From a782bfbc81cd9854973d7b6e3942122d5f2b1eca Mon Sep 17 00:00:00 2001 From: "localizeflow[bot]" Date: Tue, 14 Jul 2026 01:04:55 +0000 Subject: [PATCH] [km] chore(i18n): sync translations Sync translations with latest source changes. Languages: Khmer [km] --- translated_images/km/.co-op-translator.json | 24 ++ .../km/catplot.e73fc35fdf96242b.webp | Bin 0 -> 3628 bytes .../km/heatmap.bd98dce43b404c57.webp | Bin 0 -> 7378 bytes .../km/lineplot.f9034ba47b1e30ee.webp | Bin 0 -> 11974 bytes .../km/relplot.a03837d8f0329cec.webp | Bin 0 -> 6534 bytes translations/km/.co-op-translator.json | 29 +- .../km/1-Introduction/3-fairness/README.md | 180 +++++++------ .../km/2-Regression/1-Tools/README.md | 183 ++++++------- translations/km/2-Regression/2-Data/README.md | 255 +++++++++++------- .../2-Data/solution/notebook.ipynb | 67 ++++- 10 files changed, 459 insertions(+), 279 deletions(-) create mode 100644 translated_images/km/catplot.e73fc35fdf96242b.webp create mode 100644 translated_images/km/heatmap.bd98dce43b404c57.webp create mode 100644 translated_images/km/lineplot.f9034ba47b1e30ee.webp create mode 100644 translated_images/km/relplot.a03837d8f0329cec.webp diff --git a/translated_images/km/.co-op-translator.json b/translated_images/km/.co-op-translator.json index 949b7eeb1..38d0ad570 100644 --- a/translated_images/km/.co-op-translator.json +++ b/translated_images/km/.co-op-translator.json @@ -101,6 +101,12 @@ "source_file": "8-Reinforcement/2-Gym/images/cartpole.png", "language_code": "km" }, + "catplot.e73fc35fdf96242b.webp": { + "original_hash": "90cd4782a2f9b40dec8218b224b29c1c", + "translation_date": "2026-07-14T01:04:45+00:00", + "source_file": "2-Regression/2-Data/images/catplot.png", + "language_code": "km" + }, "centroid.097fde836cf6c918.webp": { "original_hash": "c8f866ed446563d8e59087f1bca1f97d", "translation_date": "2026-04-06T19:42:33+00:00", @@ -383,6 +389,12 @@ "source_file": "2-Regression/3-Linear/images/heatmap.png", "language_code": "km" }, + "heatmap.bd98dce43b404c57.webp": { + "original_hash": "7f2f2fbd993018bc01346e1eb8ae692e", + "translation_date": "2026-07-14T01:04:49+00:00", + "source_file": "2-Regression/2-Data/images/heatmap.png", + "language_code": "km" + }, "hierarchical.bf59403aa43c8c47.webp": { "original_hash": "50b9bc3298659c463ae76564ca645b12", "translation_date": "2026-04-06T19:42:26+00:00", @@ -473,6 +485,12 @@ "source_file": "2-Regression/3-Linear/images/linear.png", "language_code": "km" }, + "lineplot.f9034ba47b1e30ee.webp": { + "original_hash": "b3959c0ed0f02f668009c76b95c4ebbb", + "translation_date": "2026-07-14T01:04:52+00:00", + "source_file": "2-Regression/2-Data/images/lineplot.png", + "language_code": "km" + }, "lobe.2fa0806408ef9923.webp": { "original_hash": "e6ec71dbe350aef39135dbf88bc89163", "translation_date": "2026-04-06T19:41:31+00:00", @@ -743,6 +761,12 @@ "source_file": "2-Regression/3-Linear/images/recipes.png", "language_code": "km" }, + "relplot.a03837d8f0329cec.webp": { + "original_hash": "4733544cb1c2e58e987087283e66b4a5", + "translation_date": "2026-07-14T01:04:47+00:00", + "source_file": "2-Regression/2-Data/images/relplot.png", + "language_code": "km" + }, "scaled.91897dfbaa26ca4a.webp": { "original_hash": "789c70fafe6f6dd6e377a90b66e7d740", "translation_date": "2026-04-06T19:46:35+00:00", diff --git a/translated_images/km/catplot.e73fc35fdf96242b.webp b/translated_images/km/catplot.e73fc35fdf96242b.webp new file mode 100644 index 0000000000000000000000000000000000000000..8bb4799e34c65c0c72491dd438f04c550f333397 GIT binary patch literal 3628 zcmV+{4%6{cNk&E_4gdgGMM6+kP&gnM4gdhKdjOpQD#!u40X{Jpi$kIzp%e&wNFW0Q zv$t@%K=WuWKj|;6eoE=k{8Fi3<^%0N$$ug~3i`wRU;WG61N-+x&oCdQpST|EKgxgH zdjS0a{ZIaL*#YcV=t2Bv{6GKyT))?Uh2JZ!RG%4tQ2apfkNeLkKeL`-8%F-OeMj;; z^5f%w^#6z-upY1Q2=wpu-^NeM?mYkj`JeJ1>;I3R)4ysxiGO$e5$8wz!~5^$-@U)% zKeu?{{X^6P_^0yk@BfpZ;(!1At^Vu&1NP_p-~a!L|Cj%K|Ecz&_6_`-`5*Z2?!UOd z-@pI;EcFBatr5B0tC$yJ)>IMDE)buRK`dIzT-?PGiZI#akV_V_ppJoXg#3h|`+^Dx z=obi2$sm?3W57-s6R+SjbkU!c98bw0mMvvL9RlAHt%v0@)0pL(-vzbP5RKd7?9xpiqhQ+#K`dIzf;s~&=x5X$ z87hxRHJoJID9AR4}%Z$x~L;5QL*ziJk4&I3}!%IH^U_YATO}6_o=W=ZKs3R z*pVGqlXjO5)PPj;HM(b#V%8-%LK&<)*Pv{#y8$k5rr#X}%!YT|gIsQHxPJDZzra-;LV3Q9mKWJ?m%P~|cS z!Y7^$#kRRo`QL>lAQe2%f3B-A73?20$Bv=|qvmRPn%y(V&A9*zAKgB8H-nfyNLlAh zqCJs|VJq1xcQ-cL_S`1f%9^d79lb z$uVl>4yjqK$Jp{u8-QfMMhU4}k(+Y>l@3UR*kBNpJ}5h?)CS}L zEPr)1JLi5Blz>$8HM(b!n{ogaKf0MwY?NN33FUF3Dw@llm_1jNRz2XOVuIOo)sY>a z1qQK?IbF2T>((iI-4Hp&)oT$%Zorfn8Bb%#F&a=LI5wZk2it8tcN(K<+}*5BWcPPE zf=j8;uKRopudaD=K%7vXrN1?MvrES19V~EwRYicwE#fEAG&IR818Nh`{GStqC*+Vz z7Oz)>IMDE)buRK`dIzf;t7l6Y@vM0092~)dweYp;`v_0ca%3 zZn+euMc^GU00?Lf1?m4fZ~qGz`xOs<*xGrUcK$ydofhx_01y`I&iVDFV-`Z)7J#_AG;itli36(Ng)V>9qQUr@LPo zG5ZQ9l$+Yctpy}vSGg*X8wVU|ALi22pdFo-_uUhvVxjsMPzj~BnjfLL)orGebxpci zi8+9Qk1|guf^#m9W?|s_$N7m-O?XOQQ^nEJK~uzxFJFPh&s?90b$H~DZrS2qhdxTBOjJt`g0 ziVhhlmF}w-0|1wXWvY(XAOE~3f8}mrymd$TXs(R2WuX7`45y-Q20X3;bCp4bohz`` zlopa09;nnO$s9CbDO%nLEN^QZ`2ON-zZvVG=PblA{`?ubO;t6`#5!gEdMxC-;&Xu! zSQdCuTvirMWtK2=AtQV~iU^fP+T3vrmGN*4J}6hupK!^5)TxpZg>X?wREDOl0wgaL z)T1`7w6Ov(ley4K**Z5dK3g$6K`WF7hG+-El$wT|p6Aw2soNNbGL}(|JP~JJrSO`K z1m(_l`1sMv?=U1gHbuKBrQ#@3Nw6@r~ z4GE9UCcxiR3G;vM#*+l2AROUA`Ag2A!15vBhS^=I`( zaQ46LQd!;}A+l0~#p)-ld71YSVkq^Be zg9uy`0^ua^ZAIB>B1QCgs=5KSJvTDs+aOq-!StL=8X44kLojI{9BhwWtOz?Ps9u2^ zm<%Bs>@+0Gmd~!pGs4ywO+c$LQ>Cv2`^?TGG>)ps%;rCG_T zyA>zff7`mWxi%!DDMN>`>{~ZT-sb|ASpG_T!9&osk6(@?O%8~z)GAwLH~r+eluz}j z3;C-ZwD&Czz?~zru(Cf;{!^6eijh7Xqt3RTCzLy-Z=N?7R-!l1>Wjv^m`%6wAq2ls z>Ox4C72R_}M6$q{Y8vC7L2=8g<8g-DJriFS=j+;*ze}nlOao1T-^VZl1}Pdgv0E> zrfkXwotk7gRe@!mvV?Y>&m_{Udo-qgf>s1QD6&~(kRRUQO!RL^+@pVHnb(;{jEk}E z%yR*v%FCmAZJGFJVdfA`?=Z66AObt|}&AvutcK>mBGyBDa>fa58B~~y} zyD7rR{iz8O_Jh!?agvm-fE}@o6d@Lvk74NsE9pl=kIL65bPxe7H@7BvTNsC zh=p?=gdT%>r@fWWLTUThKUJGHQ81L|qthuhUPv?RX^TZ=9X!UZOFsu8*1V8s*3=Y7 z#rh|{9aCWtHGwpD8_Ff;rxk1%ZOPftU23|)IQNT23rJmr=EoS``V#i2TM`NlZxx$J z!JT=OY>fWr77}eHtH}m^Z8+p$&b-PrW5IlR->Y=mw#G;=mySncp4~flcVD4P> z&zna^h?&e}a*XTdSnx|Fq&mUMM!3q@Wf=kA++c=Za{|BR^PJ(M>YftvPOS*vr(wD# z5%-vNwHVMq2d#`l&+RTm-fYXoevP}Nb5VvmmqZMh=@DymC)@|HnPzvyrPMZg&cb4R zbSmkTDvGH<(9&mKn*kt8Q#NT_(6B-h=Fy99+|y|hgFo_M7qOtFnU*}M0OGN>Gg2X; z2b%=kgdCpMlTAO%D9)Snu4+8TPSHcp=IOAZO4fhe^RV-y9y2yLdNNs@=DnONC zp3RbO0q+#XTSU(WmlN~jF8jVIQC`v8OPfaH_FJ(ZuptBPR!Dcyec0;uo4f*l*g-3e zQQ4R{0Z2MB4G=8)-!sM~O(Jw-l0lIRCDTgzPBTc@LI%)2Iy(vuQl_3KL*UZ&b#bkS zq*4Mhmc|XU{ai@`X-<-PS3!0V;{e`*aX>=N7=T|))vwaF|G!so| z5I;9%C5GsJ^vtjNjX6K87Z$*A2Yh7 ymY(#)oj=uJZ0S0m@LZ8MeT)IjN-*{yK&}a={T1jMvReS+L_^mdr$*2K0001H%@Icc literal 0 HcmV?d00001 diff --git a/translated_images/km/heatmap.bd98dce43b404c57.webp b/translated_images/km/heatmap.bd98dce43b404c57.webp new file mode 100644 index 0000000000000000000000000000000000000000..ca140d5fed4189bd12292e9c5de3a346d5acbfca GIT binary patch literal 7378 zcmV;@94+HgNk&G>8~^}UMM6+kP&gpI8~^~2vH+a{D$xOY0X{JnibJ9yArnX}_#guW zvbTN$!2)2K_FSEA{zviy$@DpUPswlEU-p|a7&mrSRsAx4^YXj!{x;D43(ndkxihx;e1_xrzR&+MP_eTF|=eP{pY{>}U` ze{TPa`(f<$|5I7d&;Q#09R3!09rZuP{=$z8`vLtwp<@gFyZxi~+xs`}KgS>BzaKxM zdgH(s@jv4q)PJk~&HqIG%jE=@k5FGzemVWS`@ihx`A^wDav#(`BYn*J@BTCFQ|try z$MJ9LAJ+e7f4hJC`e*#lkB8H}KtGHB8vgJ7qx_%wkL{oS{$Kx>{?q|Nj;L zD*oU8+x83pKlo3uKjVMNzrlZQ|0(|e{1^Z4{GV=~$9)KYS-$!TMu)eeKAQ0`R_MV! zrM%8t1go(W*V$7Nh@>SQ&Rnq|lZl!Vv;j>;Gj(e$eL%w#ld)fb%tu327wL8CKfTlB zzJr7yiUiSaMcmIO@%=dkgd;Gq>$yyV#D-|%zlfmJAb9e-nKm`(i{|~W#*0{ouRA+I~@zzIe|4Q75>KIZ>CM%!hFYMFK1Yy_uKT1lzTb|fgDDU8~gJ_Q<4#1>Smw09b%+@Vy~ zl#r`1d(h^9nNPN4ztm8^sVov-hQ#r-dT|gGqc$5evU*oQN4MWgdQXdVxut`D9OkhK zVEsauW^^*<2EbPoUi*=I@{z-Hvus+yQPqKojg@UcM4~img$)X8K}sTe>c>xnyd8Hr zm|kMJZbY>5PHEM7H1lq}L>5$_rIgzR@(V;An1O#8tQ{EzHF-iBQYo`bxg>WpTjAPL zGgGvt6KqOZ!zBn`YQcVH1F`rG-n$z8ssK;$sxb`%D_&4%>6ZK+9z5PP7$hLbReD){^2n za@gduBsI1sk44ol=VK{tXVR=`%ME;lZ=&cy!c+zi6-AE=pW8e#dlQ*f38DCOT?;Qh z==I0GnlWLp9!I9hR zGvfFxKF(EN0I>BHmoum?GK67VXZJkdGO{5~Z1urvPEG$74G_8M@ z3s!L*jpp=M>fq?YF8&wyh|f$}aiqelH{HkCJsT}`gzo{sG7rd2(_(`f`|MLh@w*$7+b9Qr$y4>V-joOfkIT`3Y}1E zhxXIy*qO&mKrrC!SV?F8YVbwyHaaGh;SeGr??Xrpg=e=IMN8r-u&JIql+Z(_`SgFReO!$d}&S|majq#n+h-}Ra zN#eqF5wzEO3SKk* zv5*l&3*();IxX)E$vn;!OL5g`BGp8&V=gqf*eA$yOZ>{E z#pO6(8Oc3~JA|aeN|=^(tE%||{LEL5n~fjeu>|);lfu&9lQk)prKQwgP+D6JEovyZ zSu>8#5a}_)y%k{Ho1-7>1R5_K?n7H?f!ziz-UyBMys*RPJ9UG?wzM{1^1|QX9?%+< zAA~chk&m^g1Y1r=vK z*SnW}^~Z%fzjje(w%bl{>^!Tgbe6K_F)d)9stL61&IkavCIegAS2H+egG4^y7XYyF=~XBR9TcuSiURR zhuKX)17XAsqdE?u1@bSikXcgW(Qcj2IAdSkuLTG~5Xtr&u3@AjMHt4r#FiH#sbfwS zK}noTkOjG4eIS}I_Sdu)yAFpTv-R%|n^Y?feHq6hPH@n0pn0*_&W&(PUt*4QB#W%< z7{RrGU(KOk>H;b6U7q58s=e>F_ZHuv$R;a`;Q@a4yFUr{os!vCp@&4$k_3j{fB@aB zJn7#6-b#IhW*?Y1N_Qh`lG)NP(f^u`cL;~rk!(P2ea=lxH>zX`R(Q(f1FmO)N0^?X zUVr~cj^*aZtdN0_`_-wA9MSLQ$r!nuWVnJkl}HaSGQ&m&9q{JhJ_T|5PJ`XfuE8;c z2CE%^4z>i{rqOy>>Ctw?nxtSH%LZPUaK5FTCaultbhOj0Q^WhF%VKN6?*sRPZW*?dAD~OAJfn` zc*J#7&ig*$l@f>wzk!}JLTRG+7nv zRpmMPHx;NAvI&3mr^VXzY=!s zL;>*Sb~(7AV}`Qpt9<Lmu;8^}m^_bd`^YZlGt~+d%g|?TMSPAHmr; zjpw8&zQ%$h2qKL~Ly=gj9-K8nDI! z`|q!!c4=;RCkHw7;?QCu+_f@5b7W1VV0HobY7|;KiVgCDXO>X_;^PY7U(BYR zPR`!mAkqA_i>~l{4whk51T+UY9uZ7IZ?XkIPn@R3_v0+T9RJ;X$**j8y`m1(pmwLD zwnU$r#hidk+{@8RDmj)~7E9?n$h+KqfWB0fP$Z(sXuZ`!ODL zuEAz`A6RGGIRJcsgtJ>HLucH%FtZM6YXpTqL_rC4@O&jWoTuSYiQFWG&f4xN0)bx8cSQM*CT6P1=bc1?8ePc!oen%qQPaM3~ejYaYq* zV0I&C(i#~rlJaPeCBNW#xGL#a&V}OwHGEES&?!yEe;$(dnGXOj`|m3ie>L1r>XRuIflWxJ`?zz6w$h&7 z87~0~9b_apEj+gN{L-?f@4N;j8=W{E(2nn@kyZ8~rxm8$iUb zQ`bi{f_!R_Wu5`P{)`Aw%_HPL9B-voPAkr7&I-)W6w zsjsDk9jcuN*EHP2EKiJe1bM=9ps+J%^bD`C_*@`$6;Z3VyYRMwyVrtgPq%fKFG)|9 zRl0|C9Ap;AyETc{mV!f|BP-^3<+wQ1-UE0CydSPlPyO5Lcgmg^e{L&oCSEA3YEU!= z8d~i;2BiPQxCH|*Lzrsu{)=-WWfLJuK0�ch%8acL`l@ytSg{p6~z(R{#gB%&r&r z?{Y7CEVyR7iLx|>v0To=O{lS_%QUO&(6tf6072_lg5$@sk#!EGfQa0af2g-l<-gVn zwJKN(`A7|Ct-ipwGFGSES04ND5W}t)->;!OlvSJ10JE4Ei_FNJ+*;!aIAMGspo$hbV*Apy z5CtCEVJiS#&SIY?nNUys)Y)>5eeza?s4ja{>}7w$T%+BeF&I5x(th~nnR?{yVt7rwR`%*ZT3b&`L z$m>PT^Fz{sgfQv#(-}htRUkOXh*H(bJNP%}8OAV)yT=o>RVtVv%>c`W3?eQ{w-1jE zz=rLp)S~q9T6zX)KKDyL=YFg`=P>3Qm+&SNb<-7EV8qYH5q;8rU1?XjJ)<@~Srx7O3;zarxJ$PB6e7l8n3Y}F2=r^6K2jAFcVZowe|k46>?=#DoVu_Y z+XJ#;u$tZgDkHb?ci?2JPI9pau-xBgF&{R&p&;h2LI>o<8z+9!WNsPE@T{u>`Bv); zn)kIUA*>co7SaMcme7qcg=@f;1utk_2-+F?3u=kxQyesD!i@7yP=Q&IcV8P{E+xco z`BiQQa8@!d@0fZ?Cd7+%P)d_WE;?sMeAk3GA5-#)Pl>Xw{Z7p|&3*s@w}5pK2{i$F z6uKv}S1I5m*L+jF&d}w|0hd+yYpcOLiel@YHYQl$_VXoxK@C2M@x$&X*!=^4`(3hM z{>*RtK{zCMp?;9Y>J@F|3u@~l{u=XTP-2xCynVvb;7 zWcY8vjsk+4LBeTfL^*J!d9hxpn#DaC{qF)?8X`;3Fv^1=e6(UO^F)D>6GGA@MZk=9 zEam>F6YfXuE|#OmJ;$Y3^EeiWm7dS=v8`|6!Hp z<=@!RzVzCoI`;6U3U52nnJYD9Ic=dSdcS{p3vHFSAb`ijP`XJEG_I+*{ zEGNZUj9bREQpp1R+kw~s2?ob$*AgQD2Kv3%JGRy0SL1#{PjR5_8S=ulFeQQ;mbtJ8nK#$SUtXG>TV`^b$=$!s|n(-Dwj zBAMD-)%`ig-57+5(1wE#Mlz^6dYVNz-(I!7z$z zkoh1=J)f8J0Dlj~YcBBpVmF6@k-KMeW55iUoE9V0nbHH!qj^)1^-J$l^NpT#WyE~yjvy-O}6dS#G}8TJg58W=!k6qTokVa^iv;W zMtCHfP6fyQjx%}zcJTtWzy{IN&Mbs=W(}TrsdH)gwVh^LT+zH{pJ+Est%|AhsQ#0C zjx(7{XgO=19j;~dbalY6 zs1h`*a-P^ZXQV!2z|T~#g)YFOffsqk_<^-x);!RxhEs+ZoYeWZD04e;R1D%5)a{FT zQVLh~2%|+(n31}oUlBTNcdJcxWx(tcw8z3*7pVNDG4whR{kAjuM~NUx{J#OP zkV-`HFB+t|xjH;#;vo}{34OMbBcuJI*f5C{gn6g87bmj>4BkFg2GI%N(-vDr#eAj6 zEnosd@Ed4BkBPzFzIW4x%VKd6aeMbvuiT#^5);wNm7;>i((xDE5Y-nh2&`s}-rT4Z zapS8v&%}hGIZ~yE5pU#X9tr2M?de4>E59avO81eWj9b1TzwEo9pn938fp zt(jw)2IdjqCtd;G2OL6vQ+q^tD(!Mgr6-XSi5=H8ck5+OQk%hBo{?1<19A3hgn=k_ zp{Sz*?hbd$r?Ir|Drxsh;az>^LZJ&L>b$1+hkaGoi!DR7a8?|A;#IU*;H0J>_W`*BmpK7AEgS*gQ4%tk&wG=& z)3pC47BGK+Et=VY0JyJ%krZ~85m0Z7VRH^>=zK5t%K>$dW>PoBJeV*_ZE7Q5?=^JW z&(-*GBdk9bL^w`zovjR8t2m_sIVht8Zaar z5AXi6UvSnwqQbGuAO|O}{&&BIl36z46!rTzRvSlR*nl5A4}9A7j0*o!mA)vjKM#E(hR&+k z@c&-5A~M00MPxhtS?B^lzEIXNW@V& za~8Qr(ahh6Q!})jZfZ(umm-`Cz0ZpBfgvm2p^Mj*pk?mwdq=A$&S^f4Pd`W0Gr?A5 zZg4*M)VrLqOOAIy`L~%KD%gHMAV&=df`who$q6-po8S1j&l-x%V7YL98kUm86q}Z3 zqo=uAnrJ3*)U-}t`KEEr^kh&VbYR}{LL2E5(Y z&+24>g3hoLu643&8FeNxw`GzqJ1J=OlnvT#XA`Jgf9Lg|ucg&8h!85po^e5r3Z9Gd1uER=q`y}ZM?a8UdGo^Rf*P46Qv8$L7 zm5d}vCM$w(RVrQsa<~qZsO~cffmD>mP+O_gSVX!anpPIJ*Xk;7=&__?$dV!MA6>Sm z3{S!oq$infisoNwnooghpqK=xzq~eQJa1NcR*hPsBxRULbh4FzAOHciue>z?00000 E0FM=QFaQ7m literal 0 HcmV?d00001 diff --git a/translated_images/km/lineplot.f9034ba47b1e30ee.webp b/translated_images/km/lineplot.f9034ba47b1e30ee.webp new file mode 100644 index 0000000000000000000000000000000000000000..be47f8e4dbfa80355d56655f6ae375b9ff12cfbb GIT binary patch literal 11974 zcmV;%E;-RsNk&G#E&u>mMM6+kP&gp6E&u>5uz9Yd%H!-}_(g-`_uE{;Pkg^-=$0)C>JT zr|&?&_`L{z-g=b(iT|(uJNN(OZ|ZmaAMan>zx;gweyn2elw{) zq2FJ8xBKVicldwY?}|^7|HJu#?nmO^)W7I|X#Ai10R9*JL;DByU)+D~zyJU3{ZIb? z#UtcD>HqJ4h5VrV1^z4j3;k#KAKkC=Kl%RTKcWAt{&)9J{dc7Q{a^II1Ru@6tACpQ z^ZT>@Bme*X&%G~ceuaOhM0?wIa~}^~HA5Hesbe1f9_gwLvs56ZgS55NR55U44%%CKhu_U2}H2W%}~Yr zY2y^&0tRJ67wmP2&9g@=u$GC!VsgY+WxbNZu9~5NEPk#PJU-7|jxozuIQga~nT+|_+5DLo4^25d zm2uzx!fp7F*rdx;$OHYm84>Qw*=`L#tV+f!8E4?{I)~z9pzm%Et7#bwx?#B*2!ve?}$SD zmIYW6iPsMD92Bcg>lV9=+L1_&R(g>WJAY2^fzL6ciM>$6sBBQVR;~|8|Hy_HJZo9* zfZ83MUx0QfBO+I$QN5q3KJi=~SH5J(%VNKR(^P!_jfr7WaUdJ6nv@E8 z7ji$!ptPDA)Sr^B)=t2mPi}6n7Jf7pSRh3=c?!*4Eqo#AY-0D8|Ni)v&8x^F@pH)Ul6#k95@xS)Vgz zb{FdBiEZls|739GZ{xBWPG9DF$}lO0HJQP;4?Q0qfiW&HL3m2%hr#VVCVD9TtsTNC zzL-|mu;Uj)QN9~QlNHClZ$+g|CN$B8XBZnOlRtlg1Zay@(raJl+Su}sJLy1dFbR=# zdfcgL--#SM1dvu(6J>p!er=Brn#l<%2{o&@HLlbi=_6`#kjo?8H8LacFvyj|O&|#3 z(p6e^MLL!-@6qm>p^Ns^v5$U_bkuMF{{PzkvsLK#0v+`$010{a_2X&L_4t$rqwoOg zNQWH4=vLQM$17Qb|LsNbC8+aAEEKMN(vPCJKzfF@6lyNJd)aL32r{8&AEo`_#^-hd zE{rL&y-`EPvz?bPR(@?dReD=eS)th<%ZDrxal5f~E@)Wv^q5D*V&5vgxF_wH)3Rdb zixix~xp}r#YWZ*vP9^h{D)1@HSQJ(jBco&RyGeY?82#3>f(`dGva&b_Y}zkKFzX5=;(& zofaxR7}tbm)_3EPY%L`wGkbHp_y$XebumeCbnxDtojDf zE0*CMFrk<>$c$6(fY93?v33IpArc=BA^cN8Fn-kK_{Ku`LUGPff1RQ+F1RN5w1}VB z!y3*qEOI66pVc)q+dI7R;7*E>EhFQ>&L$A^b2E-95Qkpe$h5IvcAxJRGr)Qy`g5kM zFQKN1bD#|!u3*_jmQpY>OhM)b`bpWv3m3BB_I#FPYqKQ_ws| z7mJPI6@3@HzUv3F5hi{QDcfaZmjT@s#vZ)W&*uXB;yE=^zdJ7C076AOh_GL3&@uxx zHGf~Lm3x;nMB|v@RnH@Ox(FOnoR8zlA-UAD;%^sPl%7AjPhtsu9c{#>C|NePv3>vI zO5{&Ost1qjr$Clp1{%wFi&Ms7%>P;VBx^kk(=3Z^Xtk@bcL)B?Je%`bpuTD$?3CA5 zM#v{TbOBK_8f-5^$T-a4bwOo#GQx=YwJS6QS*Xi7HS*ep#vCT{52k|OnLNGV0bQvp z0e#(-LA#|8x#e+uPP|B(7&tRfPCF70hJ}?9=zeXx(OxDa5}EEfHCjz|)tlqPFwO+TS}Vn_{wuGEr|^hBgbI z$a_S8LEDMR9zzFMyj-T^-}%g%$s+B(UC&Lna+uc}+ffuH{8TR@Ghhbe-6s4*Gv?|zhmZEfB~w=q*wOBaKl;+y%FE_c4rW(S8G<w;|O{4B+mkCaUylR)yQ*EGV; z2yZ!sgRTirFk-j1f3J;C+MX04=sPqF&YYMlAJr{8f8^WxoLJ>7e(YalNjjo^%vr(p zFL*OXr2l$^IxlZrQu#N0<7EMy+o-?MpngGAX53CwiPVqi&f^2#CgrG8g^kjRqi8Mp zXY3a_pw|N`^>|lNZ4rl5wQQAqlYWaW&XS>(Dh@-W=LtUEXpe`?dMgGra&o;FneM)p z?uid|ER1=)1;;vWashsT3uI6eDVvX1FRnPGsq1u~=PVP_i07|9M#<`j?>I-dYIH`YJ&C9uc)W z0CMFA`!if#WKD^GiY%By8Jx#45Xe0Y>T@vVp1v)rj18V(*o&7(P!rHmm#eJ6lPVd~aCf{{64jXJoATmKRspz)DKXL> zI1T}F#*c{jeAuB6Sgym>ap@7yQxSLCkpMATY$%2uNAi^hz>sVhLiueYI?80N0G-gDoMOVjNVk74}8Q&j7zGQ)m1C zLJ4_pYXzozMKc3H%Y=`w6!eDSVI)P64Po?gC9`eh6iCGr_+tK|%P&E7&RsIC1o3cl zBpr^x&3DRT3s1d5FcOoXl)gj>haj|0uvJ3zSovH5%R#fr%`&}R6I*}xu6&_Ato)u+ zVNLj${D0{x(=r=nfIC`pL%L{W8ja+*1T9&&M8<=ZxGs=R2iqK<`8o6ti~3IkcQxPS zqZ!5?PMkvyvs@QeK4*qQ8&WBIl>$gs)|ydSsD_aB|!c01|f}-Map=1akI>=XtJ7|gQaEFwth4w|56|x zRD8b^tv^GCVDiX00S;Oh*qPkiA0Z1OL0Z21K$@nBlupOKzb{V2Es6WdX}xuUFB?1%3Pws88_F{W zlZbQGjfi?Tl5+)H;%JBb#w(TDOf9aemaC`WV<-QhNcGD15zU`f?5ea;Q*C;EY&3NP z{$xUsJaA)VwqdNes-P1WE-`$p!Wx9F+}+<~H~b)C{s1Bha2Iy<9W(0Y9b@Wcq3aUp z_ee7@Q2|ZhNDeh}gSqMJg(*icGT75n*6`>W#k1@Ey|)=HMIbh#LW5Pg7DPDnXZn&z z(5ZW@pE{WoK<3^0@!4{7Z8-JE3r~PRY*7G^ki`uR!Hj^q!Zkc1zc-~ORTh(C5(7X{ z`b3>XLM$XJMGWi`nW0)Cm33_I_GJll?S{9wuy?I~U{QIFx|d;}8lnq=k1yO2%_H{p zb>HnO3*7ZSw5*Y$!OE{O(ewYO;v*b#L=ke~dV^EMJ>R#cT0)ccaO2QJfH-2d8s62X zhV(i0Zf#(%RQTr{vhH$gwQWW3}S)#%Q~&xA3D8WW2u1nz8PKN|)GR*Xg8 z7c_B~O1R&Op$YiEet{=_ypcy6sB(gR*IQOWV(7Qt)1w9fi_d{7$vH~?;4-}(51$L7 z=e0QUc&ePRHHe)W#no3hR!n9nCGyC(skQbd5;`O~T1*)u(1OIUzCrB3yv%7(PU5p5 zeF2@CvPC@;`4!1ep5eqa?2NaYx$H6XjB}gcmr*^9=phZqjF}KM&#xpZgYR%&M5sUOgOkpSOsG2cO?&$1A zo%r33DJOi!6=U}1~Zkf1rXeyS6GNx1+pS>@4h092MX>7;2i$!9EZK?i@ zya8Zv;x>iU3TZ)OlvG*GPoC12(%wbemTGaD`s+i(DD5LGR45J%feO!HO2lb3iAHIH z!eEnER>Dur=HsuimumKy0)i4fNE#Kc)EMTCtL1sj&k?oNNASSka_XWMXb;6bwphoi_;^`N3;{^S?Eag-fTsx zDs7aiz-LvKUMO9RiVB=8k5bbs2sJI$_-22+Pj4_k)$@(fKu<~C9E7mP+|9v(aQdcY ztkF@xA}n@41f}AEZtvHMhz4Lwy|lvz{BQDv*YgZNeN>5a`RU)5V>|;k+K22)cSYenTbfG zRzi84OtC8V{OEU=Xce9rqrVdY8KH$%rUcf2w+1Q4>E1K?S#qqoqmJID8U%XIj&sh7 zL$*DrxEPlEN)X)XV3K>$Kes$S0?-W=q8W$T_3owd?Gu0t_>XZ`TwVV!s(WR)aGPke z#v~R94P}Z=jo{)^Q8s&PMs#P9ZW9PzfY#Da8J35rILFh!@8hau4;(KJ1m(7{AZ2sk zq@-woePs&F=0a=-w#%tk3zoqhYpJwmfMb(74TK}`RIk#M-2ThCS2qEP1{QQ6DzjIY zO;=CM@^D$o<9;>&@NqcL@Nbw5uSb~9PGiom>f_$Nf$+9r8Mb5sq* z77g9XQp)~Mk0CEl8u#^Xe_c!e#xza-{r&nm3jgLag`OgqN7A&lo-&3)CaNzy3eqA4 zaYEG%CJpl0f3&KI@xUd#r_xz+Dha3Tzg;z*aisvl+KwotaCeS?O&IZ_j7eR%TeNth zoZ>b5LV{WUgo>d5O#Lo`E*PDeH>De^-ILjz58$genE^fTmTnCbF6n(nAp~~08xM$Y z*7OOFEng-wRLweFV_a$DdzuS6?9PZ+0i}40dHwB&&(8zqW5hs7lQ|(!X8(i!Bm(JW z?vmIsuZRpEgPQLIB#mLpY9F#! zA+qsUe&k(LB5%BFb@}Mr}4yJPRB{5F;`@$V2uuPln)M z^|b62#$G4{0(9@$cTjWORm*(-FsyJ76o=3D{Sq6wN3S~dmn)casIe1<@@wq(1 z;{xW%D_}S`BE;Mp34=`o*6I#?T+j!-kPfJ-e_Au5J$1)0M|h1+V5Gd~J7yDDt<@a$ zahtX)1GC}9ZVE%57lW6-(%`;FKiUVMeHBOd4||pQ6iD4C8YSAG^UE*->(^(h@Ma59 z-~dC;O8j%S$_=Ny0`$C8_hU*w=Mn>3*XkggTw+AiDeZ2ZkrE>+@Izw#DVNx;>Ygb= zm4M+?PBFK2IX6W=r+5Ft#{Mrw|1U-@ zTJy*koh`TfI@2T2h4aY{Pev};AXFR#UicXt-l)6dNXIrmM z`v+6Yx}L8%>0!oY#;PTqbu&-8S5g%G}z}q(1;FyuZa4%$|c{*Zy_seB()P58) z+mB9YNfL09;TDeMg1DCva??=(<%x@_8+{uXTZlg4j3E>;0E-Te*8xbhJ3NJ|C|W;p z`yo*BdxNWLu>ruJ>Z^~Vj1LLkFNAfD?WG7UWrG0BA(miW4^f@B98Hd~p0twyw* z$C~`N#<}>z=Vu%yQAte%F?*jp8IkJHXa6n<)?yU^Z-ZU;SaVEIfq%|f`@@f{0Iqm{JC%tUpc z->LnT{*QCCxpK%!LPxIOo z;$knqIola*%UCN&Cyi(6~UU@o?>@P0@0 zg6Vh)^J^PK!thHA%W#0Hf1K8`;Eo1JzaJ)K)c#mRe~u;-G{B+QB2)S#Z~E;e>0?W`I~2g9pJ8zb5c>hFR*1O-8!AB}^9BaTb2V2>STwkwiRQ^;uS_4<>31zd)yQz|O~i5+A>((A@f)Llfiba#{pf z98c#im{k*I0uQj~*K8t<5a4>AF-K=mI~~NLK_4)NwaLB18|#o!--7*TX?F{Kr`orM zI;r(D+O+Jvw5`DZ!B6-)Q@poG?<#dGuD?U#`&7`wxUH}`(DnH@{a4&8DTZ5Rmr@<5 z@yb%1SP$XNr*`sazapV5AXSXkr)1SSgyvr=BfB;^IL1 zKb_m9>u}4l;@*JQDhUYrf~Bd%++3Q_s%|~?>2#HeKF{^xL@{plm^i%R$zs1F^$TAb zK7di!)0+3UH=!eWOPOWh!?iaBq7&PI@-#@D1!w4+S-+)sH~Y6iF;uT(Q~f|XuSQNy zKqHAMf2ge(l^QE1$m>!+`PdvAD_!q(^n8Y+_D9`={Y)Zvve0GWuE~mr(Ra~8V1^mW2*6d+nE}2t_o;{k4+^C3+H$2 z5BE+Q2;aeLG#3*+E!=o(Aq&|09ESssP()DhmuBr08IvT)lpSEu0L5;la#M(kJ^;*t zR~*+_OHC$ZB2ED2&>l&=M6=CYUDs%-I5*oGL+p*jaY~Wt3#T-J{RL_}Wd^Yl-F|QO z&J$UI*XAGD-%Qr@5S;%-mbL=IQRb5{;J4%_puR#gIy}}pVb;3&aUps(cTCMoRdxSr z7y}ohiJF{fp2r)|vTFHJOlZty3X@IjFu-nOY5c9Y;g|$whoXjJ-{;ySN@#d1HM*4U z#1(;08yGqwVQ^#{x9~z*Wt64ZwQUNReVF&IwUR~32W~OxiCU7Q9w}pP?!F( zPku0Kv%%Z8VGrh3N6{*=7DfdYuUysjD3rh+cWIfgKw&WXjmXR}Ap}5f%jMhM(z;IuRQJ(Y}@x=5louEk(7nUEX-oyRu0TA{9F4XHbbTgcwtvQ^f2n%?|M1zkcf5^d$KvfWiIfak}Dn1fD|TNf;#F?NmTn<>9w*%@RETWTlm?n;$e^N6)TcJKw%v<|Fbs(AnZb*ur8!Syf-Suj;K)xX5tD`FL;gYiM<>f(_a|CJ8hhXARLcbxEB3RRFMN z93w+iqi_cswiLLZP8d!(9vQc8y@oo5<&EtDRrZZLgGv-E6q@1?Nmsb9ALfHh7g zUX%F|qs}bF1wlxouox4^P8uQLYHhY)A=Ie*$Kcg*X8#XenQu7O{WO`V36(4{w^%{( zXQ0)%;e!#9b{TiZq47Y>XR}ic6+w9#lInz1&g`uSPA4uqU0m@{ljdd2&Ab|I{ zTl6!S)dfW^BqDQWu();NIvpHxAJ-zl$GOl_`rj~lyP@i1-^uN8h=h8z+>(*)^j9OI z=AYL22A`4kQT*?cN%2ou&ce@!_A)149iBet#^sDD1vL{&PM12&nb|o~`<`tkBzxQn zSl%V<;{m!_!VtFA*DUnY$c=1{H*N#qYuj*+Z-QDoWL(L?EmnP6BlYv@<5 z)mw4Ah}uhOGdA7-mh3GxMd;ieU?1(@mMJ*#Rqr^6>ghYGL+cK^nfild12y~VEv>KM zF6^pDtvCVqj!$KxemUfZ3D9fjC*YYG_$Nd8&eq*JVotJ3JviFBzb;;VTHu)ol#?Vc zoI>}MZ-fs{m5zSU*^L4bqzwTP<=m_p2gW|OK9FSgq+94H9<cJfU{(1%qIP*4J(;x%f zASMBJuD*;Va%OTmhI{9x>B%QU)HWQu-Xyb1*|D&2toEoCoeca!gJRD#t>Y6gkSwe1 zb=In-1p!l}awx^|I-w_!j$rxLAaPY5jy!T`73D0fwmY`h6zxcXND@;gS3iw^3OB@7 zc^ZJ>>IfR8SPrCF&v5*=S~;*NPJ>dGhA1=4v1Gu<+8$TSm5w8d^bn-r7C#$%%R>f0 z1}FU`K8c=gA@!eoMr>$#npnfA8Z_+M%H2w@SpN~tFg1?AJ)M^nCrrkZI^s5>dLM4h zf}rZJQu+&#PVk|y*#2N96IH78dqb>Z=RcIRUnDLsC8qx}&55|F5Szz63k$~Om{Vh0 zj8p(+5t=qo&L3VEIFpEu1}w#tKoY}TLtgV~MU9&Zwq!t()D7N#*6jw%SRIP>&tFC? zudK|%n0C?F)K!qMNTZoce$p0cyhR!Tt;!xuaXH=QvUaBGW19kSec9o6>0IGr+&!YH zgz$K^_B=Q~Nw=M=h_h@S0FWHK3FbAsyE)Xnu zNV5B+)I9^}=0?Hpp3KQgre;eFBB9~q>iP}))e4%E0RExCFO08YUsp#j9%y=pQ`2t` zb!(kD%cH{8#FcXepg`kMy42}Vqq_Mc07c~Z2D>$^%36W`k=v-(ujg*C-wltm=VITN zBj#j%tVGY>UEeyNFud3nRw#t2U_b1fzpeC*dcEn&IEYCcNZ+NtSNwI88cOo1NGsr~ znwYE9;Xgmpf$|i7`|(*}Hm4Q%8OIY~^y=Yb-G1v7!M;?LodVGw`;o{Y-Rsav3-AE7 z9tdVC*qYK)m75l*2sI$2AVkrOs09S~%YLz=E+!N(4c^~G&uST9} z-T(w$x`}G>ZwFAKV5hmsf`fko-M&pg7`8!{SqS%cxB%kIrM8OBD5Rro#vLYp5x`FE2tr7+p$r!ZI&3s0Ccs4kz0g8&9*6_V+P`R;y6hPfQst#wX@ z==2WMU&}Z}7C4b?nW2gr#*ROYH>Xjyxy;R#oa9wlahw+Iajt~whpH=a8vMocq{wP_ z&VPu0Lq!l9doH-?H?=k_*?B?T8C*;3hnx{Tz^7&WzXY!0ENt%$7g!r-`=i5esT|M+ zC4-&k-F})Pkq2aq0AezBi;yW(JN(O|H$M(`nG`R#b}4HVik$!kr)9+n0Ma&(2SPif z^JxnKHBkQ!`w?qfyEns^fU4zwMA}kSbDor{4`55PaQ$}n|IqgosiA6xWF&$L4I7n7 z(`rn=h(FQAhwt8_{ODJcP-I20yP-(x?DYP^B*d&0?A&{P9E>JC56%b}2x&UAb3rG$ z)PZ4d_^mzN;{{J-EJj<=*ie@d!0Umv!dDtwM^=ct!e<^ZJWxYP)tj0JIBAVr;agWKS(Tf{0*)Y4T2O)H zhusK|Js_k8Y=(9|=xBncvKAvP+{ORec#n#(D0amJ{;r?0@?=n{khbSPexhISP)y-v ze^6=JP|QrVWZH|#Q|TI?ddrrC^IJQMfe^?|_p{LD*%2Hx66;g+)uppiuIfZ_yENUq zkPSS-8QccOml(1q!@kyIcw?`@&h1hDc?FXRQ$~$!N-@`4Fvh1ZmzMoFL$Ze^lZ^7a z9MJT}KTK?cnj|m=07`|8Y8KS8LowRT{U;H2TXw^%CfwuKH;ZSh!lg?W&OlZxv8Y-x z|L$G<@;44CvKIm^?4Y^>lr2NHE1XJ`kc_yuw7Xg33r`cKpX9nV!O1j)CTeB2m70AY z?Wh0x0RkU&9pQIEsd2eyyJE{MdMa&gj3bMPmcoR9u{QO`e;T|8oF7iMydzd=xr&kq z)sLSg9|`T4gQ~IAdLdJOme%6PRrwTbe9@rRLko9}X^b zZBOQWu&{^EycFY~m{omhT>Va__+$+Dctm`|32KHh%21umrDsQ~XVYBR5B;&jD6p;G zVY4S}x~v1xsZtB~5iw=ed?F?syzDrooPo^=+avu7Y{fPzp$|~x4@vZ zWFHuqj5Y3mn_D1ikqzg-Nu9QDha6hc#>r>kceq%Yu{rPgpp}64+1(^YR3J)i4^(zD z;wItXS$pYjlm>aTzTsv@k@5mPNV zQ4&YN?zn+uAw9bN_5MG`@A$fVFekaS0y`{@F`m)scP-72r|MvgXu|;UkUuR-mBvqS z39}vw%(Ex!gK4KZLO7-~a#s0QQicNB{r; literal 0 HcmV?d00001 diff --git a/translated_images/km/relplot.a03837d8f0329cec.webp b/translated_images/km/relplot.a03837d8f0329cec.webp new file mode 100644 index 0000000000000000000000000000000000000000..509ff805a9bf9983ec511cad715708ca9f866567 GIT binary patch literal 6534 zcmYjzWl$Vivn}p!gAW=sXh?7i9y~#U4Q@e$y9L)Ef#B{0_u%e6xVyU!Gjq>*-@Eds zYj@S&UA=m(wW~E1<>dS+5D;`^rPa071?j&3bDmB`$Ut-&a4;b^|Lw zaA;h>By86g$A1O3`-%h?hcm--mXP7_Qgk@1*}nj8^cs1~0#Uo$9O*h*|J||mun6uF z_to-ddDTCWSP3YDjl#{Kn@?ul5?V&NT`_QS*Z@@GAqV1dUQI<-a)5dqFxWK)_lLH^ zIUv!eQ0P!Th<9TPI1rEm_k=Y<3ZR>C_?$%5#+y4tnB(gyr1@cUmHQn2DQ6H~4ah9aAbVRlscBOkIt!#!?<&sy;t;s*eV16KUuY!J{mjcFb2kvxe-TLtp;LktL~Ini}YKkcQHFU=NzB6hQ3A$Dd}e2 z?tD#38;TOYDkwDob2?s1;>)u6oj*_Z+CBVyQ8t`|(?llqJ$|waWzTU?&YR|s-$=vl zgZ(bSd7HT8g<`+ADyS_snSn2GJ=i6|H25DV9ZrKQG}>_bq9X_Bmnw4qwAKILRn2^G zzQdW>b09Zc6uwP3SDxY#Cj}yVpySHm^D5u*TOI?rj10_Aw_+>{+ z@IzXi8_{UHg|N0*O~2D&)sL)y2L{fl-ZF~*;Wt&ZM-Ql=-zC8R$P;FQ(`D++Mi2p> zgB7wC)r}qgH+4Op3-$j?WWnX1*7>B&_&$Nc_o;ccnHEQ~8+FsoELe;+Uef^PU7twmf5w@~bpU z9yhpFVH5_>z=9^KsG`->q<56-wrnJebQVVBS(=-buZtMH z6ah?1Befp`hg#^;#_Td6I4m${T`0Xj1I8vgq<(nN_dxvl*BiKT6P*A`N6P zudu_ynMA{3QmB;3S>!_fTDVD!_EXSa7swVNC4!Ztirf^G`5JB(MW#OHjP;JvE`jZ8 zEN|d@*;qd^!39ZyEvaz~V_I&W%cPq+P8V28r7?ME@(bv|$W_v?96BDwV;!{fn&UrF zDw5EdnI(>%P!B@t)*i154f@Xc)0|j|^@@GKzu~rg9HGfY-My2Y*NQ)BYcfP6I-Edj zo^jkd3x_i>-QaTvOWb=>2Fyx7A?-8~D|EtN=!kl60#uzftR4*3``B)LkzW!;Wu*S< zt^8gW8F?n6k5Me|_vk*LcHr77U-83o!DHj05A;AFA*%Oum3%2_$6&|ZPTWi$gr2mS zz7KXZf+v*fDTGgVUx&$2NMAf5ppqYj_S^{-yD4*}Gr0szvLU(G4U?KKdy+Rwk>V_;4bKLmDK!HJ0tp)ze%Az4%6C%&(-NomNu3_9d5T0e-v*ijbETpS z5$CJk#Cuh%0$YYjQlD+U)(unlV+Cw=U7d3AL46YwK9gA>(iMq`dbO-+PiT6jK#sAi zx{|v|Zka8s?}LcEvrcQ9U2*-UIKQ7ZGC?o45ZKmq8&Y(&LO+nLGiOh8jemIz;mCU~ zX*t=!OgH|}(jyCacH4FW?a16<#BK0~t%5{&=c<((+t=84CY&~QQAt4it6%Q0*}sS! zG`>)c9^I+u87by-H|CkUQaN1!8JyFPtU6Q^v$|lm?JsPvci+kemaF(jUXy<{Pkaff zu{9i^+Y*$>H*Ut?#}BFH29{(pk@k8wfCbCdTo58}_)(stR@uX1esBLD^vdg~?i)s; z1moCG4a?+grp=^uNOl6z0MEUK(e%y; zOX{C*S%B7i^91h}0EwoohgdIs{42T~CiE+ekwQk6#xE#N>h@KN_-SpuF|8ZDN0){0 za|q0=Q=EvGG{b5mg+v>tR#D!BYWA*Fd@!exDypq7L|jGI1mZcHC;Xzj_HD6}!^wD| zUgQLkSzeMcEF?*XH;RBX$-Pg2wQzI6@*+=Y3s(VZto?%H7I*37juYJ2U~(^sMEC(r z80pW?%DVm{c9$hue^sh6n2P|hR6X4m|C#aQ(~p8pnghNBcfv6Xydn)|{WrF#-7PxJ z8MxPX>+CHqzr$KMxerx5nFwhgTN_aG-%=xe!(U;`foOW{J!La45pIiFbN}VJe8za> zqP$NS>6mi+UbH;;@#jWqx}p@Blr-&J!>PFHyI9RB_Ls2Wz_MAH%M08=jmw`EF}l#+ zP8}^^ot(a8AfNm^-U}->Z`EoHznqU0(%0ja1olBQuO(|xL;TKcat}1C)C05mjv0Pm zlnr9lqdcbr3WX7UMo~}59$DckMI?=EqSq80~|zOy)KFndgBJ#;45odR#J{r$4JY3}GN*+ktz~`YdI{?s*{GaZuOig%_u~gMd4w8X3$!wJ3h(m~^u4mu!mL|rECyCxCEbD= z1^;<0T|-VpMhzw<-FPCW;C>OC&*IKaFBS0ii4bo%BflIOyDDPRR`D(Pku?w}T;E zb*7FyH!goUe(@#lv-27T3_Z`Z;oMxZ6- zk4Oor@Sf@mn0{c+<2~?(nS7b$BGZOw>e?&zSyzCcGgs4?nB2A~N(3eRT(T&1wjaoi zIYZaLwp{HKkx8q|(3sv z&0ZGleKD;^UFo|Dvo&FEIers;2w)S}!ci}Ob>ZgonRjVL&=i((xW8;tz0jnr!MU<| z)s~358OLm5wVPF}(%NP0mBZzabv`!==TGdA7G0NaOY1IRJrn-Au9E^d(6c3XX|uR5 zR^6do)4*v)9$EbsIdWaS(iZGkZSyiObM3PJ5NG(#3ioBT1eom!2VS&AQ{Cv`@#gHq z7|o(5@_$f^pt{E=kd@R@#+e89StX|ZS@Gy{#!C$)2AMxipE6Z(R6Zoa#1; zD{`#(c)c`7yVW}bd(o%}D%W+i4V6%)b}>)VeNyiogss-R>qQBp&-#M`CX0sq(_A#J_Y86qQ^S;(Ec?<3 zd3%|*o)K8G#jiO4d`+sx7`y_PH8+@_g+fE5O5!RsI;BT+MaBnC10NYj%;E-XQF(2_=gJSJJwPJ7QD~^{V zFVCca$b>8j_u}LSwS#3q7pnjj>w2H36ltLG805RTJ*! zDL%jZw_S}N5!Kytm%m?NyVwMpF6mbu)Y`(+?oZ>&Vn1=EJO-j5Kr+@{x;_HPrVJ^tFeh$nfT;lW2x8cjs3Rwn9RDUUE5Ns);ru)q^LnV5La-suHNS$8 z3`=_S#sRp({)Q9qhve&dRdA=xk*o^P}Mb9y8B&~ANr)ACzYAs5#@HAgz9LIMLjqa1u@Oq^ginWTxM8m-@ z8-JCFG$f{1>6~mR6QqblYIB0sc1ag23P?Icwy2`&0@04UV@Nvi)~nDxI#$V=OQ?8U zQ*+}GW)m+*O_`77XlV=?0JC!geU%8v>KavcUCB1EMf{%jPF5FfJ(k3be#uZQ{M9ut~ebwK|ogIju*IF(=nwh{YC`nG3L!s1W9;ahuC@ zG$Vz$Y_{=}8kvfV*2gV+-2fa?7}bR5+8?G&$mYc9ADbG8Hs+R&PWk-lOG3H-IH`IsausTr7PZ0yr5 z8DK(Dj&~E6%%-i1&Xz27FVhCD)x)zoKbb|*2Tra#A(#!MeZ`P&ZWsCh0xSid-_pL{ ztAp&*^;bL331%*h?TjDxR3nWV1BER|3Z~b;^M5nsm z9O4Bg@p$ZOo;_xI zCRE}DA<@yDx5M2DL$iQnn`a>dD$8{HnqxCk`A1e<#c?{?0E)H!dh-jJlXKCocwU>s2M+y@h{CZ}uOL+AUG-7R z3Vo&IFmu`Sk3t=#(POd0_T#hlx`T#WfBe~Sp5mK6=0*7yKQZbW>%Q(Gs#V{Ypu4U# zi=%MW_&N-gjD8*7E37R4`7pa} zA_A-l542}6{s@@`=fr`x@$nK?g-4+_3n-+&4pz84_K2Jqt$6R$=6@f16YT8!5owOF^z3F~`^P5DyxSh+{dI7x#nzn_^ zB4x#xTK$v4y0;wJsg37c(h6||V{Ec>I_aQes=dW{gV}LUJz2xqV$b_}NMZ2oP?h6* zr(&2=Dt&imBWkqN<;Zofh|j@oAjz#iN?!c9z&f7G-0qimAqxdx8t}$GIiR<6@{7Re zxZ4na0qvlb*N^b6j`qLsm3|5675rs;-?kPZ%0bCQg+oRO0)oS>;R|jcE9k3Zr;ln7 zp8&;#y5nJzdm!pJ+7H&uQn8N!d$r828?2MgpmnPy`vshDz{V5GObo^}#MF=B9i2f1o>+GnvEYV$^n8sWl2MgmjBXRKopDP&n^$;#W*@LbUi~MT2js$k zy_X)3$M0@0vH6WgoEBACSl9#h+H-1gB^m^_K{a$-Wkz9;17+9so{brZ%5FiGx%^?y zJT5^dUqti?m9>gE-aI#8b}Y^>!Ko~FM}-J3aa6)HbUZW9B%1|;L9?L4 zaXW^2ar=p|&5pbIB^qTQLeXhNCT%7vnkkNr@o3H1WOayW@`rI_fIOzhO(+dpU}}mO z{fHDlfnLoz{HmQ{6daN(Yr(Jf8LRs9aoB(qu}lG=6_n(F94ajQBci@*)8*lUkS0Uu zo1>%Fn!-kpPY&PRLf~e=YM&?cSJ~4m*4{6bo0;Y4^t~8j9fxg8+c?6*>XwHv#X5yl z@mkc3A($g_9nGYo(=N-3{ix;YZcxk*6=h6!)TQNW+AU;I3%2Cb-s=SH>{;yWRJ#|w zV}s@CEZ|F0P(tfK9Jf*}cVG3nFs8g4IfEBO*eNQ`iBed$^b&u2<(?6}@~mgB*)_-n z(=TUPK#0L;gVT^qeX_il)D2TU9h@&QQ_>GRs4;A}sh^X^HYYs^3XNj`+i8t0ospl| zd}kCK3SEW-W!8LH9DbSh(2gPc0)ibe-=7GIT*b@WZM=)iA$Y&gwee0O?RP;vM#LlG zbqCwxU4e5HH5;*n@*6}m*7bvb?!4*11y_|8V#G3hCpleZ;^jy-9N z_}8cBH5<~t?{l()(&4O3zY-Xb)Rhb9#YoEDh>$ENlijMShzS=7pY*gw4e60vm2BfO z_+w}IPm9SK%p2Wly~gB|Z|u7YcH24W3a>@n1YS!?F90NPaRyK@@X}{PS(s$*hbkT& z4+%x<+6jV*0AgU1*tuPy^Hhv32HAe_T3W`0@u|Z@*%XN*{T`tq;oR&nZ=OAkPBXy6 zCGT3mB%^F(FL}E3#ZphAURjA%-HbJUa%eF^nAH|XI}x?gH@+bkJreu0^Yl9>vLddh z^nj160(g$$ozeo6)zWk0>4|Ikmsh?& z2IzMauXL<7*Jn0{9yZ>GY|^+sHCpVWk%>JnqsUPvg^om@b~T*U$&sSa)DokeUM0jn R8O!^fVN{bk)BUq#{ud&c សកេតណូតដោយ [Tomomi Imura](https://www.twitter.com/girlie_mac) - -## [គន្លឹះសំណួរមុនពេលសិក្សា](https://ff-quizzes.netlify.app/en/ml/) +# ការសាងសង់ដំណោះស្រាយរបស់ការរៀនម៉ាស៊ីនជាមួយ AI ដែលមានការទទួលខុសត្រូវ + +![សង្ខេបអំពី AI ដែលមានការទទួលខុសត្រូវក្នុងការរៀនម៉ាស៊ីនជាមួយនូវគំនូរសង្ខេប](../../../../translated_images/km/ml-fairness.ef296ebec6afc98a.webp) +> គំនូរសង្ខេបដោយ [Tomomi Imura](https://www.twitter.com/girlie_mac) -## ជំហានបើក +## [សំនួរជំនួញមុនមុខវិជ្ជា](https://ff-quizzes.netlify.app/en/ml/) + +## ការណែនាំ -ក្នុងមេរៀននេះ អ្នកនឹងចាប់ផ្តើមស្វែងរកពីរបៀបដែលម៉ាស៊ីនរៀនអាចវាយបង្វិលនិងមានឥទ្ធិពលលើជីវិតប្រចាំថ្ងៃរបស់យើង។ ទាំងឥឡូវនេះ ប្រព័ន្ធនិងម៉ូដែលជាប់ពាក់ព័ន្ធក្នុងភារកិច្ចសម្រេចចិត្តប្រចាំថ្ងៃដូចជា ការបញ្ជាក់ជំងឺសុខាភិបាល ការអនុម័តឥណទាន ឬការរកឃើញការជ្រុលបំពាន។ ដូច្នេះ វាពិតជាសំខាន់ណាស់ដែលម៉ូដែលទាំងនេះធ្វើការល្អដើម្បីផ្តល់លទ្ធផលដែលអាចទុកចិត្តបាន។ ដូចជាកម្មវិធីទូទៅណាមួយប្រព័ន្ធ AI អាចខកចិត្តនឹងការរំពឹងទុក ឬមានលទ្ធផលដែលមិនចង់បាន។ នេះហើយហ្នឹងជាហេតុផលដែលយើងត្រូវតែបង្រៀនខ្លួនឯងអំពីរបៀបយល់ និងពន្យល់អំពីអាកប្បករណ៍នៃម៉ូដែល AI។ +នៅក្នុងវគ្គសិក្សានេះ អ្នកនឹងចាប់ផ្តើមរកឃើញថា តើការរៀនម៉ាស៊ីនអាចមានឥទ្ធិពល និងកំពុងប៉ះពាល់ដល់ជីវិតប្រចាំថ្ងៃរបស់យើងយ៉ាងដូចម្តេច។ ទោះបីជាឥលូវនេះ ការតំឡើងប្រព័ន្ធ និងគំរូបានស្ថិតក្នុងការអនុវត្តន៍ការផ្តល់សេចក្ដីសម្រេចក្នុងជីវិតប្រចាំថ្ងៃ ដូចជាការធ្វើវេជ្ជបញ្ជា ការអនុម័តបំណុល ឬការរកឃើញការលួចលើស។ ដូច្នេះ វាសំខាន់ណាស់ដែលគំរូទាំងនេះធ្វើការល្អដើម្បីផ្តល់លទ្ធផលដែលអាចទុកចិត្តបាន។ ដូចជាមុខងារសូម្បីតែកម្មវិធីទូទៅណាមួយ ប្រព័ន្ធ AI អាចនឹងខកខានរំពឹងទុក ឬមានលទ្ធផលមិនល្អ។ នេះហើយជាហេតុផលដែលវាសំខាន់ក្នុងការរួមរៀនយល់ និងពន្យល់អំពីអាកប្បកិរិយារបស់គំរូ AI។ -សន្ដិភាពនូវអ្វីដែលអាចកើតមានឡើងពេលដែលទិន្នន័យដែលអ្នកកំពុងប្រើសម្រាប់បង្កើតម៉ូដែលទាំងនេះខ្វះក្រុមហ៊ុនជនជាតិខុសៗគ្នា ដូចជា ជាតិកុលលក្ខណៈ ភេទ ទស្សនវិស័យនយោកយោបាយ សាសនា ឬតំណាងនយោបាយដែលមានការលើសលប់។ តើវាយយកម៉ូដែលបានបង្ហាញលទ្ធផលផ្សេងទេវាសម្រាប់ខ្លឹមសារគណៈជនជាតិកំណត់មួយ? តើផលប៉ះពាល់សម្រាប់កម្មវិធីនេះមានអ្វីខ្លះ? លើសពីនេះ តើពេលម៉ូដែលមានលទ្ធផលអាក្រក់ និងបង្កមិត្តវិបត្តិក្នុងមនុស្ស តើនរណាជាទីតាំងទទួលខុសត្រូវចំពោះអាកប្បករិតនៃប្រព័ន្ធ AI? នេះជាសំណួរមួយចំនួនដែលយើងនឹងស្វែងរកក្នុងមេរៀននេះ។ +សូមនឹកស្រមៃអ្វីអាចកើតឡើងពេលដែលទិន្នន័យដែលអ្នកប្រើក្នុងការសាងសង់គំរូទាំងនេះខ្វះខាតពូជភាគីមួយចំនួន ដូចជាជាតិសាសន៍ ភេទ មតិយោបល់នយោបាយ សាសនា ឬតំណាងមិនសមស្របចំពោះពូជភាគីនោះ។ តើមានអ្វីកើតឡើងនៅពេលលទ្ធផលគំរូត្រូវបានបកស្រាយក្នុងទិសដៅគាំទ្រដល់ពូជភាគីមួយចំនួន? ប្រសិនបើគំរូមានលទ្ធផលអវិជ្ជមាន ហើយបង្ករខូចខាតដល់មនុស្ស តើនរណាជាទទួលខុសត្រូវចំពោះអាកប្បកិរិយារបស់ប្រព័ន្ធ AI? នេះគឺជាសំណួរមួយចំនួនដែលយើងនឹងស្រាវជ្រាវក្នុងវគ្គសិក្សានេះ។ -ក្នុងមេរៀននេះ អ្នកនឹង៖ +នៅក្នុងមេរៀននេះ អ្នកនឹង: -- បង្កើតការយល់ដឹងអំពីសារៈសំខាន់នៃភាពយុត្តិធម៌ក្នុងម៉ាស៊ីនរៀន និងគ្រោះថ្នាក់ដែលពាក់ព័ន្ធនឹងភាពយុត្តិធម៌។ -- មកស្គាល់នឹងការអនុវត្តន៍នៃការស្វែងរកចំពោះភាពខុសគ្នានិងលក្ខណៈពិសេសដើម្បីធានានូវភាពទុកចិត្ត និងសុវត្ថិភាព។ -- មានការយល់ដឹងពីតម្រូវការដើម្បីអោយគ្រប់គ្នាមានសិទ្ធិ និងរចនាប្រព័ន្ធរួមមួយ។ -- ស្វែងរកពីសារៈសំខាន់នៃការការពារឯកជនភាព និងសុវត្ថិភាពទិន្នន័យ និងមនុស្ស។ -- ឃើញសារៈសំខាន់នៃការយកវិធីជាកញ្ចក់ដើម្បីពន្យល់អាកប្បករិតនៃម៉ូដែល AI។ -- មានការត្រួតពិនិត្យចំពោះតួនាទីនៃការទទួលខុសត្រូវដើម្បីកសាងក្តីទុកចិត្តនៅក្នុងប្រព័ន្ធ AI។ +- ឡើងកម្រិតការយល់ដឹងអំពីសារៈសំខាន់នៃភាពត្រឹមត្រូវក្នុងការរៀនម៉ាស៊ីន និងការខូចខាតដែលទាក់ទងនឹងភាពត្រឹមត្រូវ។ +- ធ្លាប់ទទួលស្គាល់ពីការអនុវត្តន៍ស្វែងរកអត្តឃាត និងស្ថានភាពអវិជ្ជមាន ដើម្បីធានាសុវត្ថិភាព និងភាពជឿជាក់។ +- យល់ដឹងពីចាំបាច់ក្នុងការចែកអំណាចជូនមនុស្សគ្រប់រូប ដោយរចនាប្រព័ន្ធបញ្ចូលគ្នា។ +- ស្វែងយល់ពីសារៈសំខាន់នៃការការពារភាពឯកជន និងសុវត្ថិភាពនៃទិន្នន័យ និងមនុស្ស។ +- មើលថា មានសារៈសំខាន់ក្នុងការអនុវត្តវិធីសាស្រ្តកញ្ចក់បំបែក ដើម្បីពន្យល់អាកប្បកិរិយារបស់គំរូ AI។ +- ប្រុងប្រយ័ត្នពីភាពទទួលខុសត្រូវ ដែលមានសារៈសំខាន់សម្រាប់ការបង្កើតទំនុកចិត្តក្នុងប្រព័ន្ធ AI។ -## លក្ខខណ្ឌមុនពេលចូលរួម +## លក្ខខណ្ឌមុន -ជាលក្ខខណ្ឌមុនសូមចូលរួមវគ្គ "គោលនយោបាយ AI ដែលមានការទទួលខុសត្រូវ" និងមើលវីដេអូខាងក្រោម៖ +ជាលក្ខខណ្ឌមុន សូមអ្នកចូលរួមយល់ពីនីតិវិធី "គោលការណ៍ AI ដែលមានការទទួលខុសត្រូវ" ហើយមើលវីដេអូខាងក្រោមស្តីពីប្រធានបទនេះ។ -ស្វែងរកព័ត៌មានបន្ថែមអំពី AI ដែលមានការទទួលខុសត្រូវតាមរយៈការតាមដាន [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) +រៀនបន្ថែមអំពី AI ដែលមានការទទួលខុសត្រូវ ដោយតាមដាន [Learning Path](https://docs.microsoft.com/learn/modules/responsible-ai-principles/?WT.mc_id=academic-77952-leestott) -[![Microsoft's Approach to Responsible AI](https://img.youtube.com/vi/dnC8-uUZXSc/0.jpg)](https://youtu.be/dnC8-uUZXSc "Microsoft's Approach to Responsible AI") +[![វិធីសាស្រ្តរបស់ Microsoft ទៅ AI ដែលមានការទទួលខុសត្រូវ](https://img.youtube.com/vi/dnC8-uUZXSc/0.jpg)](https://youtu.be/dnC8-uUZXSc "វិធីសាស្រ្តរបស់ Microsoft ទៅ AI ដែលមានការទទួលខុសត្រូវ") -> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ៖ របៀប Microsoft ក្នុងការទទួលខុសត្រូវ AI +> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ: វិធីសាស្រ្តរបស់ Microsoft ទៅ AI ដែលមានការទទួលខុសត្រូវ -## ភាពយុត្តិធម៌ +## ភាពត្រឹមត្រូវ -ប្រព័ន្ធ AI គួរតែប្រើប្រាស់យ៉ាងយុត្តិធម៌ និងជៀសវាងការប៉ះពាល់ដល់ក្រុមមនុស្សដូចគ្នានៅលើបែបផែនផ្សេងៗ។ ឧទាហរណ៍ នៅពេលប្រព័ន្ធ AI ផ្តល់យោបល់កំពុងការព្យាបាលផ្នែកសុខាភិបាល ការដាក់ពាក្យខ្ចីប្រាក់ ឬការជ្រើសរើសការងារ គួរតែផ្តល់ការផ្តល់យោបល់ដូចគ្នារបស់មនុស្សដែលមានរោគសញ្ញាស្រដៀងគ្នា ស្ថានភាពហិរញ្ញវត្ថុស្របគ្នា ឬគុណវប្បកម្មបុគ្គលរបស់ពួកគេ។ មនុស្សម្នាក់ទាំងអស់កាន់តាមដានលទ្ធផលនៃការប្រគល់វេនដែលមានឥទ្ធិពលលើសេចក្តីសម្រេចចិត្តនិងសកម្មភាពរបស់យើង។ ភាពលំអៀងនេះអាចមើលឃើញបានក្នុងទិន្នន័យដែលយើងប្រើសម្រាប់បណ្តុះបណ្តាលប្រព័ន្ធ AI។ ការតំលើងបែបនេះជាដំណើរទាក់ទងដែលអាចកើតឡើងដោយមិនចង់បាន។ វាពិបាកក្នុងការយល់ច្បាស់នៅពេលអ្នកជំពាក់ភាពលំអៀងក្នុងទិន្នន័យ។ +ប្រព័ន្ធ AI គួរតែដោះស្រាយមនុស្សគ្រប់រូបយ៉ាងត្រឹមត្រូវ និងជៀសវាងការប៉ះពាល់ដល់ក្រុមមនុស្សដូចគ្នាទៅក្នុងវិធីផ្សេងៗគ្នា។ ឧទាហរណ៍ ពេលប្រព័ន្ធ AI ផ្តល់នូវការណែនាំអំពីការព្យាបាលវេជ្ជសាស្រ្ត ការដាក់ពាក្យខ្ចីប្រាក់ ឬការងារ នេះគួរតែផ្តល់យោបល់ដូចគ្នា ទៅមនុស្សគ្រប់រូបដែលមានរលក្ខណៈពិបាក ស្ថានភាពហិរញ្ញវត្ថុ ឬគុណវុឌ្ឍិវិជ្ជាជីវៈដូចគ្នា។ មនុស្សម្នាក់ៗជាអ្នកមានអត្រាប្រជាជនដែលបានបណ្តាលឲ្យកើតមានការរំខាន ដល់ការសម្រេចចិត្ត និងសកម្មភាពរបស់ពួកគេ។ ការរំខានទាំងនេះអាចត្រូវបានចង្អុលបង្ហាញក្នុងទិន្នន័យដែលយើងប្រើសម្រាប់បណ្តុះបណ្តាលប្រព័ន្ធ AI ។ ការបំលែងនេះអាចកើតឡើងដោយមិនចៃដន្យ។ វាក៏ពិបាកក្នុងការយល់បានយ៉ាងយកចិត្តទុកដាក់ថា ពេលណាអ្នកបានបញ្ចូលអត្រាប្រជាជនក្នុងទិន្នន័យ។ -**“ភាពមិនយុត្តិធម៌”** មានន័យថាប្រសិនបើមានផលប៉ះពាល់អវិជ្ជមាន ឬ “គ្រោះថ្នាក់” សម្រាប់ក្រុមអ្នកមួយ ដូចជាការកំណត់ជាតិកុលភេទ អាយុ ឬស្ថានភាពអ្នកពិការភាព។ គ្រោះថ្នាក់ទាក់ទងនឹងភាពយុត្តិធម៌អាចចែងបានជា៖ +**“ភាពមិនត្រឹមត្រូវ”** គ្របដណ្តប់លើផលប៉ះពាល់អវិជ្ជមាន ឬ “ការខូចខាត” របស់ក្រុមមនុស្ស ដូចជាក្រុមដែលបានកំណត់ដោយជាតិភេទ អាយុ ឬស្ថានភាពពិការភាព។ ការខូចខាតដែលទាក់ទងនឹងភាពត្រឹមត្រូវអាចចែកចេញជា៖ -- **ការចែកចាយ** ជាដើមប្រភេទភេទ ឬជាតិកុលណាមួយត្រូវបានចូលចិត្តលើសពីមួយផ្សេងទៀត។ -- **គុណភាពសេវាកម្ម** ប្រសិនបើអ្នកបណ្តុះទិន្នន័យសម្រាប់ស្ថានการณ์មួយដែលមិនស្មុគស្មាញពេញលេញ នេះនាំឲ្យមានសេវាកម្មដែលឆ្លុះបញ្ចាំងមិនល្អ។ ឧទាហរណ៍ ម៉ាស៊ីនចាក់សាប៊ូដៃមួយមិនអាចដឹងបានពីមនុស្សដែលមានស្បែកស្រអាប់។ [យោង](https://gizmodo.com/why-cant-this-soap-dispenser-identify-dark-skin-1797931773) -- **ការរិះគន់មិនយុត្តិធម៌** ការរិះគន់មិនយុត្តិធម៌ និងបង្វែរ ឧទាហរណ៍ បច្ចេកវិទ្យាការតំឡើងស្លាករូបភាពមួយបានចាក់ស្លាករូបភាពមនុស្សស្បែក​ស្រអាប់​ជា​ក្រិកកណ្តោល។ -- **ការចំណេញឬការខ្វះតំណាង** គំនិតថាក្រុមណាមួយមិនបានមើលឃើញក្នុងវិជ្ជាជីវៈជាក់លាក់ណាមួយ ហើយសេវា ឬមុខងារណាមួយណាដែលបន្តផ្សព្វផ្សាយការខ្វះតំណាងនោះក៏បន្ថែមគ្រោះថ្នាក់។ -- **ស្ទេរ឵អាប់** ភ្ជាប់ក្រុមណាមួយជាមួយលក្ខណៈដែលបានកំណត់មិនជារួសរាយ។ ឧទាហរណ៍ ប្រព័ន្ធបកប្រែភាសារវាងភាសាអង់គ្លេសនិងទួរគីជាច្រើនបង្ហាញភាពមិនត្រឹមត្រូវដោយពាក្យដែលភ្ជាប់ទៅនិងភេទជាមួយនឹងស្ទេរព្រីប។ +- **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។ ![បកប្រែទៅភាសាទួរគី](../../../../translated_images/km/gender-bias-translate-en-tr.f185fd8822c2d437.webp) > បកប្រែទៅភាសាទួរគី -![បកប្រែត្រឡប់ទៅភាសាអង់គ្លេស](../../../../translated_images/km/gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp) -> បកប្រែត្រឡប់ទៅភាសាអង់គ្លេស +![បកប្រែថយឡើងវិញទៅភាសាអង់គ្លេស](../../../../translated_images/km/gender-bias-translate-tr-en.4eee7e3cecb8c70e.webp) +> បកប្រែថយឡើងវិញទៅភាសាអង់គ្លេស -ពេលរចនានិងសាកល្បងប្រព័ន្ធ AI យើងត្រូវធានាថា AI មានភាពយុត្តិធម៌ និងមិនត្រូវបានកំណត់ដើម្បីធ្វើការសម្រេចចិត្តមានការប្រហាក់ប្រហែល ឬការរើសអើងដែលមនុស្សក៏ត្រូវចាត់ទុកថាមិនត្រឹមត្រូវដែរ។ ការធានាអោយមានភាពយុត្តិធម៌ក្នុង AI និងម៉ាស៊ីនរៀននៅតែជាបញ្ហាសង្គមបច្ចេកទេសដ៏ស្មុគស្មាញ។ +នៅពេលរចនា និងសាកល្បងប្រព័ន្ធ AI យើងត្រូវធានាថា AI ត្រូវត្រូវបានបំពាក់ឲ្យមានភាពត្រឹមត្រូវ ហើយមិនទទួលប្រាក់ចំណេញដោយការអនុវត្តន៍ព្រហ្មទណ្ឌ ឬការលើកលែងទេ ដែលមនុស្សក៏ត្រូវបានហាមឃាត់ផងដែរ។ ការធានាថាភាពត្រឹមត្រូវក្នុង AI និងការរៀនម៉ាស៊ីននៅតែមួយជាបញ្ហាសង្គមបច្ចេកវិទ្យាដែលស្មុគស្មាញ។ -### ភាពទុកចិត្តនិងសុវត្ថិភាព +### ភាពជឿជាក់ និងសុវត្ថិភាព -ដើម្បីបង្កើតការទុកចិត្ត ប្រព័ន្ធ AI ត្រូវតែទុកចិត្តបាន, មានសុវត្ថិភាព និងមានស្ថិរភាពក្រោមលក្ខខណ្ឌធម្មតានិងមិនរំពឹងទុក។ វាពិតជាសំខាន់ក្នុងការយល់ពីរបៀបប្រព័ន្ធ AI នឹងមានអាកប្បករណ៍នៅក្នុងស្ថានភាពនានា ជាពិសេសនៅពេលវាជា outliers។ នៅពេលបង្កើតដំណោះស្រាយ AI ត្រូវផ្តោតខ្លាំងលើរបៀបដោះស្រាយស្ថានភាពផ្សេងៗដែលអាចមកជួបទៅនឹងដំណោះស្រាយ AI។ ឧទាហរណ៍ ឡានបើកប្រាណថ្មីគួរតែនាំខ្ពស់ការគ្រប់គ្រងសុវត្ថិភាពមនុស្ស។ ដូច្នេះ AI ដែលបើកឡានត្រូវតែពិចារណាស្ថានភាពជា​ច្រើន​អាច​កើត​មាន​ដូច​ជា ពេលกลางคืน ភ្លៀង បាញ់ស្រអប់ ក្មេងចូលរថយន្ត សត្វចិញ្ចឹម​ ការសាងសង់ផ្លូវ។ ប្រព័ន្ធ AI អាចគ្រប់គ្រងស្ថានភាពទាំងអស់យ៉ាងត្រឹមត្រូវនិងមានសុវត្ថិភាព បង្ហាញពីកម្រិតការព្យាបាលរបស់អ្នកវិទ្យាសាស្រ្តទិន្នន័យ ឬអ្នកអភិវឌ្ឍ AI មុនពេលរចនានិងសាកល្បងប្រព័ន្ធ។ +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។ > [🎥 ចុចទីនេះសម្រាប់វីដេអូ: ](https://www.microsoft.com/videoplayer/embed/RE4vvIl) -### ការរួមបញ្ចូល +### ភាពរួមបញ្ចូល -ប្រព័ន្ធ AI គួរតែរចនាឡើងដើម្បីពាក់ព័ន្ធ និងផ្តល់អំណាចដល់ទាំងអស់។ នៅពេលរចនា និងអនុវត្តប្រព័ន្ធ AI អ្នកវិទ្យាសាស្រ្តទិន្នន័យ និងអ្នកអភិវឌ្ឍ AI ត្រូវកំណត់និងដោះស្រាយអំពើការកំណត់គោលដៅដែលអាចច្រេីនមនុស្សដោយមិនចង់បាន។ ឧទាហរណ៍ មានមនុស្ស 1 ពាន់លាននាក់ដែលមានជំងឺពិការភាពនៅជុំវិញពិភពលោក។ ជាមួយនឹងការវិវឌ្ឍ AI ពួកគេអាចចូលដំណើរការព័ត៌មាន និងឱកាសជាច្រើនបានងាយស្រួលក្នុងជីវិតប្រចាំថ្ងៃរបស់ពួកគេ។ ដោយដោះស្រាយឧបសគ្គ ទំនិញសម្រាប់ច្នៃប្រឌិតនិងអភិវឌ្ឍផលិតផល AI ដែលមានបទពិសោធន៍ល្អប្រសើរដែលអាចផ្ដល់អត្ថប្រយោជន៍ដល់គ្រប់គ្នា។ +ប្រព័ន្ធ AI គួរត្រូវបានរចនាឲ្យផ្តល់នូវការចូលរួម និងអំណាចដល់មនុស្សគ្រប់រូប។ នៅពេលដែលអ្នកវិទ្យាសាស្រ្តទិន្នន័យ និងអ្នកអភិវឌ្ឍ AI រចនា និងអនុវត្តប្រព័ន្ធទាំងនេះ គេត្រូវកំណត់ និងដោះស្រាយឧបសគ្គដែលអាចលុបចោលមនុស្សមួយចំនួនដោយមិនចៃដន្យ។ ឧទាហរណ៍ មានមនុស្សជាង ១ ពាន់លាននៅជុំវិញពិភពលោកមានជម្ងឺលំបាក។ ជាមួយនឹងការរីកចម្រើននៃ AI ពួកគេអាចចូលដំណើរការព័ត៌មាន និងឱកាសជាច្រើនបានងាយស្រួលយ៉ាងខ្លាំង។ ដោយដោះស្រាយឧបសគ្គនេះវាបង្កើតឱកាសក្នុងការបង្កើត និងអភិវឌ្ឍផលិតផល AI ដែលមានបទពិសោធន៍ល្អប្រសើរដល់មនុស្សគ្រប់រូប។ -> [🎥 ចុចទីនេះសម្រាប់វីដេអូ: ការរួមបញ្ចូលក្នុង AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v) +> [🎥 ចុចទីនេះសម្រាប់វីដេអូ: ភាពរួមបញ្ចូលក្នុង AI](https://www.microsoft.com/videoplayer/embed/RE4vl9v) -### សុវត្ថិភាព និងឯកជនភាព +### សុវត្ថិភាព និងភាពឯកជន -ប្រព័ន្ធ AI គួរតែមានសុវត្ថិភាព និងគោរពឯកជនភាពរបស់មនុស្ស។ មនុស្សមានកម្រិតការទុកចិត្តតិចទៅលើប្រព័ន្ធដែលបង្កការជ្រុលនូវឯកជនភាព ព័ត៌មាន ឬជីវិតរបស់ពួកគេ។ នៅពេលបណ្តុះម៉ូដែលម៉ាស៊ីនរៀន យើងពឹងផ្អែកលើទិន្នន័យដើម្បីផលិតលទ្ធផលល្អបំផុត។ ក្នុងការធ្វើដូចនេះ ប្រភពទិន្នន័យ និងភាពរឹងប៉ឹងគួរត្រូវបានគិតគូរ។ ឧទាហរណ៍ ទិន្នន័យមានប្រភពពីអ្នកប្រើប្រាស់ ឬទិន្នន័យសាធារណៈ? បន្ទាប់មក នៅពេលធ្វើការជាមួយទិន្នន័យ វានិងមានសារៈសំខាន់ក្នុងការអភិវឌ្ឍប្រព័ន្ធ AI ដែលអាចការពារព័ត៌មានសម្ងាត់ និងទប់ស្កាត់ការប្រហារ។ បើយោងតាមការរីកចម្រើនAI ការគោរពឯកជនភាព និងការការពារព័ត៌មានបុគ្គល និងអាជីវកម្មកាន់តែលំបាកនិងសំខាន់។ បញ្ហាអំពីឯកជនភាពនិងសុវត្ថិភាពទិន្នន័យត្រូវការយកចិត្តទុកដាក់យ៉ាងជិតស្និទ្ធសម្រាប់ AI ព្រោះការចូលដំណើរការទិន្នន័យមានសារៈសំខាន់សម្រាប់ប្រព័ន្ធ AI ក្នុងការធ្វើការទំាងអំពីព្យាករណ៍និងសម្រេចចិត្តបានត្រឹមត្រូវ។ +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។ > [🎥 ចុចទីនេះសម្រាប់វីដេអូ: សុវត្ថិភាពក្នុង AI](https://www.microsoft.com/videoplayer/embed/RE4voJF) -- ក្នុងឧស្សាហកម្មយើងបានធ្វើការវិវឌ្ឍយ៉ាងច្រើននៅផ្នែកឯកជនភាព និងសុវត្ថិភាព ដោយពាក់ព័ន្ទយ៉ាងខ្លាំងជាមួយនឹងបទបញ្ជាដូចជា GDPR ។ -- ប៉ុន្តែសម្រាប់ប្រព័ន្ធ AI យើងត្រូវតែទទួលស្គាល់ការពាក់ព័ន្ធរវាងតម្រូវការ ទិន្នន័យផ្ទាល់ខ្លួនបន្ថែម ដើម្បីធ្វើឲ្យប្រព័ន្ធផ្នែកផ្ទាល់ខ្លួន និងប្រសើរឡើង — និងការគោរពឯកជនភាព។ -- ដូចជាការបង្កើតកុំព្យូទ័រចងក្រងនឹងអ៊ីនធឺណិត យើងក៏បានឃើញការកើនឡើងយ៉ាងខ្លាំងនៃបញ្ហាសុវត្ថិភាពដែលពាក់ព័ន្ធនឹង AI៕ -- ខណៈពេលដដែល ក៏ឃើញពីការប្រើប្រាស់ AI ដើម្បីធ្វើឱ្យសុវត្ថិភាពប្រសើរឡើង។ ឧទាហរណ៍ សាច់ញាតិការពារពីវីរុសភាគច្រើនដែលមាននៅសព្វថ្ងៃគឺដំណើរការដោយ AI heuristics ។ -- យើងត្រូវធានាថា បើកម្រិតវិទ្យាសាស្រ្តទិន្នន័យរបស់យើងបញ្ចូលការអនុវត្តៗថ្មីៗទាំងអស់ទាក់ទងនឹងឯកជនភាព និងសុវត្ថិភាព។ +- 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។ -### ភាពច្បាស់លាស់ -ប្រព័ន្ធ AI គួរតែដឹងច្បាស់។ ផ្នែកសំខាន់ពីភាពច្បាស់លាស់គឺការពន្យល់អាកប្បករណ៍នៃប្រព័ន្ធ AI និងធាតុផ្សំនៃវា។ ការកែលម្អការយល់ដឹងអំពីប្រព័ន្ធ AI ជំរុញឱ្យអ្នកពាក់ព័ន្ធយល់ថាតើវាដំណើរការយ៉ាងដូចម្តេចនិងហេតុផលដែលវាដំណើរការដូច្នោះ ដើម្បីជួយកំណត់បញ្ហាផ្នែកសមត្ថភាព ភាពសុវត្ថិភាព ផ្លូវការផ្សេងៗ ភាពលំអៀង ភាពមិនសុចរិត ឬលទ្ធផលមិនចង់បាន។ យើងក៏ជឿថា អ្នកប្រើប្រាស់ប្រព័ន្ធ AI គួរតែត្រួតពិនិត្យនិងរាយការណ៍ពេលណានិងហេតុផលដែលពួកគេប្រើប្រាស់វា និងកម្រិតកំណត់នៃប្រព័ន្ធដែលពួកគេចេញការប្រើប្រាស់។ ឧទាហរណ៍ ប្រសិនបើធនាគារប្រើប្រព័ន្ធ AI ជួយសម្រេចចិត្តឥណទាន វាពិតជាសំខាន់ក្នុងការត្រួតពិនិត្យលទ្ធផល និងយល់ថាតើទិន្នន័យណាដែលមានឥទ្ធិពលលើការផ្តល់ដំណឹងរបស់ប្រព័ន្ធ។ រដ្ឋាភិបាលកំពុងចាប់ផ្តើមគ្រប់គ្រង AI នៅក្នុងវិស័យផ្សេងៗ ដូច្នេះអ្នកវិទ្យាសាស្រ្តទិន្នន័យ និងអង្គការត្រូវតែពន្យល់ថាប្រព័ន្ធ AI នេះត្រូវគោរពតាមបទបញ្ជា ឬទេ ជាពិសេសនៅពេលមានលទ្ធផលមិនចង់បាន។ +### 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។ > [🎥 ចុចទីនេះសម្រាប់វីដេអូ: ភាពច្បាស់លាស់ក្នុង AI](https://www.microsoft.com/videoplayer/embed/RE4voJF) -- ពីព្រោះប្រព័ន្ធ AI មានភាពស្មុគស្មាញខ្លាំង បង្កឡើងការលំបាកក្នុងការយល់ពីរបៀបវាដំណើរការ និងបកស្រាយលទ្ធផល។ -- ការខ្វះការយល់ដឹងនេះប៉ះពាល់ដល់វិធីដែលប្រព័ន្ធទាំងនេះត្រូវបានគ្រប់គ្រង ប្រតិបត្តិ និងប្រភេទឯកសារ។ -- ការខ្វះការយល់ដឹងនេះប៉ះពាល់យ៉ាងចាំបាច់ទៅលើការសម្រេចចិត្ត ដែលធ្វើឡើងដោយប្រើលទ្ធផលដែលប្រព័ន្ធទាំងនេះផលិត។ +- ព្រោះប្រព័ន្ធ AI មានភាពស្មុគស្មាញខ្ពស់ វាពិបាកក្នុងការយល់ថាវាធ្វើការយ៉ាងដូចម្តេច និងបកស្រាយលទ្ធផល។ +- ការខ្វះការយល់ដឹងនេះប៉ះពាល់ទៅលើរបៀបដែលប្រព័ន្ធទាំងនេះត្រូវបានគ្រប់គ្រង អនុវត្ត និងចុះបញ្ជី។ +- ការ ខ្វះការយល់ដឹងនេះមានសារៈសំខាន់ជាងគេ ពេលធ្វើការសម្រេចចិត្តដោយប្រើលទ្ធផលដែលទទួលបានពីប្រព័ន្ធទាំងនេះ។ + +### ភាពទទួលខុសត្រូវ + +មនុស្សដែលរចនា និងដាក់ប្រព័ន្ធ AI ត្រូវតែទទួលខុសត្រូវចំពោះរបៀបដែលប្រព័ន្ធរបស់ពួកគេដំណើរការ។ ភាពចាំបាច់សម្រាប់ភាពទទួលខុសត្រូវមានសារៈសំខាន់ជាពិសេសក្នុងបច្ចេកវិទ្យាប្រើសម្គាល់មុខមនុស្ស។ ពីព្រោះឥឡូវនេះ មានការទាមទារកើនឡើងសម្រាប់បច្ចេកវិទ្យាសម្គាល់មុខមនុស្ស ជាពិសេសពីស្ថាប័នច្បាប់ដែលឃើញថាបច្ចេកវិទ្យានេះអាចប្រើសម្រាប់ស្វែងរកកុមារបាត់ខ្លួន។ ទោះជាយ៉ាងណា បច្ចេកវិទ្យាណាខ្លះអាចត្រូវបានរដ្ឋាភិបាលប្រើសម្រាប់បង្កការជឿរដល់សេរីភាពមូលដ្ឋានរបស់ប្រជាពលរដ្ឋ ដូចជាការតាមដានបន្តបន្ទាប់លើមនុស្សជាក់លាក់។ ដូច្នេះ អ្នកវិទ្យាសាស្រ្តទិន្នន័យ និងអង្គការត្រូវរក្សាភាពទទួលខុសត្រូវចំពោះវិធានការរបស់ប្រព័ន្ធ AI របស់ពួកគេចំពោះមនុស្ស ឬសង្គម។ -### ការទទួលខុសត្រូវ +[![អ្នកស្រាវជ្រាវ AI ផ្តល់ការព្រមានអំពីការតាមដានយ៉ាងទូលំទូលាយតាមរយៈបច្ចេកវិទ្យាសម្គាល់មុខមនុស្ស](../../../../translated_images/km/accountability.41d8c0f4b85b6231.webp)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "វិធីសាស្រ្តរបស់ Microsoft ទៅ AI ដែលមានការទទួលខុសត្រូវ") -មនុស្សដែលរចនានិងចេញផ្សាយប្រព័ន្ធ AI ត្រូវទទួលខុសត្រូវចំពោះរបៀបដែលប្រព័ន្ធរបស់ពួកគេចាក់សោ។ តម្រូវការនេះមានសារៈសំខាន់បំផុត ជាពិសេសជាមួយបច្ចេកវិទ្យាទាក់ទងនឹងការបញ្ចាក់មុខមាត់។ នៅពេលថ្មីៗនេះ មានការទាមទារកើនឡើងសម្រាប់បច្ចេកវិទ្យាបញ្ចាក់មុខមាត់ ជាពិសេសពីអង្គការជំនួយច្បាប់ ដែលឃើញភាពមានសក្តានុពលនៃបច្ចេកវិទ្យានៅក្នុងការស្វែងរកកុមារកំពុងបាត់បង់។ ទោះជាយ៉ាងណា បច្ចេកវិទ្យាអាចត្រូវបានប្រើដោយរដ្ឋាភិបាលដើម្បីឲ្យមានការតាមដានជាប់លាប់លើមនុស្សជាក់លាក់។ ដូច្នេះ អ្នកវិទ្យាសាស្រ្តទិន្នន័យ និងអង្គការត្រូវតែទទួលខុសត្រូវចំពោះវិបត្តិនៃប្រព័ន្ធ AI កំពុងប៉ះពាល់មនុស្ស ឬសង្គម។ +> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ៖ ការព្រមានអំពីការតាមដានយ៉ាងទូលំទូលាយតាមរយៈបច្ចេកវិទ្យាសម្គាល់មុខមនុស្ស -[![អ្នកស្រាវជ្រាវ AI ដឹកនាំផ្សព្វផ្សាយអំពីការតាមដានទូទៅតាមបច្ចេកវិទ្យាបញ្ចាក់មុខមាត់](../../../../translated_images/km/accountability.41d8c0f4b85b6231.webp)](https://www.youtube.com/watch?v=Wldt8P5V6D0 "Microsoft's Approach to Responsible AI") +ចុងក្រោយមួយចំនួននៃសំណួរធំសម្រាប់ជំនាន់យើង ពីព្រោះជាជំនាន់ដំបូងដែលនាំ AI ទៅឲ្យសង្គម គឺ តើធ្វើដូចម្តេចដើម្បីធានាថា កុំព្យូទ័រនឹងនៅតែទទួលខុសត្រូវចំពោះមនុស្ស ហើយធានាថាមនុស្សដែលរចនាកុំព្យូទ័រនឹងនៅតែទទួលខុសត្រូវចំពោះមនុស្សគ្រប់រូប។ -> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ: ការព្រមានអំពីការតាមដានទូទៅតាមបច្ចេកវិទ្យាបញ្ចាក់មុខមាត់ +## ការវាយតម្លៃឥទ្ធិពល -ចុងក្រោយមួយក្នុងចំណោមសំណួរធំបំផុតសម្រាប់ជំនាន់យើង ជា​ជំនាន់ដំបូងដែលនាំ AI សម្រាប់សង្គម គឺរបៀបធានាឲ្យកុំព្យូទ័រនឹងនៅតែទទួលខុសត្រូវទៅមនុស្ស និងរបៀបធានាឲ្យអ្នកដែលរចនាកុំព្យូទ័រនេះនៅតែទទួលខុសត្រូវចំពោះគ្រប់លោកអ្នកផ្សេងទៀត។ +មុនពេលបណ្តុះបណ្តាលគំរូរៀនម៉ាស៊ីន វាសំខាន់ក្នុងការធ្វើការវាយតម្លៃឥទ្ធិពល ដើម្បីយល់ពីគោលបំណងនៃប្រព័ន្ធ AI; តើវាត្រូវប្រើសម្រាប់អ្វី; តើវាត្រូវប្រើនៅឯណា; និងតើនរណានឹងធ្វើប្រតិបត្តិការជាមួយប្រព័ន្ធ។ នេះជារឿងដែលពោរពេញទៅដោយប្រយោជន៍សម្រាប់អ្នកពិនិត្យ ឬអ្នកសាកល្បងប្រព័ន្ធ ដើម្បីដឹងថាត្រូវប្រាប់អ្វីខ្លះនៅពេលកំណត់ហានិភ័យអាចមាន និងផលវិបាកនឹងកើតមាន។ -## ការវាយតម្លៃផលប៉ះពាល់ +តំបន់ដែលត្រូវផ្ដោតពេលធ្វើការវាយតម្លៃឥទ្ធិពលមានដូចខាងក្រោម៖ -មុនពេលបណ្តុះម៉ូដែលម៉ាស៊ីនរៀន វាជាចាំបាច់ក្នុងការធ្វើការវាយតម្លៃផលប៉ះពាល់ ដើម្បីយល់ពីគោលបំណងនៃប្រព័ន្ធ AI; តើការប្រើប្រាស់នឹងយកទៅប្រើធ្វើអ្វី; កន្លែងនឹងធ្វើការចេញផ្សាយ; និងនរណានឹងធ្វើការប៉ះពាល់ប្រព័ន្ធ។ ព័ត៌មាននេះជួយឲ្យអ្នកវាយតម្លៃ ឬអ្នកសាកល្បងធ្វើការវាយតម្លៃប្រព័ន្ធដឹងថាត្រូវគិតចំពោះមូលហេតុណាខ្លះនៅពេលកំណត់ហានិភ័យ និងលទ្ធផលដែលរំពឹងទុក។ +* **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។ -ដូចតទៅជាតំបន់ដែលត្រូវផ្តោតខ្លាំងពេលធ្វើការវាយតម្លៃផលប៉ះពាល់៖ -* **ផលប៉ះពាល់អវិជ្ជមានលើបុគ្គល**។ យល់ដឹងអំពីកំណត់ ឬតម្រូវការ ការប្រើប្រាស់មិនគាំទ្រ ឬកំណត់ខ្វះខាតណាមួយដែលអាចប៉ះពាល់ដល់សមត្ថភាពនៃប្រព័ន្ធមានសារៈសំខាន់ដើម្បីថែរក្សាឲ្យប្រព័ន្ធមិនត្រូវបានប្រើប្រាស់ដោយដូចជាការបង្កគ្រោះថ្នាក់លើបុគ្គល។ -* **តម្រូវការទិន្នន័យ**។ យល់ពីរបៀបនិងកន្លែងប្រព័ន្ធនឹងប្រើទិន្នន័យ អនុញ្ញាតឲ្យអ្នកវាយតម្លៃចែកចាយទិន្នន័យចំពោះតម្រូវការណាមួយដែលអ្នកត្រូវបានទុកចិត្ត (ឧ. បទបញ្ជា GDPR ឬ HIPPA)។ លើសពីនេះ ពិនិត្យមើលប្រភព ឬបរិមាណទិន្នន័យគ្រប់គ្រាន់សម្រាប់ការបណ្តុះបណ្តាល។ -* **សង្ខេបផលប៉ះពាល់**។ ប្រមូលបញ្ជីនៃគ្រោះថ្នាក់ដែលអាចកើតមានពីការប្រើប្រាស់ប្រព័ន្ធ។ តាមដានពេញលេញរយៈម៉ាស៊ីនរៀនប្រើប្រាស់ ដើម្បីពិនិត្យថាបញ្ហាដែលកំណត់បានត្រូវបានកាត់បន្ថយ ឬដោះស្រាយ។ -* **គោលបំណងដែលអាចប្រើប្រាស់បាន** សម្រាប់គោលការណ៍មូលដ្ឋានទាំងប្រាំមួយ។ វាយតម្លៃថាគោលបំណងនីមួយៗត្រូវបានបំពេញ និងមានចន្លោះខ្វះខាតទេ។ +## ការរកកំហុសជាមួយ AI ដែលមានការទទួលខុសត្រូវ -## ការសំរាមជាមួយ 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៖ -ដូចជាការសំរាមកម្មវិធីទូទៅ ការសំរាមប្រព័ន្ធ AI គឺជាដំណើរការត្រូវតែធ្វើការកំណត់និងដោះស្រាយបញ្ហា។ មានកត្តាច្រើនដែលប៉ះពាល់ដល់ម៉ូដែលដែលមិនផ្ដល់លទ្ធផលដូចបានរំពឹង ឬជាមួយភាពទទួលខុសត្រូវ។ តុល្យភាពសមត្ថភាពម៉ូដែលបែបបុរីជាច្រើនគឺជាការបូកសរុបគុណភាពចំនួននៃសមត្ថភាពម៉ូដែល មិនគ្រប់គ្រាន់សម្រាប់វិភាគថាតើម៉ូដែលផ្ទុះខុសបំណងគោលការណ៍ AI ទេ។ លើសពីនេះ ម៉ូដែលម៉ាស៊ីនរៀនគឺជាប្រអប់ខ្មៅដែលពិបាកយល់ពីមូលហេតុនៃលទ្ធផលរបស់វា ឬផ្តល់ការពន្យល់នៅពេលវាធ្វើកំហុស។ នៅបន្ទាប់នៃវគ្គនេះ យើងនឹងរៀនការប្រើប្រព័ន្ធ Dashboard AI ដែលមានភាពទទួលខុសត្រូវ ដើម្បីជួយសំរុងសំរួលប្រព័ន្ធ AI ។ Dashboard នេះផ្តល់ឧបករណ៍ទូលំទូលាយសម្រាប់អ្នកវិទ្យាសាស្រ្តទិន្នន័យ និងអ្នកអភិវឌ្ឍ AI ដើម្បីធ្វើ៖ +* **វិភាគកំហុស**។ ដើម្បីកំណត់ការចែកចាយកំហុសរបស់គំរូដែលអាចប៉ះពាល់ទៅលើភាពត្រឹមត្រូវឬភាពជឿជាក់នៃប្រព័ន្ធ។ +* **ទិដ្ឋភាពទូទៅនៃគំរូ**។ ដើម្បីស្វែងរកកន្លែងដែលមានភាពខុសគ្នានៅក្នុងការអនុវត្តគំរូនៅលើក្រុមទិន្នន័យ។ +* **វិភាគទិន្នន័យ**។ ដើម្បីយល់ពីការចែកចាយទិន្នន័យ និងកំណត់សភាពប៉ះពាល់ទ្រព្យសម្បត្តិនៃទិន្នន័យដែលអាចនាំឲ្យមានបញ្ហាផ្សេងៗ ដូចជា ភាពត្រឹមត្រូវ ភាពរួមបញ្ចូល និងភាពជឿជាក់។ +* **ការពន្យល់គំរូ**។ ដើម្បីយល់ថាអ្វីប៉ះពាល់ ឬអ្វីបណ្តាលឲ្យការព្យាករណ៍របស់គំរូ។ វាជួយក្នុងការពន្យល់អាកប្បកិរិយារបស់គំរូ ដែលមានសារៈសំខាន់សម្រាប់ភាពច្បាស់លាស់ និងភាពទទួលខុសត្រូវ។ -* **វិភាគកំហុស**។ ដើម្បីកំណត់ចំនួនចែកថ្នាក់កំហុសរបស់ម៉ូដែលដែលអាចប៉ះពាល់ដល់ភាពយុត្តិធម៌ឬភាពទុកចិត្ត។ -* **ទិដ្ឋភាពម៉ូដែល**។ ដើម្បីរកឃើញកន្លែងមានភាពមិនស្មើគ្នានៃគុណភាពម៉ូដែលលើដុំទិន្នន័យផ្សេងៗ។ -* **វិភាគទិន្នន័យ**។ ដើម្បីយល់ពីចំណែកបែកផ្គរទិន្នន័យ និងកំណត់ភាពលំអៀងណាមួយក្នុងទិន្នន័យដែលអាចនាំឲ្យមានបញ្ហាផ្នែកភាពយុត្តិធម៌ ការរួមបញ្ចូល និងភាពទុកចិត្ត។ -* **ការសម្រួលម៉ូដែល**។ ដើម្បីយល់ថាគ្រឿងផ្សំណាដែលមានឥទ្ធិពលលើការព្យាករណ៍របស់ម៉ូដែល។ នេះជួយឲ្យពន្យល់អាកប្បករណ៍របស់ម៉ូដែល ដែលមានសារៈសំខាន់សម្រាប់ភាពច្បាស់លាស់ និងការទទួលខុសត្រូវ។ ## 🚀 챌린지 + +ដើម្បីទប់ស្កាត់ការខូចខាតពីការបញ្ចូលកើតឡើងសិន គួរតែ: -ដើម្បីជៀសវាងការបង្កគ្រោះថ្នាក់ចូលឆាប់នៅដំបូង យើងគួរតែ៖ +- មានប្រភពខុសគ្នានិងទស្សនៈខុសគ្នារវាងមនុស្សដែលធ្វើការលើប្រព័ន្ធ +- វិនិយោគលើឯកសារទិន្នន័យដែលបង្ហាញពីភាពចម្រុះនៃសហគមន៍យើង +- អភិវឌ្ឍវិធីសាស្រ្តល្អប្រសើរពីវដ្តជីវិតរៀនម៉ាស៊ីនសម្រាប់រក និងដោះស្រាយ AI យ៉ាងទទួលខុសត្រូវ នៅពេលវាកើតឡើង -- មានភាពចម្រុះនៃផ្ទៃខាងក្រោយ និងទស្សនៈរបស់មនុស្សដែលកំពុងធ្វើការលើប្រព័ន្ធ -- វិនិយោគក្នុងសំណុំទិន្នន័យដែលបញ្ចាំងពីភាពចម្រុះក្នុងសង្គមយើង -- អភិវឌ្ឍវិធីសាស្រ្តប្រសើរជាមធ្យោបាយខ្លះក្នុងរយៈពេលវែកំណត់ម៉ាស៊ីនរៀន សម្រាប់រកឃើញ និងកែប្រែ AI ដែលទទួលខុសត្រូវនៅពេលវាកើតឡើង +សូមគិតអំពីស្ថានភាពជាក់លាក់ក្នុងជីវិត ប្រភេទមិនមានភាពទុកចិត្តបង្ហាញក្នុងការសាងសង់គំរូ និងការប្រើប្រាស់។ តើយើងគួរជួយគិតអ្វីបន្ថែមទៀត? -គិតអំពីស្ថានភាពជាក់ស្តែងដោយមានភាពអត់ទុកចិត្តក្នុងការបង្កើតម៉ូដែល និងការប្រើប្រាស់។ តើមានអ្វីផ្សេងទៀតត្រូវគិតខ្លះ? +## [សំនួរជំនួញបន្ទាប់មុខវិជ្ជា](https://ff-quizzes.netlify.app/en/ml/) -## [គន្លឹះសំណួរបន្ទាប់សិក្សា](https://ff-quizzes.netlify.app/en/ml/) +## ការពិនិត្យ និងរៀនដោយខ្លួនឯង + -## ការត្រួតពិនិត្យ និងការសិក្សាឯករាជ្យ -នៅមេរៀននេះ អ្នកបានរៀនអំពីមូលដ្ឋានខ្លះៗនៃគំនិតភាពយុត្តិធម៌ និងការអត់យុត្តិធម៌នៅក្នុងការរៀនម៉ាស៊ីន។ +នៅមេរៀននេះ អ្នកបានរៀនពីមូលដ្ឋានខ្លះៗនៃគំនិតស្តីពីភាពយុត្តិធម៌ និងភាពមិនយុត្តិធម៌ក្នុងការរៀនម៉ាស៊ីន។ -មើលវគ្គបណ្ដុះបណ្ដាលនេះដើម្បីជ្រាបជ្រាលជ្រៅជាងនេះអំពីប្រធានបទ៖ +សូមមើលវគ្គបណ្តុះបណ្តាលនេះសម្រាប់ចូលជ្រាលជ្រៅជាងនេះទៅក្នុងប្រធានបទ៖ -- ក្នុងការតាមដាន AI មានទំនួលខុសត្រូវ៖ នាំយកគោលការណ៍ទៅអនុវត្តដោយ Besmira Nushi, Mehrnoosh Sameki និង Amit Sharma +- ក្នុងការតាមរក AI ដែលមានការទទួលខុសត្រូវៈ នាំយកគោលការណ៍ទៅអនុវត្តដោយ Besmira Nushi, Mehrnoosh Sameki និង Amit Sharma -[![Responsible AI Toolbox: An open-source framework for building responsible AI](https://img.youtube.com/vi/tGgJCrA-MZU/0.jpg)](https://www.youtube.com/watch?v=tGgJCrA-MZU "RAI Toolbox: An open-source framework for building responsible AI") +[![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") -> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ៖ RAI Toolbox: ស៊ុមបើកម៉ូដែលសម្រាប់សាងសង់ AI មានទំនួលខុសត្រូវ ដោយ Besmira Nushi, Mehrnoosh Sameki, និង Amit Sharma +> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ៖ ប្រអប់ឧបករណ៍ RAI: ស៊ុមប្រភពបើកសម្រាប់កសាង AI ដែលមានការទទួលខុសត្រូវដោយ Besmira Nushi, Mehrnoosh Sameki និង Amit Sharma ផងដែរ សូមអាន៖ -- មជ្ឈមណ្ឌលធនធាន RAI របស់ Microsoft៖ [Responsible AI Resources – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4) +- មជ្ឈមណ្ឌលធនធាន RAI របស់ Microsoft: [ធនធាន AI ដែលមានការទទួលខុសត្រូវ – Microsoft AI](https://www.microsoft.com/ai/responsible-ai-resources?activetab=pivot1%3aprimaryr4) -- ក្រុមស្រាវជ្រាវ FATE របស់ Microsoft៖ [FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/) +- ក្រុមស្រាវជ្រាវ FATE របស់ Microsoft: [FATE៖ ភាពយុត្តិធម៌ ការទទួលខុសត្រូវ ភាពត្រឹមត្រូវ និងទស្សនៈអំពី AI - Microsoft Research](https://www.microsoft.com/research/theme/fate/) -ស៊ុម RAI Toolbox៖ +ប្រអប់ឧបករណ៍ RAI៖ -- [ឃ្លាំង GitHub របស់ Responsible AI Toolbox](https://github.com/microsoft/responsible-ai-toolbox) +- [ហាង GitHub ប្រអប់ឧបករណ៍ AI ដែលមានការទទួលខុសត្រូវ](https://github.com/microsoft/responsible-ai-toolbox) -អានអំពីឧបករណ៍ Azure Machine Learning ដើម្បីធានាការយុត្តិធម៌៖ +អានអំពីឧបករណ៍ Azure Machine Learning ដើម្បីធានាបាននូវភាពយុត្តិធម៌៖ - [Azure Machine Learning](https://docs.microsoft.com/azure/machine-learning/concept-fairness-ml?WT.mc_id=academic-77952-leestott) -## បេសកកម្ម +## កិច្ចការផ្ទះ -[ស្វែងយល់អំពី RAI Toolbox](assignment.md) +[ស្វែងយល់ពីប្រអប់ឧបករណ៍ RAI](assignment.md) --- -**ការបដិសេធ**៖ -ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាបកប្រែ AI [Co-op Translator](https://github.com/Azure/co-op-translator) ។ ខណៈពេលដែលយើងខិតខំប្រឹងប្រែងឱ្យបានត្រឹមត្រូវ សូមដឹងថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុស ឬភាពមិនត្រឹមត្រូវខ្លះ។ ឯកសារដើមជាភាសា​ដើមគួរត្រូវបានគេចាត់ទុកជាថ្នាក់ដឹកនាំសម្រាប់ព័ត៌មាន។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឱ្យប្រើការបកប្រែដោយមនុស្សជាជំនាញ។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការជំពាក់ចំពោះការបកប្រែនេះឡើយ។ +**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/2-Regression/1-Tools/README.md b/translations/km/2-Regression/1-Tools/README.md index 105ea5277..0b54862c0 100644 --- a/translations/km/2-Regression/1-Tools/README.md +++ b/translations/km/2-Regression/1-Tools/README.md @@ -1,120 +1,121 @@ -# ចាប់ផ្ដើមជាមួយ Python និង Scikit-learn សម្រាប់គំរូប្រូក្រេសស្យុង +# ចាប់ផ្តើមជាមួយ Python និង Scikit-learn សម្រាប់ម៉ូដែលស្ទាតការវិលត្រឡប់ -![សង្ខេបអំពីប្រូក្រេសស្យុងនៅក្នុងស្គេតណូត](../../../../translated_images/km/ml-regression.4e4f70e3b3ed446e.webp) +![សង្ខេបនៃការវិលត្រឡប់ក្នុងសេខេណូត](../../../../translated_images/km/ml-regression.4e4f70e3b3ed446e.webp) -> ស្គេតណូតដោយ [Tomomi Imura](https://www.twitter.com/girlie_mac) +> សេខេណូតដោយ [Tomomi Imura](https://www.twitter.com/girlie_mac) -## [សំណួរប្រលងមុនមេរៀន](https://ff-quizzes.netlify.app/en/ml/) +## [កម្រងសំនួរមុនថ្នាក់រៀន](https://ff-quizzes.netlify.app/en/ml/) -> ### [មេរៀននេះអាចប្រើបានក្នុង R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html) +> ### [មេរៀននេះមានសម្រាប់ R!](../../../../2-Regression/1-Tools/solution/R/lesson_1.html) ## ការណែនាំ -នៅក្នុងមេរៀនបួននេះ អ្នកនឹងស្វែងរកវិធីសម្រាប់បង្កើតគំរូប្រូក្រេសស្យុង។ យើងនឹងពិភាក្សាថាវាជាកម្មវិធីសម្រាប់អ្វីក្នុងពេលឆាប់ៗនេះ។ ប៉ុន្តែក្រោយពេលអ្នកមិនបានធ្វើអ្វីនោះទេ សូមប្រាកដថាអ្នកមានឧបករណ៍ត្រឹមត្រូវដើម្បីចាប់ផ្ដើមដំណើរការនេះ! +ក្នុងមេរៀនបួននេះ អ្នកនឹងបានស្គាល់របៀបបង្កើតម៉ូដែលស្ទាតការវិលត្រឡប់។ យើងនឹងពិភាក្សាតើវាគ្រាន់តែជារឿងអ្វីក្នុងពេលឆាប់ៗនេះ។ ប៉ុន្ដែមុននឹងធ្វើអ្វីមួយ សូមប្រាកដថាអ្នកមានឧបករណ៍ត្រឹមត្រូវដើម្បីចាប់ផ្តើមដំណើរការនេះ! -នៅក្នុងមេរៀននេះ អ្នកនឹងរៀនពី៖ +ក្នុងមេរៀននេះ អ្នកនឹងរៀនពីរបៀបៈ -- ការកំណត់កុំព្យូទ័ររបស់អ្នកសម្រាប់បេសកកម្មម៉ាស៊ីនរៀនក្នុងផ្ទាំងក្នុង។ -- ការធ្វើការ​ជាមួយសៀវភៅកំណត់សរសេរ Jupyter។ -- ការប្រើប្រាស់ Scikit-learn រួមទាំងការដំឡើង។ -- ស្វែងរកប្រូក្រេសស្យុងខ្សែបន្ទាត់ជាមួយហាត់ប្រាណអនុវត្តន៍ដោយដៃ។ +- កំណត់រចនាសម្ព័ន្ធកុំព្យូទ័ររបស់អ្នកសម្រាប់ភារកិច្ចម៉ាស៊ីនរៀនក្នុងមូលដ្ឋាន។ +- ធ្វើការងារជាមួយ Jupyter Notebooks។ +- ប្រើប្រាស់ Scikit-learn រួមទាំងការដំឡើង។ +- ស្វែងយល់អំពីស្ទាតការវិលត្រឡប់បន្ទាត់ជាមួយការ ហាត់បទដៃ។ -## ការដំឡើង និង ការកំណត់រចនា +## ការដំឡើង និង ការកំណត់រចនាសម្ព័ន្ធ -[![ម៉ាស៊ីនរៀនសម្រាប់អ្នកចាប់ផ្ដើម - រៀបចំឧបករណ៍របស់អ្នករួចរាល់សម្រាប់បង្កើតគំរូម៉ាស៊ីនរៀន](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 "ម៉ាស៊ីនរៀនសម្រាប់អ្នកចាប់ផ្ដើម - រៀបចំឧបករណ៍របស់អ្នករួចរាល់សម្រាប់បង្កើតគំរូម៉ាស៊ីនរៀន") +[![ML សម្រាប់ចាប់ផ្តើម - តំឡើងឧបករណ៍របស់អ្នកធ្វើការរៀបចំម៉ូដែលម៉ាស៊ីនរៀន](https://img.youtube.com/vi/-DfeD2k2Kj0/0.jpg)](https://youtu.be/-DfeD2k2Kj0 "ML សម្រាប់ចាប់ផ្តើម - តំឡើងឧបករណ៍របស់អ្នកធ្វើការរៀបចំម៉ូដែលម៉ាស៊ីនរៀន") -> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូខ្លីដែលបង្កើតការកំណត់កុំព្យូទ័ររបស់អ្នកសម្រាប់ ML។ +> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូចុងខ្លីដែលបង្ហាញពីរបៀបកំណត់រចនាសម្ព័ន្ធកុំព្យូទ័ររបស់អ្នកសម្រាប់ ML។ -1. **ដំឡើង Python**។ ប្រាកដថា [Python](https://www.python.org/downloads/) ត្រូវបានដំឡើងលើកុំព្យូទ័ររបស់អ្នក។ អ្នកនឹងប្រើ Python សម្រាប់កិច្ចការវិទ្យាសាស្ត្រទិន្នន័យ និងម៉ាស៊ីនរៀនច្រើន។ ប្រព័ន្ធកុំព្យូទ័រច្រើនរួមបញ្ចូលការដំឡើង Python រួចហើយ។ មាន [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) ដែលមានប្រយោជន៍សម្រាប់កែលម្អការតំឡើងសម្រាប់អ្នកប្រើប្រាស់មួយចំនួន។ +1. **ដំឡើង Python**។ ប្រាកដថា [Python](https://www.python.org/downloads/) បានដំឡើងលើកុំព្យូទ័ររបស់អ្នក។ អ្នកនឹងប្រើ Python សម្រាប់ភារកិច្ចបរិច្ចាគទិន្នន័យ និងម៉ាស៊ីនរៀនជាច្រើន។ ប្រព័ន្ធកុំព្យូទ័រច្រើនដែលមានរួចហើយមានការដំឡើង Python រួច។ មានកញ្ចប់ [Python Coding Packs](https://code.visualstudio.com/learn/educators/installers?WT.mc_id=academic-77952-leestott) ដែលមានប្រយោជន៍ផងដែរ ដើម្បីអោយការតំឡើងស្រួលសម្រាប់អ្នកប្រើប្រាស់ខ្លះ។ - ករណីខ្លះនៃការប្រើប្រាស់ Python ត្រូវការតែមួយកំណែរបស់កម្មវិធី ខណៈពេលដែលមួយចំនួនផ្សេងទៀតត្រូវការកំណែផ្សេងទៀត។ ដូច្នេះ វាមានប្រយោជន៍ក្នុងការដំណើរការនៅក្នុង [បរិយាកាស virtual](https://docs.python.org/3/library/venv.html)។ + ប៉ុន្មានការប្រើប្រាស់នៃ Python ត្រូវការពេញលេញនូវកំណែបញ្ជីនៃកម្មវិធី នៅពេលដែលអ្នកដទៃត្រូវការតែកំណែផ្សេងទៀត។ ដូច្នេះវាជារឿងមានប្រយោជន៍ក្នុងការប្រើប្រាស់ក្នុង [បរិស្ថានvirtuាl](https://docs.python.org/3/library/venv.html)។ -2. **ដំឡើង Visual Studio Code**។ សូមប្រាកដថាអ្នកមាន Visual Studio Code បានដំឡើងលើកុំព្យូទ័ររបស់អ្នក។ តាមដានការណែនាំនេះដើម្បី [ដំឡើង Visual Studio Code](https://code.visualstudio.com/) សម្រាប់ការដំឡើងមូលដ្ឋាន។ អ្នកនឹងប្រើ Python ក្នុង Visual Studio Code ក្នុងមុខវិជ្ជានេះ ដូច្នេះ អ្នកអាចចង់រៀនបន្ថែមពីរបៀប [កំណត់ Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) សម្រាប់ការអភិវឌ្ឍ Python។ +2. **ដំឡើង Visual Studio Code**។ សូមប្រាកដថាអ្នកបានដំឡើង Visual Studio Code លើកុំព្យូទ័ររបស់អ្នក។ អ្នកអាចធ្វើតាមការណែនាំនេះដើម្បី [ដំឡើង Visual Studio Code](https://code.visualstudio.com/) សម្រាប់ការដំឡើងមូលដ្ឋាន។ អ្នកនឹងប្រើ Python ក្នុង Visual Studio Code ក្នុងវគ្គនេះ ដូច្នេះអ្នកអាចចង់រៀនវិធី [កំណត់រចនាសម្ព័ន្ធ Visual Studio Code](https://docs.microsoft.com/learn/modules/python-install-vscode?WT.mc_id=academic-77952-leestott) សម្រាប់ការអភិវឌ្ឍ Python។ - > ទទួលបានភាពស្រាលចិត្តជាមួយ Python ដោយធ្វើតាមបណ្ដុំ [Learn modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) + > សូមទទួលបានភាពស្រួលជាមួយ Python ដោយធ្វើការងារតាមបណ្ណាល័យ [Learn modules](https://docs.microsoft.com/users/jenlooper-2911/collections/mp1pagggd5qrq7?WT.mc_id=academic-77952-leestott) > - > [![រៀបចំ Python ជាមួយ Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 "រៀបចំ Python ជាមួយ Visual Studio Code") + > [![តំឡើង Python ជាមួយ Visual Studio Code](https://img.youtube.com/vi/yyQM70vi7V8/0.jpg)](https://youtu.be/yyQM70vi7V8 "តំឡើង Python ជាមួយ Visual Studio Code") > - > 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ៖ ការប្រើ Python នៅក្នុង VS Code។ + > 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ៖ ការប្រើ Python ក្នុង VS Code។ -3. **ដំឡើង Scikit-learn** ដោយអនុវត្តតាម [ការណែនាំនេះ](https://scikit-learn.org/stable/install.html)។ ពីព្រោះអ្នកចាំបាច់ត្រូវប្រើ Python 3 អ្នកត្រូវបានផ្តល់អនុស្សាវរីយ៍ឲ្យប្រើបរិយាកាស virtual។ សូមចំណាំ ប្រសិនបើអ្នកកំពុងដំឡើងបណ្ណាល័យនេះលើម៉ាស៊ីន M1 Mac មានការណែនាំពិសេសនៅលើទំព័រដែលភ្ជាប់ខាងលើ។ +3. **ដំឡើង Scikit-learn**, ដោយធ្វើតាម [ការណែនាំទាំងនេះ](https://scikit-learn.org/stable/install.html)។ ពីព្រោះអ្នកត្រូវប្រាកដថាអ្នកប្រើ Python 3 អ្នកត្រូវបានផ្តល់អនុសាសន៍ឲ្យប្រើបរិស្ថាន virutual ។ គួរសម្គាល់ថាបើអ្នកដំឡើងបណ្ណាល័យនេះលើ M1 Mac មានការណែនាំពិសេសនៅលើទំព័រគេហទំព័រដែលបានភ្ជាប់ខាងលើ។ 1. **ដំឡើង Jupyter Notebook**។ អ្នកត្រូវការដំឡើង [កញ្ចប់ Jupyter](https://pypi.org/project/jupyter/)។ ## បរិយាកាសការសរសេរ ML របស់អ្នក -អ្នកនឹងប្រើ **សៀវភៅកំណត់** ដើម្បីអភិវឌ្ឍកូដ Python របស់អ្នក និងបង្កើតគំរូម៉ាស៊ីនរៀន។ ប្រភេទឯកសារនេះគឺជាឧបករណ៍ធម្មតាសម្រាប់អ្នកវិទ្យាសាស្ត្រទិន្នន័យ ហើយវាត្រូវបានកំណត់ដោយបញ្ចំលើ ឬផ្នែកបន្ថែម `.ipynb` ។ +អ្នកនឹងប្រើ **notebooks** ដើម្បីអភិវឌ្ឍកូដ Python និងបង្កើតម៉ូដែលម៉ាស៊ីនរៀន។ ប្រភេទឯកសារនេះគឺជាឧបករណ៍ធម្មតាសម្រាប់អ្នកវិទ្យាសាស្ត្រ ទិន្នន័យ ហើយវា​ត្រូវបានកំណត់ដោយនាមគន្លង ឬផ្នែកបន្ថែម `.ipynb`។ -សៀវភៅកំណត់គឺជាបរិយាកាសអន្តរកម្មដែលអនុញ្ញាតឲ្យអ្នកអភិវឌ្ឍទាំងការសរសេរកូដ និងបន្ថែមកំណត់ចំណាំនិងសរសេរឯកសារជារង្វង់ខាងកូដ ដែលអាចមានប្រយោជន៍ចំពោះគម្រោងអត្រា​ឬស្រាវជ្រាវ។ +Notebooks គឺជាបរិយាកាសអន្តរកម្ម ដែលអនុញ្ញាតឲ្យអ្នកអភិវឌ្ឍការសរសេរកូដ និងបន្ថែមបញ្ញត្តិអត្ថាធិប្បាយ និងសរសេរឯកសារ ដើម្បីជួយសម្រាប់គម្រោងស្រាវជ្រាវឬសាកល្បង។ -[![ម៉ាស៊ីនរៀនសម្រាប់អ្នកចាប់ផ្ដើម - រៀបចំ Jupyter Notebooks ដើម្បីចាប់ផ្ដើមបង្កើតគំរូប្រូក្រេសស្យុង](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E "ម៉ាស៊ីនរៀនសម្រាប់អ្នកចាប់ផ្ដើម - រៀបចំ Jupyter Notebooks ដើម្បីចាប់ផ្ដើមបង្កើតគំរូប្រូក្រេសស្យុង") +[![ML សម្រាប់ចាប់ផ្តើម - ដំឡើង Jupyter Notebooks ដើម្បីចាប់ផ្តើមបង្កើតម៉ូដែលស្ទាតការវិលត្រឡប់](https://img.youtube.com/vi/7E-jC8FLA2E/0.jpg)](https://youtu.be/7E-jC8FLA2E "ML សម្រាប់ចាប់ផ្តើម - ដំឡើង Jupyter Notebooks ដើម្បីចាប់ផ្តើមបង្កើតម៉ូដែលស្ទាតការវិលត្រឡប់") -> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូខ្លីដែលបង្កើតហាត់ប្រាណនេះ។ +> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូចុងខ្លីដែលបង្ហាញពីលំហាត់នេះ។ -### ហាត់ប្រាណ - ធ្វើការជាមួយសៀវភៅកំណត់មួយ +### លំហាត់ - ធ្វើការជាមួយ notebook -នៅក្នុងថតនេះ អ្នកនឹងរកឃើញឯកសារ _notebook.ipynb_។ +នៅក្នុងថតនេះ អ្នកនឹងឃើញឯកសារ _notebook.ipynb_។ -1. បើក _notebook.ipynb_ នៅក្នុង Visual Studio Code។ +1. បើក _notebook.ipynb_ ក្នុង Visual Studio Code។ - ម៉ាស៊ីនបម្រើ Jupyter នឹងចាប់ផ្តើមជាមួយ Python 3+ បានចាប់ផ្តើម។ អ្នកនឹងរកឃើញតំបន់ឯកសារដែលអាច `run` បាន ដែលជាផ្នែកកូដ។ អ្នកអាចរត់កូដនេះដោយជ្រើសរើសរូបតំណាងបង្ហាញដូចប៊ូតុងចាក់ផ្ដើម។ + ម៉ាស៊ីនបម្រើ Jupyter នឹងចាប់ផ្តើមជាមួយ Python 3+។ អ្នកនឹងឃើញតំបន់ក្នុង notebook ដែលអាច `run` ដែលជាផ្នែកនៃកូដ។ អ្នកអាចរត់កូដដោយជ្រើសរើសរូបតំណាងដែលមើលទៅដូចប៊ូតុងលេង។ -1. ជ្រើសរើសរូបតំណាង `md` ហើយបន្ថែម markdown តិចមួយ និងអត្ថបទខាងក្រោម **# Welcome to your notebook**។ +1. ជ្រើសរើសរូបតំណាង `md` ហើយបន្ថែម markdown ធ្វើការលើអត្ថបទខាងក្រោម **# សូមស្វាគមន៍ទៅកាន់ notebook របស់អ្នក**។ បន្ទាប់មក បន្ថែមកូដ Python មួយចំនួន។ -1. វាយ **print('hello notebook')** នៅក្នុងខ្លែងកូដ។ -1. ជ្រើសរើសអរម្មណ៍ដើម្បីរត់កូដ។ +1. វាយ **print('hello notebook')** នៅក្នុងប្លុកកូដ។ +1. ជ្រើសរើសស្នាម្រង់ដើម្បីរត់កូដ។ - អ្នកគួរតែឃើញប្រលោមបោះពុម្ព៖ + អ្នកគួរតែឃើញកថាខណ្ឌទិន្នន័យដែលបានបោះពុម្ព៖ ```output hello notebook ``` -![VS Code ជាមួយសៀវភៅកំណត់បើក](../../../../translated_images/km/notebook.4a3ee31f396b8832.webp) +![VS Code ជាមួយ notebook បើក](../../../../translated_images/km/notebook.4a3ee31f396b8832.webp) -អ្នកអាចបញ្ចូលកូដរបស់អ្នកជាមួយមតិយោបល់ ដើម្បីចុះផ្សាយឯកសារសៀវភៅកំណត់។ +អ្នកអាចបញ្ចូលកូដរបស់អ្នកជាមួយការពិពណ៌នាដើម្បីឯកសារយោងខ្លួនចំពោះ notebook។ -✅ គិតមួយភ្លែតពីបរិយាកាសការងាររបស់អ្នកអភិវឌ្ឍគេហទំព័រនិងអ្នកវិទ្យាសាស្ត្រទិន្នន័យមានភាពខុសគ្នា ឬដូចគ្នានៅខាងណា។ +✅ សូមគិតមើលពេលខ្លីពីភាពខុសគ្នានៃបរិយាកាសការងាររបស់អ្នកអភិវឌ្ឍវេបសាយ ជាមួយនឹងអ្នកវិទ្យាសាស្ត្រទិន្នន័យ។ -## ចាប់ផ្ដើម និង រត់ជាមួយ Scikit-learn +## ចាប់ផ្តើមបើកដំណើរការជាមួយ Scikit-learn -ឥឡូវនេះ Python ត្រូវបានកំណត់នៅក្នុងបរិយាកាសក្នុងផ្ទាល់របស់អ្នកហើយ អ្នកក៏ស្រួលជាមួយ Jupyter notebooks សូមយើងស្រួលបង្រៀនអ្នកពី Scikit-learn ដដែល (សូមអានប្រាក់សំដៅការនិយាយ `sci` ដូចជា `science`)។ Scikit-learn ផ្តល់នូវ [API ឆ្លាតវៃ](https://scikit-learn.org/stable/modules/classes.html#api-ref) ដើម្បីជួយអ្នកធ្វើកិច្ចការ ML។ +ឥឡូវនេះ Python ត្រូវបានដំឡើងក្នុងបរិយាកាសមូលដ្ឋានរបស់អ្នក និងអ្នកស្រួលប្រើ Jupyter Notebooks តោះ​ឲ្យស្រួលប្រើ Scikit-learn ផង (អានថា `sci` ដូចជា `science`)។ Scikit-learn ផ្តល់នូវ [API ទូលំទូលាយ](https://scikit-learn.org/stable/modules/classes.html#api-ref) ដើម្បីជួយអ្នកអនុវត្តភារកិច្ច ML។ -យោងទៅតាម [បណ្តាញរបស់ពួកគេ](https://scikit-learn.org/stable/getting_started.html) "Scikit-learn គឺជាបណ្ណាល័យម៉ាស៊ីនរៀនប្រភពបើកដែលគាំទ្រការរៀនតាមមគ្គុទេសក៍ និងមិនមានមគ្គុទេសក៍។ វាក៏ផ្តល់ឧបករណ៍ជាច្រើនសម្រាប់ការចងក្រងគំរូ ការរៀបចំទិន្នន័យ ជ្រើសរើសគំរូ និងការវាយតម្លៃ និងបណ្ណាល័យជំនួយផ្សេងទៀត។" +យោងតាម [គេហទំព័រ](https://scikit-learn.org/stable/getting_started.html) របស់ពួកគេថា "Scikit-learn គឺជាបណ្ណាល័យម៉ាស៊ីនរៀនប្រភពបើក ដែលគាំទ្រការរៀនមានការត្រួតពិនិត្យ និងគ្មានការត្រួតពិនិត្យ។ វាក៏ផ្តល់សារពើភ័ណ្ឌឧបករណ៍នានាសម្រាប់ការតម្រូវម៉ូដែល ការរៀបចំទិន្នន័យជាមុន ការជ្រើសរើសម៉ូដែល និងការបាយតម្លៃ និងឧបករណ៍ជាច្រើនផ្សេងទៀត។" -នៅក្នុងមុខវិជ្ជានេះ អ្នកនឹងប្រើ Scikit-learn និងឧបករណ៍ផ្សេងទៀតដើម្បីបង្កើតគំរូម៉ាស៊ីនរៀន​ក្នុងការអនុវត្តកិច្ចការម៉ាស៊ីនរៀនបែបប្រពៃណី។ យើងបានជៀសវាងបណ្តាញសរសៃប្រសាទ និងការរៀនជ្រៅដោយសារវាទទួលបានជម្រៅនៅក្នុងមេរៀនដ៏ខាងមុខនៅកម្មវិធីសិក្សា 'AI សម្រាប់អ្នកចាប់ផ្ដើម'។ +នៅក្នុងវគ្គនេះ អ្នកនឹងប្រើ Scikit-learn និងឧបករណ៍ផ្សេងទៀត ដើម្បីបង្កើតម៉ូដែលម៉ាស៊ីនរៀន ដើម្បីអនុវត្តអ្វីដែលយើងហៅថា 'ការរៀនម៉ាស៊ីនធម្មតា'។ យើងបានចៀសវាងបណ្តាញប្រព័ន្ធសរសៃប្រសាទ និងការរៀនជ្រៅ ពីព្រោះវាត្រូវបានគ្របដណ្តប់ល្អនៅក្នុងមុខវិជ្ជា 'AI សម្រាប់ចាប់ផ្តើម' ដែលនឹងមកដល់។ -Scikit-learn ធ្វើឲ្យការបង្កើតគំរូ និងវាយតម្លៃសម្រាប់ការប្រើប្រាស់កាន់តែរងាយស្រួល។ វាត្រូវបានផ្តោតសំខាន់លើការប្រើប្រាស់ទិន្នន័យលេខ និងមានសំណុំទិន្នន័យរួចជាស្រេចជាច្រើនសម្រាប់ការរៀន។ វាក៏មានគំរូស្រេចសម្រាប់សិស្សសាកល្បងផងដែរ។ យើងស្វែងរកដំណើរការចម្លងទិន្នន័យរួចហើយនិងប្រើប្រាស់កំណត់តម្លៃដែលស្ថិតក្នុងវាលដំបូងរបស់ក្រុមហ៊ុន Scikit-learn ជាគំរូ ML ដំបូងសម្រាប់ទិន្នន័យមូលដ្ឋាន។ +Scikit-learn ធ្វើឲ្យវាងាយស្រួលក្នុងការបង្កើតម៉ូដែល និងបាយតម្លៃវាសម្រាប់ប្រើ។ វាចំណាយផ្តោតលើការប្រើប្រាស់ទិន្នន័យចំនួន និងមានឧបករណ៍ទិន្នន័យរួចសម្រាប់ឲ្យជាគំរូរៀន។ វាក៏រួមមានម៉ូដែលដែលបានសាងសង់រួចសម្រាប់និស្សិតសាកល្បងផងដែរ។ តោះស្វែងយល់ពីដំណើរនៃការផ្ទុកទិន្នន័យដែលមានរួច និងប្រើប្រមាណករដែលមានក្នុង Scikit-learn ជាឆ្នាត់ម៉ូដែល ML ដំបូងជាមួយទិន្នន័យមូលដ្ឋាន។ -## ហាត់ប្រាណ - សៀវភៅកំណត់ Scikit-learn ដំបូងរបស់អ្នក +## លំហាត់ - notebook Scikit-learn ដំបូងរបស់អ្នក -> មេរៀននេះមានប្រភពពី [ឧទាហរណ៍ប្រូក្រេសស្យុងខ្សែបន្ទាត់](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) នៅលើគេហទំព័រ Scikit-learn។ +> មេរៀននេះទទួលចំណិតចេញពី [ឧទាហរណ៍ស្ទាតការវិលត្រឡប់បន្ទាត់](https://scikit-learn.org/stable/auto_examples/linear_model/plot_ols.html#sphx-glr-auto-examples-linear-model-plot-ols-py) នៅលើគេហទំព័រ Scikit-learn។ -[![ម៉ាស៊ីនរៀនសម្រាប់អ្នកចាប់ផ្ដើម - គម្រោងប្រូក្រេសស្យុងខ្សែបន្ទាត់ដំបូងរបស់អ្នកនៅក្នុង Python](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 "ម៉ាស៊ីនរៀនសម្រាប់អ្នកចាប់ផ្ដើម - គំរោងប្រូក្រេសស្យុងខ្សែបន្ទាត់ដំបូងរបស់អ្នកនៅក្នុង Python") -> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូខ្លីដែលបង្កើតហាត់ប្រាណនេះ។ +[![ML សម្រាប់ចាប់ផ្តើម - គម្រោងស្ទាតការវិលត្រឡប់បន្ទាត់ដំបូងរបស់អ្នកនៅក្នុង Python](https://img.youtube.com/vi/2xkXL5EUpS0/0.jpg)](https://youtu.be/2xkXL5EUpS0 "ML សម្រាប់ចាប់ផ្តើម - គម្រោងស្ទាតការវិលត្រឡប់បន្ទាត់ដំបូងរបស់អ្នកនៅក្នុង Python") -នៅក្នុងឯកសារ _notebook.ipynb_ ដែលភ្ជាប់ជាមួយមេរៀននេះ សូមសម្អាតគ្រប់កោសិកាដោយចុចរូបតំណាង 'ប្រអប់សម្អាត'។ +> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូចុងខ្លីដែលបង្ហាញពីលំហាត់នេះ។ -នៅក្នុងផ្នែកនេះ អ្នកនឹងធ្វើការ​ជាមួយសំណុំទិន្នន័យតូចមួយអំពីជំងឺទឹកនោមផ្អាស់ ដែលបានបង្កើតចូលក្នុង Scikit-learn សម្រាប់គោលបំណងរៀន។ សូមចូរព្រមានថាអ្នកចង់សាកល្បងការព្យាបាលសម្រាប់អ្នកជំងឺទឹកនោមផ្អាស់។ គំរូម៉ាស៊ីនរៀនអាចជួយអ្នកកំណត់ថា តើអ្នកជំងឺណាម្នាក់អាចឆ្លើយតបកាន់តែល្អទៅនឹងការព្យាបាល ដែលមានមូលដ្ឋានលើការរួមបញ្ចូលអថេរជាច្រើន។ គំរូប្រូក្រេសស្យុងមូលដ្ឋានមួយ ទោះបីជាបរិយាកាសប្រើបានវិស្វកម្ម ក៏វានឹងបង្ហាញព័ត៌មានអំពីអថេរដែលអាចជួយអ្នករៀបចំការសាកល្បងគ្លីនិកទ្រឹស្តី។ +នៅក្នុងឯកសារ _notebook.ipynb_ ជាប់សម្រាប់មេរៀននេះ សូមសម្អាតក្រឡាចេញពីសែលទាំងអស់ដោយចុចសញ្ញាធុងសំរាម។ -✅ មានវិធីសាស្ត្រប្រូក្រេសស្យុងជាច្រើនប្រភេទ ហើយវាលែងឲ្យអ្នកជ្រើសរើសផ្អែកលើចម្លើយដែលអ្នកកំពុងស្វែងរក។ ប្រសិនបើអ្នកចង់ព្យាករណ៍កម្ពស់អាចមានសម្រាប់មនុស្សម្នាក់នៅវ័យណាមួយ អ្នកនឹងប្រើប្រូក្រេសស្យុងខ្សែបន្ទាត់ ដោយសារអ្នកកំពុងស្វែងរកតម្លៃ **លេខ**។ ប្រសិនបើអ្នកចង់រកឃើញថាប្រភេទម្ហូបមួយគួរត្រូវបានចាត់ទុកថាជារូបមន្តសត្វឬទេ អ្នកកំពុងស្វែងរក **ការចាត់ថ្នាក់** ដូច្នេះអ្នកនឹងប្រើប្រូក្រេសស្យុងលូស្តិច។ អ្នកនឹងរៀនបន្ថែមអំពីប្រូក្រេសស្យុងលូស្តិចនៅពេលក្រោយ។ សូមគិតបន្តិចអំពីសំណួរខ្លះៗដែលអ្នកអាចសួរចំពោះទិន្នន័យ ហើយវិធីសាស្ត្រណាមួយដែលសមសម្រាប់សំណួរទាំងនោះ។ +នៅក្នុងផ្នែកនេះ អ្នកនឹងធ្វើការជាមួយឌាតាប៊ីសតូចមួយអំពីជំងឺទឹកនោមផ្អែម ដែលបានបង្កើតស្រាប់ក្នុង Scikit-learn សម្រាប់គោលបំណងរៀន។ សូមស្រមៃថាអ្នកចង់សាកល្បងការព្យាបាលសម្រាប់អ្នកជំងឺទឹកនោមផ្អែម។ ម៉ូដែលម៉ាស៊ីនរៀនអាចជួយអ្នកកំណត់ថា អ្នកជំងឺណាដែលនឹងឆ្លើយតបទៅនឹងការព្យាបាលល្អបំផុត ដោយផ្អែកលើការប្រមូលមួយចំនួននៃអថេរផ្សេងៗ។ ទោះបីជាម៉ូដែលស្ទាតការវិលត្រឡប់មូលដ្ឋានត្រឹមតែបង្ហាញពណ៌នាក្នុងការបង្ហាញអំពីអថេរដែលជួយអ្នករៀបចំការសាកល្បងវេជ្ជសាស្រ្តរបស់អ្នក។ -ចាប់ផ្ដើមធ្វើការនៅលើបេសកកម្មនេះ។ +✅ មានវិធីសាស្ត្រស្ទាតការវិលត្រឡប់ជាច្រើនប្រភេទ ហើយជ្រើសរើសយ៉ាងណាស្ថិតលើចម្លើយដែលអ្នកកំពុងស្វែងរក។ ប្រសិនបើអ្នកចង់ទាយទម្លៃពីកម្ពស់ដែលអាចមានសម្រាប់មនុស្សម្នាក់ នៅវ័យកំណត់មួយ អ្នកនឹងប្រើស្ទាតការវិលត្រឡប់បន្ទាត់ ព្រោះអ្នកកំពុងស្វែងរក **តម្លៃចំនួន**។ ប្រសិនបើអ្នកចាប់អារម្មណ៍ថាតើប្រភេទម្ហូបអាហារមួយគួរត្រូវបានគេដាក់បញ្ចូលជាវេហ្សានឬអត់ អ្នកកំពុងស្វែងរក **ការចាត់ថ្នាក់ផ្នែក** ដូច្នេះអ្នកនឹងប្រើឡូជីស្ទិចស្ទាតការវិលត្រឡប់។ អ្នកនឹងរៀនបន្ថែមអំពីឡូជីស្ទិចស្ទាតការវិលត្រឡប់នៅពេលក្រោយ។ សូមគិតពីសំនួរខ្លះៗដែលអ្នកអាចសួរបានពីទិន្នន័យ ហើយវិធីសាស្រ្តណាមួយនៃវិធីសាស្ត្រខាងលើមានសមតុល្យជាង។ + +តោះ ចាប់ផ្តើមលើភារកិច្ចនេះ។ ### នាំចូលបណ្ណាល័យ -សម្រាប់បេសកកម្មនេះ យើងនឹងនាំចូលបណ្ណាល័យខ្លះៗ៖ +សម្រាប់ភារកិច្ចនេះ យើងនឹងនាំចូលបណ្ណាល័យខ្លះៗ៖ -- **matplotlib** ។ វាជា [ឧបករណ៍គូរប្លង់](https://matplotlib.org/) មានប្រយោជន៍ ហើយយើងនឹងប្រើវាដើម្បីបង្កើតប្លង់បន្ទាត់មួយ។ -- **numpy** ។ [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) គឺជាបណ្ណាល័យមានប្រយោជន៍សម្រាប់ដំណើរការទិន្នន័យលេខក្នុង Python។ -- **sklearn** ។ នេះគឺជាបណ្ណាល័យ [Scikit-learn](https://scikit-learn.org/stable/user_guide.html)។ +- **matplotlib**។ វាជាឧបករណ៍ [គំនូសតាង](https://matplotlib.org/) ប្រើប្រាស់បានល្អ ហើយយើងនឹងប្រើវាសម្រាប់បង្កើតខ្សែបន្ទាត់គំនូស។ +- **numpy**។ [numpy](https://numpy.org/doc/stable/user/whatisnumpy.html) គឺជាបណ្ណាល័យមានប្រយោជន៍សម្រាប់គ្រប់គ្រងទិន្នន័យចំនួនក្នុង Python។ +- **sklearn**។ នេះគឺជាបណ្ណាល័យ [Scikit-learn](https://scikit-learn.org/stable/user_guide.html)។ -នាំចូលបណ្ណាល័យខ្លះៗ ដើម្បីជួយសម្រាប់បេសកកម្មរបស់អ្នក។ +នាំចូលបណ្ណាល័យមួយចំនួន ដើម្បីជួយអ្នកក្នុងភារកិច្ច។ -1. បន្ថែមការនាំចូល ដោយវាយកូដដូចខាងក្រោម៖ +1. បន្ថែមការimport ដោយវាយកូដខាងក្រោម៖ ```python import matplotlib.pyplot as plt @@ -122,26 +123,26 @@ Scikit-learn ធ្វើឲ្យការបង្កើតគំរូ និ from sklearn import datasets, linear_model, model_selection ``` - ខាងលើ អ្នកកំពុងនាំចូល `matplotlib`, `numpy` ហើយអ្នកកំពុងនាំចូល `datasets`, `linear_model` និង `model_selection` ពី `sklearn`។ `model_selection` ត្រូវបានប្រើសម្រាប់បំបែកទិន្នន័យជា សំណុំសាកល្បង និងសំណុំបណ្តុះបណ្តាល។ + ខាងលើ អ្នកកំពុងនាំចូល `matplotlib`, `numpy` និងក៏នាំចូល `datasets`, `linear_model` និង `model_selection` ពី `sklearn`។ `model_selection` ត្រូវបានប្រើសម្រាប់បំបែកទិន្នន្យ័យជា ឈុតបណ្តុះបណ្តាល និង ឈុតសាកល្បង។ -### សំណុំទិន្នន័យជំងឺទឹកនោមផ្អាស់ +### ឌាតាប៊ីសជំងឺទឹកនោមផ្អែម -សំណុំទិន្នន័យ built-in [ជំងឺទឹកនោមផ្អាស់](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) មាននូវគំរូទិន្នន័យ 442 ដែលជុំវិញជំងឺទឹកនោមផ្អាស់ មានអថេរមុខងារ 10 ប្រភេទខ្លះៗរួមមាន៖ +ឌាតាប៊ីសដែលបានបញ្ចូលក្នុង [diabetes dataset](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) មានគំរូទិន្នន័យចំនួន 442 អំពីជំងឺទឹកនោមផ្អែម ជាមួយអថេរគុណភាពចំនួន 10 ដែលមាន៖ -- អាយុកាល៖ អាយុជាឆ្នាំ -- bmi៖ ម៉ាស៊ីនម៉ាស្សារបស់ខ្លួន -- bp៖ សំពាធឈាមមធ្យម -- s1 tc៖ T-Cells (ប្រភេទស៊ែលសព្វពណ៌ស) +- អាយុ៖ អាយុជាឆ្នាំ +- bmi: ដង់ស៊ីតេមាស៊ីនរាងកាយ +- bp: សំពាធឈាមមធ្យម +- s1 tc: T-Cells (ប្រភេទមួយនៃកោសិកាឈាមស) -✅ សំណុំទិន្នន័យនេះមាន មុំនឹកនឹង "ភេទ" ជាអថេរមុខងារដែលមានសារៈសំខាន់សម្រាប់ការស្រាវជ្រាវជុំវិញជំងឺទឹកនោមផ្អាស់។ សំណុំទិន្នន័យវេជ្ជសាស្ត្រច្រើនមានការវាយតម្លៃកំណត់ប្រភេទពីរបែបនេះ។ សូមគិតបន្តិចអំពីតើការចាត់ថ្នាក់បែបនេះអាចដកចេញអ្នកជំនួសនៃមនុស្សជាតិពីការព្យាបាល។ +✅ ឌាតាប៊ីសនេះរួមមានមួយក្នុងចំណោមអថេរគុណភាព 'ភេទ' ដែលមានសារៈសំខាន់ក្នុងការស្រាវជ្រាវជំងឺទឹកនោមផ្អែម។ ឌាតាេប៊ីសវេជ្ជសាស្រ្តជាច្រើនរួមបញ្ចូលការចាត់ថ្នាក់ឯកសារជាគូ។ សូមគិតពីរបៀបដែលការចាត់ថ្នាក់ដូចនេះអាចដកបណ្តាផ្នែកមួយនៃប្រជាជនពីការព្យាបាល។ -ឥឡូវនេះ សូមបញ្ចូលទិន្នន័យ X និង y។ +ឥឡូវនេះ សូមផ្ទុកទិន្នន័យ X និង y។ -> 🎓 ចងចាំថា នេះគឺជាការរៀនដោយអនុក្រឹត្យ ហើយយើងត្រូវការទោកដាក់ឈ្មោះ 'y' ជាគោលដៅ។ +> 🎓 សូមចងចាំថា នេះគឺជាការរៀនដោយការត្រួតពិនិត្យ ហើយត្រូវការកំណត់គោលដៅភ្ជាប់នាម 'y'។ -នៅក្នុងកោសិកាកូដថ្មី សូមបញ្ចូលសំណុំទិន្នន័យជំងឺទឹកនោមផ្អាស់ ដោយហៅ `load_diabetes()`។ បារាជ័យ `return_X_y=True` សំដៅថា `X` នឹងជាតារាងទិន្នន័យ ហើយ `y` នឹងជាគោលដៅប្រូក្រេសស្យុង។ +ក្នុងសែលកូដថ្មី សូមផ្ទុកឌាតាប៊ីសជំងឺទឹកនោមផ្អែមដោយហៅ `load_diabetes()`។ បន្ទាត់បញ្ចូល `return_X_y=True` បញ្ជាក់ថា `X` នឹងជាមាត្រដ្ឋានទិន្នន័យ និង `y` នឹងជាគោលដៅស្ទាតការវិលត្រឡប់។ -1. បន្ថែមពាក្យបោះពុម្ព ដើម្បីបង្ហាញទម្រង់ទិន្នន័យ និងធាតុដំបូង៖ +1. បន្ថែមពាក្យបោះពុម្ពមួយចំនួន ដើម្បីបង្ហាញទំរង់មាត្រដ្ឋានទិន្នន័យ និងធាតុដំបូងរបស់វា៖ ```python X, y = datasets.load_diabetes(return_X_y=True) @@ -149,9 +150,9 @@ Scikit-learn ធ្វើឲ្យការបង្កើតគំរូ និ print(X[0]) ``` - អ្វីដែលអ្នកទទួលបានជាចម្លើយ គឺជា tuple។ អ្វីដែលអ្នកបានធ្វើគឺផ្ដល់តម្លៃពីរដំបូងនៅក្នុង tuple ទៅ `X` និង `y` តាមលំដាប់។ ហ្វឹកហាត់បន្ថែមអំពី [tuples](https://wikipedia.org/wiki/Tuple)។ + អ្វីដែលអ្នកទទួលបានវិញជាគូតម្លៃ។ អ្នកកំពុងផ្តល់តម្លៃពីរដែលស្ថិតក្នុងគូទៅកាន់ `X` និង `y` តាមលំដាប់។ សូមស្វែងយល់បន្ថែមអំពីគូ [tupples](https://wikipedia.org/wiki/Tuple)។ - អ្នកអាចមើលឃើញទិន្នន័យនេះមានធាតុ 442 ដែលរៀបជារាង arrays 10 ធាតុ៖ + អ្នកអាចមើលឃើញថាទិន្នន័យនេះមាន 442 ធាតុដែលបានរៀបចំជាអារេនៃធាតុ 10៖ ```text (442, 10) @@ -159,39 +160,39 @@ Scikit-learn ធ្វើឲ្យការបង្កើតគំរូ និ -0.04340085 -0.00259226 0.01990842 -0.01764613] ``` - ✅ សូមគិតបន្តិចអំពីទំនាក់ទំនងរវាងទិន្នន័យ និងគោលដៅប្រូក្រេសស្យុង។ ប្រូក្រេសស្យុងខ្សែបន្ទាត់នាំមុខទស្សនៈទំនាក់ទំនងរវាងមុខងារ X និងអថេរកោល y។ តើអ្នកអាចរកឃើញ [គោលដៅ](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) សម្រាប់សំណុំទិន្នន័យជំងឺទឹកនោមផ្អាស់នៅក្នុងឯកសារណែនាំ? តើសំណុំទិន្នន័យនេះបង្ហាញអ្វី ជាមួយគោលដៅនោះ? + ✅ សូមគិតពីទំនាក់ទំនងរវាងទិន្នន័យ និងគោលដៅស្ទាតការវិលត្រឡប់។ ស្ទាតការវិលត្រឡប់បន្ទាត់គណនាទំនាក់ទំនងរវាងអថេរ X និងអថេរគោលដៅ y។ តើអ្នកអាចរក [គោលដៅ](https://scikit-learn.org/stable/datasets/toy_dataset.html#diabetes-dataset) របស់ឌាតាប៊ីសជំងឺទឹកនោមផ្អែម នៅឯកសារបញ្ជាក់មើល? ឌាតាប៊ីសនេះបង្ហាញអ្វី ជាមួយគោលដៅនោះ? -2. បន្ទាប់មក ជ្រើសរើសផ្នែកមួយនៃសំណុំទិន្នន័យនេះសម្រាប់គូរប្លង់ ដោយជ្រើសជួរឈរ 3 នៃសំណុំទិន្នន័យ។ អ្នកអាចធ្វើបានដោយប្រើ `:` ដើម្បីជ្រើសរាល់ជួរ ហើយបន្ទាប់មកជ្រើសជួរឈរ 3 ដោយប្រើ index (2)។ អ្នកអាចប្តូរទម្រង់ទិន្នន័យឱ្យថ្លៃជារាង 2D ដូចដែលត្រូវការសម្រាប់គូរប្លង់ ដោយប្រើ `reshape(n_rows, n_columns)`។ ប្រសិនបើ parameters មួយគឺ -1 ភាគតំណាងនោះនឹងត្រូវគណនា secara automatique។ +2. បន្ទាប់មក ជ្រើសយកផ្នែកមួយនៃឌាតាប៊ីសនេះ ដើម្បីគូសតាងដោយជ្រើសរើសជួរដេកទី 3 (កូឡុំទី 3) នៃឌាតាប៊ីស។ អ្នកអាចធ្វើបានដោយប្រើអុបទភីរត័រ `:` ដើម្បីជ្រើសយកជួរដេកទាំងអស់ ហើយបន្ទាប់មកជ្រើសរើសជួរដេកទី 3 ដោយប្រើសន្ទស្សន៍ (2)។ អ្នកអាចផ្លាស់ប្ដូរទ្រង់ទ្រាយឌាតា ឲ្យក្លាយជាអារេ 2D ដែលត្រូវការសម្រាប់គូស តាមរយៈការប្រើ `reshape(n_rows, n_columns)`។ ប្រសិនបើប៉ារ៉ាម៉ែត្រមួយមានតម្លៃ -1 ទំហំខាងនោះត្រូវបានគណនាអតូម៉ាទិក។ ```python X = X[:, 2] X = X.reshape((-1,1)) ``` - ✅ នៅពេលណាមួយ សូមបោះពុម្ពទិន្នន័យ ដើម្បីពិនិត្យទម្រង់វា។ + ✅ នៅពេលណាមួយ សូមបោះពុម្ពទិន្នន័យដើម្បីត្រួតពិនិត្យទ្រង់ទ្រាយ។ -3. ឥឡូវនេះដែលអ្នកមានទិន្នន័យសម្រាប់គូរប្លង់ អ្នកអាចមើលថាតើម៉ាស៊ីនអាចជួយកំណត់ចំណែកល្អលើចំនួននៅក្នុងសំណុំទិន្នន័យនេះបានទេ។ ដើម្បីធ្វើបានចាំបាច់ត្រូវបំបែកទាំងទិន្នន័យ (X) និងគោលដៅ (y) ទៅជាសំណុំសាកល្បង និងសំណុំបណ្តុះបណ្តាល។ Scikit-learn មានវិធីងាយស្រួលសម្រាប់ធ្វើនោះ អ្នកអាចបំបែកទិន្នន័យសាកល្បងនៅចំណុចណាមួយ។ +3. ឥឡូវនេះអ្នកមានទិន្នន័យរួចរាល់សម្រាប់គូស តើម៉ាស៊ីនអាចជួយកំណត់ការបំបែកត្រឹមត្រូវរវាងចំនួនក្នុងឌាតាប៊ីសនេះបានទេ? ដើម្បីធ្វើនេះ អ្នកត្រូវបំបែកទាំងទិន្នន័យ (X) និងគោលដៅ (y) ជាឈុតសាកល្បង និងឈុតបណ្តុះបណ្តាល។ Scikit-learn មានវិធីសាមញ្ញក្នុងការបំបែកទិន្នន័យនេះ។ អ្នកអាចបំបែកទិន្នន័យសាកល្បងនៅចំណុចណាមួយ។ ```python X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33) ``` -4. ឥឡូវនេះ អ្នកត្រៀមខ្លួនបណ្តុះគំរូរបស់អ្នក! បញ្ចូលម៉ូឌែលប្រូក្រេសស្យុងខ្សែបន្ទាត់ ហើយបណ្តុះវាជាមួយសំណុំបណ្តុះបណ្តាល X និង y ដោយប្រើ `model.fit()`: +4. ឥឡូវនេះអ្នកមានភាពរួចរាល់ក្នុងការបណ្តុះម៉ូដែលរបស់អ្នក! សូមផ្ទុកម៉ូដែលស្ទាតការវិលត្រឡប់បន្ទាត់ ហើយបណ្តុះវាជាមួយឈុតបណ្តុះបណ្តាល X និង y ដោយប្រើ `model.fit()`៖ ```python model = linear_model.LinearRegression() model.fit(X_train, y_train) ``` - ✅ `model.fit()` គឺជា function ដែលអ្នកនឹងឃើញនៅក្នុងបណ្ណាល័យ ML ជាច្រើនដូចជា TensorFlow។ + ✅ `model.fit()` គឺជាអនុគមន៍ដែលអ្នកនឹងបានឃើញនៅក្នុងបណ្ណាល័យ ML ច្រើនដូចជា TensorFlow -5. បន្ទាប់មក បង្កើតការព្យាករណ៍ដោយប្រើទិន្នន័យសាកល្បង ដោយប្រើ function `predict()`។ នេះនឹងត្រូវប្រើសម្រាប់គូរបន្ទាត់ចល័តនៅចន្លោះក្រុមទិន្នន័យ។ +5. បន្ទាប់មក បង្កើតការទាយថ្លៃដោយប្រើទិន្នន័យសាកល្បង ដោយប្រើអនុគមន៍ `predict()`។ នេះនឹងត្រូវបានប្រើសម្រាប់គូរស៊តកន្លែងនៅចន្លោះក្រុមទិន្នន័យ។ ```python y_pred = model.predict(X_test) ``` -6. ឥឡូវនេះពេលដើម្បីបង្ហាញទិន្នន័យជាប្លង់។ Matplotlib គឺជាឧបករណ៍មានប្រយោជន៍ខ្លាំងសម្រាប់បេសកកម្មនេះ។ បង្កើត scatterplot សម្រាប់ទិន្នន័យ X និង y សំណុំសាកល្បងទាំងអស់ ហើយប្រើការព្យាករណ៍ក្នុងការគូរបន្ទាត់ជាកន្លែងសមរម្យបំផុត រវាងក្រុមទិន្នន័យរបស់ម៉ូឌែល។ +6. ឥឡូវនេះគឺពេលចាប់ផ្តើមបង្ហាញទិន្នន័យជាគំនូសតាង។ Matplotlib គឺជាឧបករណ៍មានប្រយោជន៍សម្រាប់ភារកិច្ចនេះ។ បង្កើត scatterplot នៃទិន្នន័យ X និង y សាកល្បងទាំងអស់ ហើយប្រើការទាយថ្លៃដើម្បីគូរសន្ទស្សន៍នៅកន្លែងសមរម្យបំផុត រវាងក្រុមទិន្នន័យម៉ូដែល។ ```python plt.scatter(X_test, y_test, color='black') @@ -202,30 +203,32 @@ Scikit-learn ធ្វើឲ្យការបង្កើតគំរូ និ plt.show() ``` - ![scatterplot បង្ហាញចំណុចទិន្នន័យជុំវិញជំងឺទឹកនោមផ្អាស់](../../../../translated_images/km/scatterplot.ad8b356bcbb33be6.webp) - ✅ សូមគិតកន្លែងអ្វីកំពុងកើតឡើងនៅទីនេះ។ ខ្សែ​ត្រង់មួយកំពុងរត់កាត់តាមចំណុចតូចៗជាច្រើននៃទិន្នន័យ ប៉ុន្តែវាកំពុងធ្វើអ្វីពិតប្រាកដមែនទេ? តើអ្នកអាចឃើញយ៉ាងដូចម្តេចថា តើអ្នកគួរតែប្រើខ្សែនេះដើម្បីទាយថាតើចំណុចទិន្នន័យថ្មីមួយដែលមិនធ្លាប់ឃើញអាចផ្គូផ្គងនៅឯណាទៅទាក់ទងនឹងអ័ក្ស y នៃផ្លូតបានយ៉ាងដូចម្តេច? សូមព្យាយាមដាក់ជាពាក្យអំពីការប្រើប្រាស់ជាក់ស្តែងនៃម៉ូដែលនេះ។ + ![scatterplot បង្ហាញនូវចំណុចទិន្នន័យជុំវិញជំងឺទឹកនោមផ្អែម](../../../../translated_images/km/scatterplot.ad8b356bcbb33be6.webp) + + + ✅ សូមគិតបន្តិចពីអ្វីកំពុងកើតឡើងនៅទីនេះ។ បន្ទាត់បញ្ចេញត្រូវបានគូសឆ្លងកាត់ចំណុចទិន្នន័យតូចជាច្រើន ប៉ុន្តែកន្លែងណា ដែលវាកំពុងធ្វើមែន? តើអ្នកអាចមើលឃើញថា អ្នកគួរតែអាចប្រើបណ្ដាបន្ទាត់នេះដើម្បីទាយថាតើយ៉ាងដូចម្តេចឲ្យបានត្រឹមត្រូវដែលចំណុចទិន្នន័យថ្មីមិនបានឃើញបង្ហាញខ្លួនពាក់ព័ន្ធជាមួយអ័ក្ស y របស់ក្រាផាទេ? សូមព្យាយាមពណ៌នាផ្នែកប្រើប្រាស់ប្រសិនបើម៉ូដែលនេះ។ -អបអរសាទរ អ្នកបានបង្កើតម៉ូដែលការស្ងាត់​ត្រង់លីនុយ (linear regression) ជាលើកដំបូងរបស់អ្នក សរសេរផ្នែកទាយទុកជាមួយវា ហើយបង្ហាញវានៅក្នុងផ្លូតមួយហើយ! +សូមអបអរសាទរ អ្នកបានបង្កើតម៉ូដែលវាយតម្លៃបញ្ច្រាសត្រង់ដ៏ដំបូងរបស់អ្នកហើយបានបង្កើតការទាយដោយវា និងបង្ហាញវា នៅក្នុងក្រាផា! --- -## 🚀បញ្ហា +## 🚀ការប្រកួតប្រជែង -បង្ហាញអថេរផ្សេងទៀតពីឃุ่มទិន្នន័យនេះ។ គំនិតបញ្ជាក់៖ កែសម្រួលបន្ទាត់នេះ `X = X[:,2]`។ ប្រសិនបើឃุ่มទិន្នន័យនេះមានគោលដៅ អ្នកអាចរកឃើញអ្វីខ្លះអំពីការរីកចំរូងនៃជំងឺទាំងនេះដូចជាជំងឺទឹកនោមផ្អែម? -## [ស៊ែវសំណួរ បន្ទាប់ពីមេរៀន](https://ff-quizzes.netlify.app/en/ml/) +គូសរាងឬធាតុផ្សេងពីសំណុំទិន្នន័យនេះ។ ការជំនួយ៖ កែប្រែបន្ទាត់នេះ៖ `X = X[:,2]`។ ដើម្បីផ្អែកលើគោលដៅនៃតារាងទិន្នន័យនេះ តើអ្នកអាចរកឃើញអ្វីខ្លះអំពីវឌ្ឍនភាពនៃជម្ងឺជាតិដ сладរ? +## [សំនួរបន្ទាប់មកកាន់បន្ទះរៀន](https://ff-quizzes.netlify.app/en/ml/) -## ការពិនិត្យឡើងវិញ និងសិក្សាផ្ទាល់ខ្លួន +## ការត្រួតពិនិត្យ និងរៀនដោយខ្លួនឯង -នៅក្នុងមេរៀននេះ អ្នកបានចាប់ផ្តើមជាមួយការស្ងាត់​ត្រង់លីនុយ​ធម្មតា មិនមែនការស្ងាត់​ត្រង់លីនុយមួយអថេរ ឬច្រើនអថេរទេ។ សូមអានអំពីភាពខុសគ្នារវាងវិធីសាស្រ្តទាំងនេះ ឬមើលវីដេអូនេះ [វីដេអូ](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef)។ +នៅក្នុងមេរៀននេះ អ្នកបានប្រើម៉ូដែលវាយតម្លៃបញ្ច្រាសត្រង់សាមញ្ញជាង វាយតម្លៃបញ្ច្រាសតែមួយឬច្រើន។ សូមអានបន្ថែមអំពីភាពខុសគ្នារវាងវិធីទាំងនេះ ឬមើលវីដេអូនេះ [វីដេអូនេះ](https://www.coursera.org/lecture/quantifying-relationships-regression-models/linear-vs-nonlinear-categorical-variables-ai2Ef) -អានបន្ថែមអំពីគំនិតស្ងាត់ត្រង់ ហើយសូមគិតពីប្រភេទសំណួរណាអាចត្រូវបានឆ្លើយតបដោយបច្ចេកទេសនេះ។ អ្នកអាចយកមេរៀននេះ [មេរៀន](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) ដើម្បីជ្រាបច្បាស់ជាងនេះ។ +អានបន្ថែមអំពីគំនិតនៃការវាយតម្លៃបញ្ច្រាស និងគិតពីប្រភេទសំណួរដែលអាចឆ្លើយបានដោយបច្ចេកទេសនេះ។ ទទូលបានមេរៀននេះ [មេរៀននេះ](https://docs.microsoft.com/learn/modules/train-evaluate-regression-models?WT.mc_id=academic-77952-leestott) ដើម្បីជម្រៅចំណេះដឹងរបស់អ្នក។ -## ការតែងការងារ +## ភារកិច្ច -[ឃุ่มទិន្នន័យផ្សេងទៀត](assignment.md) +[សំណុំទិន្នន័យផ្សេងទៀត](assignment.md) --- -**ការបដិសេធ**៖ -ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាកម្មបកប្រែ AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ខណៈពេលដែលយើងខិតខំសម្លឹងរកភាពត្រឹមត្រូវ សូមចំណាំថាការបកប្រែដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវបាន។ ឯកសារដើមជាភាសាដើមគួរត្រូវបាន​គិត​ថា​ជា​មូលដ្ឋានគោល។ សម្រាប់ព័ត៌មានសំខាន់ៗ ការបកប្រែដោយមនុស្សអ្នកជំនាញត្រូវបានផ្តល់អាណាព្យាបាល។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសៗណាមួយដែលកើតមានពីការប្រើប្រាស់ការបកប្រែនេះឡើយ។ +**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/2-Regression/2-Data/README.md b/translations/km/2-Regression/2-Data/README.md index 44ecc3c36..61f11ad37 100644 --- a/translations/km/2-Regression/2-Data/README.md +++ b/translations/km/2-Regression/2-Data/README.md @@ -1,91 +1,91 @@ -# បង្កើតម៉ូដែលរេហ្គ្រេសស្យុងដោយប្រើ Scikit-learn៖ រៀបចំ និងវិចិត្រស័ក្តិទិន្នន័យ +# សង់ម៉ូដែលការត្រួតពិនិត្យតម្លៃវិញដោយប្រើ Scikit-learn: រៀបចំនិងបង្ហាញទិន្នន័យ -![តារាងវិចិត្រស័ក្តិទិន្នន័យ](../../../../translated_images/km/data-visualization.54e56dded7c1a804.webp) +![រូបភាពបង្ហាញទិន្នន័យ](../../../../translated_images/km/data-visualization.54e56dded7c1a804.webp) -តារាងវិចិត្រស័ក្តិដោយ [Dasani Madipalli](https://twitter.com/dasani_decoded) +រូបភាពបង្ហាញដោយ [Dasani Madipalli](https://twitter.com/dasani_decoded) -## [តេស្តមុនម៉េរៀន](https://ff-quizzes.netlify.app/en/ml/) +## [សំណួរពីមុនបោះពុម្ព](https://ff-quizzes.netlify.app/en/ml/) -> ### [មេរៀននេះមានក្នុងភាសា R ផងដែរ!](../../../../2-Regression/2-Data/solution/R/lesson_2.html) +> ### [មេរៀននេះមាននៅក្នុងភាសា R!](../../../../2-Regression/2-Data/solution/R/lesson_2.html) -## ទីផ្សារណ៍ +## ការណែនាំ -ឥឡូវនេះអ្នកបានរៀបចំឧបករណ៍ដែលត្រូវការសម្រាប់ការចាប់ផ្តើមបង្កើតម៉ូដែលម៉ាស៊ីនរៀនជាមួយ Scikit-learn ហើយ អ្នករួចរាល់ក្នុងការចាប់ផ្តើមសួរចម្លើយពីទិន្នន័យរបស់អ្នក។ ពេលអ្នកធ្វើការជាមួយទិន្នន័យ និងអនុវត្តន៍ដោះស្រាយ ML វាសំខាន់ណាស់ក្នុងការយល់ដឹងពីរបៀបសួរចម្លើយត្រឹមត្រូវ ដើម្បីអាចបើកសមត្ថភាពនៃទិន្នន័យរបស់អ្នកបានត្រឹមត្រូវ។ +ឥឡូវនេះដែលអ្នកបានរៀបចំឧបករណ៍ដែលត្រូវការដើម្បីចាប់ផ្តើមសាងម៉ូដែលបច្ចេកវិទ្យាសិក្សា​ម៉ាស៊ីនជាមួយ Scikit-learn អ្នករួចរាល់ដើម្បីចាប់ផ្តើមសួរបញ្ហានៅលើទិន្នន័យរបស់អ្នក។ នៅពេលដែលអ្នកប្រើទិន្នន័យនិងអនុវត្តដំណោះស្រាយ ML វាមានសារៈសំខាន់ណាស់ក្នុងការយល់ពីរបៀបសួរបញ្ហាដូចត្រូវដើម្បីដោះស្រាយសមត្ថភាពរបស់ទិន្នន័យរបស់អ្នកបានត្រឹមត្រូវ។ -ក្នុងមេរៀននេះ អ្នកនឹងរៀនពី៖ +ក្នុងមេរៀននេះ អ្នកនឹងសិក្សា: -- របៀបរៀបចំព័ត៌មានរបស់អ្នកសម្រាប់ការបង្កើតម៉ូដែល។ -- របៀបប្រើ Matplotlib សម្រាប់វិចិត្រស័ក្តិនិន្នន័យ។ +- របៀបរៀបចំទិន្នន័យសម្រាប់ការសង់ម៉ូដែល។ +- របៀបប្រើ Matplotlib សម្រាប់បង្ហាញទិន្នន័យ។ +- របៀបប្រើ Seaborn សម្រាប់បង្ហាញទិន្នន័យយ៉ាងមានអារម្មណ៍ច្រើនជាងនេះ។ -## សួរចម្លើយត្រឹមត្រូវពីទិន្នន័យរបស់អ្នក +## សួរបញ្ហាដូចត្រូវនៅលើទិន្នន័យរបស់អ្នក -ចម្លើយដែលអ្នកត្រូវការបាននឹងកំណត់ប្រភេទអាល់ហ្គូរីធម៍ ML ដែលអ្នកនឹងប្រើ។ ហើយគុណភាពនៃចម្លើយដែលបានត្រឡប់មកវិញ គឺពឹងផ្អែកយ៉ាងខ្លាំងលើធម្មជាតិនៃទិន្នន័យរបស់អ្នក។ +បញ្ហាដែលអ្នកត្រូវការជួបចម្លើយនឹងកំណត់ប្រភេទអាល់ហ្គរីធម៍ ML ដែលអ្នកនឹងប្រើប្រាស់។ ហើយគុណភាពនៃចម្លើយដែលអ្នកទទួលបាននឹងសង្កត់សំខាន់ផ្អែកលើធម្មជាតិរបស់ទិន្នន័យរបស់អ្នក។ -ចូរមើល [ទិន្នន័យ](https://github.com/microsoft/ML-For-Beginners/blob/main/2-Regression/data/US-pumpkins.csv) ដែលបានផ្តល់សម្រាប់មេរៀននេះ។ អ្នកអាចបើកឯកសារ .csv នេះនៅក្នុង VS Code។ ការមើលលឿនភ្លាមៗបង្ហាញថាមានចន្លោះទទេ និងការលាយបញ្ចូលរវាងខ្សែអក្សរ និងទិន្នន័យចំនួន។ ក៏មានជួរឈរមួយហៅថា 'Package' ដែលទិន្នន័យក្នុងនោះលាយគ្នារវាង 'sacks', 'bins' និងតម្លៃផ្សេងទៀត។ ទិន្នន័យនេះ ពិតជា មិនស្អាតត្រឹមត្រូវទេ។ +សូមមើលទិន្នន័យ [data](https://github.com/microsoft/ML-For-Beginners/blob/main/2-Regression/data/US-pumpkins.csv) ដែលផ្តល់សម្រាប់មេរៀននេះ។ អ្នកអាចបើកឯកសារ .csv នេះនៅក្នុង VS Code បាន។ ការមើលវាបន្ទាន់បង្ហាញថាមានកន្លែងទទេនិងមានការភាន់ច្រឡំរវាងខ្សែអក្សរនិងទិន្នន័យគណិតវិទ្យា។ មានជួរឈរធម្មតាដែលហៅថា 'Package' ដែលទិន្នន័យត្រូវបានចែកចាយរវាង 'sacks', 'bins' និងតម្លៃផ្សេងទៀត។ ទិន្នន័យពិតជារំខានបន្តិច។ -[![ML សម្រាប់អ្នកថ្មី - របៀបវិភាគ និងសម្អាតទិន្នន័យ](https://img.youtube.com/vi/5qGjczWTrDQ/0.jpg)](https://youtu.be/5qGjczWTrDQ "ML សម្រាប់អ្នកថ្មី - របៀបវិភាគ និងសម្អាតទិន្នន័យ") +[![ML for beginners - របៀបវិភាគនិងសម្អាតទិន្នន័យ](https://img.youtube.com/vi/5qGjczWTrDQ/0.jpg)](https://youtu.be/5qGjczWTrDQ "ML for beginners - របៀបវិភាគនិងសម្អាតទិន្នន័យ") -> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូខ្លីបង្ហាញពីការរៀបចំទិន្នន័យសម្រាប់មេរៀននេះ។ +> 🎥 ចុចលើរូបភាពខាងលើសម្រាប់វីដេអូចំណីទស្សនាខ្លីដែលបង្ហាញពីការត្រៀមទិន្នន័យសម្រាប់មេរៀននេះ។ -ពិតប្រាកដថា មិនប្រាកដល្អទេដែលទទួលបាន dataset ដែលរួចរាល់សម្រាប់ប្រើបង្កើតម៉ូដែល ML បានភ្លាមៗ។ ក្នុងមេរៀននេះ អ្នកនឹងរៀនរបៀបរៀបចំនូវ dataset ដើមដោយប្រើបណ្ណាល័យ Python ស្តង់ដា។ ក៏ដូចជារៀនបច្ចេកទេសខុសៗគ្នាសម្រាប់វិចិត្រស័ក្តិនៃទិន្នន័យផងដែរ។ +ពិតណាស់ វាមិនធម្មតាទេដែលទទួលបាន dataset ដែលរៀបចំរួចហើយសម្រាប់បង្កើតម៉ូដែល ML ចេញពីប្រអប់។ ក្នុងមេរៀននេះ អ្នកនឹងរៀនរបៀបរៀបចំ dataset ដើមដោយប្រើបណ្ណាល័យ Python ស្តង់ដារ។ អ្នកនឹងរៀនបច្ចេកទេសខុសៗគ្នាដើម្បីបង្ហាញទិន្នន័យ។ -## ករណីសិក្សា៖ 'ទីផ្សារមុខបឺ' +## ករណីសិក្សា៖ 'ទីផ្សារផ្លែទុរក្រហម' -ក្នុងថតនេះ អ្នកនឹងរកឃើញឯកសារ .csv មួយនៅក្នុងថតឫស `data` ហៅថា [US-pumpkins.csv](https://github.com/microsoft/ML-For-Beginners/blob/main/2-Regression/data/US-pumpkins.csv) ដែលមានជួរដេក ១៧៥៧ នៃទិន្នន័យអំពីទីផ្សារវាយផ្លែគោល ដែលត្រូវបានចែកជាក្រុមតាមក្រុង។ ទិន្នន័យដើមនេះបញ្ចេញពី [Specialty Crops Terminal Markets Standard Reports](https://www.marketnews.usda.gov/mnp/fv-report-config-step1?type=termPrice) ដែលចែកចាយដោយក្រសួងកសិកម្មសហរដ្ឋអាមេរិក។ +នៅក្នុងថតនេះ អ្នកនឹងរកឃើញឯកសារ .csv ក្នុងថត `data` ដែលឈ្មោះ [US-pumpkins.csv](https://github.com/microsoft/ML-For-Beginners/blob/main/2-Regression/data/US-pumpkins.csv) ដែលមានបន្ទាត់ទិន្នន័យ ១៧៥៧ ស្តីពីទីផ្សារផ្លែទុរក្រហម ដែលត្រូវបានចាត់ថ្នាក់ជាក្រុមដោយទីក្រុង។ ទិន្នន័យដើមនេះបានកွត់ដោយរបាយការណ៍ស្តង់ដារជួរទីផ្សារផ្លុំផលផ្លែឈើ [Specialty Crops Terminal Markets Standard Reports](https://www.marketnews.usda.gov/mnp/fv-report-config-step1?type=termPrice) ដែលចែកចាយដោយក្រសួងកសិកម្មសហរដ្ឋអាមេរិក។ ### រៀបចំទិន្នន័យ -ទិន្នន័យនេះមានលើសាធារណៈ។ អ្នកអាចទាញយកវាចេញជា ឯកសារច្រើនឯកសារផ្ទាល់ខ្លួនរៀងរាល់ក្រុង ពីគេហទំព័រ USDA។ ដើម្បីជៀសវាងឯកសារច្រើនពេក យើងបានបញ្ចូលទិន្នន័យក្រុងទាំងអស់ចូលក្នុងសៀវភៅ បច្ចុប្បន្ន យើងបាន _រៀបចំ_ ទិន្នន័យរួចមួយចំនួន។ បន្ទាប់មក មកមើលលម្អិតទិន្នន័យ។ +ទិន្នន័យនេះគឺជាទ្រព្យសាធារណៈ។ អ្នកអាចទាញយកវាជាជាច្រើនឯកសារផ្សេងៗ ដោយបញ្ជាក់មួយទីក្រុង ពីវែបសាយ USDA។ ដើម្បីជៀសវាងឯកសារច្រើនពេក យើងបានបញ្ចូលទិន្នន័យទីក្រុងទាំងអស់ចូលទៅក្នុងសៀវភៅកំណត់ត្រាមួយ ដូច្នេះហើយ យើងបានរៀបចំទិន្នន័យមានផាសុកភាពបន្តិច។ បន្ទាប់មក សូមមើលទិន្នន័យជិតស្និទ្ធ។ -### ទិន្នន័យវាយផ្លែគោល - សេចក្ដីសន្និដ្ឋានដំបូង +### ទិន្នន័យផ្លែទុរក្រហម - សេចក្ដីសន្និដ្ឋានដើម -តើអ្នកមើលឃើញអ្វីពីទិន្នន័យនេះ? អ្នកបានឃើញថាមានការលាយបញ្ចូលរវាងខ្សែអក្សរ លេខ ចន្លោះទទេ និងតម្លៃចម្លែក ដែលអ្នកត្រូវយល់។ +អ្វីដែលអ្នកគួររំខានអំពីទិន្នន័យនេះ? អ្នកបានឃើញហើយថាមានការភាន់ច្រឡំនៃខ្សែអក្សរ លេខ ទទេ និងតម្លៃដ៏អស្ចារ្យដែលអ្នកត្រូវស្វែងយល់។ -តើអ្នកអាចសួរចម្លើយអំពីទិន្នន័យនេះជាមួយបច្ចេកទេស Regression យ៉ាងដូចម្ដេច? តើអ្វីមួយដូចជា "ទស្សនាថ្លៃបាយផ្លែគោលលក់នៅខែណាមួយ"? មើលទិន្នន័យម្ដងទៀត មានកែប្រែខ្លះដែលត្រូវធ្វើដើម្បីបង្កើតរចនាសម្ព័ន្ធទិន្នន័យដែលត្រូវការសម្រាប់ភារកិច្ចនេះ។ +តើអ្នកអាចសួរបញ្ហាអ្វីពីទិន្នន័យនេះ ដោយប្រើប្រាស់បច្ចេកទេសការត្រួតពិនិត្យតម្លៃវិញ (Regression)? តើអ្វីអំពី "ទស្សនាវដ្តីតម្លៃផ្លែទុរក្រហមសម្រាប់លក់នៅខែណាមួយ"។ មើលឡើងវិញទិន្នន័យ មានការផ្លាស់ប្តូរខ្លះដែលអ្នកត្រូវធ្វើដើម្បីបង្កើតរចនាសម្ព័ន្ធទិន្នន័យចាំបាច់សម្រាប់ភារកិច្ចនេះ។ +## លំហាត់ - វិភាគទិន្នន័យផ្លែទុរក្រហម -## លំហាត់ - វិភាគទិន្នន័យវាយផ្លែគោល +យើងនឹងប្រើ [Pandas](https://pandas.pydata.org/), (ឈ្មោះមានន័យថា `Python Data Analysis`) គ្រឿងចក្រ ។ ។ ដែលមានប្រយោជន៍សម្រាប់រៀបចំទិន្នន័យ ដើម្បីវិភាគនិងរៀបចំទិន្នន័យផ្លែទុរក្រហមនេះ។ -ចាប់ផ្តើមប្រើ [Pandas](https://pandas.pydata.org/) (ឈ្មោះមានន័យថា `Python Data Analysis`) ដែលជាឧបករណ៍មានប្រយោជន៍សម្រាប់រៀបចំទិន្នន័យ ដើម្បីវិភាគ និងរៀបចំទិន្នន័យវាយផ្លែគោលនេះ។ +### ជំហ៊ានដំបូង ពិនិត្យកាលបរិច្ឆេទខ្វះ -### ជំហានទីមួយ - ត្រួតពិនិត្យថ្ងៃខែខ្វះ +អ្នកត្រូវចាប់ផ្តើមដោយចាត់វិធានការ ដូច្នេះពិនិត្យកាលបរិច្ឆេទដែលខ្វះ: -អ្នកត្រូវខំធ្វើជំហានដើម្បីត្រួតពិនិត្យមើល ថ្ងៃខែខ្វះ៖ +1. បម្លែងកាលបរិច្ឆេទទៅទ្រង់ទ្រាយខែ (ជាកាលបរិច្ឆេទសហរដ្ឋអាមេរិក ហើយទ្រង់ទ្រាយគឺជា `MM/DD/YYYY`)។ +2. ទាញខែទៅជាជួរឈរថ្មីមួយ។ -1. បំលែងថ្ងៃខែទៅទ្រង់ទ្រាយខែ (វាជាថ្ងៃខែឆ្នាំរបស់ ស.រ.អ., ដូច្នេះទ្រង់ទ្រាយគឺ `MM/DD/YYYY`)។ -2. ដកខែចេញជាជួរឈរថ្មី។ +បើកឯកសារ _notebook.ipynb_ នៅក្នុង Visual Studio Code ហើយនាំចូលសៀវភៅកំណត់ត្រាទៅជាការដាក់កថាខណ្ឌថ្មីក្នុង Pandas dataframe។ -បើកឯកសារ _notebook.ipynb_ ក្នុង Visual Studio Code ហើយនាំចូលសៀវភៅផ្ទាំងទៅក្នុង dataframe ថ្មីរបស់ Pandas។ - -1. ប្រើមុខងារ `head()` ដើម្បីមើលជួរដេកប្រាំដំបូង។ +1. ប្រើមុខងារ `head()` ដើម្បីមើលប្រាំជួរដំបូង។ ```python import pandas as pd pumpkins = pd.read_csv('../data/US-pumpkins.csv') pumpkins.head() ``` - - ✅ តើមុខងារមួយដែលអ្នកនឹងប្រើសម្រាប់មើលជួរដេកចុងបំផុតប្រាំចុងក្រោយ? -1. ត្រួតពិនិត្យមើលថាតើមានទិន្នន័យខ្វះក្នុង dataframe បច្ចុប្បន្នទេ៖ + ✅ តើមុខងារអ្វីដែលអ្នកនឹងប្រើដើម្បីមើលប្រាំជួរចុងក្រោយ? + +1. ពិនិត្យមើលថាតើមានទិន្នន័យខ្វះក្នុង dataframe បច្ចុប្បន្នទេ: ```python pumpkins.isnull().sum() ``` - - មានទិន្នន័យខ្វះ ប៉ុន្តែប្រហែលជាមិនមានផលប៉ះពាល់ចំពោះភារកិច្ចនេះទេ។ -1. ដើម្បីឲ្យ dataframe របស់អ្នកងាយស្រួលក្នុងការងារ ជ្រើសយកតែជួរឈរដែលអ្នកត្រូវការ ជាមួយមុខងារ `loc` ដែលដកចេញពី dataframe ដើមជាក្រុមជួរដេក (ផ្ដល់ជាម៉ាស៊ីនជុំឡើង) និងជួរឈរ (ផ្ដល់ជាម៉ាស៊ីនទីពីរ)។ ប្រើ `:` ក្នុងករណីខាងក្រោមមានន័យថា "ទាំងអស់ជួរដេក"។ + មានទិន្នន័យខ្វះ។ ប៉ុន្តែប្រហែលជានឹងមិនមានប្រសិទ្ធិភាពសម្រាប់ភារកិច្ចនេះទេ។ + +1. ដើម្បីធ្វើឲ្យ dataframe របស់អ្នកងាយស្រួលក្នុងការងារ ជ្រើសយកតែជួរឈរដែលអ្នកត្រូវការ តាមរយៈមុខងារ `loc` ដែលទាញយកពី dataframe ដើមជាក្រុមជួរដេកមួយ (បញ្ជូនជาพ៉ារ៉ាម៉ែត្រដំបូង) និងជួរឈរ (បញ្ជូនជាជាម៉ារ៉ាម៉ែត្រទីពីរ)។ ប្រើសញ្ញា `:` ក្នុងករណីនេះមានន័យថា "ជួរដេកទាំងអស់"។ ```python columns_to_select = ['Package', 'Low Price', 'High Price', 'Date'] pumpkins = pumpkins.loc[:, columns_to_select] ``` - -### ជំហានទីពីរ - កំណត់ថ្លៃមធ្យមនៃបាយផ្លែគោល -គិតពីរបៀបកំណត់ថ្លៃមធ្យមនៃបាយផ្លែគោលក្នុងខែណាមួយ។ តើជួរឈរណាដែលអ្នកនឹងជ្រើសសម្រាប់ភារកិច្ចនេះ? គំនិត៖ អ្នកត្រូវការជួរឈរបី។ +### ជំហ៊ានទីពីរ កំណត់តម្លៃមធ្យមនៃផ្លែទុរក្រហម + +សូមគិតពីរបៀបកំណត់តម្លៃមធ្យមនៃផ្លែទុរក្រហមនៅក្នុងខែណាមួយ។ តើជួរឈរអ្វីដែលអ្នកនឹងជ្រើសសម្រាប់ភារកិច្ចនេះ? ការណែនាំ៖ អ្នកនឹងត្រូវការជួរឈរបី។ -ដំណោះស្រាយ៖ គណនាមធ្យមនៃជួរឈរ `Low Price` និង `High Price` ដើម្បីបង្កើតជួរឈរថ្លៃថ្មី ហើយបំលែងជួរឈរ Date ឲ្យបង្ហាញតែខែប៉ុណ្ណោះ។សំណាងល្អ គិតតាមការត្រួតពិនិត្យខាងលើ គ្មានទិន្នន័យខ្វះសម្រាប់ថ្ងៃខែឬថ្លៃទេ។ +ដំណោះស្រាយ៖ យកតម្លៃមធ្យមនៃជួរឈរ `Low Price` និង `High Price` ដើម្បីបញ្ចូលទៅក្នុងជួរឈរថ្មី Price ហើយបម្លែងជួរឈរ Date ដើម្បីបង្ហាញតែខែប៉ុណ្ណោះ។ មហាសំណាង តាមការត្រួតពិនិត្យខាងលើ គ្មានទិន្នន័យខ្វះសម្រាប់កាលបរិច្ឆេទឬតម្លៃឡើយ។ 1. ដើម្បីគណនាមធ្យម បន្ថែមកូដដូចខាងក្រោម៖ @@ -95,77 +95,77 @@ month = pd.DatetimeIndex(pumpkins['Date']).month ``` - - ✅ អ្នកអាចបោះពុម្ព `print(month)` ដើម្បីត្រួតពិនិត្យទិន្នន័យណាមួយបាន។ -2. ឥឡូវនេះ ចម្លងទិន្នន័យដែលបានបំលែងទៅក្នុង dataframe ថ្មីរបស់ Pandas៖ + ✅ អ្នកអាចបោះពុម្ពទិន្នន័យណាមួយដែលចង់ពិនិត្យដោយប្រើ `print(month)`។ + +2. ឥឡូវនេះ ចម្លងទិន្នន័យបម្លែងរបស់អ្នកទៅជា dataframe Pandas ថ្មីមួយ៖ ```python new_pumpkins = pd.DataFrame({'Month': month, 'Package': pumpkins['Package'], 'Low Price': pumpkins['Low Price'],'High Price': pumpkins['High Price'], 'Price': price}) ``` - - ការបោះពុម្ព dataframe នឹងបង្ហាញ dataset ស្អាតនិងមានរបៀប ដែលអ្នកអាចប្រើបង្កើតម៉ូដែល regression ថ្មីរបស់អ្នក។ -### តែរង់ចាំ! មានអ្វីមួយចម្លែកនៅទីនេះ + ការបោះពុម្ព dataframe របស់អ្នកនឹងបង្ហាញ dataset ដែលបានសម្អាត និងមានរបៀបល្អសម្រាប់បង្កើតម៉ូដែលត្រួតពិនិត្យតម្លៃវិញថ្មី។ + +### ប៉ុន្ដែរង់ចាំ! មានអ្វីមួយចម្លែកនៅទីនេះ -បើអ្នកមើលជួរឈរ `Package` សូមមើលថា វាយផ្លែគោលត្រូវបានលក់ក្នុងការរៀបចំផ្សេងៗគ្នាច្រើន។ មានករណីលក់ជា '1 1/9 bushel', '1/2 bushel', លក់ជា ខ្នាយ ផ្ទាល់, លក់ជា ផោន និងលក់ក្នុងប្រអប់ធំៗដែលមានទទឹងខុសៗគ្នា។ +ប្រសិនបើអ្នកមើលជួរឈរ `Package` ផ្លែទុរក្រហមត្រូវបានលក់ក្នុងការរៀបចំបួនពហុក្បាល។ មួយចំនួនត្រូវបានលក់ក្នុងវិមាត្រដូចជា '1 1/9 bushel' និង '1/2 bushel' មួយចំនួនតាមផ្លែ ទម្ងន់ និងខ្ទង់ធំៗ។ -> បាយផ្លែគោលហាក់ដូចជាពិបាកវាស់ទំងន់ដោយសរុបផ្នែកមួយទេ។ +> ផ្លែទុរក្រហមហាក់ដូចជាលំបាកក្នុងការវាស់ទម្ងន់យ៉ាងមានលក្ខណៈស្តង់ដារ។ -ស្វែងរកជាងទិន្នន័យដើម គួរឱ្យចាប់អារម្មណ៍ថា ទាំងអស់មាន `Unit of Sale` ស្មើជា 'EACH' ឬ 'PER BIN' ត្រូវបានប្រើ `Package` ប្រភេទ តាមអាំងឆ្វេង មិនដូចគ្នា ឬ 'each'។ បាយផ្លែគោលហាក់ដូចជាពិបាកវាស់ទំងន់ច្បាស់លាស់ ដូចនេះយើងត្រូវតែចម្រោះសម្រាប់បាយផ្លែគោលដែលមានខ្សែអក្សរ 'bushel' ក្នុងជួរឈរ `Package` របស់ពួកវា។ +ការវិភាគទិន្នន័យដើម គួរឱ្យចាប់អារម្មណ៍ថា ណាមួយដែលមាន `Unit of Sale` ស្មើនឹង 'EACH' ឬ 'PER BIN' ក៏មានប្រភេទ `Package` ជាម៉ែត្ររយៈ, ប្រអប់ ឬ 'មួយ'។ ផ្លែទុរក្រហមហាក់មិនងាយក្នុងការវាស់ទម្ងន់យ៉ាងមានលក្ខណៈស្តង់ដារ ដូច្នេះយើងចាប់ជម្រើសតែផ្លែទុរក្រហមដែលមានខ្សែអក្សរថា 'bushel' នៅក្នុងជួរឈរ `Package`។ -1. បន្ថែមហ្វីលទ័រមួយនៅផ្នែកលើឯកសារ ខាងក្រោមការនាំចូល .csv ដើម៖ +1. បន្ថែមស្ត្រង់កំណត់នៅលើទំព័រឯកសារ ខាងក្រោមការនាំចូល .csv ដំបូង៖ ```python pumpkins = pumpkins[pumpkins['Package'].str.contains('bushel', case=True, regex=True)] ``` - - បើអ្នកបោះពុម្ពទិន្នន័យឥឡូវនេះ អ្នកនឹងឃើញថា តែជួរដេក​ប្រហែល ៤១៥ ដែលមានបាយផ្លែគោលតាម bushel ត្រូវបានយកតែប៉ុណ្ណោះ។ -### តែរង់ចាំ! មានទៀតអ្វីមួយត្រូវធ្វើបន្ថែម + ប្រសិនបើអ្នកបោះពុម្ពទិន្នន័យឥឡូវនេះ អ្នកនឹងមើលឃើញតែប្រហែល ៤១៥ ជួរដេកនៃទិន្នន័យដែលមានផ្លែទុរក្រហមដោយ bushel។ + +### ប៉ុន្ដែរង់ចាំ! មានរឿងត្រូវធ្វើបន្ថែមទៀត -តើអ្នកមើលឃើញថា បរិមាណ bushel ផ្លាស់ប្ដូរតាមជួរដេកមែនទេ? អ្នកត្រូវធ្វើការទម្រង់តម្លៃតាម bushel សម្រាប់បង្ហាញតម្លៃតាម bushel ដូច្នេះត្រូវធ្វើគណិតវិទ្យាដើម្បីធ្វើឲ្យវាមានភាពស្តង់ដារ។ +តើអ្នកបានយកចិត្តទុកដាក់ទេថាបរិមាណ bushel ផ្លែទុរក្រហមប្រែប្រួលទៅតាមជួរដេក? អ្នកត្រូវត្រួតត្រាតម្លៃឲ្យស្តង់ដារឡើង ដូច្នេះត្រូវធ្វើកិច្ចការ គណនា ដើម្បីធ្វើឲ្យវាដោយស្តង់ដារ។ -1. បន្ថែមជួរដេកខាងក្រោមប្លុកបង្កើត dataframe new_pumpkins៖ +1. បន្ថែមបន្ទាត់ទាំងនេះនៅបន្ទាប់ប្លុកបង្កើត dataframe new_pumpkins: ```python new_pumpkins.loc[new_pumpkins['Package'].str.contains('1 1/9'), 'Price'] = price/(1 + 1/9) new_pumpkins.loc[new_pumpkins['Package'].str.contains('1/2'), 'Price'] = price/(1/2) ``` - -✅ ដោយយោងទៅតាម [The Spruce Eats](https://www.thespruceeats.com/how-much-is-a-bushel-1389308), ទំងន់នៃ bushel អាស្រ័យលើប្រភេទផលិតផល ដូចជា វាជាបរិមាណមួយ។ "Bushel ត្រសក់ គឺត្រូវមានទំងន់ ៥៦ ផោន... ដល់ស្លឹកបៃតង មានទំហំធំជាង និងទំងន់តិចជាង bushel ត្រសក់ spinach គឺមានតែ ២០ ផោន"។ វាមិនងាយស្រួលទេ! យើងមិនបានបំលែង bushel ទៅផោនឡើយ តែប្រើតម្លៃតាម bushel។ ការសិក្សានេះពោរពេញដោយសារៈសំខាន់ក្នុងការយល់ដឹងធម្មជាតិនៃទិន្នន័យរបស់អ្នក! -ឥឡូវនេះ អ្នកអាចវិភាគតម្លៃរាប់តាមឯកតាជាផ្អែកលើការវាស់ bushel របស់ពួកវា។ ប្រសិនបើអ្នកបោះពុម្ពទិន្នន័យនេះម្តងទៀត អ្នកនឹងឃើញភាពស្តង់ដារ។ +✅ យោងទៅតាម [The Spruce Eats](https://www.thespruceeats.com/how-much-is-a-bushel-1389308) ទម្ងន់មួយ bushel អាស្រ័យទៅលើប្រភេទផលិតផល ដូចជាវាជាមាត្របម្រុងទំហំ។ "Bushel មួយនៃត្របែក ត្រូវវាស់ទម្ងន់បាន ៥៦ ផោន... ស្លឹកបន្លែ និងបន្លែមានទំហំធំ និងទម្ងន់តិច ដូច្នេះ bushel នៃសាឡាដត្រជាក់ គឺមានទម្ងន់ត្រឹម ២០ ផោន។" វាជារឿងស្មុគស្មាញណាស់! មិនត្រូវបំភាយការបម្លែងពី bushel ទៅផោន ទៅជាទម្ងន់ទេ ហើយត្រូវកំណត់តម្លៃដោយ bushel ពេញលេញ។ ការសិក្សាទាំងនេះអំពី bushel ផ្លែទុរក្រហមបង្ហាញថាសំខាន់ណាស់ក្នុងការយល់ដឹងពីធម្មជាតិទិន្នន័យរបស់អ្នក! -✅ តើអ្នកមើលឃើញទេថា ផ្លែគោលដែលលក់ដោយ bushel ផ្នែកកន្លះមានតម្លៃថ្លៃជាង? តើអ្នកអាចសន្និដ្ឋានពីមូលហេតុបានទេ? គំនិត៖ បាយផ្លែគោលតូចៗ មានតំលៃថ្លៃជាងបាយធំៗ ព្រោះមានច្រើនជាងនៅក្នុង bushel មួយ ដោយផ្អែកលើកន្លែងទំនេរដែលមានរវាងវាយដ៏ធំនិងផ្លែគោល។ +ឥឡូវនេះ អ្នកអាចវិភាគតម្លៃក្នុងមួយឯកតា ដែលអាស្រ័យលើការវាស់វែង bushel។ ប្រសិនបើអ្នកបោះពុម្ពទិន្នន័យម្ដងទៀត អ្នកនឹងឃើញវាបានស្តង់ដាររួចហើយ។ -## វិធីសាស្រ្តវិចិត្រស័ក្តិ +✅ តើអ្នកត្រូវដឹងទេថា ផ្លែទុរក្រហមដែលលក់ដោយមួយថូ bushel តម្លៃថ្លៃណាស់? តើអ្នកអាចកំណត់ហេតុផលបានទេ? ការណែនាំ៖ ផ្លែទុរក្រហមតូចៗថ្លៃជាងវាល្អ ព្រោះមានច្រើនជាងក្នុងមួយ bushel បើប្រៀបធៀបនឹងផ្លែធំមួយ សម្រាប់រាងខោអាវដូចជា pumpkin hollow pie ដែលមានកន្លែងទទេ។ -ផ្នែកមួយនៃភារកិច្ចរបស់វិទ្យាសាស្ដ្រ ទិន្នន័យគឺការបង្ហាញពីគុណភាព និងធម្មជាតិនៃទិន្នន័យដែលពួកគេទទួលបាន។ ដើម្បីធ្វើបែបនេះ មិនហ៊ានតែបង្កើតវិចិត្រស័ក្តិស្អាតៗជានិច្ច ឬ អត្រា គន្លង និងក្រាផបាន សម្រាប់បង្ហាញប្រភេទផ្សេងៗនៃទិន្នន័យ។ តាមរយៈនេះ ពួកគេអាចបង្ហាញទំនាក់ទំនង និងកន្លែងខ្វះខាតដែលពិបាកសំរេចដោយការមើលតាមផ្ទាល់។ +## វិធីសាស្រ្តបង្ហាញទិន្នន័យ -[![ML សម្រាប់អ្នកថ្មី - របៀបវិចិត្រស័ក្តិនិន្នន័យជាមួយ Matplotlib](https://img.youtube.com/vi/SbUkxH6IJo0/0.jpg)](https://youtu.be/SbUkxH6IJo0 "ML សម្រាប់អ្នកថ្មី - របៀបវិចិត្រស័ក្តិនិន្នន័យជាមួយ Matplotlib") +ភាគមួយនៃតួអង្គរបស់អ្នកវិទ្យាសាស្ត្រទិន្នន័យគឺបង្ហាញគុណភាពនិងធម្មជាតិទិន្នន័យដែលពួកគេចង់ដំណើរការជាមួយ។ ដើម្បីធ្វើដូចនេះ ពួកគេជាញឹកញាប់បង្កើតការបង្ហាញទិន្នន័យគួរឱ្យចាប់អារម្មណ៍ ឬក្រាហ្វិក, គំនូស និងតារាង បង្ហាញបំណែកផ្សេងៗនៃទិន្នន័យ។ ដោយវិធីនេះ ពួកគេអាចបង្ហាញចំណងជើងនិងចន្លោះដែលលំបាកក្នុងការរកឃើញ។ -> 🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូខ្លីបង្ហាញពីការវិចិត្រស័ក្តិនិន្នន័យសម្រាប់មេរៀននេះ។ +[![ML for beginners - របៀបបង្ហាញទិន្នន័យជាមួយ Matplotlib](https://img.youtube.com/vi/SbUkxH6IJo0/0.jpg)](https://youtu.be/SbUkxH6IJo0 "ML for beginners - របៀបបង្ហាញទិន្នន័យជាមួយ Matplotlib") -វិចិត្រស័ក្តិអាចជួយកំណត់បច្ចេកទេសម៉ាស៊ីនរៀនដែលសមស្របបំផុតសម្រាប់ទិន្នន័យបាន។ គំនូស scatterplot ដែលហាក់ដូចតាមបន្ទាត់ បានបង្ហាញថាទិន្នន័យល្អសម្រាប់ការប្រើ regression របៀបលីនេអ៊ែរ។ +> 🎥 ចុចលើរូបភាពខាងលើសម្រាប់វីដេអូចំណីទស្សនាខ្លីដែលបង្ហាញពីការបង្ហាញទិន្នន័យសម្រាប់មេរៀននេះ។ -បណ្ណាល័យវិចិត្រស័ក្តិទិន្នន័យមួយដែលដំណើរការល្អក្នុង Jupyter notebooks គឺ [Matplotlib](https://matplotlib.org/) (ដែលអ្នកបានឃើញមុននេះក្នុងមេរៀនមុន)។ +ការបង្ហាញទិន្នន័យអាចជួយកំណត់បច្ចេកទេសសិក្សាម៉ាស៊ីនដែលសមស្របជាងសម្រាប់ទិន្នន័យ។ គំនូស scatterplot ដែលហាក់ដូចតាមស្រឡាយបង្ហាញថាទិន្នន័យគឺជាក្រុមដែលសមស្របសម្រាប់តេស្តការត្រួតពិនិត្យតម្លៃវិញបច្ចេកទេសវិធីសាស្រ្តបន្ទាត់។ -> ទទួលបានបទពិសោធន៍បន្ថែមជាមួយវិចិត្រស័ក្តិនិន្នន័យក្នុង [មេរៀនទាំងនេះ](https://docs.microsoft.com/learn/modules/explore-analyze-data-with-python?WT.mc_id=academic-77952-leestott)។ +មួយក្នុងចំណោមបណ្ណាល័យបង្ហាញទិន្នន័យដែលដំណើរការល្អក្នុង Jupyter notebooks គឺ [Matplotlib](https://matplotlib.org/) (ដែលអ្នកបានមើលក្នុងមេរៀនមុន)។ + +> ទទួលបានបទពិសោធន៍បន្ថែមនៃការបង្ហាញទិន្នន័យនៅក្នុង [មេរៀនទាំងនេះ](https://docs.microsoft.com/learn/modules/explore-analyze-data-with-python?WT.mc_id=academic-77952-leestott)។ ## លំហាត់ - សាកល្បងជាមួយ Matplotlib -សាកល្បងបង្កើតគំនូសបន្ទាត់មូលដ្ឋានដើម្បីបង្ហាញ dataframe ថ្មីដែលអ្នកបានបង្កើត។ តើគំនូសបន្ទាត់មូលដ្ឋាននឹងបង្ហាញអ្វី? +ព្យាយាមបង្កើតគំនូសមូលដ្ឋានខ្លះៗ ដើម្បីបង្ហាញ dataframe ថ្មីដែលអ្នកទើបបង្កើត។ គំនូសបន្ទាត់មូលដ្ឋាននឹងបង្ហាញអ្វី? -1. នាំចូល Matplotlib នៅផ្នែកលើឯកសារ ក្រោមការនាំចូល Pandas៖ +1. នាំចូល Matplotlib នៅលើផ្ទៃឯកសារ ខាងក្រោមនាំចូល Pandas: ```python import matplotlib.pyplot as plt ``` - -1. ដំណើរការសៀវភៅគ្រាន់ចប់ម្តងទៀតសម្រាប់បន្ទាន់សម័យ។ -1. នៅខាងក្រោមនៃសៀវភៅបន្ថែមកោសិកាដើម្បីគូសទិន្នន័យជាប្រអប់៖ + +1. រត់ម្តងទៀតនូវសៀវភៅកំណត់ត្រាទាំងមូល ដើម្បីធ្វើឱ្យទាន់សម័យ។ +1. នៅចុងសៀវភៅកំណត់ត្រា បន្ថែមកោសិកាមួយសម្រាប់គំនូសទិន្នន័យជាតារាងប្រអប់ (box): ```python price = new_pumpkins.Price @@ -173,47 +173,122 @@ plt.scatter(price, month) plt.show() ``` - - ![គំនូស scatterplot បង្ហាញទំនាក់ទំនងតម្លៃទៅខែ](../../../../translated_images/km/scatterplot.b6868f44cbd2051c.webp) - តើនេះជាគំនូសមានប្រយោជន៍ទេ? តើមានអ្វីណាមួយដែលធ្វើឲ្យអ្នកភ្ញាក់ផ្អើលទេ? + ![គំនូស scatterplot បង្ហាញទំនាក់ទំនងតម្លៃនឹងខែ](../../../../translated_images/km/scatterplot.b6868f44cbd2051c.webp) - វាមិនមានប្រយោជន៍ពិសេសណាស់ទេ ពីព្រោះវា​គ្រាន់តែបង្ហាញទិន្នន័យរបស់អ្នកជាចំនុចច散នៅក្នុងខែណាមួយ។ + តើនេះជាគំនូសមានប្រយោជន៍ដែរឬទេ? តើមានអ្វីដែលធ្វើឲ្យអ្នកភ្ញាក់ផ្អើលទេ? + + វាមិនមានប្រយោជន៍ពិសេស យ៉ាងហោចណាស់វាបង្ហាញតែចំណុចចែកចាយទិន្នន័យនៅខែមួយ។ ### ធ្វើឲ្យវាមានប្រយោជន៍ -ដើម្បីទទួលបានតារាងបង្ហាញទិន្នន័យដែលមានប្រយោជន៍ អ្នកត្រូវតែផ្ដុំទិន្នន័យមួយរបៀបណាមួយ។ យើងសាកល្បងបង្កើតគំនូសដែលភាគល្អិត y បង្ហាញខែ និងទិន្នន័យបង្ហាញការបែងចែកទិន្នន័យ។ +ដើម្បីឲ្យតារាងបង្ហាញទិន្នន័យមានប្រយោជន៍ អ្នកភ្លឹតត្រូវតែក្រុមទិន្នន័យមួយរបៀបណាមួយ។ ព្យាយាមបង្កើតគំនូសដែលពីអ័ក្ស y បង្ហាញខែ ខណ:ដែលទិន្នន័យបង្ហាញពីចំណែកនៃទិន្នន័យ។ -1. បន្ថែមកោសិកាមួយសម្រាប់បង្កើតតារាងជាតារាងប៊ា៖ +1. បន្ថែមកោសិកាមួយសម្រាប់បង្កើតគំនូសតារាងបន្ទាត់ជាក្រុម (grouped bar chart): ```python new_pumpkins.groupby(['Month'])['Price'].mean().plot(kind='bar') plt.ylabel("Pumpkin Price") ``` - - ![តារាងប៊ាបង្ហាញទំនាក់ទំនងតម្លៃទៅខែ](../../../../translated_images/km/barchart.a833ea9194346d76.webp) - នេះជាវិចិត្រស័ក្តិទិន្នន័យមានប្រយោជន៍ជាងមុនទេ! វាហាក់ដូចបង្ហាញថាតម្លៃខ្ពស់បំផុតសម្រាប់បាយផ្លែគោលមាននៅខែកញ្ញា និងតុលា។ តើវาตรงតាមការរំពឹងទុករបស់អ្នកទេ? ហេតុអ្វី? + ![គំនូសតារាងបន្ទាត់បង្ហាញទំនាក់ទំនងតម្លៃនឹងខែ](../../../../translated_images/km/barchart.a833ea9194346d76.webp) + + នេះជាការបង្ហាញទិន្នន័យមានប្រយោជន៍ជាង! វាលើកឡើងថាតម្លៃផ្កាផ្លែទុរក្រហមខ្ពស់ក្នុងខែកញ្ញានិងតុលា។ តើវាដូចដែលអ្នករំពឹងទុករឺទេ? ហេតុអ្វីបានជាឬមិន? + +## លំហាត់ - សាកល្បងជាមួយ Seaborn + +Matplotlib មានអំណាច ប៉ុន្តែការបង្កើតគំនូសល្អៗទាមទារកូដច្រើន។ [Seaborn](https://seaborn.pydata.org/) ជាបណ្ណាល័យដែលសង់លើ Matplotlib ដែលមានគោលបំណងសម្រាប់ការបង្ហាញទិន្នន័យស្ថិតិ។ វាដំណើរការផ្ទាល់ជាមួយ Pandas dataframe អនុវត្តស្ទីលរចនាដ៏ទាក់ទាញដើម, ហើយអនុញ្ញាតឲ្យអ្នកបង្កើតគំនូសពត៌មានជាមួយកូដតិចជ្រុល។ ពីព្រោះ Seaborn បញ្ជូនតម្លៃវត្ថុ Matplotlib អ្នកនៅតែអាចប្រើប្រាស់អ្វីដែលអ្នកស្គាល់ពី Matplotlib ដើម្បីកែប្រែលទ្ធផលបាន។ + +> ប្រសិនបើអ្នកមិនទាន់ដំឡើង Seaborn, ដំឡើងវា ដោយប្រើ `pip install seaborn`។ + +1. នាំចូល Seaborn នៅលើផ្ទៃសៀវភៅកំណត់ត្រា តាមក្រោមនាំចូលផ្សេងទៀត។ វាត្រូវបាននាំចូលជាទូទៅជាមួយឈ្មោះ `sns`៖ + + ```python + import seaborn as sns + ``` + +### គំនូស scatter ເພື່ອបង្ហាញទំនាក់ទំនង + +ភាគមួយធំនៃការស្វែងរកទិន្នន័យមុនការសាងម៉ូដែលគឺរកឲ្យឃើញ _ទំនាក់ទំនង_ រវាងអថេរ។ គំនូស [scatter plot](https://en.wikipedia.org/wiki/Scatter_plot) គឺជាឧបករណ៍ល្អបំផុតមួយ សម្រាប់នេះ៖ បើចំណុចហាក់ដូចតាមបន្ទាត់ អថេរពីរនេះអាចមានទំនាក់ទំនងគ្នា ដែលជាសញ្ញាល្អថាម៉ូដែលការត្រួតពិនិត្យតម្លៃវិញបន្ទាត់អាចដំណើរការ។ + +1. បង្កើតឡើងវិញគំនូស scatter plot តម្លៃទៅខែពីមុន ពេលនេះប្រើ Seaborn's [`relplot()`](https://seaborn.pydata.org/generated/seaborn.relplot.html) (គំនូសទំនាក់ទំនង) ដែលដំណើរការផ្ទាល់ជាមួយជួរឈរ dataframe របស់អ្នក៖ + + ```python + sns.relplot(x="Price", y="Month", data=new_pumpkins) + ``` + + ![គំនូស scatterplot Seaborn បង្ហាញទំនាក់ទំនងតម្លៃនឹងខែ](../../../../translated_images/km/relplot.a03837d8f0329cec.webp) + + សូមចាប់អារម្មណ៍ថាអ្នកផ្ដល់​ឈ្មោះជួរឈរ និង dataframe ហើយ Seaborn រក្សាថ្លា​ទម្រង់អ័ក្សសម្រាប់អ្នក។ + +2. អ្នកអាចប្ដូរទៅគំនូសបន្ទាត់ដោយផ្ដល់ `kind="line"`។ Seaborn គូរពណ៌ស្រមោលបង្ហាញចន្លោះទំនុកចិត្តជុំវិញបន្ទាត់ៈ + + ```python + sns.relplot(x="Price", y="Month", kind="line", data=new_pumpkins) + ``` + + ![គំនូសបន្ទាត់ Seaborn បង្ហាញទំនាក់ទំនងតម្លៃនឹងខែ](../../../../translated_images/km/lineplot.f9034ba47b1e30ee.webp) + + ទិន្នន័យនេះស្ងើចស្ងាត់គ្នា ដោយហើយគំនូសបន្ទាត់មិនមែនជាជម្រើសច្បាស់លាស់បំផុត ទោះជាយ៉ាងណាក៏ដោយ វាបង្ហាញពីរបៀបដែលអ្នកអាចប្ដូរប្រភេទគំនូសក្នុង Seaborn បានយ៉ាងងាយស្រួល។ + +### គំនូសតារាងបន្ទាត់បង្ហាញចំណែក + + +មុននេះ អ្នកបានបំបែកទិន្នន័យដោយដៃ ដើម្បីបង្កើតតារាងស្រោមជាមួយ Matplotlib។ Seaborn's [`catplot()`](https://seaborn.pydata.org/generated/seaborn.catplot.html) (តារាងប្រភេទ) អាចធ្វើការបំបែក និងសរុបសម្រាប់អ្នកបាន។ ជាពីលំនាំដើម `kind="bar"` បង្ហាញមធ្យមភាគរបស់ក្រុមប្រភេទនីមួយៗជាមួយខ្សែខ្មៅដែលបង្ហាញពីមាឌកំណត់ទំនុកចិត្ត។ + +1. បង្កើតតារាងស្រោមបង្ហាញតម្លៃមធ្យមក្នុងមួយខែ: + + ```python + sns.catplot(x="Month", y="Price", data=new_pumpkins, kind="bar") + ``` + + ![តារាងស្រោម Seaborn បង្ហាញពីចំនួនតម្លៃក្នុងមួយខែ](../../../../translated_images/km/catplot.e73fc35fdf96242b.webp) + + នេះបញ្ជាក់អ្វីដែលអ្នកបានឃើញជាមួយ Matplotlib — តម្លៃកើនឡើងជិតខែកញ្ញានឹងតុលា — ប៉ុន្តែ Seaborn ក៏បង្ហាញទ្រព្យសម្បត្តិយ៉ាងខ្លាំងថាតម្លៃ _ប្រែប្រួល_ នៅក្នុងមួយខែ។ + +### តារាងកម្តៅដើម្បីបង្ហាញការភ្ជាប់ទាក់ទង + +តារាងចុចបញ្ចូលប្រៀបធៀបអថេរពីរពេលមួយ។ ពេលដែលអ្នកមានជួរឈរលេខច្រើន មួយ [heatmap](https://en.wikipedia.org/wiki/Heat_map) អនុញ្ញាតឱ្យអ្នកមើលកម្លាំងនៃទំនាក់ទំនងរវាង _គូ_ ជួរឈរទាំងអស់នៅពេលតែមួយ។ នេះជាវិធីទូទៅក្នុងការរកមើលលក្ខណៈដែលភ្ជាប់ទាក់ទងខ្លាំងជាងគេ មុននឹងជ្រើសរើសអ្វីដែលត្រូវបញ្ចូលទៅក្នុងម៉ូដែល (និងតារាងដូចគ្នានេះបង្ហាញពីក្រឡាចរណ៍ការភាន់ច្រឡំក្នុងការបែងចែកថ្នាក់នៅពេលក្រោយ)។ + +1. បង្កើតម៉ាទ្រីសការភ្ជាប់ទាក់ទងជាមួយ Pandas បន្ទាប់មកគូរវាជាមួយ [`heatmap()`](https://seaborn.pydata.org/generated/seaborn.heatmap.html) របស់ Seaborn។ ជម្រើស `annot=True` បង្ហាញតម្លៃការភ្ជាប់នៅលើក្រឡា និងជួរឈរ៖ + + ```python + correlations = new_pumpkins[['Month', 'Low Price', 'High Price', 'Price']].corr() + sns.heatmap(correlations, annot=True, cmap="coolwarm") + ``` + + ![តារាងកម្តៅ Seaborn បង្ហាញការភ្ជាប់រវាងជួរឈរលេខ](../../../../translated_images/km/heatmap.bd98dce43b404c57.webp) + + តម្លៃជិតនឹង `1` (ឬ `-1`) មានន័យថាជួរឈរនេះភ្ជាប់ _បន្ទាត់ស្រប_ យ៉ាងខ្លាំង។ សូមចំណាំថា `Low Price` និង `High Price` ត្រូវបានភ្ជាប់យ៉ាងពេញលេញ។ `Month` មួយទៀត បង្ហាញការភ្ជាប់បន្ទាត់ស្របខ្សែអតិផរណា នឹងតម្លៃ — ទោះបីជាតារាងស្រោមខាងលើបង្ហាញចំណាប់អារម្មណ៍រដូវកាលច្បាស់លាស់នៅខែកញ្ញានិងតុលា។ នេះគឺជមLesson មួយសំខាន់៖ សមាមាត្រ correlation គឺវាស់តែទំនាក់ទំនង _បន្ទាត់ស្រប_ ដែលឆ្លងកាត់ខ្សែ ហើយវាអាចខកចិត្តលើបំណះរដូវកាល ឬលំនាំដែលមិនមែនបន្ទាត់ស្របឡើយ។ ✅ ហេតុអ្វីដែរ គឺមានប្រយោជន៍ក្នុងការមើលទាំង heatmap *និង* តារាងដូចតារាងស្រោម មួយទៀតមុនពេលសម្រេចចិត្តជ្រើសរើសជួរឈរមួយ? + +### Matplotlib ឬ Seaborn? + +ទាំងពីររាយបញ្ជីនេះគួរតែស្គាល់៖ + +- **Matplotlib** ផ្តល់ឱ្យអ្នកការគ្រប់គ្រងល្អមែនល្អលើធាតុរបស់តារាង និងជាផ្នែកមូលដ្ឋានសម្រាប់រោងចក្រ Python plotting ផ្សេងទៀតភាគច្រើន។ +- **Seaborn** ផ្តល់មុខងារលំដាប់ខ្ពស់ជាមួយលំនាំស្អាតសម្រាប់តារាងស្ថិតិ ដំណើរការយ៉ាងផ្ទាល់ជាមួយ DataFrame និងខ្លាំងធំក្នុងការវិភាគទិន្នន័យយ៉ាងឆាប់រហ័ស។ + +វិធីធម្មតាមួយគឺប្រើការសំរាប់បំពេញ Seaborn ដើម្បីស្វែងរកទិន្នន័យយ៉ាងឆាប់រហ័ស បន្ទាប់មកចុះទៅ Matplotlib ក្រោមពេលដែលអ្នកត្រូវការប្ដូរតម្រង់លម្អិត។ --- -## 🚀 ការប្រកួតប្រជែង +## 🚀ការប្រកួតប្រជែង -ស្វែងយល់អំពីប្រភេទវិចិត្រស័ក្តិផ្សេងៗដែល Matplotlib ផ្តល់ជូន។ ប្រភេទណាដែលសមរម្យបំផុតសម្រាប់បញ្ហារេហ្គ្រេសស្យុង? +ស្វែងយល់ពីប្រភេទនៃការមើលឃើញដែល Matplotlib និង Seaborn ផ្តល់ជូន។ តើប្រភេទណាខ្លះគួរឱ្យសមសម្រាប់បញ្ហាធ្វើបាត់បង់? -## [តេស្តបន្ទាប់ម៉េរៀន](https://ff-quizzes.netlify.app/en/ml/) +## [សំណួរប្រឡងបន្ទាប់មក](https://ff-quizzes.netlify.app/en/ml/) -## សង្ខេប និងការសិក្សាឯកឯង +## ការពិនិត្យឡើងវិញ និង ស្រាវជ្រាវផ្ទាល់ខ្លួន -សូមមើលវិធីជាច្រើនក្នុងការវិចិត្រស័ក្តិនិន្នន័យ។ បង្កើតបញ្ជីបណ្ណាល័យផ្សេងៗ និងសម្គាល់ថាបណ្ណាល័យណាដែលល្អបំផុតសម្រាប់ភារកិច្ចបច្ចេកទេសផ្សេងៗ ដូចជាវិចិត្រស័ក្តិ 2D និង 3D។ តើអ្នកបានរកឃើញអ្វីខ្លះ? +មើលមុខវិធីជាច្រើនក្នុងការមើលឃើញទិន្នន័យ។ បំបែកបញ្ជីបណ្ណាល័យនានាដែលមាន នៅតែមើលថាអ្វីខ្លះសមល្អសម្រាប់បេសកកម្មណាមួយដូចជា 2D និង 3D ទិដ្ឋភាព។ តើអ្នករកឃើញអ្វីខ្លះ? -## កាតព្វកិច្ច +## ភារកិច្ច -[ការស្វែងរកវិចិត្រស័ក្តិ](assignment.md) +[ស្វែងយល់ពីការមើលឃើញ](assignment.md) --- -**ការបដិសេធ**៖ -ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាកម្មបកប្រែ AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ខណៈពេលយើងខិតខំរកសុពលភាព យើងសូមអោយស្គាល់ថាការបកប្រែដោយស្វ័យប្រវត្តិកុំព្យូទ័រអាចមានកំហុសឬការខកខានខ្លះ។ ឯកសារដើមជាភាសាដើមគួរត្រូវបានចាត់ទុកជាមធ្យោបាយដែលមានសិទ្ធិពេញលេញ។ សម្រាប់ព័ត៌មានដែលសំខាន់ ការបកប្រែដោយអ្នកជំនាញវិជ្ជាជីវៈត្រូវបានផ្តល់អនុសាសន៍។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំឬការបកប្រែមិនត្រឹមត្រូវណាមួយដែលកើតឡើងពីការប្រើប្រាស់ការបកប្រែនេះឡើយ។ +**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/2-Regression/2-Data/solution/notebook.ipynb b/translations/km/2-Regression/2-Data/solution/notebook.ipynb index 153fffe07..2f08e1720 100644 --- a/translations/km/2-Regression/2-Data/solution/notebook.ipynb +++ b/translations/km/2-Regression/2-Data/solution/notebook.ipynb @@ -4,7 +4,7 @@ "cell_type": "markdown", "metadata": {}, "source": [ - "## លីនអ៊ែរ រេក្រេសសិន សម្រាប់ផំពក់ទក - មេរៀនទី ២\n" + "## ការសម្រួលរាបស្មើសម្រាប់កំចាត់ទឹកក្រូចឆ្លុះ - មេរៀនទី 2\n" ] }, { @@ -222,6 +222,7 @@ "source": [ "import pandas as pd\n", "import matplotlib.pyplot as plt\n", + "import seaborn as sns\n", "pumpkins = pd.read_csv('../../data/US-pumpkins.csv')\n", "\n", "pumpkins = pumpkins[pumpkins['Package'].str.contains('bushel', case=True, regex=True)]\n", @@ -385,18 +386,78 @@ "plt.ylabel(\"Pumpkin Price\")" ] }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "## ការចាក់បង្ហាញជាមួយ Seaborn\n", + "\n", + "[Seaborn](https://seaborn.pydata.org/) ត្រូវបានបង្កើតនៅលើ Matplotlib ហើយធ្វើការជាមួយ dataframes ដោយផ្ទាល់ ដែលធ្វើឱ្យវាបង្កើតគំនូសស្ថិតិដែលទាក់ទាញបានយ៉ាងលឿនជាមួយកូដតិចតួច។\n" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "### គំនូសបែកបាក់ដើម្បីបង្ហាញទំនាក់ទំនង\n" + ] + }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], - "source": [] + "source": [ + "sns.relplot(x=\"Price\", y=\"Month\", data=new_pumpkins)" + ] + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": {}, + "outputs": [], + "source": [ + "sns.relplot(x=\"Price\", y=\"Month\", kind=\"line\", data=new_pumpkins)" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "### ស្លាបព្រិលតាងបាតដើម្បីបង្ហាញការបែងចែក\n" + ] + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": {}, + "outputs": [], + "source": [ + "sns.catplot(x=\"Month\", y=\"Price\", data=new_pumpkins, kind=\"bar\")" + ] + }, + { + "cell_type": "markdown", + "metadata": {}, + "source": [ + "### ផែនទីកម្តៅដើម្បីបង្ហាញទំនាក់ទំនងគ្នា\n" + ] + }, + { + "cell_type": "code", + "execution_count": null, + "metadata": {}, + "outputs": [], + "source": [ + "correlations = new_pumpkins[['Month', 'Low Price', 'High Price', 'Price']].corr()\n", + "sns.heatmap(correlations, annot=True, cmap=\"coolwarm\")" + ] }, { "cell_type": "markdown", "metadata": {}, "source": [ - "---\n\n\n**ការបដិសេធ**៖ \nឯកសារនេះត្រូវបានបម្លែងភាសា ដោយប្រើសេវាកម្មបកប្រែ AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ទោះបីយើងខិតខំព្យាយាមសំរាប់ភាពត្រឹមត្រូវ ក៏ដោយ សូមជ្រាបថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុស ឬការជ្រៀតចូលខុសៗបាន។ ឯកសារដើមនៅក្នុងភាសាដែលវាត្រូវបានសរសេរជា ភាសាទូទៅគួរត្រូវបានគិតថាជា ប្រភពដែលមានសិទ្ធិខ្ពង់ខ្ពស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ ការបកប្រែដោយអ្នកជំនាញមនុស្សត្រូវបានណែនាំ។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសៗណាមួយដែលកើតឡើងពីការប្រើប្រាស់ការបកប្រែនេះឡើយ។\n\n" + "---\n\n\n**ការបដិសេធ**:\nឯកសារនេះត្រូវបានបម្លែងភាសា ដោយប្រើសេវាបម្លែងភាសា AI [Co-op Translator](https://github.com/Azure/co-op-translator)។ ទោះយើងខ្ញុំមានក្តីប្រាថ្នាឱ្យបានច្បាស់លាស់ តែសូមយល់ដឹងថាការបម្លែងដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាទីតាំងគួរត្រូវបានគេប្រើជាប្រភពច្បាស់លាស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឱ្យប្រើប្រាស់ការប្រែដោយមនុស្សជំនាញ។ យើងខ្ញុំមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសបន្ទាប់ពីការប្រើប្រាស់ការបម្លែងនេះនោះទេ។\n\n" ] } ],