diff --git a/translations/km/.co-op-translator.json b/translations/km/.co-op-translator.json index b67e35f4f..c2f33b65c 100644 --- a/translations/km/.co-op-translator.json +++ b/translations/km/.co-op-translator.json @@ -24,8 +24,8 @@ "language_code": "km" }, "1-Introduction/3-fairness/README.md": { - "original_hash": "0f00d72169a0d37eecfd16d71e01700a", - "translation_date": "2026-07-14T01:04:36+00:00", + "original_hash": "0c620ca2c6d2828e9a838ecec5f01265", + "translation_date": "2026-09-15T03:26:49+00:00", "source_file": "1-Introduction/3-fairness/README.md", "language_code": "km" }, @@ -438,8 +438,8 @@ "language_code": "km" }, "5-Clustering/README.md": { - "original_hash": "b28a3a4911584062772c537b653ebbc7", - "translation_date": "2026-04-06T18:05:44+00:00", + "original_hash": "c78940a1b03da1de13bd97527f9e6606", + "translation_date": "2026-09-15T03:24:39+00:00", "source_file": "5-Clustering/README.md", "language_code": "km" }, @@ -678,8 +678,8 @@ "language_code": "km" }, "7-TimeSeries/README.md": { - "original_hash": "61342603bad8acadbc6b2e4e3aab3f66", - "translation_date": "2026-04-06T18:07:29+00:00", + "original_hash": "722526664e764a2290e1def74afa5139", + "translation_date": "2026-09-15T03:24:53+00:00", "source_file": "7-TimeSeries/README.md", "language_code": "km" }, @@ -822,8 +822,8 @@ "language_code": "km" }, "README.md": { - "original_hash": "3e3a6c7e68e0afe7e2276ac046e4d7a0", - "translation_date": "2026-04-20T17:58:43+00:00", + "original_hash": "8bba8faed876aa7bbc92b759a350b1d8", + "translation_date": "2026-09-15T03:16:56+00:00", "source_file": "README.md", "language_code": "km" }, @@ -850,11 +850,11 @@ "original_hash": "fba3b94d88bfb9b81369b869a1e9a20f", "source_file": "sketchnotes/LICENSE.md", "language_code": "km", - "failure_date": "2026-07-14T01:00:53+00:00", + "failure_date": "2026-09-15T03:24:19+00:00", "status": "failed", "error_type": "TranslationIncompleteError", "error_message": "Markdown translation remained incomplete for chunk 1.1.1 of 'LICENSE.md', and the chunk could not be split further.", - "translator_version": "0.20.0", + "translator_version": "0.20.1", "failure_policy_version": 1 } }, @@ -865,8 +865,8 @@ "language_code": "km" }, "for-teachers.md": { - "original_hash": "b37de02054fa6c0438ede6fabe1fdfb8", - "translation_date": "2026-04-06T17:54:28+00:00", + "original_hash": "4b5b4e11bf182a803261b55a19d3ee70", + "translation_date": "2026-09-15T03:14:25+00:00", "source_file": "for-teachers.md", "language_code": "km" }, diff --git a/translations/km/1-Introduction/3-fairness/README.md b/translations/km/1-Introduction/3-fairness/README.md index 1a5857203..5510f2d70 100644 --- a/translations/km/1-Introduction/3-fairness/README.md +++ b/translations/km/1-Introduction/3-fairness/README.md @@ -1,163 +1,162 @@ -# ការសាងសង់ដំណោះស្រាយរបស់ការរៀនម៉ាស៊ីនជាមួយ AI ដែលមានការទទួលខុសត្រូវ +# ការបង្កើតដំណោះស្រាយ Machine Learning ជាមួយបច្ចេកវិជ្ជា AI ដែលមានការទទួលខុសត្រូវ -![សង្ខេបអំពី AI ដែលមានការទទួលខុសត្រូវក្នុងការរៀនម៉ាស៊ីនជាមួយនូវគំនូរសង្ខេប](../../../../translated_images/km/ml-fairness.ef296ebec6afc98a.webp) -> គំនូរសង្ខេបដោយ [Tomomi Imura](https://www.twitter.com/girlie_mac) +![សេចក្តីសង្ខេបពី AI ដែលមានការទទួលខុសត្រូវនៅក្នុង Machine Learning ក្នុងស្រេកតណូត](../../../../translated_images/km/ml-fairness.ef296ebec6afc98a.webp) +> ស្រេកតណូតដោយ [Tomomi Imura](https://www.twitter.com/girlie_mac) -## [សំនួរជំនួញមុនមុខវិជ្ជា](https://ff-quizzes.netlify.app/en/ml/) +## [មេរៀនត្រៀមមុន](https://ff-quizzes.netlify.app/en/ml/) ## ការណែនាំ -នៅក្នុងវគ្គសិក្សានេះ អ្នកនឹងចាប់ផ្តើមរកឃើញថា តើការរៀនម៉ាស៊ីនអាចមានឥទ្ធិពល និងកំពុងប៉ះពាល់ដល់ជីវិតប្រចាំថ្ងៃរបស់យើងយ៉ាងដូចម្តេច។ ទោះបីជាឥលូវនេះ ការតំឡើងប្រព័ន្ធ និងគំរូបានស្ថិតក្នុងការអនុវត្តន៍ការផ្តល់សេចក្ដីសម្រេចក្នុងជីវិតប្រចាំថ្ងៃ ដូចជាការធ្វើវេជ្ជបញ្ជា ការអនុម័តបំណុល ឬការរកឃើញការលួចលើស។ ដូច្នេះ វាសំខាន់ណាស់ដែលគំរូទាំងនេះធ្វើការល្អដើម្បីផ្តល់លទ្ធផលដែលអាចទុកចិត្តបាន។ ដូចជាមុខងារសូម្បីតែកម្មវិធីទូទៅណាមួយ ប្រព័ន្ធ AI អាចនឹងខកខានរំពឹងទុក ឬមានលទ្ធផលមិនល្អ។ នេះហើយជាហេតុផលដែលវាសំខាន់ក្នុងការរួមរៀនយល់ និងពន្យល់អំពីអាកប្បកិរិយារបស់គំរូ AI។ +ក្នុងមុខវិជ្ជានេះ អ្នកនឹងចាប់ផ្តើមស្វែងយល់ពីវិធីដែល machine learning អាចនិងកំពុងប៉ះពាល់ជីវិតប្រចាំថ្ងៃរបស់យើង។ ពេលនេះ មេរៀននិងម៉ូឌែលកំពុងជាប់ក្នុងភារកិច្ចសម្រេចចិត្តប្រចាំថ្ងៃ ដូចជា التشخيصសុខភាព, ការអនុម័តឥណទាន ឬ ការស្វែងរកការល្មើសច្បាប់។ ដូច្នេះ វាសំខាន់ណាស់ដែលម៉ូឌែលទាំងនេះធ្វើការល្អដើម្បីផ្តល់លទ្ធផលដែលអាចទុកចិត្តបាន។ ដូចជា​កម្មវិធីសូហ្វវែរណាមួយ សំណុំប្រព័ន្ធ AI អាចខកខានការរំពឹងទុកឬមានលទ្ធផលដែលមិនល្អ។ ដូច្នេះ វាចាំបាច់ត្រូវយល់ និងពន្យល់អំពីអាកប្បកិរិយារបស់ម៉ូឌែល AI។ -សូមនឹកស្រមៃអ្វីអាចកើតឡើងពេលដែលទិន្នន័យដែលអ្នកប្រើក្នុងការសាងសង់គំរូទាំងនេះខ្វះខាតពូជភាគីមួយចំនួន ដូចជាជាតិសាសន៍ ភេទ មតិយោបល់នយោបាយ សាសនា ឬតំណាងមិនសមស្របចំពោះពូជភាគីនោះ។ តើមានអ្វីកើតឡើងនៅពេលលទ្ធផលគំរូត្រូវបានបកស្រាយក្នុងទិសដៅគាំទ្រដល់ពូជភាគីមួយចំនួន? ប្រសិនបើគំរូមានលទ្ធផលអវិជ្ជមាន ហើយបង្ករខូចខាតដល់មនុស្ស តើនរណាជាទទួលខុសត្រូវចំពោះអាកប្បកិរិយារបស់ប្រព័ន្ធ AI? នេះគឺជាសំណួរមួយចំនួនដែលយើងនឹងស្រាវជ្រាវក្នុងវគ្គសិក្សានេះ។ +សូមនឹកស្រមៃថាអ្វីអាចកើតឡើង នៅពេលទិន្នន័យដែលអ្នកកំពុងប្រើសម្រាប់បង្កើតម៉ូឌែលទាំងនេះខ្វះទឹកដីនយោបាយ ឬ ប្រជាជាតិមួយចំនួន ដូចជា ស្បែកជាតិ, ភេទ, ទស្សនៈនយោបាយ, សាសនា ឬ មានការតំណាងមិនសមស្របសម្រាប់ចំនួនប្រជាជនដូចបានថ្លែង។ តើមានអ្វីកើតឡើងពេលលទ្ធផលម៉ូឌែលត្រូវតែបកប្រែទៅគាំទ្រប្រជាជនជាឯកត្តា? តើផលប៉ះពាល់ សម្រាប់កម្មវិធីនេះជាអ្វី? បន្ថែមពីនេះ កើតមានលទ្ធផលអវិជ្ជមាននិងគ្រោះថ្នាក់ដល់មនុស្ស បើករណីណាស់តើនរណាដែលទទួលខុសត្រូវចំពោះអាកប្បកិរិយារបស់ប្រព័ន្ធ AI? នេះគឺជាសំណួរមួយចំនួនដែលយើងនឹងស្វែងរកក្នុងមុខវិជ្ជានេះ។ -នៅក្នុងមេរៀននេះ អ្នកនឹង: +ក្នុងមេរៀននេះ អ្នកនឹង៖ -- ឡើងកម្រិតការយល់ដឹងអំពីសារៈសំខាន់នៃភាពត្រឹមត្រូវក្នុងការរៀនម៉ាស៊ីន និងការខូចខាតដែលទាក់ទងនឹងភាពត្រឹមត្រូវ។ -- ធ្លាប់ទទួលស្គាល់ពីការអនុវត្តន៍ស្វែងរកអត្តឃាត និងស្ថានភាពអវិជ្ជមាន ដើម្បីធានាសុវត្ថិភាព និងភាពជឿជាក់។ -- យល់ដឹងពីចាំបាច់ក្នុងការចែកអំណាចជូនមនុស្សគ្រប់រូប ដោយរចនាប្រព័ន្ធបញ្ចូលគ្នា។ -- ស្វែងយល់ពីសារៈសំខាន់នៃការការពារភាពឯកជន និងសុវត្ថិភាពនៃទិន្នន័យ និងមនុស្ស។ -- មើលថា មានសារៈសំខាន់ក្នុងការអនុវត្តវិធីសាស្រ្តកញ្ចក់បំបែក ដើម្បីពន្យល់អាកប្បកិរិយារបស់គំរូ AI។ -- ប្រុងប្រយ័ត្នពីភាពទទួលខុសត្រូវ ដែលមានសារៈសំខាន់សម្រាប់ការបង្កើតទំនុកចិត្តក្នុងប្រព័ន្ធ AI។ +- ធ្វើឲ្យមានការយល់ដឹងពីសារៈសំខាន់នៃភាពសមណ៍នៅក្នុង machine learning និងគ្រោះថ្នាក់ដែលពាក់ព័ន្ធនឹងភាពសមណ៍។ +- ស្គាល់ពីការអនុវត្តន៍នៃការស្វែងរក outliers និងស្ថានការ អស្ចារ្យដើម្បីធានាការទុកចិត្ត និងសុវត្ថិភាព +- ទទួលបានការយល់ដឹងពីការនាំមនុស្សទាំងអស់ឲ្យមានឥទ្ធិពលដោយរចនាប្រព័ន្ធរួមបញ្ចូលគ្នា +- ស្វែងយល់ពីតំលៃនៃការពារសម្ងាត់ និងសុវត្ថិភាពនៃទិន្នន័យ និងមនុស្ស +- ដឹងពីសារៈសំខាន់នៃមេធាសុខភាពស៊ីក្លាសប្លុកក្នុងការពន្យល់អាកប្បកិរិយារបស់ម៉ូឌែល AI +- សូមចាំបាច់ចំពោះការទទួលខុសត្រូវសម្រាប់ការជឿទុកចិត្តនៅក្នុងប្រព័ន្ធ AI -## លក្ខខណ្ឌមុន +## លក្ខខណ្ឌជាមុន -ជាលក្ខខណ្ឌមុន សូមអ្នកចូលរួមយល់ពីនីតិវិធី "គោលការណ៍ AI ដែលមានការទទួលខុសត្រូវ" ហើយមើលវីដេអូខាងក្រោមស្តីពីប្រធានបទនេះ។ +ជាលក្ខខណ្ឌជាមុន សូមចូលរួមគន្លងរៀន "គោលការណ៍ AI ដែលមានការទទួលខុសត្រូវ" ហើយមើលវីដេអូខាងក្រោមដែលទាក់ទងនឹងប្រធានបទនេះ៖ -រៀនបន្ថែមអំពី AI ដែលមានការទទួលខុសត្រូវ ដោយតាមដាន [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) +រៀនបន្ថែមអំពី AI ដែលមានការទទួលខុសត្រូវដោយតាមដាន [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) -[![វិធីសាស្រ្តរបស់ Microsoft ទៅ AI ដែលមានការទទួលខុសត្រូវ](https://img.youtube.com/vi/dnC8-uUZXSc/0.jpg)](https://youtu.be/dnC8-uUZXSc "វិធីសាស្រ្តរបស់ Microsoft ទៅ AI ដែលមានការទទួលខុសត្រូវ") +[![វិធីសាស្រ្ត Microsoft ទៅកាន់ AI ដែលមានការទទួលខុសត្រូវ](https://img.youtube.com/vi/dnC8-uUZXSc/0.jpg)](https://youtu.be/dnC8-uUZXSc "វិធីសាស្រ្ត Microsoft ទៅកាន់ AI ដែលមានការទទួលខុសត្រូវ") -> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ: វិធីសាស្រ្តរបស់ Microsoft ទៅ AI ដែលមានការទទួលខុសត្រូវ +> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ៖ វិធីសាស្រ្ត Microsoft ទៅកាន់ AI ដែលមានការទទួលខុសត្រូវ -## ភាពត្រឹមត្រូវ +## ភាពសមណ៍ -ប្រព័ន្ធ AI គួរតែដោះស្រាយមនុស្សគ្រប់រូបយ៉ាងត្រឹមត្រូវ និងជៀសវាងការប៉ះពាល់ដល់ក្រុមមនុស្សដូចគ្នាទៅក្នុងវិធីផ្សេងៗគ្នា។ ឧទាហរណ៍ ពេលប្រព័ន្ធ AI ផ្តល់នូវការណែនាំអំពីការព្យាបាលវេជ្ជសាស្រ្ត ការដាក់ពាក្យខ្ចីប្រាក់ ឬការងារ នេះគួរតែផ្តល់យោបល់ដូចគ្នា ទៅមនុស្សគ្រប់រូបដែលមានរលក្ខណៈពិបាក ស្ថានភាពហិរញ្ញវត្ថុ ឬគុណវុឌ្ឍិវិជ្ជាជីវៈដូចគ្នា។ មនុស្សម្នាក់ៗជាអ្នកមានអត្រាប្រជាជនដែលបានបណ្តាលឲ្យកើតមានការរំខាន ដល់ការសម្រេចចិត្ត និងសកម្មភាពរបស់ពួកគេ។ ការរំខានទាំងនេះអាចត្រូវបានចង្អុលបង្ហាញក្នុងទិន្នន័យដែលយើងប្រើសម្រាប់បណ្តុះបណ្តាលប្រព័ន្ធ AI ។ ការបំលែងនេះអាចកើតឡើងដោយមិនចៃដន្យ។ វាក៏ពិបាកក្នុងការយល់បានយ៉ាងយកចិត្តទុកដាក់ថា ពេលណាអ្នកបានបញ្ចូលអត្រាប្រជាជនក្នុងទិន្នន័យ។ +ប្រព័ន្ធ AI គួរតែជួយគ្រប់គ្នាឲ្យមានភាពសមណ៍ ហើយកុំប៉ះពាល់ទៅលើក្រុមមនុស្សដដែលដោយវិធីដែលខុសគ្នា។ ឧទាហរណ៍ ទំាងពេលប្រព័ន្ធ AI ផ្តល់ការណែនាំក្នុងការព្យាបាលសុខភាព ការដាក់ពាក្យខ្ចីប្រាក់ ឬការងារ គួរតែផ្តល់អនុសាសន៍ដូចគ្នាចំពោះមនុស្សក្នុងអាការៈសញ្ញាដូចគ្នា, ស្ថានភាពហិរញ្ញវត្ថុដូចគ្នា ឬមុខវិជ្ជាជាក់លាក់ដូចគ្នា។ មនុស្សម្នាក់ៗមានអាកប្បកិរិយាជាប់ចិត្តដែលប៉ះពាល់ដល់ការសម្រេចចិត្ត និងសកម្មភាពរបស់ពួកគេ។ អាកប្បកិរិយានេះអាចមាននៅក្នុងទិន្នន័យដែលយើងប្រើផ្តល់សម្រាប់បណ្តុះអោយប្រព័ន្ធ AI។ ការបង្ករនេះអាចកើតឡើងដោយមិនចេះដឹង។ វពិបាកក្នុងការយល់ដឹងដោយសប្បាយចិត្តពេលដែលអ្នកបញ្ចូលអាកប្បកិរិយានៅក្នុងទិន្នន័យ។ -**“ភាពមិនត្រឹមត្រូវ”** គ្របដណ្តប់លើផលប៉ះពាល់អវិជ្ជមាន ឬ “ការខូចខាត” របស់ក្រុមមនុស្ស ដូចជាក្រុមដែលបានកំណត់ដោយជាតិភេទ អាយុ ឬស្ថានភាពពិការភាព។ ការខូចខាតដែលទាក់ទងនឹងភាពត្រឹមត្រូវអាចចែកចេញជា៖ +**“ភាពមិនសមណ៍”** គឺពាក់ព័ន្ធនឹងគ្រោះថ្នាក់ ឬ “ការខូចខាត” សម្រាប់ក្រុមមនុស្សមួយ ដូចជា ការបែងចែកតាមជាតិសាសន៍ ភេទ អាយុ ឬសភាពការភាពជាអ្នកពិការ។ គ្រោះថ្នាក់សំខាន់ៗដែលពាក់ព័ន្ធនឹងភាពសមណ៍អាចចាត់ចែងជា៖ -- **ការចែកចាយ** ប្រសិនបើភេទ ឬជាតិសាសន៍មួយត្រូវបានលើកទឹកចិត្តយ៉ាងបំផុតជាងមួយផ្សេងទៀត។ -- **គុណភាពសេវាកម្ម** ប្រសិនបើអ្នកបណ្តុះបណ្តាលទិន្នន័យសម្រាប់ស្ថានភាពជាក់លាក់មួយ ប៉ុន្តែនៅពេលពិតវាមានភាពស្មុគស្មាញច្រើន វានាំឲ្យសេវាកម្មមានគុណភាពទាប។ ឧទាហរណ៍ ប្រដាប់ចាក់សាប៊ូដៃមួយដែលមិនអាចសម្គាល់មនុស្សដែលមានស្បែកខ្មៅបាន។ [ហេតុផល](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773) -- **ការខិតខំដេទ** បង្ហាញជាអាក្រក់ និងដាក់ស្លាកអំពីអ្វីមួយ ឬនរណាមួយដោយមិនត្រឹមត្រូវ។ ឧទាហរណ៍ បច្ចេកវិទ្យាស្លាកបង្ហាញរូបភាពបានដាក់ស្លាករូបភាពនៃមនុស្សស្បែកងងឹតដូចជាគ្រូហុច។ -- **ការបង្ហាញពុម្ពលើឬក្រោម** គំនិតគឺថាក្រុមមួយមិនត្រូវបានឃើញក្នុងវិជ្ជាជីវៈមួយ និងសេវាកម្ម ឬមុខងារណាមួយដែលបន្តលើកតម្កើងករណីនេះកំពុងបង្កើតការខូចខាត។ -- **ការរំលេចពុម្ពគំរូ** ភ្ជាប់ក្រុមមួយជាមួយលក្ខណៈដែលបានកំណត់ជាមុន។ ឧទាហរណ៍ ប្រព័ន្ធបកប្រែភាសារវាងភាសាអង់គ្លេស និងភាសាទួរគីអាចមានការខុសប្លែកដោយសារពាក្យដែលមានការភ្ជាប់ពុម្ពលើភេទ។ +- **ការចែកចាយ** ប្រសិនបើភេទ ឬជាតិសាសន៍ជាជាងគេត្រូវបានគុកាពីមួយបំណែកផ្សេងទៀត។ +- **គុណភាពសេវាកម្ម**។ ប្រសិនបើអ្នកបណ្តុះទិន្នន័យសម្រាប់ស្ថានការណ៍ជាក់លាក់មួយ ប៉ុន្តែភាពពិតស្មុគស្មាញជាងនេះ វានាំឲ្យសេវាកម្មមានការសម្តែងច្រឡំពីគុណភាព។ ឧទាហរណ៍ របៀបចាក់សាប៊ូដៃមិនអាចចាប់ស្មារតីមនុស្សដែលស្បែកខ្មៅបាន។ [យោង](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773) +- **ការគំទ្រង់**។ ដើម្បីវាយប្រហារនិងដាក់ស្លាកដោយមិនសមណ៍លើរបស់មួយ ឬមនុស្សម្នាក់ណា។ ឧទាហរណ៍ បច្ចេកវិជ្ជាអ្ការបញ្ជាក់រូបភាពមួយដែលបានបញ្ជាក់រូបភាពមនុស្សស្បែកខ្មៅអោយជាប្រភេទហ្គរីឡា។ +- **ការតំណាងកាត់ ឬខ្វះតំណាង**។ គំនិតគឺក្រុមមួយមិនត្រូវបានមើលឃើញនៅក្នុង មុខរបរ មួយចំនួន ហើយសេវាកម្ម ឬមុខងារណាមួយកំពុងផ្សព្វផ្សាយសកម្មភាពនេះ កំពុងរួមចំណែកគ្រប់គ្រោះថ្នាក់។ +- **ការភ្នាល់បែបស្តេរៀរប៊ែរិង**។ ភ្ជាប់ក្រុមមួយជាមួយលក្ខណៈដែលបានកំណត់ជាមុន។ ឧទាហរណ៍ ប្រព័ន្ធបកប្រែភាសារវាងអង់គ្លេស និងតួរគីអាចមានការមិនត្រឹមត្រូវដោយពាក្យដែលមានការតភ្ជាប់មកជាមួយភេទ។ -![បកប្រែទៅភាសាទួរគី](../../../../translated_images/km/gender-bias-translate-en-tr.f185fd8822c2d437.webp) -> បកប្រែទៅភាសាទួរគី +![ការបកប្រែទៅភាសាតួរគី](../../../../translated_images/km/gender-bias-translate-en-tr.f185fd8822c2d437.webp) +> ការបកប្រែទៅភាសាតួរគី -![បកប្រែថយឡើងវិញទៅភាសាអង់គ្លេស](../../../../translated_images/km/gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp) -> បកប្រែថយឡើងវិញទៅភាសាអង់គ្លេស +![ការបកប្រែទៅវិញជាភាសាអង់គ្លេស](../../../../translated_images/km/gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp) +> ការបកប្រែទៅវិញជាភាសាអង់គ្លេស -នៅពេលរចនា និងសាកល្បងប្រព័ន្ធ AI យើងត្រូវធានាថា AI ត្រូវត្រូវបានបំពាក់ឲ្យមានភាពត្រឹមត្រូវ ហើយមិនទទួលប្រាក់ចំណេញដោយការអនុវត្តន៍ព្រហ្មទណ្ឌ ឬការលើកលែងទេ ដែលមនុស្សក៏ត្រូវបានហាមឃាត់ផងដែរ។ ការធានាថាភាពត្រឹមត្រូវក្នុង AI និងការរៀនម៉ាស៊ីននៅតែមួយជាបញ្ហាសង្គមបច្ចេកវិទ្យាដែលស្មុគស្មាញ។ +ពេលដែលរចនា និងសាកល្បងប្រព័ន្ធ AI យើងត្រូវធានាថា AI មានភាពសមណ៍ ហើយមិនត្រូវបានបញ្ចូលកម្មវិធីអោយធ្វើ ការសម្រេចចិត្តដែលមិនសមណ៍ ឬចម្លែកដែលមនុស្សក៏ត្រូវតែជៀសវាងដែរ។ ការធានាថាភាពសមណ៍ក្នុង AI និង machine learning មិនមែនជាការងាយស្រួលទេ តែវាជាការប្រឈមមួយផ្នែកសង្គម បច្ចេកទេស។ -### ភាពជឿជាក់ និងសុវត្ថិភាព +### ការពឹងផ្អែក និងសុវត្ថិភាព -ដើម្បីកសាងទំនុកចិត្ត ប្រព័ន្ធ AI ត្រូវត្រូវបានមានភាពជឿជាក់ សុវត្ថិភាព និងឥរិយាបថថេរអ្នកនៅក្នុងលក្ខខណ្ឌធម្មតា និងលក្ខខណ្ឌមិនឆ្ងាញ់។ វាសំខាន់ក្នុងការដឹងថា ប្រព័ន្ធ AI នឹងមានឥរិយាបថយ៉ាងដូចម្តេច នៅក្នុងស្ថានភាពផ្សេងៗ ជាពិសេសពេលដែលពួកវាជាអត្តឃាត។ នៅពេលសាងសង់ដំណោះស្រាយ AI គួរត្រូវមានការផ្ដោតខ្លាំងលើរបៀបដោះស្រាយលក្ខខណ្ឌជាច្រើនដែលដំណោះស្រាយ AI នឹងប្រឈមមុខ។ ឧទាហរណ៍ រថយន្តបើកដោយខ្លួនឯងត្រូវដាក់សុវត្ថិភាពមនុស្សជាអាទិភាពខ្ពស់។ ដូច្នេះ AI ដែលបើកបររថយន្ត ត្រូវរៀបចំឲ្យពិចារណាលើលក្ខខណ្ឌដែលអាចនឹងកើតឡើង ដូចជាពេលយប់ ព្យុះខ្យល់ ឬព្យុះករណី កុមាររត់ឆ្លងផ្លូវ សត្វចិញ្ចឹម ការសាងសង់ផ្លូវ ល។ វិធីដែលប្រព័ន្ធ AI អាចដោះស្រាយបញ្ហានានាទាំងនេះយ៉ាងគ្រឹះត្រូវ និងសុវត្ថិភាព បង្ហាញពីកំរិតនៃការរំពឹងទុកដែលអ្នកវិទ្យាសាស្រ្តទិន្នន័យ ឬអ្នកអភិវឌ្ឍ AI បានគិតពេលរចនាឬសាកល្បងប្រព័ន្ធ។ +ដើម្បីកសាងការជឿទុកចិត្ត ប្រព័ន្ធ AI ត្រូវតែពឹងផ្អែកបាន សុវត្ថិភាព និងមានភាពស៊ីជម្រៅក្រោមស្ថានភាពធម្មតា និងស្ថានភាពមិនបានរំពឹងទុក។ វាសំខាន់ក្នុងការដឹងថាប្រព័ន្ធ AI នឹងអនុវត្តដូចម្តេចក្នុងហេតុការណ៍នានា ជាពិសេសពេលពួកវាជារឿងលំដាប់ពិសេស។ ពេលបង្កើតដំណោះស្រាយ AI ត្រូវមានការផ្តោតឲ្យខ្លាំងទៅលើវិធីទប់ស្កាត់ហេតុការណ៍ផ្សេងៗដែលអាចកើតឡើង។ ឧទាហរណ៍ ឡានបើកנסដោយខ្លួនឯងត្រូវតែអានចិត្តសុវត្ថិភាពមនុស្សជាភាគរយមួយ។ ដូច្នេះ ប្រព័ន្ធ AI ដើម្បីបញ្ជារឡានផ្តោតយល់ដឹងលើបរិបទភ្លៀងព្រិល ក្មេងៗរត់ជ្រៅតាមផ្លូវ សត្វចិញ្ចឹម ការសាងសង់ផ្លូវ ជាដើម។ វាជាកម្រិតនៃការ៉ងដឹងថាអ្នកវិទ្យាសាស្ត្រទិន្នន័យឬអ្នកអភិវឌ្ឍន៍ AI បានគិតពីស្ថានការណ៍នានា ខណៈរចនា ឬសាកល្បងប្រព័ន្ធ។ -> [🎥 ចុចទីនេះសម្រាប់វីដេអូ: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl) +> [🎥 ចុចទីនេះសម្រាប់វីដេអូ៖ ការពឹងផ្អែក និងសុវត្ថិភាពក្នុង AI](https://www.microsoft.com/videoplayer/embed/RE4vvIl) -### ភាពរួមបញ្ចូល +### ការរួមបញ្ចូលគ្នា -ប្រព័ន្ធ AI គួរត្រូវបានរចនាឲ្យផ្តល់នូវការចូលរួម និងអំណាចដល់មនុស្សគ្រប់រូប។ នៅពេលដែលអ្នកវិទ្យាសាស្រ្តទិន្នន័យ និងអ្នកអភិវឌ្ឍ AI រចនា និងអនុវត្តប្រព័ន្ធទាំងនេះ គេត្រូវកំណត់ និងដោះស្រាយឧបសគ្គដែលអាចលុបចោលមនុស្សមួយចំនួនដោយមិនចៃដន្យ។ ឧទាហរណ៍ មានមនុស្សជាង ១ ពាន់លាននៅជុំវិញពិភពលោកមានជម្ងឺលំបាក។ ជាមួយនឹងការរីកចម្រើននៃ AI ពួកគេអាចចូលដំណើរការព័ត៌មាន និងឱកាសជាច្រើនបានងាយស្រួលយ៉ាងខ្លាំង។ ដោយដោះស្រាយឧបសគ្គនេះវាបង្កើតឱកាសក្នុងការបង្កើត និងអភិវឌ្ឍផលិតផល AI ដែលមានបទពិសោធន៍ល្អប្រសើរដល់មនុស្សគ្រប់រូប។ +ប្រព័ន្ធ AI ត្រូវតែចំណាយពេលប្រើប្រាស់ និងបង្កើតឲ្យមនុស្សគ្រប់គ្នាមានភារកិច្ច និងឥទ្ធិពល។ នៅពេលរចនា និងដំឡើងប្រព័ន្ធ AI អ្នកវិទ្យាសាស្ត្រទិន្នន័យ និងអ្នកអភិវឌ្ឍន៍ AI ត្រូវកំណត់ និងដោះស្រាយឧបសគ្គដែលនឹងមិនបានបញ្ចូលមនុស្សមួយចំនួនដោយគ្មានចេតនា។ ឧទាហរណ៍ មានមនុស្សជាងមួយពាន់លានដែលមានជម្ងឺពិការភាពនៅជុំវិញពិភពលោក។ ជាមួយនឹងការវិវឌ្ឍន៍ AI ពួកគេអាចចូលដំណើរការប្រភពព័ត៌មាននានានិងឱកាសបានងាយស្រួលក្នុងជីវិតប្រចាំថ្ងៃ។ ដោយដោះស្រាយឧបសគ្គ ទទួលបានឱកាសសម្រាប់ច្នៃប្រឌិត និងអភិវឌ្ឍផលិតផល AI ដែលមានបទពិសោធមួយល្អប្រសើរមកគ្រប់ៗគ្នា។ -> [🎥 ចុចទីនេះសម្រាប់វីដេអូ: ភាពរួមបញ្ចូលក្នុង AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v) +> [🎥 ចុចទីនេះសម្រាប់វីដេអូ៖ ការរួមបញ្ចូលគ្នានៅក្នុង AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v) ### សុវត្ថិភាព និងភាពឯកជន -ប្រព័ន្ធ AI គួរតែមានសុវត្ថិភាព និងគោរពភាពឯកជនរបស់មនុស្ស។ មនុស្សមានទំនុកចិត្តតិចជាងក្នុងប្រព័ន្ធដែលបង្កការប្រកាសឲ្យធ្វើការប៉ះពាល់លើភាពឯកជន ព័ត៌មាន ឬជីវិតរបស់ពួកគេ។ នៅពេលបណ្តុះបណ្តាលគំរូរៀនម៉ាស៊ីន យើងពឹងផ្អែកលើទិន្នន័យដើម្បីបង្កើតលទ្ធផលល្អបំផុត។ ដូច្នេះ ប្រភពនៃទិន្នន័យ និងភាពស្មោះត្រង់ត្រូវត្រូវបានគិតទុកជាមុន។ ឧទាហរណ៍ តើទិន្នន័យមានប្រភពពីអ្នកប្រើប្រាស់ ឬមាននៅសាធារណៈ? បន្ទាប់មក នៅពេលធ្វើការជាមួយទិន្នន័យ វាសំខាន់ក្នុងការអភិវឌ្ឍប្រព័ន្ធ AI ដែលអាចការពារព័ត៌មានលម្អិត និងធន់ទ្រាំការវាយប្រហារ។ នៅពេល AI កាន់តែមានប្រជាប្រិយភាព ការការពារភាពឯកជន និងការការពារព័ត៌មានបុគ្គលនិងអាជីវកម្មសំខាន់ៗកាន់តែមានសារៈសំខាន់ និងស្មុគស្មាញ។ បញ្ហាភាពឯកជន និងសុវត្ថិភាពទិន្នន័យទាមទារការផ្តោតអារម្មណ៍ជាពិសេសសម្រាប់ AI ពីព្រោះការចូលប្រើទិន្នន័យជារឿងចាំបាច់ សម្រាប់ប្រព័ន្ធ AI ដើម្បីធ្វើការព្យាករ និងសម្រេចចិត្តត្រឹមត្រូវ និងមានព័ត៌មានគ្រប់គ្រាន់អំពីមនុស្ស។ +ប្រព័ន្ធ AI ត្រូវតែមានសុវត្ថិភាព និងគោរពទៅលើភាពឯកជនរបស់មនុស្ស។ មនុស្សមានការជឿទុកចិត្តតិចជាងទៅប្រព័ន្ធដែលធ្វើឲ្យភាពឯកជន ព័ត៌មាន ឬជីវិតរបស់ពួកគេទាំងអស់មានការគំរាមកំហែង។ នៅពេលបណ្តុះម៉ូឌែល machine learning យើងពឹងផ្អែកលើទិន្នន័យដើម្បីបង្កើតលទ្ធផលល្អជាងគេ។ ក្នុងការធ្វើដូចនេះ គេត្រូវគិតពីប្រភពនៃទិន្នន័យ និងសុចរិតភាពទិន្នន័យ។ ឧទាហរណ៍ ទិន្នន័យផ្សាយដោយអ្នកប្រើប្រាស់ឬមានភាពជាសាធារណៈ? បន្ទាប់មក បន្ទាប់ពីធ្វើការងារជាមួយទិន្នន័យ វាជារឿងសំខាន់ក្នុងការបង្កើតប្រព័ន្ធ AI ដែលអាចការពារព័ត៌មានសម្ងាត់ និងធន់នឹងការវាយប្រហារ។ ពេលដែល AI កាន់តែមានការគ្រប់គ្រងច្រើន ការការពារភាពឯកជន និងការការពារព័ត៌មានរបស់មនុស្ស និងអាជីវកម្មក៏កាន់តែពិបាក។ បញ្ហាភាពឯកជន និងសុវត្ថិភាពទិន្នន័យត្រូវការចំណាប់អារម្មណ៍ជាងគេសម្រាប់ AI ពីព្រោះការACCESS ទិន្នន័យគឺសំខាន់សម្រាប់ប្រព័ន្ធ AI ដើម្បីធ្វើការទស្សន៍ទាយ និងសម្រេចចិត្តឲ្យបានច្បាស់លាស់និងមានព័ត៌មានគ្រប់គ្រាន់ទាក់ទងមនុស្ស។ -> [🎥 ចុចទីនេះសម្រាប់វីដេអូ: សុវត្ថិភាពក្នុង AI](https://www.microsoft.com/videoplayer/embed/RE4voJF) +> [🎥 ចុចទីនេះសម្រាប់វីដេអូ៖ សុវត្ថិភាពនៅក្នុង AI](https://www.microsoft.com/videoplayer/embed/RE4voJF) -- ជាឧស្សាហកម្ម យើងបានធ្វើការវិវឌ្ឍយ៉ាងខ្លាំងក្នុងការការពារ និងសុវត្ថិភាព ពីការប្រកាសដែលមានប្រតិបត្តិការដូច GDPR (បទបញ្ជានីតិវិធីការពារទិន្នន័យទូទៅ)។ -- ទោះជាយ៉ាងណា លើប្រព័ន្ធ AI យើងត្រូវទទួលស្គាល់មូលហេតុភាពតានតឹងចំពោះការត្រូវការទិន្នន័យបុគ្គលបន្ថែមសម្រាប់ធ្វើឲ្យប្រព័ន្ធមានលទ្ធផលឥទ្ធិពលនិងមានអានុភាព – ដល់ភាពឯកជន។ -- ដូចជាករណីកំណើតរបស់កុំព្យូទ័រតភ្ជាប់ជាមួយអ៊ីនធឺណិត យើងកំពុងឃើញក្របខ័ណ្ឌបញ្ហាសុវត្ថិភាពដែលទាក់ទងនឹង AI កើនឡើងយ៉ាងច្រើន។ -- ពេលតែមួយ យើងបានឃើញថា AI ត្រូវបានប្រើប្រាស់ដើម្បីបង្កើនសុវត្ថិភាព។ ឧទាហរណ៍ កម្មវិធីរោទិ៍មេរោគច្រើនគឺមានគោលការណ៍ AI ជាមូលដ្ឋាន។ -- យើងត្រូវធានាថា ដំណើរការវិទ្យាសាស្រ្តទិន្នន័យរបស់យើងត្រូវមានការចម្រុះយោគយល់ជាមួយការអនុវត្តលក្ខណៈថ្មីៗនៃភាពឯកជន និងសុវត្ថិភាព។ +- ជាឧស្សាហកម្ម យើងបានឈានដល់កំរិតខ្ពស់ក្នុងការការពារ ភាពឯកជន និងសុវត្ថិភាព ដោយបានជំរុញយ៉ាងខ្លាំងដោយច្បាប់រួមដូចជា GDPR (បទប្បញ្ញត្តិការពារទិន្នន័យទូទៅ)។ +- ទោះយ៉ាងណា ជាមួយប្រព័ន្ធ AI យើងត្រូវទទួលស្គាល់ភាពចម្រុះរវាងការត្រូវការទិន្នន័យផ្ទាល់ខ្លួនបន្ថែមដើម្បី ឲ្យប្រព័ន្ធមានបុគ្គលលក្ខណៈ និងមានប្រសិទ្ធភាព ជាមួយភាពឯកជន។ +- ដូចជាការបង្កើតកុំព្យូទ័រតភ្ជាប់ជាមួយអ៊ិនធឺណិត ឥឡូវនេះយើងក៏កំពុងឃើញពាណិជ្ជកម្មឡើងគ្រប់ធាតុទាក់ទងនឹងសុវត្ថិភាពដែលពាក់ព័ន្ធនឹង AI។ +- ក្នុងពេលដដែល យើងបានឃើញ AI អាចប្រើសម្រាប់ការកែលម្អសុវត្ថិភាព។ ឧទាហរណ៍ ម៉ាស៊ីនសប្រេននៃវីរុសភាគច្រើនជាថ្មីៗនេះត្រូវបានបើកចំហដោយ heuristic AI។ +- យើងត្រូវធ្វើឲ្យប្រាកដថា ដំណើរការវិទ្យាសាស្ត្រទិន្នន័យរបស់យើងសម្របសម្រួលជាមួយនឹងអនុវត្តភាពឯកជន និងសុវត្ថិភាពថ្មីៗ។ ### ភាពច្បាស់លាស់ -ប្រព័ន្ធ AI គួរត្រូវបានយល់ដឹងបានយ៉ាងច្បាស់។ ផ្នែកសំខាន់មួយនៃភាពច្បាស់លាស់គឺការពន្យល់អាកប្បកិរិយារបស់ប្រព័ន្ធ AI និងធាតុផ្សារបស់វា។ ការកែលម្អការយល់ដឹងអំពីប្រព័ន្ធ AI តម្រូវឱ្យអ្នកពាក់ព័ន្ធយល់ពីរបៀប និងមូលហេតុដែលវាធ្វើការ ដើម្បីពួកគេអាចកំណត់បញ្ហាអនុវត្ត ការព្រួយបារម្ភលើសុវត្ថិភាព និងភាពឯកជន ការចំណាយលើការខ្វះការចូលរួម ឬលទ្ធផលដែលមិនបានរំពឹង។ យើងក៏ជឿថា អ្នកប្រើប្រព័ន្ធ AI គួរតែសុចរិត និងត្រូវបង្ហាញពីពេលណា ហេតុអ្វី និងរបៀបដែលពួកគេច្រើនត្រូវប្រើប្រាស់វា។ ព្រមទាំងកំណត់លក្ខខណ្ឌនៃប្រព័ន្ធដែលពួកគេច្រើនប្រើប្រាស់។ ឧទាហរណ៍ ប្រសិនបើធនាគារ ប្រើប្រព័ន្ធ AI ដើម្បីគាំទ្រការសម្រេចចិត្តខ្ចីប្រាក់របស់អតិថិជន វាសំខាន់ក្នុងការពិនិត្យលទ្ធផលហើយយល់ថាទិន្នន័យណាដែលប៉ះពាល់លើការផ្តល់យោបល់របស់ប្រព័ន្ធ។ រាជរដ្ឋាភិបាលបានចាប់ផ្តើមគ្រប់គ្រង AI នៅឧស្សាហកម្ម ផ្ទាល់ខ្លួន អ្នកវិទ្យាសាស្រ្តទិន្នន័យ និងអង្គការត្រូវតែពន្យល់ថាប្រព័ន្ធ AI ណាដែលបំពេញតាមលក្ខខណ្ឌគ្រប់គ្រង យ៉ាងពិសេសនៅពេលដែលមានលទ្ធផលមិនចង់បាន។ +ប្រព័ន្ធ AI គួរតែយល់ដឹងបាន។ ផ្នែកសំខាន់នៃភាពច្បាស់លាស់គឺការពន្យល់អាកប្បកិរិយារបស់ប្រព័ន្ធ AI និងគ្រឿងផ្សំរបស់វា។ ការបង្កើនការយល់ដឹងអំពីប្រព័ន្ធ AI ត្រូវការឲ្យអ្នកពាក់ព័ន្ធយល់ពីរបៀបនិងហេតុផលដែលប្រព័ន្ធដំណើរការ ដើម្បីអោយពួកគេអាចកំណត់បញ្ហាផលិតភាព សុវត្ថិភាព និងភាពឯកជន ការបែកបាក់ ឬការអនុវត្តបញ្ហាចែកគ្នា ឬលទ្ធផលមិនគ្មានចេតនា។ យើងក៏ជឿថាអ្នកប្រើប្រាស់ប្រព័ន្ធ AI ត្រូវតែមានភាពស្មោះត្រង់ និងបើកចំហចំពោះពេលដែល ពួកគេចង់យកប្រព័ន្ធ AI អ្នកនិងសមត្ថភាពដែលមានរក្សាទុក។ ការពិចារណាលើកំណត់រមទ្បីនៃប្រព័ន្ធដែលពួកគេប្រើប្រាស់ក៏សំខាន់ផងដែរ។ ឧទាហរណ៍ ប្រសិនបើធនាគារប្រើប្រព័ន្ធ AI ដើម្បីគាំទ្រសេចក្ដីសម្រេចចិត្តខ្ចីប្រាក់របស់វា វាសំខាន់ក្នុងការត្រួតពិនិត្យលទ្ធផល និងយល់ពីទិន្នន័យដែលមានឥទ្ធិពលលើអនុសាសន៍នៃប្រព័ន្ធ។ រដ្ឋាភិបាលកំពុងចាប់ផ្តើមច្បាប់គ្រប់គ្រងអាយ ឡើងវិញទូទាត់ឧស្សាហកម្ម ដូច្នេះអ្នកវិទ្យាសាស្ត្រទិន្ននីយ៍ និងអង្គការគួរតែពន្យល់ថាប្រព័ន្ធ AI ត្រូវបានគ្រប់គ្រងតាមច្បាប់ យ៉ាងពិសេសពេលមានលទ្ធផលមិនល្អ។ -> [🎥 ចុចទីនេះសម្រាប់វីដេអូ: ភាពច្បាស់លាស់ក្នុង AI](https://www.microsoft.com/videoplayer/embed/RE4voJF) +> [🎥 ចុចទីនេះសម្រាប់វីដេអូ៖ ភាពច្បាស់លាស់នៅក្នុង AI](https://www.microsoft.com/videoplayer/embed/RE4voJF) -- ព្រោះប្រព័ន្ធ AI មានភាពស្មុគស្មាញខ្ពស់ វាពិបាកក្នុងការយល់ថាវាធ្វើការយ៉ាងដូចម្តេច និងបកស្រាយលទ្ធផល។ -- ការខ្វះការយល់ដឹងនេះប៉ះពាល់ទៅលើរបៀបដែលប្រព័ន្ធទាំងនេះត្រូវបានគ្រប់គ្រង អនុវត្ត និងចុះបញ្ជី។ -- ការ ខ្វះការយល់ដឹងនេះមានសារៈសំខាន់ជាងគេ ពេលធ្វើការសម្រេចចិត្តដោយប្រើលទ្ធផលដែលទទួលបានពីប្រព័ន្ធទាំងនេះ។ +- ពីព្រោះប្រព័ន្ធ AI មានសំណុំសិប្បនិម្មិតខ្ពស់ ការយល់ដឹងពីរបៀបដែលវាដំណើរការនិងការបកន័យលទ្ធផលគឺពិបាក។ +- ការខ្វះការយល់ដឹងនេះប៉ះពាល់ដល់របៀបដែលប្រព័ន្ធទាំងនេះត្រូវបានគ្រប់គ្រង និងថែរក្សា។ +- ការខ្វះការយល់ដឹងនេះវែងទៀតប៉ះពាល់ដល់ការសម្រេចចិត្តដែលធ្វើឡើងដោយប្រើលទ្ធផលដែលប្រព័ន្ធទាំងនេះផ្តល់។ -### ភាពទទួលខុសត្រូវ +### ការទទួលខុសត្រូវ -មនុស្សដែលរចនា និងដាក់ប្រព័ន្ធ AI ត្រូវតែទទួលខុសត្រូវចំពោះរបៀបដែលប្រព័ន្ធរបស់ពួកគេដំណើរការ។ ភាពចាំបាច់សម្រាប់ភាពទទួលខុសត្រូវមានសារៈសំខាន់ជាពិសេសក្នុងបច្ចេកវិទ្យាប្រើសម្គាល់មុខមនុស្ស។ ពីព្រោះឥឡូវនេះ មានការទាមទារកើនឡើងសម្រាប់បច្ចេកវិទ្យាសម្គាល់មុខមនុស្ស ជាពិសេសពីស្ថាប័នច្បាប់ដែលឃើញថាបច្ចេកវិទ្យានេះអាចប្រើសម្រាប់ស្វែងរកកុមារបាត់ខ្លួន។ ទោះជាយ៉ាងណា បច្ចេកវិទ្យាណាខ្លះអាចត្រូវបានរដ្ឋាភិបាលប្រើសម្រាប់បង្កការជឿរដល់សេរីភាពមូលដ្ឋានរបស់ប្រជាពលរដ្ឋ ដូចជាការតាមដានបន្តបន្ទាប់លើមនុស្សជាក់លាក់។ ដូច្នេះ អ្នកវិទ្យាសាស្រ្តទិន្នន័យ និងអង្គការត្រូវរក្សាភាពទទួលខុសត្រូវចំពោះវិធានការរបស់ប្រព័ន្ធ AI របស់ពួកគេចំពោះមនុស្ស ឬសង្គម។ +មនុស្សដែលរចនានិងដាក់ប្រព័ន្ធ AI ត្រូវតែទទួលខុសត្រូវចំពោះរបៀបដែលប្រព័ន្ធរបស់ពួកគេដំណើរការ។ ការទទួលខុសត្រូវភាពវិញ្ញាណគឺមានសារៈសំខាន់បំផុតជាពិសេសសម្រាប់បច្ចេកវិជ្ជាដែលមានការប្រើប្រាស់ចាំបាច់ដូចជាការទទួលស្គាល់រូបមនុស្ស។ នាពេលថ្មីៗនេះ មានការទាមទារក្នុងការប្រើបច្ចេកវិជ្ជាទទួលស្គាល់រូបមនុស្សកាន់តែច្រើន ដោយពិសេសពីអង្គការការពារច្បាប់ ដែលឃើញសក្តានុពលរបស់បច្ចេកវិជ្ជានេះ ក្នុងការស្វែងរកកុមារខាតបង់។ ទោះយ៉ាងណា បច្ចេកវិជ្ជាទាំងនេះអាចត្រូវបានរដ្ឋាភិបាលប្រើដើម្បីគំរាមកំហែងសេរីភាពគ្រឹះមនុស្សដោយអនុញ្ញាតឲ្យតាមដានជាបន្តបន្ទាប់លើមនុស្សជាក់លាក់ខ្លះ។ ដូច្នេះ អ្នកវិទ្យាសាស្ត្រទិន្នន័យ និងអង្គការ ត្រូវមានការទទួលខុសត្រូវចំពោះរបៀបដែលប្រព័ន្ធ AI របស់ពួកគេចាប់អារម្មណ៍មនុស្សឬសង្គម។ -[![អ្នកស្រាវជ្រាវ AI ផ្តល់ការព្រមានអំពីការតាមដានយ៉ាងទូលំទូលាយតាមរយៈបច្ចេកវិទ្យាសម្គាល់មុខមនុស្ស](../../../../translated_images/km/accountability.41d8c0f4b85b6231.webp)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "វិធីសាស្រ្តរបស់ Microsoft ទៅ AI ដែលមានការទទួលខុសត្រូវ") +[![អ្នកស្រាវជ្រាវ AI ពិសេស ប្រុងប្រយ័ត្នអំពីការតាមដានប្រព័ន្ធតាមរូបមនុស្ស](../../../../translated_images/km/accountability.41d8c0f4b85b6231.webp)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "វិធីសាស្រ្ត Microsoft ទៅកាន់ AI ដែលមានការទទួលខុសត្រូវ") -> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ៖ ការព្រមានអំពីការតាមដានយ៉ាងទូលំទូលាយតាមរយៈបច្ចេកវិទ្យាសម្គាល់មុខមនុស្ស +> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ៖ ការព្រមានអំពីការតាមដាននិយមធំតាមរូបមនុស្ស -ចុងក្រោយមួយចំនួននៃសំណួរធំសម្រាប់ជំនាន់យើង ពីព្រោះជាជំនាន់ដំបូងដែលនាំ AI ទៅឲ្យសង្គម គឺ តើធ្វើដូចម្តេចដើម្បីធានាថា កុំព្យូទ័រនឹងនៅតែទទួលខុសត្រូវចំពោះមនុស្ស ហើយធានាថាមនុស្សដែលរចនាកុំព្យូទ័រនឹងនៅតែទទួលខុសត្រូវចំពោះមនុស្សគ្រប់រូប។ +នៅចុងក្រោយ ចំងល់ធំមួយសម្រាប់ជំនាន់មនុស្សយើង ក្នុងនាមជាជំនាន់ដំបូងនាំ AI មកសង្គម គឺរបៀបដែលធានាថាកុំព្យូទ័រនឹងនៅតែទទួលខុសត្រូវចំពោះមនុស្ស និងរបៀបដែលមនុស្សរចនាកុំព្យូទ័រនឹងនៅតែទទួលខុសត្រូវចំពោះមនុស្សដទៃទៀត។ -## ការវាយតម្លៃឥទ្ធិពល +## ការវាយតម្លៃផលប៉ះពាល់ -មុនពេលបណ្តុះបណ្តាលគំរូរៀនម៉ាស៊ីន វាសំខាន់ក្នុងការធ្វើការវាយតម្លៃឥទ្ធិពល ដើម្បីយល់ពីគោលបំណងនៃប្រព័ន្ធ AI; តើវាត្រូវប្រើសម្រាប់អ្វី; តើវាត្រូវប្រើនៅឯណា; និងតើនរណានឹងធ្វើប្រតិបត្តិការជាមួយប្រព័ន្ធ។ នេះជារឿងដែលពោរពេញទៅដោយប្រយោជន៍សម្រាប់អ្នកពិនិត្យ ឬអ្នកសាកល្បងប្រព័ន្ធ ដើម្បីដឹងថាត្រូវប្រាប់អ្វីខ្លះនៅពេលកំណត់ហានិភ័យអាចមាន និងផលវិបាកនឹងកើតមាន។ +មុនពេលបណ្តុះម៉ូឌែល machine learning វាសំខាន់ក្នុងការធ្វើការវាយតម្លៃផលប៉ះពាល់ដើម្បីយល់ថា បំណងបំណុលនៃប្រព័ន្ធ AI ជាអ្វីនឹង ការប្រើប្រាស់គ្រប់គ្រងនៅឯណា និងនរណាដែលនឹងប្រើប្រាស់ប្រព័ន្ធ។ នេះជួយសម្រាប់អ្នកឆែក ឬអ្នកសាកល្បងវាយតម្លៃប្រព័ន្ធដើម្បីដឹងថាត្រូវយកអ្វីទៅគិតពេលបញ្ចេញគ្រោះថ្នាក់ និងផលប៉ះពាល់ចាំបាច់។ -តំបន់ដែលត្រូវផ្ដោតពេលធ្វើការវាយតម្លៃឥទ្ធិពលមានដូចខាងក្រោម៖ +វាលខាងក្រោមជាតំបន់ផ្តោតយ៉ាងចាំបាច់ពេលធ្វើការវាយតម្លៃផលប៉ះពាល់៖ -* **ផលប៉ះពាល់អវិជ្ជមានលើមនុស្ស**។ ស្គាល់សំខាន់អំពីការកំណត់ ឬតម្រូវការ ការប្រើប្រាស់មិនគាំទ្រ ឬកំណត់ចំណុចខ្វះដែលបំពានសមត្ថភាពប្រព័ន្ធ ដើម្បីធានាថាបំណងប្រើប្រាស់ប្រព័ន្ធមិនបង្កការខូចខាតលើមនុស្ស។ -* **តម្រូវការទិន្នន័យ**។ យល់ដឹងពីរបៀប និងទីកន្លែងដែលប្រព័ន្ធនឹងប្រើទិន្នន័យ អ្នកពិនិត្យអាចស្វែងរកតម្រូវការណាមួយដែលអ្នកត្រូវប្រុងប្រយ័ត្ន (ឧ. របៀបគ្រប់គ្រងទិន្នន័យ GDPR ឬ HIPAA)។ ក៏ដូចជាពិនិត្យមើលថាប្រភពឬចំនួនទិន្នន័យគ្រប់គ្រាន់សម្រាប់ការបណ្តុះបណ្តាលឬអត់។ -* **សង្ខេបពីឥទ្ធិពល**។ ប្រមូលផ្តុំបញ្ជីនៃការខូចខាតអាចកើតមានពីការប្រើប្រាស់ប្រព័ន្ធ។ នៅកម្រិតវដ្តជីវិត ML ពិនិត្យមើលថាបញ្ហាដែលកំណត់បាន ត្រូវបានកាត់បន្ថយ ឬដោះស្រាយឲ្យស្រេច។ -* **គោលបំណង សមស្រប** សម្រាប់គោលការណ៍មូលដ្ឋានប្រាំមួយ។ វាយតម្លៃថាគោលបំណងនៃគោលការណ៍នីមួយៗត្រូវបានបំពេញល្អឬមិន និងតើមានចន្លោះណាមួយអត់។ +* **ផលប៉ះពាល់អវិជ្ជមានចំពោះដួងមនុស្សនិទាឃរដូវ**។ មានការយល់ដឹងពីការកំណត់ឬតម្រូវការ ការប្រើប្រាស់ដែលមិនគាំទ្រ ឬកំណត់ការជាប់ចិត្តណាមួយដែលរារាំងសមត្ថភាពប្រព័ន្ធគឺជារឿងសំខាន់ក្នុងការធានាថាប្រព័ន្ធមិនត្រូវបានប្រើសម្រាប់បង្កគ្រោះថ្នាក់ដល់មនុស្ស។ +* **តម្រូវការទិន្នន័យ**។ ការយល់ដឹងថាប្រព័ន្ធនឹងប្រើទិន្នន័យនៅណា និងរបៀបណា ជួយឲ្យអ្នកពិនិត្យអាចតាមដានតម្រូវការទិន្នន័យដែលអ្នកត្រូវយកចិត្តទុកដាក់ (ដូចជា ច្បាប់ GDPR ឬ HIPAA)។ បន្ថែមពីនេះ សូមពិនិត្យថា ប្រភព ឬបរិមាណទិន្នន័យគ្រប់គ្រាន់សម្រាប់ការបណ្តុះដល់ម៉ូឌែលឬអត់។ +* **សង្ខេបផលប៉ះពាល់**។ ប្រមូលបញ្ជីគ្រោះថ្នាក់ដែលអាចកើតមានពីការប្រើប្រាស់ប្រព័ន្ធ។ ក្នុងជីវវដ្ត ML សូមពិនិត្យថាបញ្ហានានាត្រូវបានទប់ស្កាត់ឬដោះស្រាយ។ +* **គោលបំណងដែលអាចប្រកបដោយប្រយោជន៍** សម្រាប់គោលការណ៍ប្រាំមួយដោយជាគោលដៅមូលដ្ឋាន។ វាយតម្លៃថាគោលបំណងនីមួយៗត្រូវបានបំពេញឬមានចន្លោះកម្រិតណាឬអត់។ -## ការរកកំហុសជាមួយ AI ដែលមានការទទួលខុសត្រូវ +## ការដោះស្រាយបញ្ហាជាមួយ AI ដែលមានការទទួលខុសត្រូវ -ដូចជាការរកកំហុសកម្មវិធីទូទៅ ការរកកំហុសប្រព័ន្ធ AI គឺជាដំណើរការសំខាន់ក្នុងការកំណត់ និងដោះស្រាយបញ្ហាក្នុងប្រព័ន្ធ។ មានហេតុផលជាច្រើនដែលអាចប៉ះពាល់ឲ្យគំរូមិនអនុវត្តតាមការរំពឹងទុក ឬមិនទទួលខុសត្រូវ។ ប្រភេទតុល្យមាត្រអនុវត្តគំរូធម្មតាច្រើនជាតុល្យមាត្រប្រមូលទិន្នន័យកំណត់លទ្ធភាពនៃការអនុវត្តគំរូ ដែលមិនគ្រប់គ្រាន់សម្រាប់វិភាគថាគំរូរំលំលើគោលការណ៍ AI ទទួលខុសត្រូវបែបណា។ លើសពីនេះទៅទៀត គំរូរៀនម៉ាស៊ីនគឺជាប្រអប់ខ្មៅ ដែលកំចាត់ការយល់ដឹងឲ្យយល់ថាតើអ្វីបណ្តាលឲ្យមានលទ្ធផលឬពន្យល់ពេលវាមានកំហុស។ នៅពេលក្រោយក្នុងវគ្គសិក្សានេះ យើងនឹងសិក្សាលើរបៀបប្រើប្រាស់ផ្ទាំងគ្រប់គ្រង Responsible AI ដើម្បីជួយរកកំហុសប្រព័ន្ធ AI។ ផ្ទាំងគ្រប់គ្រងផ្តល់ឧបករណ៍សរុបសម្រាប់អ្នកវិទ្យាសាស្រ្តទិន្នន័យ និងអ្នកអភិវឌ្ឍ AI ដើម្បីអនុវត្តជាក្រោម៖ +ដូចជាការដោះស្រាយបញ្ហាកម្មវិធី មុខងារដោះស្រាយបញ្ហាប្រព័ន្ធ AI គឺជាដំណើរការដើម្បីកំណត់ និងដោះស្រាយបញ្ហានៅក្នុងប្រព័ន្ធ។ មានហេតុផលជាច្រើនដែលប៉ះពាល់ការអនុវត្តសមរម្យរបស់ម៉ូឌែល ឬរបៀបដែលវាធ្វើដោយមានការទទួលខុសត្រូវ។ តាមប្រពៃណី វិធីសាស្ត្រវាស់ប្រសិទ្ធភាពម៉ូឌែលភាគច្រើនគឺជាការបូករួមតម្លៃគុណភាព។ វាមិនគ្រប់គ្រាន់ក្នុងការវិភាគពីរបៀបដែលម៉ូឌែលផ្ទុកការបំពានលើគោលការណ៍ AI ដែលមានការទទួលខុសត្រូវ។ បន្ថែមពីនេះ ម៉ូឌែល machine learning ជាប្រអប់ខ្មៅ ដែលធ្វើឲ្យពិបាកក្នុងការយល់ថាអ្វីជាដើមនៃលទ្ធផល ឬផ្តល់ការពន្យល់ពេលកើតមានកំហុស។ នៅពេលក្រោយក្នុងមុខវិជ្ជានេះ យើងនឹងរៀនពីរបៀបប្រើផ្ទាំងគ្រប់គ្រង Responsible AI ជួយដោះស្រាយបញ្ហាប្រព័ន្ធ AI។ ផ្ទាំងគ្រប់គ្រងផ្តល់ឧបករណ៍អមសម្រាប់អ្នកវិទ្យាសាស្ត្រទិន្នន័យ និងអ្នកអភិវឌ្ឍន៍ AI ដើម្បីអនុវត្ត៖ -* **វិភាគកំហុស**។ ដើម្បីកំណត់ការចែកចាយកំហុសរបស់គំរូដែលអាចប៉ះពាល់ទៅលើភាពត្រឹមត្រូវឬភាពជឿជាក់នៃប្រព័ន្ធ។ -* **ទិដ្ឋភាពទូទៅនៃគំរូ**។ ដើម្បីស្វែងរកកន្លែងដែលមានភាពខុសគ្នានៅក្នុងការអនុវត្តគំរូនៅលើក្រុមទិន្នន័យ។ -* **វិភាគទិន្នន័យ**។ ដើម្បីយល់ពីការចែកចាយទិន្នន័យ និងកំណត់សភាពប៉ះពាល់ទ្រព្យសម្បត្តិនៃទិន្នន័យដែលអាចនាំឲ្យមានបញ្ហាផ្សេងៗ ដូចជា ភាពត្រឹមត្រូវ ភាពរួមបញ្ចូល និងភាពជឿជាក់។ -* **ការពន្យល់គំរូ**។ ដើម្បីយល់ថាអ្វីប៉ះពាល់ ឬអ្វីបណ្តាលឲ្យការព្យាករណ៍របស់គំរូ។ វាជួយក្នុងការពន្យល់អាកប្បកិរិយារបស់គំរូ ដែលមានសារៈសំខាន់សម្រាប់ភាពច្បាស់លាស់ និងភាពទទួលខុសត្រូវ។ +* **វិភាគកំហុស**។ ដើម្បីកំណត់ពីចំនួនកំហុសរបស់ម៉ូឌែលដែលអាចប៉ះពាល់ទៅលើភាពសមណ៍ ឬភាពទុកចិត្តនៃប្រព័ន្ធ។ +* **ទិដ្ឋភាពទូទៅម៉ូឌែល**។ ដើម្បីស្វែងរកកន្លែងដែលមានភាពខុសគ្នានៃសមត្ថភាពម៉ូឌែល ឆ្លងកាត់ក្រុមទិន្នន័យផ្សេងៗ។ +* **វិភាគទិន្នន័យ**។ ដើម្បីយល់ពីការចែកចាយទិន្នន័យ និងកំណត់បំភ្លឺនៃអាកប្បកិរិយាណាមួយ ដែលអាចបណ្តាលមកវិបត្តិភាពសមណ៍ ការរួមបញ្ចូល និងការទុកចិត្ត។ +* **ការពន្យល់ម៉ូឌែល**។ ដើម្បីយល់ថាអ្វីប៉ះពាល់ ឬមានឥទ្ធិពលលើការទស្សន៍ទាយរបស់ម៉ូឌែល។ នេះជួយពន្យល់អាកប្បកិរិយារបស់ម៉ូឌែល ដែលសំខាន់សម្រាប់ភាពច្បាស់លាស់ និងការទទួលខុសត្រូវ។ ## 🚀 챌린지 -ដើម្បីទប់ស្កាត់ការខូចខាតពីការបញ្ចូលកើតឡើងសិន គួរតែ: +ដើម្បីការពារគ្រោះថ្នាក់ពីការបង្ហាញក្នុងដំបូង យើងគួរតែ៖ -- មានប្រភពខុសគ្នានិងទស្សនៈខុសគ្នារវាងមនុស្សដែលធ្វើការលើប្រព័ន្ធ -- វិនិយោគលើឯកសារទិន្នន័យដែលបង្ហាញពីភាពចម្រុះនៃសហគមន៍យើង -- អភិវឌ្ឍវិធីសាស្រ្តល្អប្រសើរពីវដ្តជីវិតរៀនម៉ាស៊ីនសម្រាប់រក និងដោះស្រាយ AI យ៉ាងទទួលខុសត្រូវ នៅពេលវាកើតឡើង +- មានភាពចម្រុះជាប្រវត្តិ និងទស្សនៈក្នុងក្រុមដែលធ្វើការលើប្រព័ន្ធ +- វិនិយោគលើទិន្នន័យដែលបង្ហាញពីភាពចម្រុះនៃសង្គមយើង +- អភិវឌ្ឍវិធីសាស្រ្តល្អប្រសើរនៅក្នុងជីវវដ្ត machine learning សម្រាប់រកឃើញ និងកែតម្រូវ AI ដែលមិនទទួលខុសត្រូវនៅពេលវាប្រឈម -សូមគិតអំពីស្ថានភាពជាក់លាក់ក្នុងជីវិត ប្រភេទមិនមានភាពទុកចិត្តបង្ហាញក្នុងការសាងសង់គំរូ និងការប្រើប្រាស់។ តើយើងគួរជួយគិតអ្វីបន្ថែមទៀត? +សូមគិតអំពីស្ថានការណ៍ជាការពិតជីវិតដែលជឿទុកចិត្តនៃម៉ូឌែលមិនត្រឹមត្រូវមានអ្វីទៅទៀតដែលយើងត្រូវពិចារណា? -## [សំនួរជំនួញបន្ទាប់មុខវិជ្ជា](https://ff-quizzes.netlify.app/en/ml/) +## [វគ្គសំណួរបន្ទាប់មេរៀន](https://ff-quizzes.netlify.app/en/ml/) -## ការពិនិត្យ និងរៀនដោយខ្លួនឯង +## ការពិនិត្យឡើងវិញ និងការសិក្សាឯករាជ្យ - -នៅមេរៀននេះ អ្នកបានរៀនពីមូលដ្ឋានខ្លះៗនៃគំនិតស្តីពីភាពយុត្តិធម៌ និងភាពមិនយុត្តិធម៌ក្នុងការរៀនម៉ាស៊ីន។ +ក្នុងមេរៀននេះ អ្នកបានរៀនមូលដ្ឋានខ្លះៗអំពីគំនិតភាពសមណ៍ និងភាពមិនសមណ៍នៅក្នុង machine learning។ -សូមមើលវគ្គបណ្តុះបណ្តាលនេះសម្រាប់ចូលជ្រាលជ្រៅជាងនេះទៅក្នុងប្រធានបទ៖ +មើលវគ្គបណ្ដុះបណ្ដាលនេះដើម្បីជ្រាលជ្រៅជាងនេះលើប្រធានបទ៖ -- ក្នុងការតាមរក AI ដែលមានការទទួលខុសត្រូវៈ នាំយកគោលការណ៍ទៅអនុវត្តដោយ Besmira Nushi, Mehrnoosh Sameki និង Amit Sharma +- ក្នុងការតាមរក AI ដែលមានការទទួលខុសត្រូវ៖ នាំគោលការណ៍អនុវត្តដោយ Besmira Nushi, Mehrnoosh Sameki និង Amit Sharma -[![ប្រអប់ឧបករណ៍ AI ដែលមានការទទួលខុសត្រូវ: ស៊ុមប្រភពបើកសម្រាប់កសាង AI ដែលមានការទទួលខុសត្រូវ](https://img.youtube.com/vi/tGgJCrA-MZU/0.jpg)](https://www.youtube.com/watch?v=tGgJCrA-MZU "ប្រអប់ឧបករណ៍ RAI: ស៊ុមប្រភពបើកសម្រាប់កសាង AI ដែលមានការទទួលខុសត្រូវ") +[![ប្រអប់ឧបករណ៍ AI ទំនួលខុសត្រូវ៖ ស៊្រ្តុចឃើមូបខ្ញុំភាគរយសម្រាប់បង្កើត AI ដែលទទួលខុសត្រូវ](https://img.youtube.com/vi/tGgJCrA-MZU/0.jpg)](https://www.youtube.com/watch?v=tGgJCrA-MZU "ប្រអប់ឧបករណ៍ RAI៖ ស៊្រ្តុចឃើមូបខ្ញុំភាគរយសម្រាប់បង្កើត AI ដែលទទួលខុសត្រូវ") -> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ៖ ប្រអប់ឧបករណ៍ RAI: ស៊ុមប្រភពបើកសម្រាប់កសាង AI ដែលមានការទទួលខុសត្រូវដោយ Besmira Nushi, Mehrnoosh Sameki និង Amit Sharma +> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូនេះ៖ ប្រអប់ឧបករណ៍ RAI៖ ស៊្រ្តុចឃើមូបខ្ញុំភាគរយសម្រាប់បង្កើត AI ដែលទទួលខុសត្រូវ ដោយ Besmira Nushi, Mehrnoosh Sameki, និង Amit Sharma -ផងដែរ សូមអាន៖ +ក៏អាន៖ -- មជ្ឈមណ្ឌលធនធាន RAI របស់ Microsoft: [ធនធាន AI ដែលមានការទទួលខុសត្រូវ – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4) +- មជ្ឈមណ្ឌលធនធាន RAI របស់ Microsoft៖ [ធនធាន AI ទំនួលខុសត្រូវ – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4) -- ក្រុមស្រាវជ្រាវ FATE របស់ Microsoft: [FATE៖ ភាពយុត្តិធម៌ ការទទួលខុសត្រូវ ភាពត្រឹមត្រូវ និងទស្សនៈអំពី AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/) +- ក្រុមស្រាវជ្រាវ FATE របស់ Microsoft៖ [FATE៖ ការសមភាសម្យ, ការទទួលខុសត្រូវ, ភាពច្បាស់លាស់ និងចរិតសម្បទានៅក្នុង AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/) ប្រអប់ឧបករណ៍ RAI៖ -- [ហាង GitHub ប្រអប់ឧបករណ៍ AI ដែលមានការទទួលខុសត្រូវ](https://github.com/microsoft/responsible-ai-toolbox) +- [ឃ្លាំង GitHub ប្រអប់ឧបករណ៍ AI ទំនួលខុសត្រូវ](https://github.com/microsoft/responsible-ai-toolbox) -អានអំពីឧបករណ៍ Azure Machine Learning ដើម្បីធានាបាននូវភាពយុត្តិធម៌៖ +អានអំពីឧបករណ៍ Azure Machine Learning សម្រាប់ធ្វើឲ្យប្រាកដថាមានភាពជាភាគតុល្យ៖ -- [Azure Machine Learning](https://docs.microsoft.com/azure/machine-learning/concept-fairness-ml?WT.mc_id=academic-77952-leestott) +- [Azure Machine Learning](https://docs.microsoft.com/azure/machine-learning/concept-fairness-ml?WT.mc_id=academic-77952-leestott) -## កិច្ចការផ្ទះ +## ការបន្ទុកការងារ -[ស្វែងយល់ពីប្រអប់ឧបករណ៍ RAI](assignment.md) +[ស្វែងយល់អំពីប្រអប់ឧបករណ៍ RAI](assignment.md) --- diff --git a/translations/km/5-Clustering/README.md b/translations/km/5-Clustering/README.md index 63c8febde..65d5abd09 100644 --- a/translations/km/5-Clustering/README.md +++ b/translations/km/5-Clustering/README.md @@ -1,35 +1,35 @@ -# ម៉ូដែលក្រុមសម្រាប់ការសិក្សាម៉ាស៊ីន +# គំរូក្លាស្តឺរីសម្រាប់ការរៀនម៉ាស៊ីន -ក្រុមគឺជាការប្រព្រឹត្តិការណ៍សិក្សាម៉ាស៊ីនមួយ ដែលវាមើលរកវត្ថុដែលដូចគ្នា ហើយក៏ផ្ដុំវាទៅជាក្រុមដែលហៅថា ក្រុមសំណុំ។ អ្វីដែលខុសគ្នារវាងការក្រុម និងវិធីសាស្រ្តផ្សេងទៀតក្នុងការសិក្សាម៉ាស៊ីន គឺថា អ្វីៗបានកើតឡើងដោយស្វ័យប្រវត្តិ មិនមែនដូចការសិក្សាផ្ទាល់ដឹកនាំ។ +ក្លាស្តឺរីគឺជាការប្រព្រឹត្តការងាររៀនម៉ាស៊ីនមួយដែលស្វែងរកវត្ថុដែលមានការខុសគ្នា និងបែងចែកវាទៅជាក្រុមដែលហៅថា cluster។ អ្វីដែលបញ្ជាក់ភាពខុសគ្នារវាងក្លាស្តឺរីជាមួយវិធីសាស្រ្តផ្សេងទៀតក្នុងការរៀនម៉ាស៊ីន គឺវាកើតឡើងដោយស្វ័យប្រវត្តិ ជាក់លាក់ជាអ្វីដែលអាចនិយាយថា វាជា វិធីដែលផ្ទុយពីការរៀនដែលមានការត្រួតពិនិត្យ។ -## ប្រធានបទតំបន់៖ ម៉ូដែលក្រុមសម្រាប់ចំណូលចិត្តតន្ត្រីរបស់អ្នកស្តាប់នៅនីហ្សេរីយ៉ា 🎧 +## ប្រធានបទតំបន់៖ គំរូក្លាស្តឺរីសម្រាប់អារម្មណ៍តន្ត្រីរបស់សាធារណជននីហ្សេរី 🎧 -ចំនូនអ្នកស្តាប់ពហុមុខជាតិនៅនីហ្សេរីយ៉ាមានចំណូលចិត្តតន្ត្រីផ្សេងៗគ្នា។ ដោយប្រើទិន្នន័យដែលទាញយកពី Spotify (បានបង្កើតច្រកពី [អត្ថបទនេះ](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)) យើងមកមើលតន្ត្រីដែលពេញនិយមនៅនីហ្សេរីយ៉ា។ ឈុតទិន្នន័យនេះរួមមានទិន្នន័យអំពីពិន្ទុ 'ការ​បន្ទាត់​ចលនា', 'ភាពសំឡេង​ស្ងាត់', រសជាតិសម្លេង, 'ភាពនិយាយ', ភាពពេញនិយម និងថាមពលនៃបទចម្រៀងនានា។ វានឹងគួរឱ្យចាប់អារម្មណ៍ក្នុងការស្វែងរកលំនាំជាក់លាក់នៅក្នុងទិន្នន័យនេះ! +សាធារណជននីហ្សេរីមានរសជាតិតន្ត្រីជាច្រើន។ ដោយប្រើ​ទិន្នន័យដែលបានប្រមូលពីSpotify (ដោយយកចិត្តទុកដាក់លើ [អត្ថបទនេះ](https://towardsdatascience.com/country-wise-visual-analysis-of-music-taste-using-spotify-api-seaborn-in-python-77f5b749b421)) អ្នកនឹងមើលឃើញតន្ត្រីដែលពេញនិយមនៅក្នុងនីហ្សេរី។ ឌាតាសែលនេះរួមបញ្ចូលទិន្នន័យអំពីពិន្ទុ 'danceability' របស់បទចម្រៀង ពិន្ទុ 'acousticness' ភាពខ្លាំង សំឡេងនិយាយ ភាពពេញនិយម និងថាមពល។ វានឹងគួរឲ្យចាប់អារម្មណ៍ក្នុងការរកឃើញគំរូនៅក្នុងទិន្នន័យនេះ! ![A turntable](../../../translated_images/km/turntable.f2b86b13c53302dc.webp) -> រូបថតដោយ Marcela Laskoski នៅ Unsplash +> រូបថតដោយ Marcela Laskoski នៅលើ Unsplash -ក្នុងបណ្ដុំនៃមេរៀននេះ អ្នកនឹងស្វែងរកវិធីថ្មីៗក្នុងការវិភាគទិន្នន័យដោយប្រើបច្ចេកទេសក្រុម។ ក្រុមមានប្រយោជន៍ពិសេសនៅពេលដែលឈុតទិន្នន័យរបស់អ្នកគ្មានស្លាកបង្ហាញ។ បើវាមានស្លាក បច្ចេកទេសចាត់ថ្នាក់ដូចដែលអ្នកបានរៀនក្នុងមេរៀនមុនប្រហែលជាមានប្រយោជន៍ជាង។ តែក្នុងករណីដែលអ្នកចង់បណ្ដុំទិន្នន័យគ្មានស្លាក ក្រុមគឺជាវិធីល្អក្នុងការស្វែងរកលំនាំ។ +ក្នុងស៊េរីមេរៀននេះ អ្នកនឹងបានស្វែងយល់ពីវិធីថ្មីៗក្នុងការវិភាគទិន្នន័យដោយប្រើបច្ចេកវិធីក្លាស្តឺរី។ ក្លាស្តឺរីមានប្រយោជន៍ពិសេសនៅពេលដែលឌាតាតាមអ្នកគ្មានស្លាកទិន្នន័យ ប្រសិនបើវាមានស្លាកទិន្នន័យវិធីសាស្រ្តចំរុះដូចនេះដែលអ្នកបានរៀននៅមេរៀនមុនអាចមានប្រយោជន៍ជាង។ ប៉ុន្តែនៅក្នុងករណីដែលអ្នកស្វែងរកការបែងចែកឌាតាដែលគ្មានស្លាកទិន្នន័យ ក្លាស្តឺរីគឺជាវិធីល្អក្នុងការស្វែងរកគំរូ។ -> មានឧបករណ៍កូដទាបដែលមានប្រយោជន៍ដែលអាចជួយអ្នកបង្រៀនអំពីការងារជាមួយម៉ូដែលក្រុម។ សូមសាកល្បង [Azure ML សម្រាប់ភារកិច្ចនេះ](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott) +> មានឧបករណ៍តិចកូដដែលមានប្រយោជន៍ជួយឲ្យអ្នករៀនពីការងារជាមួយគំរូក្លាស្តឺរី។ សាកល្បង [Azure ML សម្រាប់ភារកិច្ចនេះ](https://docs.microsoft.com/learn/modules/create-clustering-model-azure-machine-learning-designer/?WT.mc_id=academic-77952-leestott) ## មេរៀន -1. [ការណែនាំអំពីក្រុមសំណុំ](1-Visualize/README.md) -2. [ក្រុមសំណុំ K-Means](2-K-Means/README.md) +1. [ការណែនាំអំពីក្លាស្តឺរី](1-Visualize/README.md) +2. [ក្លាស្តឺរី K-Means](2-K-Means/README.md) -## អធិប្បាយ +## ឯកឧត្តម -មេរៀនទាំងនេះបានសរសេរដោយ 🎶 ជាមួយ [Jen Looper](https://www.twitter.com/jenlooper) មានការត្រួតពិនិត្យមានប្រយោជន៍ពី [Rishit Dagli](https://rishit_dagli) និង [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan)។ +មេរៀនទាំងនេះត្រូវបានសរសេរទៅជាមួយនឹង​សំឡេងតន្ត្រី 🎶 ដោយ [Jen Looper](https://www.twitter.com/jenlooper) និងមានការពិនិត្យយ៉ាងល្អពី [Rishit Dagli](https://rishit_dagli/) និង [Muhammad Sakib Khan Inan](https://twitter.com/Sakibinan)។ -ឈុតទិន្នន័យ [បទចម្រៀងនីហ្សេរីយ៉ា](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) ត្រូវបានទាញយកពី Kaggle ហើយបានស្រែបថតពី Spotify ។ +ឌាតាសែល [បទចម្រៀងនីហ្សេរី](https://www.kaggle.com/sootersaalu/nigerian-songs-spotify) ត្រូវបានយកចេញពី Kaggle ដោយប្រមូលពី Spotify។ -ឧទាហរណ៍ K-Means មានប្រយោជន៍ដែលជួយក្នុងការបង្កើតមេរៀននេះ រួមមានការស្រាវជ្រាវ [ផ្ដើមពីឧទាហរណ៍ iris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), សញ្ញាណាមូល [សៀវភៅប្រតិបត្តិការណ៍ដំណើរការ](https://www.kaggle.com/prashant111/k-means-clustering-with-python) និងឧទាហរណ៍ NGO ស្វែងរក [ឧទាហរណ៍សារធាតុ](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering)។ +ឧទាហរណ៍ K-Means ដែលមានប្រយោជន៍ ដែលបានជួយក្នុងការបង្កើតមេរៀននេះរួមមាន [ការស្រាវជ្រាវលើផ្កា iris](https://www.kaggle.com/bburns/iris-exploration-pca-k-means-and-gmm-clustering), [សៀវភៅកំណត់ហេតុចាប់ផ្តើម](https://www.kaggle.com/prashant111/k-means-clustering-with-python) និង [ឧទាហរណ៍ NGO ស្មាន](https://www.kaggle.com/ankandash/pca-k-means-clustering-hierarchical-clustering)។ --- -**ការដោះស្រាយ**៖ -ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាបកប្រែ AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ខណៈពេលយើងខិតខំធ្វើឱ្យមានភាពត្រឹមត្រូវ សូមមេត្តាត្រួតពិនិត្យថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុសឬកំហុសផ្ទាល់ខ្លួន។ ឯកសារដើមជាភាសាតំណើបត្រូវបានពិចារណា ដោយគេដឹងថាជាដើម។ សម្រាប់ព័ត៌មានសំខាន់ៗ ការបកប្រែដោយមនុស្សជំនាញត្រូវបានផ្ដល់អនុសាសន៍។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកប្រែខុសៗណាមួយដែលកើតមានពីការប្រើប្រាស់ការបកប្រែនេះនោះទេ។ +**ការបដិសេធ**: +ឯកសារនេះត្រូវបានបម្លែងភាសា ដោយប្រើសេវាបម្លែងភាសា AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ទោះយើងខ្ញុំមានក្តីប្រាថ្នាឱ្យបានច្បាស់លាស់ តែសូមយល់ដឹងថាការបម្លែងដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាទីតាំងគួរត្រូវបានគេប្រើជាប្រភពច្បាស់លាស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឱ្យប្រើប្រាស់ការប្រែដោយមនុស្សជំនាញ។ យើងខ្ញុំមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសបន្ទាប់ពីការប្រើប្រាស់ការបម្លែងនេះនោះទេ។ \ No newline at end of file diff --git a/translations/km/7-TimeSeries/README.md b/translations/km/7-TimeSeries/README.md index edd25ecb5..48ce746ad 100644 --- a/translations/km/7-TimeSeries/README.md +++ b/translations/km/7-TimeSeries/README.md @@ -1,30 +1,30 @@ -# មូលដ្ឋាននៃការព្យាករណ៍រយៈពេល +# ការណែនាំអំពីការព្យាករណ៍ស៊េរីពេលវេលា -តើការព្យាករណ៍រយៈពេលជាអ្វី? វាគឺជាការព្យាករណ៍ព្រឹត្តិការណ៍អនាគតដោយវិភាគនិន្នាការរបស់អតីតកាល។ +តើការព្យាករណ៍ស៊េរីពេលវេលាអ្វី? វាគឺជាការព្យាករណ៍ព្រឹត្តិកាលអនាគតដោយវិភាគនិន្នាការនៃអតីតកាល។ -## ប្រធានបទតំបន់៖ ការប្រើប្រាស់អគ្គិសនីជាសកល ✨ +## មុខវិជ្ជាតំបន់៖ ការប្រើប្រាស់អគ្គិសនីទូទាំងពិភពលោក ✨ -នៅក្នុងមេរៀនទាំងពីរនេះ អ្នកនឹងត្រូវបានណែនាំអំពីការព្យាករណ៍រយៈពេល ដែលជាផ្នែកដែលមិនធ្លាប់បានគ្រប់គ្រាន់ក្នុងការសិក្សាគ្រឿងចក្ររស់ ដែលយ៉ាងណាមិញមានតម្លៃខ្ពស់សម្រាប់ឧស្សាហកម្ម និងអាជីវកម្ម និងដំណាក់កាលផ្សេងៗ។ ខណៈដែលបណ្ដាញប្រសាទអាចត្រូវបានប្រើដើម្បីបង្កើនប្រយោជន៍នៃគំរូទាំងនេះ យើងនឹងសិក្សាវានៅក្នុងបរិបទនៃគំរូគ្រឿងចក្រប្រពៃណី ព្រោះគំរូជួយព្យាករណ៍លទ្ធផលអនាគតជាផ្អែកលើអតីតកាល។ +ក្នុងមេរៀនទាំងពីរនេះ អ្នកនឹងបានណែនាំអំពីការព្យាករណ៍ស៊េរីពេលវេលា មុខវិជ្ជាមួយមួយនៃការសិក្សាម៉ាស៊ីនដែលប្រហែលមិនគួរត្រូវបានស្គាល់ច្រើនទេ ប៉ុន្តែមានតម្លៃខ្ពស់សម្រាប់ឧស្សាហកម្ម និងការអនុវត្តអាជីវកម្ម នៅក្នុងវិស័យផ្សេងទៀត។ ខណៈដែលបណ្តាញនឿនអាចត្រូវបានប្រើដើម្បីបង្កើនប្រយោជន៍នៃម៉ូដែលទាំងនេះ យើងនឹងសិក្សាវា​ក្នុងបរិបទនៃការសិក្សាម៉ាស៊ីនសាមញ្ញ ព្រោះម៉ូដែលជួយព្យាករណ៍កម្រិតសមត្ថភាពអនាគតតាមគោលការណ៍ពីអតីតកាល។ -ការផ្តោតលើតំបន់របស់យើងគឺការប្រើប្រាស់អគ្គិសនីនៅលើពិភពលោក ដែលជាតារាងទិន្នន័យគួរឱ្យចាប់អារម្មណ៍ក្នុងការរៀនពីការព្យាករណ៍ការប្រើប្រាស់ថាមពលនៅអនាគតដោយផ្អែកលើគំរូនៃការតមLoadអតីតកាល។ អ្នកអាចមើលឃើញថាប្រភេទការព្យាករណ៍នេះអាចមានប្រយោជន៍ខ្ពស់នៅក្នុងបរិបទអាជីវកម្ម។ +ការយកចំណូលចិត្តតំបន់របស់យើងគឺការប្រើប្រាស់អគ្គិសនីក្នុងពិភពលោក ជាឈុតទិន្នន័យគួរឱ្យចាប់អារម្មណ៍សម្រាប់រៀនអំពីការព្យាករណ៍ការប្រើប្រាស់ថាមពលអនាគតដោយផ្អែកលើលំនាំការផ្ទុកអតីតកាល។ អ្នកអាចឃើញពីរបៀបដែលការព្យាករណ៍ប្រភេទនេះមានប្រយោជន៍ខ្ពស់ក្នុងបរិវេណអាជីវកម្ម។ ![electric grid](../../../translated_images/km/electric-grid.0c21d5214db09ffa.webp) -រូបថតដោយ [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) នៃបណ្តោយខ្សែអគ្គិសនីនៅលើផ្លូវនៅ Rajasthan នៅលើ [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) +រូបថតដោយ [Peddi Sai hrithik](https://unsplash.com/@shutter_log?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) នៃស្ថាបត្យកម្មអគ្គិសនីនៅលើផ្លូវមួយនៅ Rajasthan នៅលើ [Unsplash](https://unsplash.com/s/photos/electric-india?utm_source=unsplash&utm_medium=referral&utm_content=creditCopyText) ## មេរៀន -1. [មូលដ្ឋាននៃការព្យាករណ៍រយៈពេល](1-Introduction/README.md) -2. [ការកសាងគំរូរយៈពេល ARIMA](2-ARIMA/README.md) -3. [ការកសាង Support Vector Regressor សម្រាប់ការព្យាករណ៍រយៈពេល](3-SVR/README.md) +1. [ការណែនាំអំពីការព្យាករណ៍ស៊េរីពេលវេលា](1-Introduction/README.md) +2. [ការសាងសង់ម៉ូដែលស៊េរីពេលវេលា ARIMA](2-ARIMA/README.md) +3. [ការសាងសង់ Support Vector Regressor សម្រាប់ការព្យាករណ៍ស៊េរីពេលវេលា](3-SVR/README.md) ## ឥណទាន -"មូលដ្ឋាននៃការព្យាករណ៍រយៈពេល" ត្រូវបានសរសេរជាផ្លូវការ⚡️ ដោយ [Francesca Lazzeri](https://twitter.com/frlazzeri) និង [Jen Looper](https://twitter.com/jenlooper)។ សៀវភៅកំណត់ត្រានេះបានបង្ហាញលើអ៊ីនធឺណិតជាលើកដំបូងនៅក្នុង [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) ដែលបានសរសេរដំបូងដោយ Francesca Lazzeri។ មេរៀន SVR ត្រូវបានសរសេរដោយ [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD)។ +"ការណែនាំអំពីការព្យាករណ៍ស៊េរីពេលវេលា" ត្រូវបានសរសេរដោយ ⚡️ [Francesca Lazzeri](https://twitter.com/frlazzeri) និង [Jen Looper](https://twitter.com/jenlooper)។ សៀវភៅកំណត់ត្រានេះបានបង្ហាញជាលើកដំបូងតាមអ៊ិនធឺណេតក្នុង [Azure "Deep Learning For Time Series" repo](https://github.com/Azure/DeepLearningForTimeSeriesForecasting) ដែលបានសរសេរដើមដោយ Francesca Lazzeri។ មេរៀន SVR ត្រូវបានសរសេរ​ដោយ [Anirban Mukherjee](https://github.com/AnirbanMukherjeeXD) --- -**ការបដិសេធ aansprakelijkheid**៖ -ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាកម្មបកប្រែ AI [Co-op Translator](https://github.com/Azure/co-op-translator) ។ ខណៈពេលយើងខំប្រឹងរកភាពត្រឹមត្រូវ សូមយល់ឲ្យបានថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុសឬភាពមិនត្រឹមត្រូវខ្លះ។ ឯកសារដើមដែលសរសេរជាភាសាមនុស្សដើមគួរត្រូវបានពិចារណាថាជាហូរ​ញាតិ​ផ្លូវការ។ សម្រាប់ព័ត៍មានសំខាន់ៗ​ សូមណែនាំឲ្យបកប្រែដោយអ្នកជំនាញមនុស្ស។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកប្រែខុសពីការប្រើប្រាស់ការបកប្រែនេះឡើយ។ +**ការបដិសេធ**: +ឯកសារនេះត្រូវបានបម្លែងភាសា ដោយប្រើសេវាបម្លែងភាសា AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ទោះយើងខ្ញុំមានក្តីប្រាថ្នាឱ្យបានច្បាស់លាស់ តែសូមយល់ដឹងថាការបម្លែងដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាទីតាំងគួរត្រូវបានគេប្រើជាប្រភពច្បាស់លាស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឱ្យប្រើប្រាស់ការប្រែដោយមនុស្សជំនាញ។ យើងខ្ញុំមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសបន្ទាប់ពីការប្រើប្រាស់ការបម្លែងនេះនោះទេ។ \ No newline at end of file diff --git a/translations/km/README.md b/translations/km/README.md index 97e1077fb..c2683d0c1 100644 --- a/translations/km/README.md +++ b/translations/km/README.md @@ -8,16 +8,16 @@ [![GitHub forks](https://img.shields.io/github/forks/microsoft/ML-For-Beginners.svg?style=social&label=Fork)](https://GitHub.com/microsoft/ML-For-Beginners/network/) [![GitHub stars](https://img.shields.io/github/stars/microsoft/ML-For-Beginners.svg?style=social&label=Star)](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) -### 🌐 ការគាំទ្រភាសាច្រើន +### 🌐 ការគាំទ្រលេខា ភាសាច្រើន -#### គាំទ្រដោយរយៈ GitHub Action (ដោយស្វ័យប្រវត្តិ និងតែងតែទាន់សម័យ) +#### គាំទ្រដោយ GitHub Action (ដោយស្វ័យប្រវត្តិ និងទាន់សម័យជាសម័យ) -[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](./README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](../pl/README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md) +[អារ៉ាប់](../ar/README.md) | [បង្គោល](../bn/README.md) | [ប៊ូលការី](../bg/README.md) | [ភាសា မြန်မာ](../my/README.md) | [ចិន (សាមញ្ញ)](../zh-CN/README.md) | [ចិន (ប្រពៃណី, ហុងកុង)](../zh-HK/README.md) | [ចិន (ប្រពៃណី, ម៉ាកាវ)](../zh-MO/README.md) | [ចិន (ប្រពៃណី, តៃវ៉ាន់)](../zh-TW/README.md) | [គ្រូអាតិក](../hr/README.md) | [ឆេក](../cs/README.md) | [ដាណ្មាង](../da/README.md) | [ហុល្លង់](../nl/README.md) | [អេស្តូនី](../et/README.md) | [ហ្វាំងឡង់](../fi/README.md) | [បារាំង](../fr/README.md) | [អាល្លឺម៉ង់](../de/README.md) | [ក្រិក](../el/README.md) | [ហេប្រ៊ូ](../he/README.md) | [ហិណ្ឌី](../hi/README.md) | [ហុងគ្រី](../hu/README.md) | [ឥណ្ឌូណេស៊ី](../id/README.md) | [អ៊ីតាលី](../it/README.md) | [ជប៉ុន](../ja/README.md) | [ក្រណាដា](../kn/README.md) | [ខ្មែរ](./README.md) | [កូរ៉េ](../ko/README.md) | [លីទុយអានី](../lt/README.md) | [ម៉ាឡេស៊ី](../ms/README.md) | [ម៉ាឡាឡាំ](../ml/README.md) | [ម៉ារ៉ាធី](../mr/README.md) | [ណេប៉ាល់](../ne/README.md) | [អ្នកនិយាយភីជិន នីហ្សេរី](../pcm/README.md) | [ន័រវេ](../no/README.md) | [ប៉ិរឡុស (ផ្សេងពីហ្វារស៊ី)](../fa/README.md) | [ប៉ូឡូញ](../pl/README.md) | [ប៉ូរទុយហ្គាល់ (ប្រេស៊ីល)](../pt-BR/README.md) | [ប៉ូរទុយហ្គាល់ (ប្រទេសប៉ូរទុយហ្គាល់)](../pt-PT/README.md) | [ភាសា បេតជាប៉ូ (កប៊ូម៊ុយ)](../pa/README.md) | [រូម៉ានី](../ro/README.md) | [រុស្ស៊ី](../ru/README.md) | [សែប៊ិក (ស៊ីរីលិក)](../sr/README.md) | [ស្លូវ៉ាក](../sk/README.md) | [ស្លូវេនី](../sl/README.md) | [អេស្ប៉ាញ](../es/README.md) | [ស្វាហ៊ីលី](../sw/README.md) | [ស្វែដ](../sv/README.md) | [តាហ្គាឡុក (ហ្វីលីពីន)](../tl/README.md) | [ទំនខ្មែរ](../ta/README.md) | [ទេឡូហ្គូ](../te/README.md) | [ថៃ](../th/README.md) | [ទួរគី](../tr/README.md) | [អ៊ុយក្រែន](../uk/README.md) | [អ៊ូរឌូ](../ur/README.md) | [វៀតណាម](../vi/README.md) -> **ចូលចិត្ត Clone តាមកុំព្យូទ័រដោយផ្ទាល់?** +> **ចង់ចម្លងក្នុងម៉ាស៊ីនផ្ទាល់ខ្លួន?** > -> ឃ្លាំងនេះរួមបញ្ចូលការប្រែសម្រួលជាមុខងារភាសាច្រើនជាង ៥០ ដែលបង្កើនទំហំទាញយកយ៉ាងច្រើន។ ដើម្បី clone ដោយគ្មានការប្រែសម្រួល, សូមប្រើ sparse checkout: +> ការប្រមូលផ្តុំនេះរួមបញ្ចូលការប្រែសម្រួលជ понад 50 ភាសា ដែលបណ្តាលអោយទំហំទាញយកធំឡើងយ៉ាងខ្លាំង។ ដើម្បីចម្លងដោយគ្មានការប្រែសម្រួល អ្នកអាចប្រើម៉ឺនុយ sparse checkout: > > **Bash / macOS / Linux:** > ```bash @@ -33,62 +33,65 @@ > git sparse-checkout set --no-cone "/*" "!translations" "!translated_images" > ``` > -> នេះនឹងផ្តល់អ្នកទាំងអស់ដែលអ្នកត្រូវការដើម្បីបញ្ចប់វគ្គនេះដោយមានការទាញយករហ័សជាងមុន។ +> វានាំអោយអ្នកទទួលបានគ្រប់យ៉ាងដែលត្រូវការដើម្បីបញ្ចប់មុខវិជ្ជានេះដោយមានការទាញយកកាន់តែរហ័ស។ #### ចូលរួមសហគមន៍របស់យើង -[![Microsoft Foundry Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) +[![មីក្រូសូហ្វដីសក្លោង Discord](https://dcbadge.limes.pink/api/server/nTYy5BXMWG)](https://discord.gg/nTYy5BXMWG) -យើងមានស៊េរី Discord រៀនជាមួយ AI កំពុងបន្តនៅឡើយ, សូមរៀនបន្ថែម និងចូលរួមជាមួយយើង នៅ [Learn with AI Series](https://aka.ms/learnwithai/discord) ចាប់ពី 18 ដល់ 30 ខែកញ្ញា, 2025។ អ្នកនឹងទទួលបានក្បួននិងល្បិចក្នុងការប្រើប្រាស់ GitHub Copilot សម្រាប់វិទ្យាសាស្ត្រទិន្នន័យ។ +យើងមានស៊េរី Discord សម្រាប់ការសិក្សាជាមួយ AI កំពុងដំណើរការ សូមសិក្សាបន្ថែម និងចូលរួមជាមួយយើងនៅ [ស៊េរី Learn with AI](https://aka.ms/learnwithai/discord) ចាប់ពីថ្ងៃទី 18 ដល់ ថ្ងៃទី 30 កញ្ញា 2025។ អ្នកនឹងទទួលបានគន្លឹះ និងជំនាញនៃការប្រើ GitHub Copilot សម្រាប់វិទ្យាសាស្ត្រទិន្នន័យ។ -![Learn with AI series](../../translated_images/km/3.9b58fd8d6c373c20.webp) +![ស៊េរី Learn with AI](../../translated_images/km/3.9b58fd8d6c373c20.webp) -# ម៉ាស៊ីនរៀនសម្រាប់អ្នកចាប់ផ្តើម - មេរៀនមួយសិក្ខាសាលា +# ការរៀនម៉ាស៊ីនសម្រាប់អ្នកចាប់ផ្តើម - មេរៀនមួយ -> 🌍 ប្រាស្រ័យទំនាក់ទំនងជុំវិញពិភពលោក ខណៈពេលយើងស្វែងយល់អំពីម៉ាស៊ីនរៀនតាមរយៈវប្បធម៌ពិភពលោក 🌍 +> 🌍 ដំណើរធ្វើដំណើរជុំវិញពិភពលោក ខណៈពេលដែលយើងសិក្សារអំពីម៉ាស៊ីនរៀនតាមរយៈវប្បធម៌នានាពិភពលោក 🌍 -ក្រុម Cloud Advocates នៅ Microsoft មានសេចក្ដីរំភើបផ្តល់ជូនមេរៀន ១២ សប្តាហ៍ ២៦ ចំណងជើងទាំងអស់ស្ដីពី **ម៉ាស៊ីនរៀន**។ ក្នុងមេរៀននេះ អ្នកនឹងរៀនអំពីអ្វីដែលគេស្គាល់ថា **ម៉ាស៊ីនរៀនចាស់** បន្ទាប់ពីប្រើប្រាស់សៀករីតឡើនជាលក្ខណៈបណ្ណាល័យ និងជៀសវាងការរៀនជ្រៅ ដែលបានគ្របដណ្តប់នៅក្នុង [AI for Beginners’ curriculum](https://aka.ms/ai4beginners)។ និងភ្ជាប់មេរៀនទាំងនេះជាមួយ ['Data Science for Beginners' curriculum](https://aka.ms/ds4beginners) ផងដែរ។ +អ្នកផ្សព្វផ្សាយ Cloud នៅ Microsoft មានសេចក្តីរីករាយផ្តល់ជូនមេរៀន 12 សប្ដាហ៍ 26 មេរៀនអំពី **ម៉ាស៊ីនរៀន**។ នៅក្នុងមេរៀននេះ អ្នកនឹងរៀនអំពីអ្វីដែលហៅថា **ម៉ាស៊ីនរៀនបែបចាស់** ប្រើប្រាស់វីធី Scikit-learn ជាចម្បង និងជៀសវាងការសិក្សាដែលជ្រៅ ដែលគ្របដណ្តប់នៅក្នុង [មេរៀន AI សម្រាប់អ្នកចាប់ផ្តើម](https://aka.ms/ai4beginners)។ ពូកែមេរៀនទាំងនេះជាមួយនឹង ['វិទ្យាសាស្ត្រទិន្នន័យសម្រាប់អ្នកចាប់ផ្តើម'](https://aka.ms/ds4beginners)! -ធ្វើដំណើរជាមួយយើងជុំវិញពិភពលោក ខណៈយើងអនុវត្តបច្ចេកទេសចាស់ទាំងនេះលើទិន្នន័យពីតំបន់ជាច្រើននៅពិភពលោក។ មេរៀននិមួយៗរួមបញ្ចូលការប្រលងមុននិងក្រោយម៉ោងរៀន, ការណែនាំជាឡាយខេីបសម្រាប់បញ្ចប់មេរៀន, ដំណោះស្រាយមួយ, ការងារទៅមុខ និងផ្សេងៗទៀត។ វិធីសាស្រ្តបង្រៀនផ្អែកលើគម្រោងយើងអនុញ្ញាតឲ្យអ្នករៀនពេលកំពុងសាងសង់ ដែលជាវិធីបានបញ្ជាក់ថាជួយឲ្យជំនាញថ្មីៗ "នៅច្របល់" ។ +ដំណើររួមជាមួយយើងជុំវិញពិភពលោក ដើម្បីអនុវត្តវិធីសាស្រ្តបុរាណទាំងនេះលើទិន្នន័យពីតំបន់ផ្សេងៗ។ មេរៀននិមួយៗមានការប្រលងមុន និងបន្ទាប់មេរៀន, សេចក្តីណែនាំសរសេរដើម្បីបញ្ចប់មេរៀន, ដំណោះស្រាយ, កិច្ចការណ៍ និងច្រើនទៀត។ វិធីសាស្រ្តបង្រៀនផ្អែកលើគម្រោងអនុញ្ញាតឱ្យអ្នករៀនពេលកំពុងបង្កើត ដែលជាវិធីដែលបានพิสูจน์ហើយថាជួយឲ្យជំនាញថ្មីៗ «ដាក់ចិត្ត» បានប្រសើរឡើង។ -**✍️ អរគុណយ៉ាងខ្លាំងចំពោះអ្នកនិពន្ធរបស់យើង** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu និង Amy Boyd +**✍️ សូមថ្លែងអំណរគុណរហូតដល់អ្នកនិពន្ធរបស់យើង** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu និង Amy Boyd -**🎨 អរគុណផងដល់អ្នកគូររូបភាព** Tomomi Imura, Dasani Madipalli, និង Jen Looper +**🎨 អរគុណដល់អ្នកគូររូបរបស់យើង** Tomomi Imura, Dasani Madipalli និង Jen Looper -**🙏 អរគុណពិសេស 🙏 ចំពោះ Microsoft Student Ambassador អ្នកនិពន្ធ ពិនិត្យជាតិ និងអ្នកផ្តល់មាតិកា**, មានរួមទាំង Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila, និង Snigdha Agarwal +**🙏 អរគុណពិសេស 🙏 ទៅកាន់អ្នកនិពន្ធ អ្នកពិនិត្យ និងអ្នកចូលរួមខ្លួន Microsoft Student Ambassador របស់យើង**, ជាពិសេស Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila និង Snigdha Agarwal -**🤩 អរគុណបន្ថែមចំពោះ Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, និង Vidushi Gupta សម្រាប់មេរៀន R របស់យើង!** +**🤩 អំណរគុណបន្ថែមដល់ Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi និង Vidushi Gupta សម្រាប់មេរៀន R របស់យើង!** -# ការចាប់ផ្តើម +# ចាប់ផ្តើម -អនុវត្តតាមជំហានទាំងនេះ៖ -1. **Fork ឃ្លាំង**: ចុចប៊ូតុង "Fork" នៅជ្រុងខាងត្បូងស្តាំនៃទំព័រនេះ។ -2. **Clone ឃ្លាំង**: `git clone https://github.com/microsoft/ML-For-Beginners.git` +អនុវត្តន៍ជំហានទាំងនេះ៖ +1. **Fork មុខវិជ្ជា**៖ ចុចប៊ូតុង "Fork" នៅមុំខាងលើស្តាំងនៃទំព័រនេះ។ +2. **ចម្លងមុខវិជ្ជា**៖ `git clone https://github.com/microsoft/ML-For-Beginners.git` -> [ស្វែងរកធនធានបន្ថែមទាំងអស់សម្រាប់វគ្គនេះនៅក្នុងអង្គភាព Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) +> 💡 **គន្លឹះចាប់ផ្តើមឆាប់រហ័ស:** ចង់ចាប់ផ្តើមក្នុងកម្មវិធីរុក្ខជាតិដោយគ្មានការដំឡើង Python នៅក្នុងម៉ាស៊ីនផ្ទាល់? ប្រើ [GitHub Codespaces](https://github.com/features/codespaces) ដើម្បីបង្កើតបរិយាកាសអភិវឌ្ឍន៍នៅលើពពក សម្រាប់ fork របស់អ្នក។ បើកម៉ឺនុយបៃតង **Code** ជ្រើសរើស **Codespaces** ហើយបង្កើត codespace; ដំឡើងរាល់ការពឹងផ្អែកតាមមេរៀនដែលតម្រូវ។ -> 🔧 **ត្រូវការជំនួយ?** ពិនិត្យមើល [មគ្គុទេសក៍ដោះស្រាយបញ្ហា](TROUBLESHOOTING.md) របស់យើងសម្រាប់ដំណោះស្រាយបញ្ហាទូទៅស្តីពីការតំឡើង ការតំរូវ និងការប្រតិបត្តិមេរៀន។ +> [ស្វែងរកធនធានបន្ថែមទាំងអស់សម្រាប់មុខវិជ្ជានេះនៅក្នុងស្វ័យប្រវត្តិ Microsoft Learn របស់យើង](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) -**[សិស្ស](https://aka.ms/student-page)**, ដើម្បីប្រើប្រាស់មេរៀននេះ សូម fork រួមទាំងឃ្លាំងទៅគណនេយ្យ GitHub របស់អ្នក ហើយបញ្ចប់លំហាត់ដោយផ្ទាល់ខ្លួនឬជាក្រុម៖ +> 🔧 **ត្រូវការជំនួយ?** ពិនិត្យមើល [មេរៀនដោះស្រាយបញ្ហា](TROUBLESHOOTING.md) របស់យើងសម្រាប់ដំណោះស្រាយទៅអំពីបញ្ហាទូទៅនៃការដំឡើង ការតំណើរការ និងមេរៀន។ -- ចាប់ផ្តើមជាមួយការប្រលងមុនម៉ោងរៀន។ -- អានម៉ោងរៀន និងបញ្ចប់សកម្មភាពខ្លះៗ ដោយឈប់ និងពិចារណា​នៅពេលត្រួតពិនិត្យចំណេះដឹងនិមួយៗ។ -- ព្យាយាមបង្កើតគម្រោងដោយឱ្យយល់ពីមេរៀន ជាជាងរត់កូដដំណោះស្រាយ។ ទោះយ៉ាងไรก็ตาม កូដនោះមាននៅក្នុងថត `/solution` នៃមេរៀនដែលផ្អែកលើគម្រោងនិមួយៗ។ -- ធ្វើតេស្តក្រោយម៉ោងរៀន។ -- បញ្ចប់ការប្រកួត។ -- បញ្ចប់កិច្ចការងារ។ -- បន្ទាប់ពីបញ្ចប់ក្រុមមេរៀនមួយ សូមចូលទៅកាន់ [ចំវេនចំរាស](https://github.com/microsoft/ML-For-Beginners/discussions) ហើយ "រៀនដោយឡើងសំឡេង" ដោយបំពេញរូបមន្ត PAT ដែលសមស្រប។ 'PAT' គឺជាឧបករណ៍វាយតម្លៃអំពីវឌ្ឍនភាព ដែលជារូបមន្តអ្នកបំពេញដើម្បីបន្តការរៀន។ អ្នកអាចផ្ទេរតបនឹង PATs របស់អ្នកដទៃ ដើម្បីឲ្យយើងរៀនរួមគ្នា។ -> សម្រាប់ការសិក្សាបន្ថែម យើងផ្តល់អនុសាសន៍ឲ្យតាមដាន [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) ម៉ូឌុលនិងផ្លូវរៀន។ +**[សិស្ស](https://aka.ms/student-page)** ដើម្បីប្រើប្រាស់មុខវិជ្ជានេះ សូម fork មុខវិជ្ជាពេញមួយទៅប្រើប្រាស់ក្នុងគណនី GitHub របស់អ្នក ហើយបញ្ចប់លំហាត់ដោយខ្លួនឯង ឬជាក្រុម៖ -**គ្រូបង្រៀន**, យើងមាន [បានបញ្ចូលការណែនាំខ្លះៗ](for-teachers.md) អំពីវិធីប្រើប្រាស់មេរៀននេះ។ +- ចាប់ផ្តើមជាមួយការប្រលងមុនមេរៀន។ +- អានមេរៀន និងបញ្ចប់សកម្មភាព បញ្ឈប់ និងពិចារណារនៅពេលវេលាក្នុងការត្រួតពិនិត្យចំណេះដឹង។ +- ព្យាយាមបង្កើតគម្រោងដោយយល់ដឹងមេរៀន ជាងការរត់កូដដំណោះស្រាយ; ទោះបីជាកូដនេះមានរួចនៅក្នុងថត `/solution` នៃមេរៀនផ្អែកលើគម្រោង។ +- ធ្វើការប្រលងបន្ទាប់មេរៀន។ +- បញ្ចប់ការប្រកួតប្រជែង។ +- បញ្ចប់ភារកិច្ច។ +- បន្ទាប់ពីបញ្ចប់ក្រុមមេរៀនមួយ សូមទស្សនាក្រុមហ៊ុន [បន្ទះពិភាក្សា](https://github.com/microsoft/ML-For-Beginners/discussions) ហើយ "រៀនយំឮ" ដោយបំពេញក្របខ័ណ្ឌ PAT ដែលសមស្រប។ PAT គឺជាឧបករណ៍វាយតម្លៃដំណើរការដែលអ្នកបំពេញជួយសម្រួលការរៀនរបស់អ្នក។ អ្នកក៏អាចឆ្លើយតបទៅ PAT របស់អ្នកដទៃ ដើម្បីយើងអាចរៀនរួមគ្នា។ + +> សម្រាប់ការសិក្សាបន្ថែម យើងផ្តល់អនុសាសន៍ឱ្យតាមដានវគ្គ [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott) និងផ្លូវការរៀន។ + +**គ្រូបង្រៀន** យើងបាន [បញ្ចូលមតិយោបល់ខ្លះៗ](for-teachers.md) របៀបប្រើប្រាស់មេរៀននេះ។ --- -## វីដេអូដំណើរ +## វីដេអូបង្ហាញ -មេរៀនខ្លះមានភាពខ្លីជាវីដេអូ។ អ្នកអាចរកវាបាននៅក្នុងមេរៀនឬនៅលើ [ផ្ទាំងវីដេអូ ML for Beginners នៅលើចោណាល Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) ដោយចុចលើរូបភាពខាងក្រោម។ +មេរៀនខ្លះមានជាវីដេអូខ្លីៗ។ អ្នកអាចរកឃើញវាទាំងអស់នៅក្នុងមេរៀន ឬលើ [បញ្ជីចម្រៀង ML for Beginners នៅឆានែល Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) ដោយចុចរូបភាពខាងក្រោម។ [![ML for beginners banner](../../translated_images/km/ml-for-beginners-video-banner.63f694a100034bc6.webp)](https://aka.ms/ml-beginners-videos) @@ -98,149 +101,152 @@ [![Promo video](../../images/ml.gif)](https://youtu.be/Tj1XWrDSYJU) -**រូបភាព Gif ដោយ** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) +**Gif ដោយ** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) -> 🎥 ចុចលើរូបភាពខាងលើសម្រាប់វីដេអូអំពីគម្រោង និងមនុស្សដែលបានបង្កើតវា! +> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូអំពីគម្រោង និងមនុស្សដែលបង្កើតវា! --- -## វិធីបង្រៀន +## វិធីសាស្រ្តបង្រៀន -យើងបានជ្រើសរើសទស្សនៈបង្រៀនពីរយ៉ាងនៅពេលបង្កើតមេរៀននេះ៖ ធានាថាវាជា **គម្រោងអនុវត្ត** ហើយមាន **តេស្តញឹកញាប់**។ ជាមួយគ្នា មេរៀននេះមាន **ប្រធានបទ** រួម ដើម្បីបង្កើតភាពចង៖ +យើងជ្រើសរើសមូលដ្ឋានបង្រៀនពីរដែលសំខាន់ក្នុងការបង្កើតមេរៀននេះ៖ ការធានាថាវាគឺជាវិធីសាស្រ្តអនុវត្ត **ផ្អែកលើគម្រោង** និងរួមបញ្ចូល **ការប្រលងជំនាញជាប្រចាំ**។ បន្ថែមពីនេះ មេរៀនមាន **ប្រធានបទ**ជារួមដើម្បីផ្តល់ភាពរួមគ្នា។ -ដោយធានាថាមាតិការភ្ជាប់ជាមួយគម្រោង ដំណើរនេះនឹងធ្វើឲ្យសិស្សមានការចូលរួមខ្លាំងនិងជំនួយឲ្យចងចាំគំនិតបានល្អ។ លើសពីនេះទៀត តេស្តស្រោចស្រង់មុនថ្នាក់សិក្សាគឺដើម្បីបណ្តុះបណ្តាលចិត្តក្តីចង់រៀន និងតេស្តទីពីរបន្ទាប់ពីថ្នាក់ជួយការចងចាំបន្ថែមទៀត។ មេរៀននេះត្រូវបានរចនាឡើងឲ្យមានភាពបត់បែន និងរីករាយ ហើយអាចយកសព្វគ្រប់វឬខ្លះៗយ៉ាងម៉ត់ចត់។ គម្រោងនឹងចាប់ផ្តើមតូច និងកើនឡើងស្មុគស្មាញញឹកញាប់នៅចុងក្តីវគ្គ ១២ សប្តាហ៍។ មេរៀននេះមានផងដែរ អត្ថបទបន្ថែមពីការអនុវត្តនៅពិភពពិតនៃ ML ដែលអាចប្រើជាគ្រោងការសម្របសម្រួលឬជាគំហើញសម្រាប់ការពិភាក្សា។ +ដោយធានាថាបទពិសោធន៍សម្របសម្រួលជាមួយគម្រោង ការបង្រៀនក្លាយជារឿងគួរឱ្យចាប់អារម្មណ៍សម្រាប់សិស្ស និងកែលម្អការចងចាំមូលដ្ឋាន។ បន្ថែមពីនេះ ការប្រលងមួយមុនថ្នាក់ឲ្យបំណងក្នុងការរៀនមុខវិជ្ជា ខណៈពេលការប្រលងទីពីរបញ្ចាក់ការចងចាំបន្ថែមបន្ទាប់ពីថ្នាក់។ មេរៀននេះត្រូវបានរចនាឡើងឲ្យមានភាពបត់បែន និងរីករាយ អាចបញ្ចប់បានទាំងមូល ឬខ្លះៗ។ គម្រោងចាប់ផ្តើមតូច ហើយកើនឡើងមន្ទុះស្មុគស្មាញនៅចុងសប្ដាហ៍ទី 12។ មេរៀននេះមានកំណត់ត្រាសម្រាប់ការអនុវត្តចំការផ្សេងទៀតនៃម៉ាស៊ីនរៀន ដែលអាចប្រើជាពិន្ទុបន្ថែម ឬជាមូលដ្ឋានសម្រាប់ការពិភាក្សា។ -> សូមរកមើល [កូដអាកប្បកិរិយា](CODE_OF_CONDUCT.md), [ការចូលរួម](CONTRIBUTING.md), [ការប្រែសម្រួល](..), និង [ការដោះស្រាយបញ្ហា](TROUBLESHOOTING.md) ទិដ្ឋភាព។ យើងសូមស្វាគមន៍មតិយោបល់ដែលសាងសង់របស់អ្នក! +> សូមរកមើល [Code of Conduct](CODE_OF_CONDUCT.md), [ការចូលរួម](CONTRIBUTING.md), [ការប្រែសម្រួល](..), និង [ដោះស្រាយបញ្ហា](TROUBLESHOOTING.md) របស់យើង។ យើងសង្ឃឹមថានឹងទទួលបានមតិយោបល់សំណូមពររបស់អ្នក! -## មេរៀននិមួយៗ រួមមាន +## មេរៀននិមួយៗរួមមាន -- សេចក្តីបញ្ជាក់ជារូបភាពស្រេច -- វីដេអូជាការផ្គុំបន្ថែម -- វីដេអូបរិច្ឆេទ (មេរៀនខ្លះៗ) -- [តេស្តអប់រំនិមួយៗមុនម៉ោងរៀន](https://ff-quizzes.netlify.app/en/ml/) +- សេចក្តីសង្ខេបជាគំនូរសេចក្តី +- វីដេអូចម្រាញ់បន្ថែម (ជាជម្រើស) +- វីដេអូបង្ហាញ (មេរៀនខ្លះៗតែប៉ុណ្ណោះ) +- [ការប្រលងកម្រិតមុនថ្នាក់](https://ff-quizzes.netlify.app/en/ml/) - មេរៀនសរសេរ -- សម្រាប់មេរៀនផ្អែកលើគម្រោង, មគ្គុទេសក៍ជំហានដោយជំហានក្នុងការសាងសង់គម្រោង +- សម្រាប់មេរៀនផ្អែកលើគម្រោង ការណែនាំជាកំហិតដើម្បីបង្កើតគម្រោង - ការត្រួតពិនិត្យចំណេះដឹង -- ការប្រកួត -- កំណត់អានបន្ថែម -- កិច្ចការងារ -- [តេស្តក្រោយម៉ោងរៀន](https://ff-quizzes.netlify.app/en/ml/) -> **កំណត់សម្គាល់អំពីភាសា** ៖ មេរៀនទាំងនេះភាគច្រើនត្រូវបានសរសេរជាភាសា Python ប៉ុន្តែភាគច្រើនក៏មានជាភាសា R ផងដែរ។ ដើម្បីបញ្ចប់មេរៀន R មួយ សូមទៅកាន់ថត `/solution` ហើយស្វែងរកមេរៀន R។ ពួកវារួមបញ្ចូលនូវបច្ចេកទេស .rmd ដែលតំណាងឱ្យឯកសារ **R Markdown** ដែលអាចត្រូវបានកំណត់ដូចជាការបញ្ចូល `code chunks` (នៃ R ឬភាសាផ្សេងទៀត) និង `YAML header` (ដែលណែនាំពីរបៀបរៀបចំលទ្ធផលដូចជា PDF) ក្នុង `Markdown document` មួយ។ ដូច្នេះ វាជាគ្រោងការសរសេរដ៏ល្អឥតខ្ចោះសម្រាប់វិទ្យាសាស្ត្រទិន្នន័យ ព្រោះវាអនុញ្ញាតឱ្យអ្នកបញ្ចូលកូដរបស់អ្នក លទ្ធផលរបស់វា និងគំនិតរបស់អ្នកដោយដែលអ្នកអាចសរសេរពួកវាទៅក្នុង Markdown។ លើសពីនេះទៅទៀត ឯកសារ R Markdown អាចត្រូវបានបម្លែងទៅជារូបមន្តលទ្ធផលដូចជា PDF, HTML ឬ Word បាន។ - -> **កំណត់សម្គាល់អំពីសំណួរតេស្ត** ៖ សំណួរតេស្តទាំងអស់មាននៅក្នុង [ថត Quiz App](../../quiz-app) សរុប 52 សំណួរតេស្ត ដែលមានសំនួរបី សម្រាប់បីសំណួរនីមួយៗ។ ពួកវាត្រូវបានភ្ជាប់ពីក្នុងមេរៀន ប៉ុន្តែកម្មវិធីសំណួរតេស្តអាចដំណើរការជាលokalបានៈ អ្នកត្រូវតែអនុវត្តតាមសេចក្ដីណែនាំនៅក្នុងថត `quiz-app` ដើម្បីផ្ទុកជាលokalឬបញ្ចេញទៅ Azure។ - -| លេខមេរៀន | ក្បួនសិក្សា | ក្រុមមេរៀន | គោលបំណងការសិក្សា | មេរៀនភ្ជាប់ | អ្នកនិពន្ធ | -| :--------: | :----------: | :----------: | :------------------: | :-----------: | :--------: | -| 01 | របៀបស្គាល់បណ្តាញឧបករណ៍ | [Introduction](1-Introduction/README.md) | រៀនគំនិតមូលដ្ឋាននៃការរៀនម៉ាស៊ីន | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad | -| 02 | ប្រវត្តិសាស្ត្រនៃការរៀនម៉ាស៊ីន | [Introduction](1-Introduction/README.md) | រៀនអំពីប្រវត្តិដែលនៅក្រោមវិស័យនេះ | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen និង Amy | -| 03 | តុល្យភាព និងការរៀនម៉ាស៊ីន | [Introduction](1-Introduction/README.md) | តើបញ្ហាទ្រឹស្តីសាស្ត្រសំខាន់ៗអំពីតុល្យភាពដែលនិស្សិតគួរពិចារណាពេលបង្កើតនិងអនុវត្តន៍ម៉ូឌែល ML មានអ្វីខ្លះ? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi | -| 04 | បច្ចេកទេសសម្រាប់ការរៀនម៉ាស៊ីន | [Introduction](1-Introduction/README.md) | តើបច្ចេកទេសណាដែលអ្នកស្រាវជ្រាវ ML ប្រើសម្រាប់បង្កើតម៉ូឌែល ML? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris និង Jen | -| 05 | របៀបស្គាល់ថ្នាក់បង្រៀន regression | [Regression](2-Regression/README.md) | ចាប់ផ្តើមជាមួយ Python និង Scikit-learn សម្រាប់ម៉ូឌែល regression | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | -| 06 | តម្លៃផ្កាក្រហមនៅអាមេរិកជើងជើង 🎃 | [Regression](2-Regression/README.md) | បង្ហាញ និង បោកសំអាតទិន្នន័យក្នុងការរៀបចំសម្រាប់ ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | -| 07 | តម្លៃផ្កាក្រហមនៅអាមេរិកជើងជើង 🎃 | [Regression](2-Regression/README.md) | បង្កើតម៉ូឌែល regression រូបធរណីរ និងម៉ោង polynomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen និង Dmitry • Eric Wanjau | -| 08 | តម្លៃផ្កាក្រហមនៅអាមេរិកជើងជើង 🎃 | [Regression](2-Regression/README.md) | បង្កើតម៉ូឌែលRegression logistic | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | -| 09 | កម្មវិធីវេប 🔌 | [Web App](3-Web-App/README.md) | បង្កើតកម្មវិធីវេបឲ្យប្រើម៉ូឌែលដែលបានបណ្ដុះ | [Python](3-Web-App/1-Web-App/README.md) | Jen | -| 10 | រៀបចំមុខងារ classification | [Classification](4-Classification/README.md) | បោកសំអាត, រៀបចំ, និងបង្ហាញទិន្នន័យ; រៀបចំបង់ classification | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen និង Cassie • Eric Wanjau | -| 11 | ម្ហូបអាស៊ី និងឥណ្ឌា ស័ក្ដិសម 🍜 | [Classification](4-Classification/README.md) | រៀបចំអ្នកចែកថ្នាក់ | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen និង Cassie • Eric Wanjau | -| 12 | ម្ហូបអាស៊ី និងឥណ្ឌា ស័ក្ដិសម 🍜 | [Classification](4-Classification/README.md) | មានអ្នកចែកថ្នាក់ច្រើនទៀត | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen និង Cassie • Eric Wanjau | -| 13 | ម្ហូបអាស៊ី និងឥណ្ឌា ស័ក្ដិសម 🍜 | [Classification](4-Classification/README.md) | បង្កើតកម្មវិធីវេបណែនាំដោយប្រើម៉ូឌែលរបស់អ្នក | [Python](4-Classification/4-Applied/README.md) | Jen | -| 14 | ការណែនាំ clustering | [Clustering](5-Clustering/README.md) | បោកសំអាត, រៀបចំ, និងបង្ហាញទិន្នន័យ; ការណែនាំប្រព័ន្ធ clustering | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | -| 15 | ការរុករករសជាតិតន្ត្រីនៃប្រទេសនីហ្សេរី 🎧 | [Clustering](5-Clustering/README.md) | រុករកវិធី K-Means clustering | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | -| 16 | ការណែនាំអំពីការប្រើប្រាស់ភាសាបរិស្ថានធម្មជាតិ ☕️ | [Natural language processing](6-NLP/README.md) | រៀនមូលដ្ឋានអំពី NLP ដោយបង្កើត bot ងាយៗ | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | -| 17 | ការងារសម្រាប់ NLP ទូទៅ ☕️ | [Natural language processing](6-NLP/README.md) | ជ្រាបចំរូងនៅលើភាសាតាមរយៈការយល់ដឹងពីភារកិច្ចទូទៅដែលសំខាន់ | [Python](6-NLP/2-Tasks/README.md) | Stephen | -| 18 | ការបកប្រែ និងវិភាគអារម្មណ៍ ♥️ | [Natural language processing](6-NLP/README.md) | ការបកប្រែ និងវិភាគអារម្មណ៍ជាមួយ Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | -| 19 | សណ្ឋាគារស្នេហ៍នៅអឺរ៉ុប ♥️ | [Natural language processing](6-NLP/README.md) | វិភាគអារម្មណ៍ជាមួយការពិនិត្យសណ្ឋាគារ ១ | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | -| 20 | សណ្ឋាគារស្នេហ៍នៅអឺរ៉ុប ♥️ | [Natural language processing](6-NLP/README.md) | វិភាគអារម្មណ៍ជាមួយការពិនិត្យសណ្ឋាគារ ២ | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | -| 21 | ការណែនាំប៉ុន្តែពេលវេលាស៊េរី | [Time series](7-TimeSeries/README.md) | ការណែនាំការព្យាករណ៍ពេលវេលាស៊េរី | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | -| 22 | ⚡️ ការប្រើប្រាស់ថាមពលពិភពលោក ⚡️ - ការព្យាករណ៍ពេលវេលាស៊េរីជាមួយ ARIMA | [Time series](7-TimeSeries/README.md) | ការព្យាករណ៍ពេលវេលាស៊េរីជាមួយ ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | -| 23 | ⚡️ ការប្រើប្រាស់ថាមពលពិភពលោក ⚡️ - ការព្យាករណ៍ពេលវេលាស៊េរីជាមួយ SVR | [Time series](7-TimeSeries/README.md) | ការព្យាករណ៍ពេលវេលាស៊េរីជាមួយ Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | -| 24 | ការណែនាំដល់ការរៀនបង្រៀនបន្ថែម | [Reinforcement learning](8-Reinforcement/README.md) | ការណែនាំការរៀនបង្រៀនបន្ថែមជាមួយ Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | -| 25 | ជួយ Peter ជៀសវាងខ្លាឆ្នោត! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | ការរៀនបង្រៀនបន្ថែម Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | -| Postscript | ស្ថានភាពពិតនៃ ML និងការអនុវត្ត | [ML in the Wild](9-Real-World/README.md) | ករណីនិងការអនុវត្តពិតនៃ ML រចនាបថបុរាណ | [Lesson](9-Real-World/1-Applications/README.md) | ក្រុម | -| Postscript | ការប្តូរគំរូក្នុង ML ប្រើបញ្ជីគ្រប់គ្រង RAI | [ML in the Wild](9-Real-World/README.md) | ការប្តូរគំរូក្នុងម៉ាស៊ីនរៀនប្រើបញ្ជីគ្រប់គ្រង Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | - -> [ស្វែងរកធនធានបន្ថែមទាំងអស់សម្រាប់វគ្គនេះនៅក្នុងបណ្ណសាររបស់ Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) - -## ការចូលដំណើរការផ្ទាល់ខ្លួន - -អ្នកអាចដំណើរការ​ឯកសារ​សម្រម់នេះក្រៅអ៊ីនធឺណិតដោយប្រើ [Docsify](https://docsify.js.org/#/). ចម្លង repo នេះ, [ដំឡើង Docsify](https://docsify.js.org/#/quickstart) លើម៉ាស៊ីន​ផ្ទាល់ខ្លួនរបស់អ្នក, បន្ទាប់មកនៅក្នុងថតមូលដ្ឋានរបស់ repo នេះ ចុច `docsify serve`។ វេបសាយនឹងត្រូវបម្រើនៅច្រក 3000 នៅលើ localhost របស់អ្នក៖ `localhost:3000`។ - -## PDF - -ស្វែងរក pdf នៃមេរៀននៅ [ទីនេះ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf)។ - -## 🎒 វគ្គផ្សេងទៀត - -ក្រុមរបស់យើងផលិតវគ្គផ្សេងទៀតផង! សូមមើល៖ - +- ការប្រកួតប្រជែង +- ការអានបន្ថែម +- ភារកិច្ច +- [ការប្រឡងបន្ទាប់មេរៀន](https://ff-quizzes.netlify.app/en/ml/) + +> **កំណត់សម្គាល់អំពីភាសា**៖ មេរៀនទាំងនេះភាគច្រើនសរសេរជាមួយ Python ប៉ុន្តែអាចរកបានជាច្រើនក្នុងភាសា R ផងដែរ។ ដើម្បីបញ្ចប់មេរៀន R សូមចូលទៅថត `/solution` ហើយស្វែងរកមេរៀន R។ វារួមបញ្ចូលផ្នែក .rmd ដែលជាអ្នកតំណាងឱ្យឯកសារ **R Markdown** ដែលអាចនិយាយជាផ្នែកឧទាហរណ៍មួយសម្រាប់ការសរសេររួមគ្នា `code chunks` (នៃ R ឬភាសាផ្សេង) និង `YAML header` (ដែលណែនាំរបៀបបែបផែនលទ្ធផលដូចជា PDF) ក្នុងឯកសារ `Markdown`។ ដូច្នេះវាជាជំនាញមួយសម្រាប់វិទ្យាសាស្ត្រទិន្នន័យព្រោះវាអនុញ្ញាតឱ្យអ្នកចងកូដ ទិន្នផល និងគំនិតរបស់អ្នកជាមួយគ្នាតាមរយៈMarkdown។ បន្ថែមពីនេះឯកសារ R Markdown ក៏អាចបំលែងទៅទ្រង់ទ្រាយដូចជា PDF, HTML ឬ Word បាន។ + +> **កំណត់សម្គាល់អំពីការប្រលង**៖ ការប្រលងទាំងអស់មាននៅក្នុងថត [Quiz App](../../quiz-app) មានចំនួន 52 ការប្រលង មួយៗមានចំនួនសំណួរ 3។ វាត្រូវបានភ្ជាប់នៅក្នុងមេរៀន ប៉ុន្តែកម្មវិធីប្រលងអាចដំណើរការបាននៅក្នុងម៉ាស៊ីនផ្ទាល់; សូមអនុវត្តការណែនាំនៅក្នុងថត `quiz-app` ដើម្បីដាក់បង្ហោះក្រៅឬដាក់នៅ Azure។ + +| លេខមេរៀន | ចំណងជើង | ក្រុមមេរៀន | គោលបំណងការរៀន | មេរៀនភ្ជាប់ | អ្នកនិពន្ធ | +| :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | +| 01 | ការណែនាំអំពីការសិក្សាម៉ាស៊ីន | [Introduction](1-Introduction/README.md) | រៀនពីមូលដ្ឋានគំនិតនៅពីក្រោយការសិក្សាម៉ាស៊ីន | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad | +| 02 | ប្រវត្តិវិទ្យានៃការសិក្សាម៉ាស៊ីន | [Introduction](1-Introduction/README.md) | រៀនពីប្រវត្តិវិទ្យាដែលគាំទ្រដល់វិស័យនេះ | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | +| 03 | ភាពយុតិសម និងការសិក្សាម៉ាស៊ីន | [Introduction](1-Introduction/README.md) | តើបញ្ហាទោលសំខាន់ៗអ្វីខ្លះដែលទាក់ទងនឹងភាពយុតិសមដែលអ្នកសិក្សាគួរតែគិតពិចារណារបស់ពេលកសាងនិងអនុវត្តម៉ូដែល ML? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi | +| 04 | បច្ចេកទេសសម្រាប់ការសិក្សាម៉ាស៊ីន | [Introduction](1-Introduction/README.md) | តើបច្ចេកទេសណាខ្លះដែលអ្នកស្រាវជ្រាវ ML ប្រើសម្រាប់កសាងម៉ូដែល ML? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | +| 05 | ការណែនាំអំពីការវិភាគត្រឡប់ | [Regression](2-Regression/README.md) | ចាប់ផ្តើមជាមួយ Python និង Scikit-learn សម្រាប់ម៉ូដែលវិភាគត្រឡប់ | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | +| 06 | តម្លៃស្ពឺកាផឹកនៅអាមេរិកខាងជើង 🎃 | [Regression](2-Regression/README.md) | បង្ហាញទិន្នន័យ និងសំអាតទិន្នន័យសម្រាប់រៀបចំទៅ ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | +| 07 | តម្លៃស្ពឺកាផឹកនៅអាមេរិកខាងជើង 🎃 | [Regression](2-Regression/README.md) | សាងម៉ូដែល regression ស្របតាមបន្ទាត់ និង polynomial | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | +| 08 | តម្លៃស្ពឺកាផឹកនៅអាមេរិកខាងជើង 🎃 | [Regression](2-Regression/README.md) | សាងម៉ូដែល regression logistic | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | +| 09 | កម្មវិធីបណ្តាញ 🔌 | [Web App](3-Web-App/README.md) | សាងកម្មវិធីបណ្តាញដើម្បីប្រើម៉ូដែលដែលបានបណ្តុះ | [Python](3-Web-App/1-Web-App/README.md) | Jen | +| 10 | ការណែនាំអំពីការបែងចែកវថាគុណ | [Classification](4-Classification/README.md) | សំអាត រៀបចំ និងបង្ហាញទិន្នន័យរបស់អ្នក; ការណែនាំអំពីការបែងចែកវថាគុណ | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | +| 11 | រសជាតិម្ហូបអាស៊ី និងឥណ្ឌា រសជាតិសប្បាយ 🍜 | [Classification](4-Classification/README.md) | ការណែនាំអំពីអ្នកចាត់ថ្នាក់ | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau | +| 12 | រសជាតិម្ហូបអាស៊ី និងឥណ្ឌា រសជាតិសប្បាយ 🍜 | [Classification](4-Classification/README.md) | អ្នកចាត់ថ្នាក់បន្ថែម | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau | +| 13 | រសជាតិម្ហូបអាស៊ី និងឥណ្ឌា រសជាតិសប្បាយ 🍜 | [Classification](4-Classification/README.md) | សាងកម្មវិធីបណ្តាញផ្តល់អនុសាសន៍ដោយប្រើម៉ូដែលរបស់អ្នក | [Python](4-Classification/4-Applied/README.md) | Jen | +| 14 | ការណែនាំអំពីការបំបែកក្រុម | [Clustering](5-Clustering/README.md) | សំអាត រៀបចំ និងបង្ហាញទិន្នន័យរបស់អ្នក; ការណែនាំអំពីការបំបែកក្រុម | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | +| 15 | ការស្វែងយល់ពីរសជាតិតន្ត្រីនីជេរី 🎧 | [Clustering](5-Clustering/README.md) | ស្វែងយល់ពីវិធីសាស្រ្តបំបែកក្រុម K-Means | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | +| 16 | ការណែនាំអំពីការបកស្រាយភាសាធម្មជាតិ ☕️ | [Natural language processing](6-NLP/README.md) | រៀនមូលដ្ឋានអំពី NLP ដោយកសាងបុតងាយ | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | +| 17 | បើកចិត្តទៅលើភារកិច្ច NLP ផ្សេងៗ ☕️ | [Natural language processing](6-NLP/README.md) | ជំរុញចំណេះដឹង NLP របស់អ្នកដោយយល់ពីភារកិច្ចទូទៅដែលត្រូវចាំបាច់ពេលដោះស្រាយរចនាសម្ព័ន្ធភាសា | [Python](6-NLP/2-Tasks/README.md) | Stephen | +| 18 | ការបកប្រែ និងវិភាគអារម្មណ៍ ♥️ | [Natural language processing](6-NLP/README.md) | ការបកប្រែ និងវិភាគអារម្មណ៍ជាមួយ Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | +| 19 | សណ្ឋាគាររសជាតិស្នេហា​នៅអឺរ៉ុប ♥️ | [Natural language processing](6-NLP/README.md) | ការវិភាគអារម្មណ៍ជាមួយការវាយតម្លៃសណ្ឋាគារ ១ | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | +| 20 | សណ្ឋាគាររសជាតិស្នេហា​នៅអឺរ៉ុប ♥️ | [Natural language processing](6-NLP/README.md) | ការវិភាគអារម្មណ៍ជាមួយការវាយតម្លៃសណ្ឋាគារ ២ | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | +| 21 | ការណែនាំអំពីការទស្សន៍ទាយលំដាប់ពេលវេលា | [Time series](7-TimeSeries/README.md) | ការណែនាំអំពីការទស្សន៍ទាយលំដាប់ពេលវេលា | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | +| 22 | ⚡️ ការប្រើថាមពលពិភពលោក ⚡️ - ការទស្សន៍ទាយលំដាប់ពេលវេលាដោយ ARIMA | [Time series](7-TimeSeries/README.md) | ការទស្សន៍ទាយលំដាប់ពេលវេលាដោយ ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | +| 23 | ⚡️ ការប្រើថាមពលពិភពលោក ⚡️ - ការទស្សន៍ទាយលំដាប់ពេលវេលាដោយ SVR | [Time series](7-TimeSeries/README.md) | ការទស្សន៍ទាយលំដាប់ពេលវេលាដោយ Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | +| 24 | ការណែនាំអំពីការសិក្សាភាពតបស្នង | [Reinforcement learning](8-Reinforcement/README.md) | ការណែនាំអំពីការសិក្សាភាពតបស្នងជាមួយ Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | +| 25 | ជួយ Peter ចៀសវាងខ្លំណាររបស់គេច! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | ការសិក្សាភាពតបស្នង Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | +| Postscript | ស្ថានការណ៍ និងការអនុវត្ត ML នៅក្នុងពិភពពិត | [ML in the Wild](9-Real-World/README.md) | ការអនុវត្តន៍ចំរូងជាក់ស្តែងនៃ ML របៀបបុរាណ | [Lesson](9-Real-World/1-Applications/README.md) | Team | +| Postscript | ការតម្រៀបម៉ូដែលនៅក្នុង ML ដោយប្រើផ្ទៃ RAI dashboard | [ML in the Wild](9-Real-World/README.md) | ការតម្រៀបម៉ូដែលនៅក្នុងការសិក្សាម៉ាស៊ីនដោយប្រើផ្ទៃម៉ាស៊ីនផ្សព្វផ្សាយ AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | + +> [ស្វែងរកធនធានបន្ថែមទាំងអស់សម្រាប់វគ្គនេះនៅក្នុងការប្រមូលផ្តុំ Microsoft Learn តំណនេះ](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) + +## ការចូលប្រើដោយគ្មានអ៊ីនធឺណិត + +អ្នកអាចរត់ឯកសារនេះក្រៅបណ្តាញដោយប្រើ [Docsify](https://docsify.js.org/#/)។ បំបែក repo នេះ, [ដំឡើង Docsify](https://docsify.js.org/#/quickstart) លើកុំព្យូទ័រផ្ទាល់ខ្លួនរបស់អ្នក ហើយបន្ទាប់មកនៅក្នុងថតម៉ៅរបស់ repo នេះ, វាយ `docsify serve`។ គេហទំព័រនឹងត្រូវបានបម្រើនៅព័ត ៣០០០ នៅលើ localhost របស់អ្នក: `localhost:3000`។ + +## ឯកសារ PDF + +រកឃើញឯកសារ pdf នៃវគ្គសិក្សាជាមួយតំណភ្ជាប់ [នៅទីនេះ](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf)។ + + +## 🎒 វគ្គផ្សេងទៀត + +ក្រុមការងាររបស់យើងបង្កើតវគ្គផ្សេងទៀត! សូមពិនិត្យមើល: + + ### LangChain -[![LangChain4j សម្រាប់ដាក់ក្នុងដំបូង](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) -[![LangChain.js សម្រាប់ដាក់ក្នុងដំបូង](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) -[![LangChain សម្រាប់ដាក់ក្នុងដំបូង](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain4j សម្រាប់អ្នកដំបូង](https://img.shields.io/badge/LangChain4j%20for%20Beginners-22C55E?style=for-the-badge&&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchain4j-for-beginners) +[![LangChain.js សម្រាប់អ្នកដំបូង](https://img.shields.io/badge/LangChain.js%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) +[![LangChain សម្រាប់អ្នកដំបូង](https://img.shields.io/badge/LangChain%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=0553D6)](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agents -[![AZD សម្រាប់ដាក់ក្នុងដំបូង](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) -[![Edge AI សម្រាប់ដាក់ក្នុងដំបូង](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![MCP សម្រាប់អ្នកចាប់ផ្តើម](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) -[![ភ្នាក់ងារពី AI សម្រាប់អ្នកចាប់ផ្តើម](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AZD សម្រាប់អ្នកដំបូង](https://img.shields.io/badge/AZD%20for%20Beginners-0078D4?style=for-the-badge&labelColor=E5E7EB&color=0078D4)](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Edge AI សម្រាប់អ្នកដំបូង](https://img.shields.io/badge/Edge%20AI%20for%20Beginners-00B8E4?style=for-the-badge&labelColor=E5E7EB&color=00B8E4)](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![MCP សម្រាប់អ្នកដំបូង](https://img.shields.io/badge/MCP%20for%20Beginners-009688?style=for-the-badge&labelColor=E5E7EB&color=009688)](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) +[![AI Agents សម្រាប់អ្នកដំបូង](https://img.shields.io/badge/AI%20Agents%20for%20Beginners-00C49A?style=for-the-badge&labelColor=E5E7EB&color=00C49A)](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- -### ស៊េរី AI បង្កើត -[![AI បង្កើតសម្រាប់អ្នកចាប់ផ្តើម](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) -[![AI បង្កើត (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) -[![AI បង្កើត (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) -[![AI បង្កើត (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) +### ស៊េរី Generative AI +[![Generative AI សម្រាប់អ្នកដំបូង](https://img.shields.io/badge/Generative%20AI%20for%20Beginners-8B5CF6?style=for-the-badge&labelColor=E5E7EB&color=8B5CF6)](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) +[![Generative AI (.NET)](https://img.shields.io/badge/Generative%20AI%20(.NET)-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) +[![Generative AI (Java)](https://img.shields.io/badge/Generative%20AI%20(Java)-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) +[![Generative AI (JavaScript)](https://img.shields.io/badge/Generative%20AI%20(JavaScript)-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- -### ការសិក្សាមូលដ្ឋាន -[![ML សម្រាប់អ្នកចាប់ផ្តើម](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) -[![វិទ្យាសាស្រ្តទិន្នន័យសម្រាប់អ្នកចាប់ផ្តើម](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) -[![AI សម្រាប់អ្នកចាប់ផ្តើម](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) -[![សន្តិសុខវេបសាយសម្រាប់អ្នកចាប់ផ្តើម](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) -[![ការអភិវឌ្ឍវេបសម្រាប់អ្នកចាប់ផ្តើម](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) -[![IoT សម្រាប់អ្នកចាប់ផ្តើម](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) -[![ការអភិវឌ្ឍ XR សម្រាប់អ្នកចាប់ផ្តើម](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) +### Core Learning +[![ML សម្រាប់អ្នកដំបូង](https://img.shields.io/badge/ML%20for%20Beginners-22C55E?style=for-the-badge&labelColor=E5E7EB&color=22C55E)](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) +[![វិទ្យាសាស្ត្រទិន្នន័យសម្រាប់អ្នកដំបូង](https://img.shields.io/badge/Data%20Science%20for%20Beginners-84CC16?style=for-the-badge&labelColor=E5E7EB&color=84CC16)](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) +[![AI សម្រាប់អ្នកដំបូង](https://img.shields.io/badge/AI%20for%20Beginners-A3E635?style=for-the-badge&labelColor=E5E7EB&color=A3E635)](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) +[![សុខភាពសុវត្ថិភាពអ៊ីនធឺណិតសម្រាប់អ្នកដំបូង](https://img.shields.io/badge/Cybersecurity%20for%20Beginners-F97316?style=for-the-badge&labelColor=E5E7EB&color=F97316)](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) +[![ការអភិវឌ្ឍន៍វិបសាយសម្រាប់អ្នកដំបូង](https://img.shields.io/badge/Web%20Dev%20for%20Beginners-EC4899?style=for-the-badge&labelColor=E5E7EB&color=EC4899)](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) +[![IoT សម្រាប់អ្នកដំបូង](https://img.shields.io/badge/IoT%20for%20Beginners-14B8A6?style=for-the-badge&labelColor=E5E7EB&color=14B8A6)](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) +[![ការអភិវឌ្ឍ XR សម្រាប់អ្នកដំបូង](https://img.shields.io/badge/XR%20Development%20for%20Beginners-38BDF8?style=for-the-badge&labelColor=E5E7EB&color=38BDF8)](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### ស៊េរី Copilot -[![Copilot សម្រាប់ការសរសេរកម្មវិធីរួមជាមួយ AI](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) +[![Copilot សម្រាប់ AI Paired Programming](https://img.shields.io/badge/Copilot%20for%20AI%20Paired%20Programming-FACC15?style=for-the-badge&labelColor=E5E7EB&color=FACC15)](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [![Copilot សម្រាប់ C#/.NET](https://img.shields.io/badge/Copilot%20for%20C%23/.NET-FBBF24?style=for-the-badge&labelColor=E5E7EB&color=FBBF24)](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) -[![Copilot ដំណើរកម្សាន្ត](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) +[![Copilot Adventure](https://img.shields.io/badge/Copilot%20Adventure-FDE68A?style=for-the-badge&labelColor=E5E7EB&color=FDE68A)](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) -## ការទទួលបានជំនួយ +## សុំជំនួយ -បើអ្នកជាប់ឬមានសំណួរពេលរៀនម៉ាស៊ីនរៀន ឬកំពុងបង្កើតកម្មវិធី AI កុំបារម្ភ — មានជំនួយសម្រាប់អ្នក។ +ប្រសិនបើអ្នកមានការលំបាកឬមានសំណួរពេលកំពុងរៀន Machine Learning ឬកំពុងបង្កើតកម្មវិធី AI កុំបារម្ភ — មានជំនួយសម្រាប់អ្នក។ -អ្នកអាចចូលរួមពិភាក្សាជាមួយអ្នករៀន និងអ្នកអភិវឌ្ឍន៍ផ្សេងទៀត សួរសំណួរ និងចែករំបែកគំនិតរបស់អ្នកជាមួយសហគមន៍។ +អ្នកអាចចូលរួមពិភាក្សាជាមួយអ្នករៀន និងអ្នកអភិវឌ្ឍន៍ផ្សេងទៀត សួរសំណួរ និងចែករំលែកគំនិតរបស់អ្នកជាមួយសហគមន៍។ -- ចូលរួមសហគមន៍ដើម្បីសួរសំណួរ និងរៀនជាមួយគ្នា -- ពិភាក្សាអំពីគំនិតម៉ាស៊ីនរៀន និងគម្រោង -- ទទួលបានការណែនាំពីអ្នកអភិវឌ្ឍន៍មានបទពិសោធន៍ +- ចូលរួមសហគមន៍សម្រាប់សួរសំណួរ និងរៀនជាមួយអ្នកផ្សេងទៀត +- ពិភាក្សាអំពីគំនិតនិងគម្រោង Machine Learning +- ទទួលការណែនាំពីអ្នកអភិវឌ្ឍមានបទពិសោធន៍ -សហគមន៍គាំទ្រជួយធ្វើឲ្យអ្នកអាចពង្រីកជំនាញ និងដោះស្រាយបញ្ហាបានលឿន។ +សហគមន៍គាំទ្រជាដំណោះស្រាយល្អសម្រាប់ការវិវឌ្ឍជំនាញរបស់អ្នក និងដោះស្រាយបញ្ហាបានលឿនជាងមុន។ [Microsoft Foundry Discord Community](https://discord.gg/nTYy5BXMWG) -បើអ្នកជួបប្រទះបញ្ហាកំហុស កំហុសប្រតិបត្តិការ ឬមានសំណើសុំធ្វើឲ្យប្រសើរឡើង អ្នកអាចបើក **Issue** ក្នុងឃ្លាំងនេះដើម្បីរាយការណ៍បញ្ហា។ +ប្រសិនបើអ្នកជួបបញ្ហា error, bug ឬមានយោបល់សម្រាប់ការកែលម្អ អ្នកក៏អាចបើក **Issue** នៅក្នុង repository នេះដើម្បីរាយការណ៍បញ្ហា។ -សម្រាប់ប្រតិកម្មផលិតផល ឬស្វែងរកបញ្ហានៅក្នុងសំណុំបែបបទសហគមន៍ សូមចូលទៅកាន់វេទិកាអ្នកអភិវឌ្ឍន៍៖ +សម្រាប់មតិយោបល់លើផលិតផល ឬស្វែងរកការបង្ហោះសហគមន៍ដែលមានរួច សូមចូលទៅកាន់ Developer Forum៖ -[![វេទិកាអ្នកអភិវឌ្ឍន៍ Microsoft Foundry](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) +[![Microsoft Foundry Developer Forum](https://img.shields.io/badge/GitHub-Microsoft_Foundry_Developer_Forum-blue?style=for-the-badge&logo=github&color=000000&logoColor=fff)](https://aka.ms/foundry/forum) -## ដំបូន្មានបន្ថែមសម្រាប់ការរៀន +## ការណែនាំបន្ថែមសម្រាប់ការសិក្សា -- ទស្សនាសៀវភៅកំណត់ត្រាបន្ទាប់ពីមេរៀនរៀងរាល់ម្តងដើម្បីយល់ដឹងល្អប្រសើរ។ -- ធ្វើការអនុវត្តអាល់ហ្គរីធម៍ដោយខ្លួនឯង។ -- ស្វែងរកឯកសារពិតប្រាកដដោយប្រើគំនិតដែលបានរៀន។ +- ត្រួតពិនិត្យកំណត់ត្រារបស់ឯកសារបន្ទាប់ពីមេរៀននីមួយៗ ដើម្បីយល់ដឹងបានល្អជាងមុន។ +- អនុវត្តកូដ algorithm ដោយខ្លួនឯង។ +- ស្វែងយល់ពីឯកសារពិតប្រាកដដោយប្រើគំនិតដែលបានរៀន។ --- -**ការបដិសេធកាតព្វកិច្ច**៖ -ឯកសារនេះត្រូវបានបកប្រែប្រើសេវាបកប្រែ AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ខណៈពេលដែលយើងខំប្រឹងប្រែងដើម្បីច្បាស់លាស់ សូមយល់ឱ្យបានថានៃការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាដើមគួរត្រូវបានគេចាត់ទុកជាធនធានដែលមានសុពលភាពខ្ពស់។ សម្រាប់ព័ត៌មានសំខាន់ សូមផ្តល់អនុសាសន៍អោយប្រើការបកប្រែដោយមនុស្សវិជ្ជាជីវៈ។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកប្រែច្រឡំណាមួយដែលកើតឡើងពីការប្រើប្រាស់ការបកប្រែនេះឡើយ។ +**ការបដិសេធ**: +ឯកសារនេះត្រូវបានបម្លែងភាសា ដោយប្រើសេវាបម្លែងភាសា AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ទោះយើងខ្ញុំមានក្តីប្រាថ្នាឱ្យបានច្បាស់លាស់ តែសូមយល់ដឹងថាការបម្លែងដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាទីតាំងគួរត្រូវបានគេប្រើជាប្រភពច្បាស់លាស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឱ្យប្រើប្រាស់ការប្រែដោយមនុស្សជំនាញ។ យើងខ្ញុំមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសបន្ទាប់ពីការប្រើប្រាស់ការបម្លែងនេះនោះទេ។ \ No newline at end of file diff --git a/translations/km/for-teachers.md b/translations/km/for-teachers.md index 68ecdafe4..055dc0129 100644 --- a/translations/km/for-teachers.md +++ b/translations/km/for-teachers.md @@ -1,30 +1,30 @@ ## សម្រាប់គ្រូបង្រៀន -តើអ្នកចង់ប្រើវគ្គសិក្សានេះនៅក្នុងថ្នាក់របស់អ្នកទេ? សូមមិនអៀនអោន! +តើអ្នកចង់ប្រើមេរៀននេះនៅក្នុងថ្នាក់របស់អ្នកទេ? សូមអញ្ជើញប្រើបានព្រម! -ជាក់ស្ដែង អ្នកអាចប្រើវានៅក្នុង GitHub ដោយប្រើ GitHub Classroom ផងដែរ។ +គឺជាការពិត អ្នកអាចប្រើវាតlangsung នៅក្នុង GitHub ដោយប្រើ GitHub Classroom។ -ដើម្បីធ្វើបែបនេះ សូម fork ហាងទំនិញនេះ។ អ្នកត្រូវតែបង្កើតហាងទំនិញមួយសម្រាប់មេរៀនរាល់មួយ ដូច្នេះអ្នកត្រូវចែកFolderរាល់មួយទៅជាហាងទំនិញផ្សេងៗគ្នា។ វាមានន័យថា [GitHub Classroom](https://classroom.github.com/classrooms) អាចយកមេរៀននីមួយៗយកចេញឯករៈបាន។ +ដើម្បីធ្វើបែបនេះ សូម fork ប្រល័រ​នេះមួយ។ អ្នកនឹងត្រូវបង្កើតប្រល័រក្នុងមេរៀននីមួយៗ ដូច្នេះ អ្នកត្រូវដកថតមេរៀនមួយៗចេញជាប្រល័រផ្សេងៗគ្នា។ ដូច្នេះ [GitHub Classroom](https://classroom.github.com/classrooms) អាចយកមេរៀននីមួយៗបានបំបែក។ -ការណែនាំ [ពេញលេញនេះ](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) នឹងផ្តល់ឱ្យអ្នកគំនិតពីរបៀបដើម្បីរៀបចំថ្នាក់របស់អ្នក។ +មេរៀន [លំអិតពេញលេញ](https://github.blog/2020-03-18-set-up-your-digital-classroom-with-github-classroom/) នេះនឹងផ្តល់ឱ្យអ្នកនូវគំនិតពីរបៀបរៀបចំថ្នាក់របស់អ្នក។ -## ការប្រើប្រាស់ហាងទំនិញដូចដែលវាជា +## ការប្រើប្រល័រនេះដូចដើម -បើអ្នកចង់ប្រើប្រាស់ហាងទំនិញនេះដោយស្ថិតនៅក្នុងសភាពបច្ចុប្បន្ន ដោយមិនប្រើ GitHub Classroom នោះគឺអាចធ្វើបានដែរ។ អ្នកត្រូវគ្មានទំនាក់ទំនងជាមួយសិស្សរបស់អ្នកដោយប្រាប់ពួកគេថាទៅរួមគ្នាដំណើរការមេរៀនណា។ +ប្រសិនបើអ្នកចង់ប្រើប្រល័រនេះដូចដែលវាប្រាំពេលនេះ ដោយគ្មានការប្រើ GitHub Classroom អ្នកអាចធ្វើបានដែរ។ អ្នកត្រូវតែទំនាក់ទំនងជាមួយសិស្សរបស់អ្នកថាមេរៀនណាដែលត្រូវបញ្ចូលធ្វើរួមគ្នា។ -នៅក្នុងទ្រង់ទ្រាយអនឡាញ (Zoom, Teams, ឬផ្សេងទៀត) អ្នកអាចបង្កើតបន្ទប់នៅខាងក្រៅសម្រាប់ប្រលង និងគ្រូបណ្ដុះបណ្ដាលសិស្ស ដើម្បីជួយពួកគេចាំបាច់សម្រាប់រៀន។ បន្ទាប់មកអញ្ជើញសិស្សឲ្យចូលរួមប្រលងហើយដាក់ចម្លើយជា 'issues' នៅពេលកំណត់មួយ។ អ្នកគួរបានធ្វើដូចគ្នាមួយរួចទៅ assignments ប្រសិនបើអ្នកចង់ឲ្យសិស្សធ្វើការជាក្រុមនៅក្នុងទីសាធារណៈ។ +នៅក្នុងរបៀបផ្សាយបន្តផ្ទាល់លើអ៊ីនធឺណက် (Zoom, Teams, ឬផ្សេងៗទៀត) អ្នកអាចបង្កើតបន្ទប់តូចមួយសម្រាប់ការប្រលង ហើយជួយណែនាំសិស្សឲ្យត្រៀមខ្លួនសម្រាប់ការសិក្សា បន្ទាប់មកអញ្ជើញសិស្សចូលរួមប្រលង និងដាក់ចម្លើយរបស់មួយជាជំរៅ 'issues' នៅពេលណាមួយ។ អ្នកអាចធ្វើអ្វីខុសប្លែកសម្រាប់ការបassignment ដែរ ប្រសិនបើអ្នកចង់ឲ្យសិស្សធ្វើការរៀបចំរួមគ្នា។ -បើអ្នកចូលចិត្តទ្រង់ទ្រាយឯកជនជាងនេះ សូមស្នើសុំឲ្យសិស្សរបស់អ្នក fork វគ្គសិក្សា មេរៀនមួយមេរៀន ទៅឲ្យហាងទំនិញ GitHub ផ្ទាល់ខ្លួនជាហាងទំនិញឯកជន ហើយផ្តល់សិទ្ធិចូលប្រើដល់អ្នក។ រួចពួកគេសម្រួលការប្រលង និងកិច្ចការជាឯកជន ហើយដាក់ជូនអ្នកតាមរយៈ issues នៅលើហាងទំនិញថ្នាក់របស់អ្នក។ +ប្រសិនបើអ្នកចូលចិត្តរបៀបដែលមានភាពឯកជនជាងនេះ សូមឲ្យសិស្សអ្នក fork មេរៀន ជាបន្ទាត់ពីរបៀបមេរៀនទៅប្រល័ររបស់ពួកគេដែលជាប្រល័រឯកជន ហើយផ្តល់សិទ្ធិចូលប្រើបានជូនអ្នក។ បន្ទាប់មក ពួកគេអាចបញ្ចប់ការប្រលង និងកិច្ចការ និងដាក់ស្នើតាមរយៈ issues នៅប្រល័រថ្នាក់របស់អ្នក។ -មានវិធីជាច្រើនក្នុងការធ្វើឲ្យវាដំណើរការតាមទ្រង់ទ្រាយថ្នាក់អនឡាញ។ សូមប្រាប់យើងពីអ្វីដែលល្អបំផុតសម្រាប់អ្នក! +មានវិធីជាច្រើនក្នុងការធ្វើអោយរបៀបនេះដំណើរការបានល្អនៅក្នុងថ្នាក់អនឡាញ។ សូមប្រាប់យើងអំពីរបៀបដែលឆ្នាំងល្អបំផុតសម្រាប់អ្នក! -## សូមផ្តល់មតិយោបល់មកយើង! +## សូមផ្តល់មតិយោបល់របស់អ្នក! -យើងចង់ឲ្យវគ្គសិក្សានេះដំណើរការបានល្អសម្រាប់អ្នក និងសិស្សរបស់អ្នក។ សូមផ្តល់យោបល់មកយើង [feedback](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u)។ +យើងចង់អោយមេរៀននេះដំណើរការដោយល្អសម្រាប់អ្នកនិងសិស្សរបស់អ្នក។ សូមផ្តល់ [មតិយោបល់](https://forms.microsoft.com/Pages/ResponsePage.aspx?id=v4j5cvGGr0GRqy180BHbR2humCsRZhxNuI79cm6n0hRUQzRVVU9VVlU5UlFLWTRLWlkyQUxORTg5WS4u) ទៅយើង។ --- -**ការបដិសេធ**៖ -ឯកសារនេះបានបកប្រែដោយប្រើសេវាបកប្រែ AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ខណៈពេលដែលយើងខិតខំសម្រាប់ភាពត្រឹមត្រូវ សូមយល់ថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុស ឬកង្វល់ខុសត្រូវប្លែកៗ។ ឯកសារដើមជាភាសាមាតុភាគគួរត្រូវបានគេយកជា ប្រភពដែលទុកចិត្តបាន។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឲ្យបកប្រែដោយអ្នកជំនាញមនុស្ស។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការពន្យល់ខុសៗពីការប្រើប្រាស់ការបកប្រែនេះទេ។ +**ការបដិសេធ**: +ឯកសារនេះត្រូវបានបម្លែងភាសា ដោយប្រើសេវាបម្លែងភាសា AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ទោះយើងខ្ញុំមានក្តីប្រាថ្នាឱ្យបានច្បាស់លាស់ តែសូមយល់ដឹងថាការបម្លែងដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាទីតាំងគួរត្រូវបានគេប្រើជាប្រភពច្បាស់លាស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឱ្យប្រើប្រាស់ការប្រែដោយមនុស្សជំនាញ។ យើងខ្ញុំមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសបន្ទាប់ពីការប្រើប្រាស់ការបម្លែងនេះនោះទេ។ \ No newline at end of file