# မစဉ်းစားပြီး စက်သင်ယူခြင်းအတွက် အကြို

## [Pre-lecture quiz](https://ff-quizzes.netlify.app/en/ml/)

---

[![ML for beginners - Introduction to Machine Learning for Beginners](https://img.youtube.com/vi/6mSx_KJxcHI/0.jpg)](https://youtu.be/6mSx_KJxcHI "ML for beginners - Introduction to Machine Learning for Beginners")

> 🎥 ဤသင်တန်းကို အလုပ်လုပ်ခြင်း၏ အတိုချုံ့ဗီဒီယိုအတွက် အထက်ပါပုံကို နှိပ်ပါ။

သင်ကြားမှုသင်တန်းအတွက် classical machine learning ကို စတင်လေ့လာသူများအတွက် ကြိုဆိုပါသည်။ သင်သည် ဤအကြောင်းအရာနှင့် အသစ်စတင်သူဖြစ်ပါစေ၊ ML လက်တွေ့ကျွမ်းကျင်သူဖြစ်ပါစေ၊ သင်သည် သင့်ရဲ့ ML သင်ကြားမှုအတွက် လှုပ်ရှားမှုတစ်ခု ဖြစ်ပေါ်စေချင်ပါတယ်၊ စိတ်ချရတဲ့ နေရာတစ်ခုဖန်တီးပေးချင်ပါတယ်။ ကျနော်တို့သည် သင့် [တုံ့ပြန်ချက်](https://github.com/microsoft/ML-For-Beginners/discussions) ကို အကဲဖြတ်၊ တုံ့ပြန်၊ ထည့်သွင်းရာတွင် ဝမ်းမြောက်ပါသည်။

[![Introduction to ML](https://img.youtube.com/vi/h0e2HAPTGF4/0.jpg)](https://youtu.be/h0e2HAPTGF4 "Introduction to ML")

> 🎥 ဤပုံကို နှိပ်၍ MIT ၏ John Guttag မှ machine learning ကို မှိတ်ဆောင်သောဗီဒီယိုကို ကြည့်ပါ။

---
## စက်သင်ယူခြင်းနှင့် စတင်ခြင်း

ဤသင်ခန်းစာကို စတင်မလုပ်မီ သင်၏ ကွန်ပျူတာကို စနစ်အလိုက် အဆင့်သတ်မှတ်ပြီး တိုက်ရိုက် notebook များကို အလုပ်လုပ်နိုင်ရန် ပြင်ဆင်ထားရန်လိုအပ်ပါသည်။

- **ဤဗီဒီယိုများနှင့် သင့်ကွန်ပျူတာကို ချိန်ညှိပါ**။ အောက်ပါလင့်ခ်များကို အသုံးပြု၍ [Python ကိုတပ်ဆင်နည်း](https://youtu.be/CXZYvNRIAKM) နှင့် [code editor တစ်ခုကို စိတ်ကြိုက်ပြင်ဆင်နည်း](https://youtu.be/EU8eayHWoZg) ကို သင်ယူပါ။
- **Python ကို သင်ယူပါ**။ ဒီသင်ခန်းစာတွင် အသုံးပြုသော ဒေတာသိပ္ပံပညာရှင်များအတွက် အသုံးဝင်သော ဘာသာစကားဖြစ်သော [Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott) အခြေခံနားလည်မှု ရှိရန် အကြံပြုသည်။
- **Node.js နှင့် JavaScript ကို သင်ယူပါ**။ ကျွန်ုပ်တို့ သင်ခန်းစာအတွင်း python နှင့် JavaScript နှစ်ခုလုံးအတွက် အသုံးပြု၍ ဝက်ဘ်အက်ပ်များ တည်ဆောက်မှုအတွက် [node](https://nodejs.org) နှင့် [npm](https://www.npmjs.com/) တပ်ဆင်ထားရမည်၊ အတူတကွ [Visual Studio Code](https://code.visualstudio.com/) ကို လည်း အသုံးပြုနိုင်ရမည်။
- **GitHub အကောင့်ဖန်တီးပါ**။ သင်သည် ဒီမှာ [GitHub](https://github.com) တွင် ကျွန်ုပ်တို့ကို ရှာဖွေတွေ့ရှိခဲ့သောကြောင့် သင်မှာ အကောင့်ရှိဖြစ်ပါနိုင်သည်၊ မရှိလျှင် ဖန်တီးပါ၊ နောက်တစ်ကြိမ် သင်၏ ကိုယ်ပိုင်သင်ခန်းစာပုံစံအတိုင်း branch မဖြတ်ရန် fork လုပ်ပါ။ (ကျွန်ုပ်တို့အား ကြယ်ပေးသည်မှာလည်း ကျေးဇူးတင်ပါသည် 😊)
- **Scikit-learn ကို စူးစမ်းရှုပါ**။ ယင်းသင်ခန်းစာများတွင် ကိုးကားသော ML လိုင်ဘရီများဖြစ်သော [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) ကို လေ့လာလိမ့်မည်။

---
## စက်သင်ယူခြင်း란ဘာလဲ?

'စက်သင်ယူခြင်း' ဟူသော စကားလုံးသည် ယနေ့ခေတ်အများဆုံးအသုံးပြုသော စကားလုံးတစ်ခုဖြစ်သည်။ နည်းပညာနှင့် သင်သိရှိမှုတစ်ခုခုရှိပါက ဤစကားလုံးကို တစ်ခါတစ်ရံ ကြားဖူးဖြစ်ပြီး ဖြစ်နိုင်ပါသည်။ သို့သော် စက်သင်ယူခြင်း၏ လုပ်ဆောင်ပုံများသည် လူအများစုအတွက် မထင်ရှားသေးပါ။ စက်သင်ယူသူ အသစ်အတွက် ပညာရပ်သည် လုပ်ဆောင်ရ အခက်အခဲများ ဖြစ်နိုင်သည်။ ထို့ကြောင့် စက်သင်ယူခြင်းသည် တကယ် အဘယ်နည်းကို နားလည်ကောင်းစွာ ရယူခြင်းနှင့် လက်တွေ့အဖြစ်များမှတဆင့် အဆင့်ဆင့် သင်ယူသည်မှာ အရေးကြီးသည်။

---
## အားလုံးစိတ်လှုပ်ရှားသည့် လမ်းကြောင်း

![ml hype curve](../../../../translated_images/my/hype.07183d711a17aafe.webp)

> Google Trends ကနေ 'machine learning' စကားလုံး၏ လတ်တလော hype curve ကို ပြသနေသည်။

---
## တစ်ခုသောအံ့ဖွယ်ကမ္ဘာ

ကျွန်တော်တို့သည် အံ့ဖွယ်စုံလင်သော လျှို့ဝှက်ချက်များအပြည့်နက်သော ကမ္ဘာတစ်ခုတွင် နေနေသည်။ နာမည်ကြီး သိပ္ပံပညာရှင်များဖြစ်သူ Stephen Hawking၊ Albert Einstein နှင့် အခြားအများအပြားသည် စိုင်းစွမ်းသော သတင်းအချက်အလက်ကို ရှာဖွေရန် ကိုယ်ပိုင်ဘဝကို သတ်မှတ်ထားသည်။ လူသားသည် ဂရုပြုတတ်သော လူသားကလေးထံမှ တစ်နှစ်နှစ်စဉ် တိုးတက်လာပြီး သူ၏ကမ္ဘာ၏ ဖွဲ့စည်းမှုကို ရှာဖွေသင်ယူလေ့လာသည်။

---
## ကလေး၏ ဦးနှောက်

ကလေး၏ ဦးနှောက်နှင့်ကြားနာစိတ်က သူ၏ပတ်ဝန်းကျင်မှ အချက်အလက်များကို သိမြင်ပြီး နည်းနည်းအားဖြင့် နက်ရှိုင်းသော လျှို့ဝှက် မျက်နှာပြင်များကို ရှာဖွေသည်။ ဤကလေးသည် နှလုံးသား ဖြင့် အချက်အလက်များကို သဘောပေါက်သီ ကျန်းမာရေးရှိသော စည်းမျဥ်းစည်းကမ်းများ ဖန်တီးနိုင်ခြင်းကို သင်ယူသည်။ လူ့ဦးနှောက်၏ သင်ယူမှုလုပ်ငန်းဖြင့် လူသားများသည် ကမ္ဘာပေါ်ရှိ ကျွမ်းကျင်ဆုံးသော အသက်ရှင်သော အဖွဲ့အစည်း ဖြစ်လာသည်။ လျှို့ဝှက်မှုများကို မျက်မှောက်တည့်စွာ ရှာဖွေပြီး ထို pattern များပေါ်တွင် တီထွင်ဆန်းသစ်ခြင်းသည် ကျွန်ုပ်တို့ကို ဘဝတစ်လျှောက်လုံး ပိုမိုကောင်းမွန်စေသည်။ ဒီသင်ယူနိုင်မှုနှင့် ပြောင်းလဲ တိုးတက်မှုစွမ်းဆောင်ရည်သည် [brain plasticity](https://www.simplypsychology.org/brain-plasticity.html) ဟုခေါ်သော အယူအဆနှင့် ဆက်စပ်နေသည်။ မျက်နှာပြင်အထက်ပိုင်းတွင် လူ့ဦးနှောက်၏ သင်ယူခြင်းလုပ်ငန်းနှင့် စက်သင်ယူခြင်း၏ အယူအဆများအကြား ပြိုင်ပြိုင်စားစား အားပေးမှု ရှိသည်။

---
## လူ့ဦးနှောက်

[l်ာ္�ို႔ညတင္ထဴေ့ပါတဟ််မ္ာ်ဂဂတိလယူတ်မ](https://www.livescience.com/29365-human-brain.html) သဘာဝကိရိယာများမှ သတင်းအချက်ကို သိမြင်၏၊ ကိုယ်တိုင် သိမြင်ထားသည့် သတင်းအချက်များကို အလုပ်လုပ်သည်၊ ယဉ်ကျေးမှုဆောင်ရွက်ချက်ဖြင့် နှုတ်ဆက်ဖြစ်စေရန် အချက်အလက်များကို အသုံးပြု၍ လုပ်ဆောင်ချက်တစ်ခုခုကို ပြုလုပ်သည်။ ဤသည်ကို ကျွန်ုပ်တို့သည် တောက်လျှောက် ကျွမ်းကျင်မှုရှိသော အပြုအမူဟု ခေါ်သည်။ ဦးနောက်ယှဉ်ပြောပါက စက်တစ်လုံးတွင် ဤအပြုအမူ 域စမတ်လည်တိုက်ဇာတ်ကို programming လုပ်ခြင်းကို ဒုတိယ ဉာဏ်အင်္ဂါရပ် (AI) ဟုခေါ်သည်။

---
## တချို့သော စကားလုံးများ

စကားလုံးများ ခြွင်းချက် ဖြစ်ပေါ်နိုင်သော်လည်း စက်သင်ယူခြင်း (ML) သည် ဒုတိယ ဉာဏ် (AI) ၏ အရေးပါတဲ့ အမျိုးအစားတစ်ခု ဖြစ်သည်။ **ML သည် အထူးပြု အယ်လဂေါရစ်သမ်များ အသုံးပြုကာ အဓိကသတင်းအချက်များ ရှာဖွေကာ မမြင်သာသော ပုံစံများကို ရှာဖွေကာ ရှိသော ဒေတာမှ မှန်ကန်သော ဆုံးဖြတ်ချက်များ ဆောင်ရွက်နိုင်ရန် ဆောင်ရွက်သည်။**

---
## AI, ML, အနက်ရောင်သင်ယူခြင်း

![AI, ML, deep learning, data science](../../../../translated_images/my/ai-ml-ds.537ea441b124ebf6.webp)

> AI, ML, deep learning နှင့် ဒေတာသိပ္ပံတို့အကြား ဆက်နွယ်မှုများကို ဖော်ပြသောဇယား။ [Jen Looper](https://twitter.com/jenlooper) မှ infographic ဖြစ်ပြီး [ဤပုံစံ](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining) မှ ရယူထားသည်။

---
## လေ့လာရမည့် အယူအဆများ

ဤသင်ခန်းစာတွင် စက်သင်ယူခြင်း၏ အခြေခံကျသော အယူအဆများသာ လေ့လာမည်ဖြစ်သည်။ ကျွန်ုပ်တို့သည် Scikit-learn ကို အသုံးပြုကာ လူသင်ယူသူများစွာ အသုံးပြုသော classical machine learning ကို အဓိကပင်လေ့လာပါမည်။ ဒုတိယ ဉာဏ် ပိုမိုကျယ်ပြန့်သည့် အယူအဆများကို နားလည်ရန်၊ စက်သင်ယူခြင်း၏ အခြေခံ အကျဉ်းများကို ပိုင်နိုင်ရန် လိုအပ်သည်ဖြစ်၍ ဤသင်ခန်းစာတွင် ထည့်သွင်းထားသည်။

---
## ဤသင်ခန်းစာတွင် သင်သိရှိမည့် အရာများ

- စက်သင်ယူခြင်း၏ အခြေခံအယူအဆများ
- ML ၏ သမိုင်း
- ML နှင့် တရားမျှတမှု
- regression ML နည်းစနစ်များ
- classification ML နည်းစနစ်များ
- clustering ML နည်းစနစ်များ
- သဘာဝဘာသာစကားဆိုင်ရာ ML နည်းစနစ်များ
- အချိန်စီးရီးခန့်မှန်းရေး ML နည်းစနစ်များ
- reinforcement learning
- ML ၏ လက်တွေ့လုပ်ငန်းများ

---
## မလေ့လာမည့် အကြောင်းအရာများ

- အနက်ရောင်သင်ယူခြင်း (deep learning)
- နယူးရယ်ကွန်ယက်များ (neural networks)
- ဒုတိယ ဉာဏ် (AI)

အကောင်းမွန်သော သင်ယူမှုအတွေ့အကြုံ ပေးရန် neural networks ၏ စနစ်ရှုပ်ထွေးမှုများ၊ ‘deep learning’ ဟူသော နယူးရယ်ကွန်ယက်များ အထပ်ထပ် သုံးသပ်လေ့လာမှု၊ နှင့် AI ကို ဧခြား အခြားသင်ခန်းစာတွင် ဆွေးနွေးပါမည်။ ဤကဏ္ဍအတွက် ဒေတာသိပ္ပံ သင်ခန်းစာတစ်ခုကို လာမည့်အချိန်တွင် ထုတ်ပြန်ရန်ရှိပါသည်။

---
## စက်သင်ယူခြင်း သင်ယူရန် အကြောင်းပြချက်

စက်သင်ယူခြင်းသည် စနစ်တကျ စနစ်အလိုက် အလိုအလျောက် ပုံသေနည်းများကို ဖန်တီးတည်ဆောက်ခြင်းဖြစ်ပြီး ဒေတာမှ ထွက်ရှိသော ပုံစံများကို သင်ယူကာ ဉာဏ်ရည်ပြည့်ဝသော ဆုံးဖြတ်ချက်များ မြှင့်တင်ရန် ကူညီပေးသည်။

ဤလှုံ့ဆော်မှုသည် လူ့ဦးနှောက်သည် အပြင်က ကမ္ဘာမှ သိမြင်သည့် ဒေတာများအပေါ် မှီငြမ်း၍ သင်ယူသည့် နည်းပုံကို အခြေခံသည်။

✅ စီးပွားရေးလုပ်ငန်းသည် စက်သင်ယူနည်းဗျူဟာများကို အသုံးပြုချင်ရန် ဘာကြောင့် ရှိသည်၊ စနစ်ကိုအစဉ်အလာတစ်ခုအတိုင်း ချုပ်ရိုးစည်းကမ်း ဇယား ဖြင့် ဖန်တီးခြင်း နှိုင်းယှဉ်စဉ်းစားကြည့်ပါ။

---
## ဒေတာအရည်အသွေး အရေးကြီးချက်

အရည်အသွေးမြင့် ဒေတာများသည် မော်ဒယ်၏ အလုပ်အမှုဆောင်မှုကို တိုးတက်စေသည်။ အရည်အသွေးကျဆင်းသော ဒေတာများ သို့မဟုတ် အနံ့နှင့် အတူ ဒေတာသည် တင်မြှောက်မှု မှားယွင်းခြင်းဖြစ်စေနိုင်သည်။

---
## စက်သင်ယူခြင်း၏ အသုံးချမှုများ

စက်သင်ယူခြင်းဖြစ်သည့်အရာများ သက်ဆိုင်ရာ ဒေသများနှင့် စီးပွားရေးလုပ်ငန်း၊ ကျန်းမာရေး၊ ဘဏ္ဍာရေး ၊ သက်ရှိမှုစနစ်များ အားလုံးတွင် မြန်ဆန်စွာ အသုံးချနေကြသည်။ စက်သင်ယူနည်းဗျူဟာများ၏ ထူးခြားသော စွမ်းဆောင်ရည်ကြောင့် သုတေသနရှင်များသည် များစွာသော မျိုးစုံသော အခက်အခဲများကို ဖြေရှင်းရာတွင် ၎င်းတို့၏ စွမ်းရည်ကို စူးစမ်းလေ့လာခဲ့ကြသည်။

---
## စက်သင်ယူမှု လက်တွေ့ ဥပမာများ

**စက်သင်ယူခြင်းကို ဖြင့်အသုံးများစွာအသုံးပြုနိုင်သည်** -

- လူနာ၏ ဆေးဘက်သမားမှတ်တမ်းများမှ နာတာရှည်ရောဂါ ဖြစ်လားမဖြစ်လား ခန့်မှန်းသည်။
- မိုးလေဝသ ဒေတာအရ မိုးလေဝသဖြစ်ရလဒ် ခန့်မှန်းသည်။
- စာသား၏ စိတ်ခံစားမှုကို နားလည်သည်။
- ပရိုပဂန်းဒါ ဖြန့်ချိခြင်းကို ရပ်တန့်ရန် မီဒီယာသတင်း အမှားများကို ဖော်ထုတ်သည်။

ဘဏ္ဍာရေး၊ စီးပွားရေး၊ မြေဗေဒ၊ မိသားစုကြီး ကြယ်ပုံစီမံခြင်း၊ ဇီဝဆေးပညာ၊ ဦးနှောက်ပညာ နှင့် လူမှုဗေဒကဏ္ဍများမှ စက်သင်ယူ နည်းပညာကို မိမိတိုင်းအခက်အခဲ ပြဿနာများ ဖြေရှင်းရန် အသုံးချဆောင်ရွက်နေကြသည်။

---
## နိဂုံးချုပ်

စက်သင်ယူခြင်းသည် အချက်အလက်အရင်းအမြစ်မှ အဓိကဖြစ်သော သတင်းအချက်များ ရှာဖွေသည့် လုပ်ငန်းစဉ်ကို မော်ဒယ်လိုက် စနစ်တကျလုပ်ဆောင်သည်။ ၎င်းသည် စီးပွားရေး၊ ကျန်းမာရေးနှင့် ဘဏ္ဍာရေးလောကတွင် တန်ဖိုး အရှိန်အဟုန်တိုးစေသည်။

နီးကပ်လာတဲ့ အနာဂတ်တွင် မည်သည့်နယ်ပယ်မှမဆို စက်သင်ယူခြင်း၏ အခြေခံကို သိရှိနားလည်ရမည်ဖြစ်သည်၊ ၎င်း၏ ကျယ်ပြန့်စွာ အသုံးချမှုပြုကြောင်းကြောင့် ဖြစ်သည်။

---
# 🚀 စိန်ခေါ်မှု

စာရွက်ပေါ်တွင် သို့မဟုတ် အွန်လိုင်း app တစ်ခုဖြစ်သော [Excalidraw](https://excalidraw.com/) မှတဆင့် AI, ML, deep learning နှင့် data science ၏ ကွာခြားချက်များကို သင်၏ နားလည်မှုအတိုင်း ရေးဆွဲပေးပါ။ ဤနည်းလမ်းများအားလုံးအား ဖြေရှင်းနိုင်သောပြဿနာများအကြောင်းကို အကြံဉာဏ်များ ထည့်သွင်းရေးဆွဲပါ။

# [Post-lecture quiz](https://ff-quizzes.netlify.app/en/ml/)

---
# ပြန်လည်သုံးသပ်ခြင်း & ကိုယ်တိုင်လေ့လာမှု

Cloud တွင် ML အယ်လဂေါရစ်သမ်များနှင့် မည်သို့ လုပ်ဆောင်နိုင်မည်ကို ပိုမိုသိရှိရန် ယခု [Learning Path](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-77952-leestott) ကို လိုက်နာပါ။

ML အခြေခံ ကို သင်ယူရန် [Learning Path](https://docs.microsoft.com/learn/modules/introduction-to-machine-learning/?WT.mc_id=academic-77952-leestott) တစ်ခုကို လည်း လိုက်နာပါ။

---
# အလုပ်အကိုင် တာဝန်

[Get up and running](assignment.md)

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ပြောကြားချက်**
ဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု [Co-op Translator](https://github.com/Azure/co-op-translator) အသုံးပြု၍ ဘာသာပြန်ထားပါသည်။ ကျွန်ုပ်တို့သည် တိကျမှန်ကန်မှုအတွက် ကြိုးပမ်းနေသော်လည်း၊ စက်ကိရိယာဘာသာပြန်ခြင်းများတွင် အမှားများ သို့မဟုတ် မှားယွင်းချက်များ ပါဝင်နိုင်ကြောင်း သတိပြုပါရန် လိုအပ်ပါသည်။ မူလစာတမ်းကို မူရင်းဘာသာဖြင့်သာ ယုံကြည်စိတ်ချရသော အချက်အလက်အဖြစ် သတ်မှတ်သင့်သည်။ အရေးကြီးသည့် သတင်းအချက်အလက်များအတွက် ပရော်ဖက်ရှင်နယ် လူသားဘာသာပြန်သူဝန်ဆောင်မှုကို အကြံပြုပါသည်။ ဤဘာသာပြန်ချက်ကို အသုံးပြုခြင်းမှ ဖြစ်ပေါ်လာသော နားလည်မှုကွာခြားမှုများ သို့မဟုတ် မမှန်ကန်သော အသုံးပြုမှုများအတွက် ကျွန်ုပ်တို့ တာဝန်မခံပါ။
<!-- CO-OP TRANSLATOR DISCLAIMER END -->