៀន Python**។ បើកមានការផ្តល់អនុសាសន៍ឲ្យមានការយល់ដឹងមូលដ្ឋានអំពី [Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott) ដែលជាភាសាកូដដែលមានប្រយោជន៍សម្រាប់អ្នកវិទ្យាសាស្ត្រទិន្នន័យដែលយើងប្រើក្នុងវគ្គសិក្សានេះ។
|
||||
- **រៀន Node.js និង JavaScript**។ យើងក៏ប្រើ JavaScript ពេលខ្លះនៅក្នុងវគ្គនេះពេលកសាងកម្មវិធីបណ្តាញ ដូច្នេះអ្នកត្រូវតែមាន [node](https://nodejs.org) និង [npm](https://www.npmjs.com/) តម្លើងក្នុងប្រព័ន្ធរបស់អ្នក បូកជាមួយការចូលប្រើ [Visual Studio Code](https://code.visualstudio.com/) សម្រាប់ការអភិវឌ្ឍ Python និង JavaScript ។
|
||||
- **បង្កើតគណនី GitHub**។ ពីព្រោះអ្នកបានរកឃើញយើងនៅទីនេះលើ [GitHub](https://github.com) សូមអាចមានគណនីរួចហើយ តែបើមិនមានសូមបង្កើត និង Fork វគ្គសិក្សានេះដើម្បីប្រើប្រាស់ដោយផ្ទាល់ខ្លួន។ (សូមឥតគិតថ្លៃផ្តល់ផ្កាយមួយជាការគាំទ្រ 😊)
|
||||
- **ស្វែងយល់អំពី Scikit-learn**។ សូមស្គាល់គាត់ [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) ដែលជាសំណុំនៃបណ្ណាល័យ ML ដែលយើងយោងទៅលើក្នុងមេរៀនទាំងនេះ។
|
||||
- **កំណត់ការកំណត់ម៉ាស៊ីនរបស់អ្នកដោយប្រើវីដេអូទាំងនេះ**។ ប្រើតំណភ្ជាប់ខាងក្រោមដើម្បីរៀនពីរបៀប [ដំឡើង Python](https://youtu.be/CXZYvNRIAKM) នៅក្នុងប្រព័ន្ធរបស់អ្នក និង [កំណត់កម្មវិធីកែសម្រួលអត្ថបទ](https://youtu.be/EU8eayHWoZg) សម្រាប់ការអភិវឌ្ឍន៍។
|
||||
- **រៀន Python**។ វាក៏ត្រូវបានណែនាំឱ្យមានការយល់ដឹងមូលដ្ឋានអំពី [Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott) ដែលជាភាសាកម្មវិធីមានប្រយោជន៍សម្រាប់អ្នកវិទ្យាសាស្ត្រទិន្នន័យដែលយើងប្រើនៅក្នុងមុខវិជ្ជានេះ។
|
||||
- **រៀន Node.js និង JavaScript**។ យើងក៏ប្រើ JavaScript ដល់ច្រើនដងក្នុងមុខវិជ្ជានេះនៅពេលបង្កើតកម្មវិធីវេប ដូច្នេះអ្នកនឹងត្រូវមាន [node](https://nodejs.org) និង [npm](https://www.npmjs.com/) ដំឡើង និងមាន [Visual Studio Code](https://code.visualstudio.com/) សម្រាប់សម្រាប់ការអភិវឌ្ឍ Python និង JavaScript។
|
||||
- **បង្កើតគណនី GitHub**។ ព្រោះអ្នកបានរកឃើញយើងនៅទីនេះនៅលើ [GitHub](https://github.com) អ្នកប្រហែលជាមានគណនីរួចហើយ បើមិនមាន សូមបង្កើតមួយ ហើយបន្ទាប់មកសូមធ្វើ fork មេរៀននេះសម្រាប់ប្រើប្រាស់ផ្ទាល់ខ្លួន។ (ក៏អាចផ្តល់ផ្កាយមួយដែរ 😊)
|
||||
- **ស្គាល់ Scikit-learn**। ស្គាល់វាមួយប្រព័ន្ធ [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) ដែលជាក្រុមបណ្ណាល័យ ML ដែលយើងយោងក្នុងមេរៀនទាំងនេះ។
|
||||
|
||||
---
|
||||
## តើការរៀនម៉ាស៊ីនគឺជាអ្វី?
|
||||
## តើការរៀនម៉ាស៊ីនជាអ្វី?
|
||||
|
||||
ពាក្យ 'machine learning' គឺជាក្ដីពេញនិយម និងប្រើប្រាស់ញឹកញាប់បំផុតសម្រាប់សព្វថ្ងៃ។ មានភាពអាចម៍កើតឡើងថាអ្នកបានឮពាក្យនេះយ៉ាងហោចណាស់មួយដង ប្រសិនបើអ្នកមានស្គាល់ខ្លះៗអំពីបច្ចេកវិទ្យា មិនថាអ្នកធ្វើការនៅក្នុងវិស័យណា។ បច្ចេកទេសនៃការរៀនម៉ាស៊ីន យ៉ាងណាមិញ ក៏នៅតែជារឿងលេងល្បងសម្រាប់មនុស្សភាគច្រើន។ សម្រាប់អ្នកចាប់ផ្ដើមការរៀនម៉ាស៊ីន ប្រធានបទនេះអាចមានអារម្មណ៍ថាស្មួតស្មើ។ ដូច្នេះ វាសំខាន់ណាស់ក្នុងការយល់ពីអ្វីទៅជា machine learning ពិតប្រាកដ ហើយរៀនវាជាគ្រប់ជំហាន តាមរយៈឧទាហរណ៍អនុវត្តន៍។
|
||||
ពាក្យ 'machine learning' គឺជាពាក្យដែលពេញនិយមនិងត្រូវបានប្រើប្រាស់ជាញឹកញាប់បំផុតក្នុងសម័យបច្ចុប្បន្ន។ មានសក្តានុពលមិនតិចដែលអ្នកបានដឹងពីពាក្យនេះយ៉ាងហោចណាស់មួយដង ប្រសិនបើអ្នកមានការស្គាល់ខ្លះៗអំពីបច្ចេកវិទ្យា មិនថាអ្នកធ្វើការនៅក្នុងវិស័យអ្វី។ ទោះយ៉ាងណា យន្តការរៀនម៉ាស៊ីន គឺជារឿងអាថ៌កំបាំងសម្រាប់មនុស្សភាគច្រើន។ សម្រាប់អ្នកចាប់ផ្តើមរៀនម៉ាស៊ីន ប្រធានបទនេះអាចធ្វើអោយមានអារម្មណ៍ធ្ងន់ធ្ងរនិងរំខាន។ ដូច្នេះ វាសំខាន់ក្នុងការយល់អំពីអ្វីដែល machine learning ជាផ្ទាល់ និងរៀនវាដោយជំហាន ក្តៅតាមឧទាហរណ៍ជាក់ស្តែង។
|
||||
|
||||
---
|
||||
## របងប្រភេទតំណពន្លឺ
|
||||
## កំណត់ត្រាអំពីភាពរំខាន
|
||||
|
||||
|
||||
|
||||
> Google Trends បង្ហាញរបងប្រភេទ 'hype curve' នៃពាក្យ 'machine learning' នៅពេលថ្មីៗនេះ
|
||||
> Google Trends បង្ហាញ 'hype curve' នៃពាក្យ 'machine learning' ដែលកើនឡើងថ្មីៗនេះ
|
||||
|
||||
---
|
||||
## ពិភពគម្រប
|
||||
## ចក្រពន្លឺមួយពោរពេញដោយអាថ៌កំបាំង
|
||||
|
||||
យើងរស់នៅក្នុងពិភពមួយដែលពេញលេញដោយសម្ងាត់គួរឱ្យចាប់អារម្មណ៍។ អ្នកវិទ្យាសាស្ត្រល្បីៗដូចជា Stephen Hawking, Albert Einstein និងមនុស្សជាច្រើនទៀត បានសំលាប់ពេលវេលាផ្នែកធ្វើស្រាវជ្រាវដើម្បីស្វែងរកព័ត៌មានមានន័យ ដែលបំភ្លឺសម្ងាត់នៃពិភពជុំវិញយើង។ នេះគឺជាសភាពមនុស្សក្នុងការរៀន៖ កុមារមនុស្សរៀនអ្វីថ្មីៗ និងរកឃើញរចនាសម្ព័ន្ធនៃពិភពរបស់ពួកគេឆ្នាំក្រោមឆ្នាំនៅពេលពួកគេចាស់ដល់វ័យពេញវ័យ។
|
||||
យើងរស់នៅក្នុងចក្រពន្លឺមួយដែលពោរពេញទៅដោយអាថ៌កំបាំងគួរឲ្យចាប់អារម្មណ៍។ វិទ្យាសាស្ត្រដ៏ធំៗដូចជា Stephen Hawking, Albert Einstein និងមនុស្សផ្សេងទៀតបានចំណាយពេលរស់នៅសម្រាប់ស្វែងរកព័ត៌មានមានន័យដែលអាចបង្ហាញពីអាថ៌កំបាំងនៅជុំវិញពិភពលោកយើង។ នេះជាសភាពធម្មតានៃបុរសនារីក្នុងការរៀន៖ កូនក្មេងមនុស្សរៀនអ្វីថ្មីៗ ហើយរកឃើញរចនាសម្ព័ន្ធនៃពិភពលោករបស់ពួកគេជាដំណាក់កាលទៅរូបរាងពេញវ័យ។
|
||||
|
||||
---
|
||||
## សម្ថភាពខួរក្បាលកុមារ
|
||||
## ខួរក្បាលក្មេង
|
||||
|
||||
ខួរក្បាល និងអារម្មណ៍របស់កុមារយល់ឃើញពីការពិតជុំវិញពួកគេ ហើយរៀនយ៉ាងតិចតួចពីរចនាសម្ព័ន្ធលាក់សំខាន់នៃជីវិត ដែលជួយឲ្យកុមារបង្កើតច្បាប់មានទិដ្ឋភាពយុត្តិធម៌ ដើម្បីសំគាល់លំនាំដែលបានរៀន។ ដំណើរការរៀននៃខួរក្បាលមនុស្សធ្វើឱ្យមនុស្សមានជីវិតកាន់តែស្មុគស្មាញបំផុតលើពិភពលោកនេះ។ ការរៀនទៅជានិរន្តរភាពដោយបង្កើតរកលំនាំលាក់ ហើយបន្ទាប់មកបង្កើតថ្មីលើលំនាំទាំងនោះ អនុញ្ញាតឱ្យយើងធ្វើឱ្យខ្លួនឯងកាន់តែប្រសើរឡើងក្នុងអាយុកាលកំណត់របស់យើង។ សមត្ថភាពរៀន និងសមត្ថភាពអភិវឌ្ឍឆាប់រហ័សនេះ មានទំនាក់ទំនងជាមួយយោគយល់មួយហៅថា [brain plasticity](https://www.simplypsychology.org/brain-plasticity.html)។ ជាមិនធម្មតាទេ យើងអាចគូររូបភាពស្រដៀងគ្នាជាមួយរបស់ការរៀននៃខួរក្បាលមនុស្ស និងយោគយល់នៃការរៀនម៉ាស៊ីន។
|
||||
ខួរក្បាលនិងកោសិការបស់ក្មេងម្នាក់ដឹកនាំការយល់ដឹងពីព្រឹត្តិការណ៍ដែលនៅជុំវិញ ហើយរៀនពីលំនាំលំអៀងនៅស្នាក់ក្នុងជីវិតដែលជួយឱ្យក្មេងបង្កើតច្បាប់វិជ្ជាជីវៈដើម្បីកំណត់លំនាំដែលរៀនបាន។ ដំណើរការរៀនរបស់ខួរក្បាលមនុស្សធ្វើឱ្យមនុស្សជាតិត្រូវបានគេទទួលស្គាល់ថាជាសត្វរស់នៅដ៏ស្មុគស្មាញបំផុតនៅលើពិភពលោកនេះ។ ការរៀនជាប់តែកើតឡើងដោយការរកឃើញលំនាំត្រូវហើយបន្ទាប់មកបង្កើតច្នៃភាពលើលំនាំទាំងនោះ នាំអោយយើងអាចធ្វើឱ្យខ្លួនឯងកាន់តែប្រសើរឡើងនៅក្នុងអាយុរបស់យើង។ សមត្ថភាពក្នុងការរៀននិងសមត្ថភាពដែលកំពុងអភិវឌ្ឍនេះពាក់ព័ន្ធនឹងគំនិតមួយដែលគេហៅថា [brain plasticity](https://www.simplypsychology.org/brain-plasticity.html)។ បណ្តាញដោយខ្លី យើងអាចគូររូបភាពមានភាពស្រដៀងគ្នារវាងដំណើរការរៀននៃខួរក្បាលមនុស្ស និងគំនិតនៃការរៀនម៉ាស៊ីន។
|
||||
|
||||
---
|
||||
## ខួរក្បាលមនុស្ស
|
||||
|
||||
[ខួរក្បាលមនុស្ស](https://www.livescience.com/29365-human-brain.html) យល់ឃើញអំពីរឿងនៅពិតក្នុងពិភពលោក ធ្វើដំណើរការព័ត៌មានដែលបានយល់ឃើញ ធ្វើសេចក្តីសម្រេចយុត្តិធម៌ និងអនុវត្តសកម្មភាពមួយចំនួនដោយផ្អែកលើអត្តសញ្ញាណនៃស្ថានភាព។ នេះគឺជារឿងដែលយើងហៅថា ការប្រព្រឹត្តសមត្ថភាពយុត្តិាសាស្រ្ត។ នៅពេលដែលយើងកូដការប្រព្រឹត្តបែបនេះទៅឲ្យម៉ាស៊ីនវាយហៅថា បញ្ញាសិប្បនិម្មិត (AI)។
|
||||
[ខួរក្បាលមនុស្ស](https://www.livescience.com/29365-human-brain.html) បានយល់ពីរឿងពីពិភពលោក ពិនិត្យព្រឹត្តិការណ៍ដែលមាន កំណត់ការសម្រេចចិត្តដោយហិរញ្ញវត្ថុហើយអនុវត្តសកម្មភាពមួយចំនួនទាក់ទងនឹងស្ថានភាព។ នេះហៅថាការប្រព្រឹត្តអោយមានភាពប្រាជ្ញា។ នៅពេលយើងប្រាប់កម្មវិធីសំណុំនៃដំណើរការប្រព្រឹត្តប្រាជ្ញាទៅក្នុងម៉ាស៊ីន នោះហៅថាបញ្ញាសិប្បនិម្មិត (AI)។
|
||||
|
||||
---
|
||||
## ពាក្យបច្ចេកទេសខ្លះៗ
|
||||
## ពាក្យក្រិតខ្លះៗ
|
||||
|
||||
ទោះពាក្យទាំងនោះអាចបង្កភាពច្របូកច្របល់ តែការរៀនម៉ាស៊ីន (ML) គឺជាផ្នែកសំខាន់មួយរបស់បញ្ញាសិប្បនិម្មិត។ **ML គឺផ្តោតលើការប្រើប្រាស់អាល់ហ្គោរីធម៍ឯកទេស ដើម្បីរកព័ត៌មានមានន័យ និងរកលំនាំលាក់ពីទិន្នន័យដែលបានយល់ឃើញ ដើម្បីពន្លឿនដំណើរការសម្រេចចិត្តយុត្តិធម៌**។
|
||||
ទោះបីជាពាក្យអាចបំភាន់ ក៏ ML គឺជាផ្នែកសំខាន់មួយនៃបញ្ញាសិប្បនិម្មិត។ **ML ពាក់ព័ន្ធនឹងការប្រើប្រាស់អាល់ហ្គរីធម៍ពិសេសក្នុងការរកឃើញព័ត៌មានមានន័យ និងស្វែងរកលំនាំលាក់ពីទិន្នន័យដែលបានយល់ដឹង ដើម្បីបញ្ជាក់ដល់ដំណើរការសម្រេចចិត្តត្រឹមត្រូវ។**
|
||||
|
||||
---
|
||||
## AI, ML, ការរៀនជ្រៅ
|
||||
## AI, ML, រៀនជ្រៅ
|
||||
|
||||
|
||||
|
||||
> ក្រាហ្វិកបង្ហាញទំនាក់ទំនងរវាង AI, ML, ការរៀនជ្រៅ និងវិទ្យាសាស្រ្តទិន្នន័យ។ ប្លង់បាប់ដោយ [Jen Looper](https://twitter.com/jenlooper) នាំមកពី [រូបនេះ](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining)
|
||||
> រូបភាពបង្ហាញទំនាក់ទំនងរវាង AI, ML, រៀនជ្រៅ និងវិទ្យាសាស្ត្រទិន្នន័យ។ រូបភាពអត្ថាធិប្បាយដោយ [Jen Looper](https://twitter.com/jenlooper) អាចប្រើប្រាស់ពីរូបភាពនេះ [this graphic](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining)
|
||||
|
||||
---
|
||||
## គន្លឹះដែលត្រូវរៀន
|
||||
## គំនិតដែលត្រូវគ្របដណ្តប់
|
||||
|
||||
នៅក្នុងវគ្គនេះ យើងនឹងគ្របដណ្តប់ត្រឹមតែគន្លឹះស្នូលនៃការរៀនម៉ាស៊ីនដែលអ្នកចាប់ផ្ដើមត្រូវបានគេរៀន។ យើងលើកឡើងអ្វីដែលហៅថា 'classical machine learning' ជាចម្បងប្រើ Scikit-learn ដែលជាបណ្ណាល័យល្អសម្រាប់សិស្សជាច្រើនក្នុងការរៀនមូលដ្ឋាន។ ដើម្បីយល់ពីគំនិតធំទូលាយនៃបញ្ញាសិប្បនិម្មិត ឬការរៀនជ្រៅ បានត្រូវកំលាំងចំណេះដឹងមូលដ្ឋានរឹងមាំមួយនៃការរៀនម៉ាស៊ីន ហើយយើងចង់ផ្តល់វា នៅទីនេះ។
|
||||
ក្នុងមេរៀននេះ យើងនឹងគ្របដណ្តប់តែគំនិតមូលដ្ឋាននៃការរៀនម៉ាស៊ីនដែលអ្នកចាប់ផ្តើមត្រូវតែដឹង។ យើងគ្របដណ្តប់អ្វីដែលយើងហៅថា "classical machine learning" ជាចម្បងដោយប្រើប្រាស់ Scikit-learn ជាបណ្ណាល័យល្អឥតខ្ចោះដែលសطلابជាច្រើនប្រើសម្រាប់រៀនមូលដ្ឋាន។ ដើម្បីយល់យ៉ាងទូលំទូលាយអំពីគំនិតបញ្ញាសិប្បនិម្មិត ឬរៀនជ្រៅ ចំណេះដឹងមូលដ្ឋានរឹងមាំអំពីការរៀនម៉ាស៊ីន គឺមានសារៈសំខាន់ ខណ:យើងចង់ផ្តល់វានៅទីនេះ។
|
||||
|
||||
---
|
||||
## ក្នុងវគ្គនេះ អ្នកនឹងរៀនពី៖
|
||||
## នៅក្នុងមុខវិជ្ជានេះ អ្នកនឹងរៀន៖
|
||||
|
||||
- គន្លឹះស្នូលនៃការរៀនម៉ាស៊ីន
|
||||
- ប្រវត្តិការរៀនម៉ាស៊ីន
|
||||
- ការរៀនម៉ាស៊ីន និងភាពយុត្តិធម៌
|
||||
- ជំនាញ ML សម្រាប់បញ្ហាអនុគមន៍វិនិយោគ (regression)
|
||||
- ជំនាញ ML សម្រាប់ចាត់ថ្នាក់ (classification)
|
||||
- ជំនាញ ML សម្រាប់ក្រុមគ្នា (clustering)
|
||||
- ជំនាញ ML សម្រាប់ដំណើរការភាសាត្រឹមត្រូវ (natural language processing)
|
||||
- ជំនាញ ML សម្រាប់ការព្យាករណ៍ស៊េរីពេលវេលា (time series forecasting)
|
||||
- ការរៀនតាមមូលដ្ឋានការបង្រៀន (reinforcement learning)
|
||||
- ករណីប្រើប្រាស់ដែលមាននៅក្នុងពិភពជាក់ស្តែងសម្រាប់ ML
|
||||
- គំនិតមូលដ្ឋាននៃការរៀនម៉ាស៊ីន
|
||||
- ប្រវត្តិ ML
|
||||
- ML និងភាពយុត្តិធម៌
|
||||
- បច្ចេកទេស regression ML
|
||||
- បច្ចេកទេស classification ML
|
||||
- បច្ចេកទេស clustering ML
|
||||
- បច្ចេកទេស natural language processing ML
|
||||
- បច្ចេកទេស time series forecasting ML
|
||||
- reinforcement learning
|
||||
- ការអនុវត្តពិតប្រាកដសម្រាប់ ML
|
||||
|
||||
---
|
||||
## អ្វីដែលយើងមិនគ្របដណ្តប់
|
||||
|
||||
- ការរៀនជ្រៅ (deep learning)
|
||||
- បណ្តាញប្រព័ន្ធប្រតិបត្តិកម្មប្រសព្វ (neural networks)
|
||||
- បញ្ញាសិប្បនិម្មិត (AI)
|
||||
- រៀនជ្រៅ
|
||||
- បណ្ដាញប្រសាទ
|
||||
- AI
|
||||
|
||||
ដើម្បីធ្វើឱ្យមានបទពិសោធន៍សិក្សាជាងនេះ យើងនឹងបម្លែងការលំបាករបស់បណ្តាញប្រព័ន្ធប្រតិបត្តិកម្ម ប្រភេទ 'deep learning' ដែលជាការសាងសង់គំរូជាច្រើនជាន់ ដោយប្រើបណ្តាញប្រព័ន្ធប្រតិបត្តិកម្ម និង AI ដែលយើងនឹងពិភាក្សាវា នៅក្នុងវគ្គផ្សេងទៀត។ យើងនឹងផ្តល់ថ្នាក់សិក្សាវិទ្យាសាស្ត្រទិន្នន័យមួយមកក្រោយដើម្បីផ្តោតលើផ្នែកនោះ។
|
||||
ដើម្បីបង្កើតបទពិសោធន៍សិក្សាល្អ យើងនឹងចៀសវាងភាពស្មុគស្មាញនៃបណ្តាញប្រសាទ, "រៀនជ្រៅ" ដែលជាការប្រើបណ្តាញប្រសាទដើម្បីកសាងម៉ូឌែលមានជ្រៅច្រើនស្រទាប់ និង AI ដែលយើងនឹងពិភាក្សានៅមុខវិជ្ជាផ្សេង។ យើងក៏នឹងផ្តល់មុខវិជ្ជាថ្មីបន្ថែមស្តីពីវិទ្យាសាស្ត្រទិន្នន័យដើម្បីផ្ដោតអារម្មណ៍លើផ្នែកនេះ។
|
||||
|
||||
---
|
||||
## ហេតុអ្វីបានជាអាចរៀនការរៀនម៉ាស៊ីន?
|
||||
## ប៉ុន្មានហេតុផលក្នុងការសិក្សាររៀនម៉ាស៊ីន?
|
||||
|
||||
ការរៀនម៉ាស៊ីន តាមទស្សនវិជ្ជាស៊ីស្តុំ កំណត់ថាជាការបង្កើតប្រព័ន្ធស្វ័យប្រវត្តិ ដែលអាចរៀនពីលំនាំលាក់ក្នុងទិន្នន័យ ដើម្បីជួយក្នុងការបង្កើតសេចក្តីសម្រេចយុត្តិធម៌យ៉ាងមានមហិច្ឆតា។
|
||||
ការរៀនម៉ាស៊ីន យ៉ាងទូលំទូលាយ ចែងកំណត់ជា ការបង្កើតប្រព័ន្ធស្វ័យប្រវត្តដែលអាចរៀនពីលំនាំលាក់ដែលមានក្នុងទិន្នន័យ ដើម្បីជួយសម្រេចចិត្តយ៉ាងប្រាជ្ញា។
|
||||
|
||||
ជំនោគនេះគឺបានទទួលការប្រៀបធៀបយ៉ាងមិនតឹងរឹងទេពីរបៀបដែលខួរក្បាលមនុស្សរៀនអ្វីមួយវាលើទិន្នន័យដែលខួរក្បាលទទួលបានពីបរិយាកាសខាងក្រៅ។
|
||||
គំនិតនេះបានបញ្ចោញដោយរបៀបដែលខួរក្បាលមនុស្សរៀនអ្វីមួយចំនួនយោងទៅលើទិន្នន័យដែលវាយល់ដឹងពីពិភពក្រៅ។
|
||||
|
||||
✅ សូមគិតរយៈពេលជាមួយអ្នកមួយនាទីថា ហេតុអ្វីបានជាអាជីវកម្មចង់ប្រើវិធីសាស្រ្តការរៀនម៉ាស៊ីន ផ្ទុយពីការបង្កើតម៉ោងកូដលក្ខខណ្ឌរឹងមាំ។
|
||||
✅ គិតមួយនាទីហេតុអ្វីបានជាក្រុមហ៊ុនចង់ប្រើយុទ្ធសាស្រ្ត machine learning ជ្រើសរើសជំនួសការបង្កើតប្រព័ន្ធច្បាប់ដ៏រឹងមាំមួយ។
|
||||
|
||||
---
|
||||
## ការប្រើប្រាស់ការរៀនម៉ាស៊ីន
|
||||
## ហេតុអ្វីបានជា គុណភាពទិន្នន័យសំខាន់?
|
||||
|
||||
កម្មវិធីនៃការរៀនម៉ាស៊ីនឥឡូវនេះមានគ្រប់ទីកន្លែង ហើយពេញលេញដូចទិន្នន័យដែលហូរៀងជុំវិញសង្គមយើង ដែលបង្កើតដោយទូរស័ព្ទដៃឆ្លាតរបស់យើង ឧបករណ៍ភ្ជាប់ និងប្រព័ន្ធផ្សេងទៀត។ ក្នុងការប្រកួតប្រជែងនៃអាល់ហ្គោរីធម៍ការរៀនម៉ាស៊ីនដ៏ទំនើប បណ្ឌិតស្រាវជ្រាវបានស្វែងយល់ពីសមត្ថភាពរបស់ពួកគេនៅក្នុងដោះស្រាយបញ្ហាជាច្រើនdimensional និង multidisciplinary នៃជីវិតពិតជាមួយលទ្ធផលវិជ្ជមានជាច្រើន។
|
||||
ទិន្នន័យគុណភាពខ្ពស់បង្កើនប្រសិទ្ធភាពម៉ូឌែល។ ទិន្នន័យអន់ ឬពេញដោយសម្លេងរំខាន អាចនាំឱ្យទន់ភាគការទាយដែលមិនត្រឹមត្រូវ ទោះបីមានការប្រើប្រាស់អាល់ហ្គរីធម៍ machine learning កម្រិតខ្ពស់ក៏ដោយ។
|
||||
|
||||
---
|
||||
## ឧទាហរណ៍នៃ ML ដែលបានអនុវត្ត
|
||||
## ការអនុវត្តន៍នៃ machine learning
|
||||
|
||||
**អ្នកអាចប្រើប្រាស់ការរៀនម៉ាស៊ីននៅក្នុងវិធីជាច្រើន**៖
|
||||
ការអនុវត្តន៍នៃ machine learning ឥឡូវមាននៅគ្រប់ទីកន្លែង ហើយពេញលេញដូចទិន្នន័យដែលរាលដាលនៅជុំវិញសង្គមយើង ដែលបង្កើតឡើងដោយទូរស័ព្ទឆ្លាត អេក្រង់ភ្ជាប់ ប៉ុន្តែប្រាប់ថាសកម្មភាពផ្សេងៗ។ គិតសម្រាប់សក្តានុពលដ៏ធំនៃអាល់ហ្គរីធម៍ machine learning កម្រិតខ្ពស់ អ្នកស្រាវជ្រាវបានស្វែងរកសមត្ថភាពរបស់ពួកវាជួយដោះស្រាយបញ្ហាជាច្រើនមុខ ពីជំហរផ្លូវការនិងចម្រុះដោយលទ្ធផលវិជ្ជមាន។
|
||||
|
||||
- ដើម្បីព្យាករណ៍អត្រាឆាប់ជម្ងឺពីប្រវត្តិវេជ្ជសាស្ត្រឬរបាយការណ៍របស់អ្នកជំងឺម្នាក់។
|
||||
- ដើម្បីប្រើទិន្នន័យអាកាសធាតុក្នុងការព្យាករណ៍លទ្ធផលអាកាសធាតុ។
|
||||
- ដើម្បីយល់ពីអារម្មណ៍នៃអត្ថបទមួយ។
|
||||
- ដើម្បីរកឃើញព័ត៌មានមិនពិត ដើម្បីបិទបាំងការផ្សាយពាណិជ្ជកម្មមិនពិត។
|
||||
---
|
||||
## ឧទាហរណ៍នៃការអនុវត្ត ML
|
||||
|
||||
**អ្នកអាចប្រើ machine learning ដោយរបៀបជាច្រើន**៖
|
||||
|
||||
- ដើម្បីទាយករណីជំងឺពីប្រវត្តិវេជ្ជសាស្ត្រឬរបាយការណ៍របស់អ្នកជំងឺម្នាក់។
|
||||
- ដើម្បីប្រើទិន្នន័យអាកាសធាតុទាយព្រឹត្តិការណ៍អាកាសធាតុ។
|
||||
- ដើម្បីយល់ចិត្តអារម្មណ៍របស់អត្ថបទមួយ។
|
||||
- ដើម្បីរកឃើញព័ត៌មានចេកចល ដែលគ្រប់គ្រាន់ក្នុងការបញ្ឈប់ការបញ្ចុះផ្សាយពត៌មានបច្ចុប្បន្ន។
|
||||
|
||||
វិស័យហិរញ្ញវត្ថុ សេដ្ឋកិច្ច វិទ្យាសាស្ត្រផែនដី ការស្វែងរកអាកាស ការវិទ្យាសាស្ត្រពេទ្យ វិទ្យាសាស្ត្រស្មារតី និងសតិវិទ្យា និងជំនាញមួយចំនួននៅវិស័យមនុស្សវិទ្យា ក៏បានអភិវឌ្ឍការរៀនម៉ាស៊ីនដើម្បីដោះស្រាយបញ្ហាដ៏ញឹកញាប់ នៃការប្រមូលទិន្នន័យធុញទ្រាន់នូវដែនជួញដូរ។
|
||||
វិស័យហិរញ្ញវត្ថុ សេដ្ឋកិច្ច វិទ្យាសាស្ត្រប្រព័ន្ធសរីរាង្គ សិល្បៈនៃការស្វែងយល់ និងមុខវិជ្ជាមនុស្សវិទ្យា ត្រូវបានអប់រំដោយ machine learning ដើម្បីដោះស្រាយបញ្ហា ពេញនិយមមានទិន្នន័យធំ ដែលមានភាពពិបាក។
|
||||
|
||||
---
|
||||
## សេចក្តីសន្និដ្ឋាន
|
||||
|
||||
ការរៀនម៉ាស៊ីនបន្ទាន់សកម្មភាពស្វែងរកលំនាំដោយរកដំណោះស្រាយមានន័យពីទិន្នន័យពិតប្រាកដ ឬទិន្នន័យដែលបង្កើតឡើង។ វាបានបញ្ជាក់ថាមានតម្លៃខ្ពស់បំផុតក្នុងវិស័យអាជីវកម្ម សុខភាព និងហិរញ្ញវត្ថុ ជាដើម។
|
||||
ការរៀនម៉ាស៊ីន ជំនួយឱ្យដំណើរការរកឃើញលំនាំដោយស្វ័យប្រវត្តិ ដោយរកឃើញជំនាញមានន័យពីទិន្នន័យពិត ឬទិន្នន័យបង្កើតឡើង។ វាបានបង្ហាញភាពមានប្រយោជន៍ខ្ពស់នៅជំនួញ សុខភាព ហិរញ្ញវត្ថុ និងវិស័យផ្សេងទៀត។
|
||||
|
||||
នៅពេលអនាគតជិតមក ការយល់ដឹងពីមូលដ្ឋាននៃការរៀនម៉ាស៊ីន នឹងក្លាយជាការដែលមនុស្សគ្រប់វិស័យតម្រូវការចង់យល់ ខ្លួនដោយសារតែកំណាត់ទោលបណ្ដាញរបស់វាត្រូវបានទទួលយកយ៉ាងទូលំទូលាយ។
|
||||
នៅពេលខាងមុខ ការយល់ដឹងពីមូលដ្ឋាននៃការរៀនម៉ាស៊ីននឹងក្លាយជាការចាំបាច់សម្រាប់មនុស្សពីគ្រប់វិស័យដោយសារតែការទទួលយកគ្រប់គ្រាន់របស់វា។
|
||||
|
||||
---
|
||||
# 🚀 ប défi
|
||||
# 🚀 챌린지
|
||||
|
||||
គូររូបរាង លើក្រដាស ឬប្រើកម្មវិធីផ្សេងទៀតដូចជា [Excalidraw](https://excalidraw.com/), ពិចារណាអំពីភាពខុសគ្នារវាង AI, ML, ការរៀនជ្រៅ និងវិទ្យាសាស្ត្រទិន្នន័យ។ បន្ថែមគំនិតអំពីបញ្ហាណាមួយដែលបច្ចេកទេសទាំងនេះល្អក្នុងការដោះស្រាយ។
|
||||
គូររូបភាពលើក្រដាស ឬប្រើកម្មវិធីអនឡាញដូចជា [Excalidraw](https://excalidraw.com/), សម្រាប់យល់ដឹងរបស់អ្នកអំពីភាពខុសគ្នារវាង AI, ML, រៀនជ្រៅ និងវិទ្យាសាស្ត្រទិន្នន័យ។ បន្ថែមគំនិតបញ្ហាមួយចំនួនដែលបច្ចេកទេសទាំងនេះឆាប់សម្រួលក្នុងការដោះស្រាយ។
|
||||
|
||||
# [សំណួរតេស្តបន្ទាប់ថ្នាក់](https://ff-quizzes.netlify.app/en/ml/)
|
||||
# [សំណួរបន្ទាប់វគ្គសិក្សា](https://ff-quizzes.netlify.app/en/ml/)
|
||||
|
||||
---
|
||||
# ការពិនិត្យឡើងវិញ និងសិក្សាឯករាជ្យ
|
||||
# ការត្រួតពិនិត្យ និងការសិក្សាឯកោ
|
||||
|
||||
ដើម្បីរៀនបន្ថែមអំពីរបៀបដែលអ្នកអាចធ្វើការជាមួយអាល់ហ្គោរីធម៍ ML នៅក្នុងពពក សូមអនុវត្តតាម [Learning Path](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-77952-leestott) នេះ។
|
||||
ដើម្បីស្វែងយល់បន្ថែមអំពីរបៀបដែលអ្នកអាចធ្វើការជាមួយអាល់ហ្គរីធម៍ ML នៅក្នុងមេฆា ត្រូវតាមដាន [Learning Path](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-77952-leestott) នេះ។
|
||||
|
||||
ចូលរួម [Learning Path](https://docs.microsoft.com/learn/modules/introduction-to-machine-learning/?WT.mc_id=academic-77952-leestott) អំពីមូលដ្ឋាននៃ ML។
|
||||
|
||||
---
|
||||
# ផ្ដល់ការងារ
|
||||
# ការចាត់តាំង
|
||||
|
||||
[ចាប់ផ្ដើមដំណើរការ](assignment.md)
|
||||
[ចាប់ផ្តើមរត់](assignment.md)
|
||||
|
||||
---
|
||||
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
||||
**ការបញ្ជាក់**៖
|
||||
ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាកម្មបកប្រែ AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ទោះយើងព្យាយាមធ្វើឲ្យមានភាពត្រឹមត្រូវ នោះទេ សូមយល់ដឹងថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុស ឬភាពមិនត្រឹមត្រូវខ្លះ។ ឯកសារដើមជាភាសាជាតិនៃឯកសារនោះគួរត្រូវបានទទួលស្គាល់ថាជាភស្តុតាងផ្លូវការជាចម្បង។ សម្រាប់ព័ត៌មានសំខាន់ៗ អនុញ្ញាតឲ្យមានការបកប្រែដោយអ្នកជំនាញមនុស្សជំនាញ។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកប្រែច្រឡំណាមួយដែលកើតឡើងពីការប្រើប្រាស់ការបកប្រែនេះទេ។
|
||||
**ការបដិសេធ**:
|
||||
ឯកសារនេះត្រូវបានបម្លែងភាសា ដោយប្រើសេវាបម្លែងភាសា AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ទោះយើងខ្ញុំមានក្តីប្រាថ្នាឱ្យបានច្បាស់លាស់ តែសូមយល់ដឹងថាការបម្លែងដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាទីតាំងគួរត្រូវបានគេប្រើជាប្រភពច្បាស់លាស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឱ្យប្រើប្រាស់ការប្រែដោយមនុស្សជំនាញ។ យើងខ្ញុំមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសបន្ទាប់ពីការប្រើប្រាស់ការបម្លែងនេះនោះទេ។
|
||||
<!-- CO-OP TRANSLATOR DISCLAIMER END -->
|
||||
Loading…
Reference in new issue