localizeflow[bot]
4da685c3c1
|
3 months ago | |
|---|---|---|
| .. | ||
| README.md | 3 months ago | |
| assignment.md | 4 months ago | |
README.md
ការណែនាំអំពីការរៀនម៉ាស៊ីន
សំណួរពីមុនវគ្គសិក្សា
🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូចំនុចខ្លីបរិយាយអំពីមេរៀននេះ។
សូមស្វាគមន៍មកកាន់មុខវិជ្ជានេះស្តីពីការរៀនម៉ាស៊ីនបែបបុរាណសម្រាប់អ្នកដែលជាអ្នកចាប់ផ្តើម! មិនថាអ្នកថ្មីយ៉ាងពិតប្រាកដដល់មុខវិជ្ជានេះ ឬជាអ្នកមានបទពិសោធន៍ក្នុងការអនុវត្ត ML ដែលចង់បន្ថែមជំនាញផ្នែកណាមួយក៏ដោយ យើងរីករាយដែលអ្នកបានចូលរួមជាមួយយើង! យើងចង់បង្កើតចំណុចចាប់ផ្តើមមិត្តភក្តិសម្រាប់ការសិក្សា ML របស់អ្នក ហើយរីករាយក្នុងការវាយតម្លៃ ការឆ្លើយតប និងបញ្ចូលមតិអ្នក មតិយោបល់។
🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូ៖ John Guttag ពី MITណែនាំអំពីការរៀនម៉ាស៊ីន
ការចាប់ផ្តើមជាមួយការរៀនម៉ាស៊ីន
មុននឹងចាប់ផ្តើមជាមួយមេរៀននេះ អ្នកត្រូវតែដំឡើងកុំព្យូទ័ររបស់អ្នកហើយមានការត្រៀមរួចជាស្រេចដើម្បីរត់កំណត់ត្រាតូចៗនៅក្នុងកន្លែងរបស់អ្នកបាន។
- កំណត់ការកំណត់ម៉ាស៊ីនរបស់អ្នកដោយប្រើវីដេអូទាំងនេះ។ ប្រើតំណភ្ជាប់ខាងក្រោមដើម្បីរៀនពីរបៀប ដំឡើង Python នៅក្នុងប្រព័ន្ធរបស់អ្នក និង កំណត់កម្មវិធីកែសម្រួលអត្ថបទ សម្រាប់ការអភិវឌ្ឍន៍។
- រៀន Python។ វាក៏ត្រូវបានណែនាំឱ្យមានការយល់ដឹងមូលដ្ឋានអំពី Python ដែលជាភាសាកម្មវិធីមានប្រយោជន៍សម្រាប់អ្នកវិទ្យាសាស្ត្រទិន្នន័យដែលយើងប្រើនៅក្នុងមុខវិជ្ជានេះ។
- រៀន Node.js និង JavaScript។ យើងក៏ប្រើ JavaScript ដល់ច្រើនដងក្នុងមុខវិជ្ជានេះនៅពេលបង្កើតកម្មវិធីវេប ដូច្នេះអ្នកនឹងត្រូវមាន node និង npm ដំឡើង និងមាន Visual Studio Code សម្រាប់សម្រាប់ការអភិវឌ្ឍ Python និង JavaScript។
- បង្កើតគណនី GitHub។ ព្រោះអ្នកបានរកឃើញយើងនៅទីនេះនៅលើ GitHub អ្នកប្រហែលជាមានគណនីរួចហើយ បើមិនមាន សូមបង្កើតមួយ ហើយបន្ទាប់មកសូមធ្វើ fork មេរៀននេះសម្រាប់ប្រើប្រាស់ផ្ទាល់ខ្លួន។ (ក៏អាចផ្តល់ផ្កាយមួយដែរ 😊)
- ស្គាល់ Scikit-learn। ស្គាល់វាមួយប្រព័ន្ធ Scikit-learn ដែលជាក្រុមបណ្ណាល័យ ML ដែលយើងយោងក្នុងមេរៀនទាំងនេះ។
តើការរៀនម៉ាស៊ីនជាអ្វី?
ពាក្យ 'machine learning' គឺជាពាក្យដែលពេញនិយមនិងត្រូវបានប្រើប្រាស់ជាញឹកញាប់បំផុតក្នុងសម័យបច្ចុប្បន្ន។ មានសក្តានុពលមិនតិចដែលអ្នកបានដឹងពីពាក្យនេះយ៉ាងហោចណាស់មួយដង ប្រសិនបើអ្នកមានការស្គាល់ខ្លះៗអំពីបច្ចេកវិទ្យា មិនថាអ្នកធ្វើការនៅក្នុងវិស័យអ្វី។ ទោះយ៉ាងណា យន្តការរៀនម៉ាស៊ីន គឺជារឿងអាថ៌កំបាំងសម្រាប់មនុស្សភាគច្រើន។ សម្រាប់អ្នកចាប់ផ្តើមរៀនម៉ាស៊ីន ប្រធានបទនេះអាចធ្វើអោយមានអារម្មណ៍ធ្ងន់ធ្ងរនិងរំខាន។ ដូច្នេះ វាសំខាន់ក្នុងការយល់អំពីអ្វីដែល machine learning ជាផ្ទាល់ និងរៀនវាដោយជំហាន ក្តៅតាមឧទាហរណ៍ជាក់ស្តែង។
កំណត់ត្រាអំពីភាពរំខាន
Google Trends បង្ហាញ 'hype curve' នៃពាក្យ 'machine learning' ដែលកើនឡើងថ្មីៗនេះ
ចក្រពន្លឺមួយពោរពេញដោយអាថ៌កំបាំង
យើងរស់នៅក្នុងចក្រពន្លឺមួយដែលពោរពេញទៅដោយអាថ៌កំបាំងគួរឲ្យចាប់អារម្មណ៍។ វិទ្យាសាស្ត្រដ៏ធំៗដូចជា Stephen Hawking, Albert Einstein និងមនុស្សផ្សេងទៀតបានចំណាយពេលរស់នៅសម្រាប់ស្វែងរកព័ត៌មានមានន័យដែលអាចបង្ហាញពីអាថ៌កំបាំងនៅជុំវិញពិភពលោកយើង។ នេះជាសភាពធម្មតានៃបុរសនារីក្នុងការរៀន៖ កូនក្មេងមនុស្សរៀនអ្វីថ្មីៗ ហើយរកឃើញរចនាសម្ព័ន្ធនៃពិភពលោករបស់ពួកគេជាដំណាក់កាលទៅរូបរាងពេញវ័យ។
ខួរក្បាលក្មេង
ខួរក្បាលនិងកោសិការបស់ក្មេងម្នាក់ដឹកនាំការយល់ដឹងពីព្រឹត្តិការណ៍ដែលនៅជុំវិញ ហើយរៀនពីលំនាំលំអៀងនៅស្នាក់ក្នុងជីវិតដែលជួយឱ្យក្មេងបង្កើតច្បាប់វិជ្ជាជីវៈដើម្បីកំណត់លំនាំដែលរៀនបាន។ ដំណើរការរៀនរបស់ខួរក្បាលមនុស្សធ្វើឱ្យមនុស្សជាតិត្រូវបានគេទទួលស្គាល់ថាជាសត្វរស់នៅដ៏ស្មុគស្មាញបំផុតនៅលើពិភពលោកនេះ។ ការរៀនជាប់តែកើតឡើងដោយការរកឃើញលំនាំត្រូវហើយបន្ទាប់មកបង្កើតច្នៃភាពលើលំនាំទាំងនោះ នាំអោយយើងអាចធ្វើឱ្យខ្លួនឯងកាន់តែប្រសើរឡើងនៅក្នុងអាយុរបស់យើង។ សមត្ថភាពក្នុងការរៀននិងសមត្ថភាពដែលកំពុងអភិវឌ្ឍនេះពាក់ព័ន្ធនឹងគំនិតមួយដែលគេហៅថា brain plasticity។ បណ្តាញដោយខ្លី យើងអាចគូររូបភាពមានភាពស្រដៀងគ្នារវាងដំណើរការរៀននៃខួរក្បាលមនុស្ស និងគំនិតនៃការរៀនម៉ាស៊ីន។
ខួរក្បាលមនុស្ស
ខួរក្បាលមនុស្ស បានយល់ពីរឿងពីពិភពលោក ពិនិត្យព្រឹត្តិការណ៍ដែលមាន កំណត់ការសម្រេចចិត្តដោយហិរញ្ញវត្ថុហើយអនុវត្តសកម្មភាពមួយចំនួនទាក់ទងនឹងស្ថានភាព។ នេះហៅថាការប្រព្រឹត្តអោយមានភាពប្រាជ្ញា។ នៅពេលយើងប្រាប់កម្មវិធីសំណុំនៃដំណើរការប្រព្រឹត្តប្រាជ្ញាទៅក្នុងម៉ាស៊ីន នោះហៅថាបញ្ញាសិប្បនិម្មិត (AI)។
ពាក្យក្រិតខ្លះៗ
ទោះបីជាពាក្យអាចបំភាន់ ក៏ ML គឺជាផ្នែកសំខាន់មួយនៃបញ្ញាសិប្បនិម្មិត។ ML ពាក់ព័ន្ធនឹងការប្រើប្រាស់អាល់ហ្គរីធម៍ពិសេសក្នុងការរកឃើញព័ត៌មានមានន័យ និងស្វែងរកលំនាំលាក់ពីទិន្នន័យដែលបានយល់ដឹង ដើម្បីបញ្ជាក់ដល់ដំណើរការសម្រេចចិត្តត្រឹមត្រូវ។
AI, ML, រៀនជ្រៅ
រូបភាពបង្ហាញទំនាក់ទំនងរវាង AI, ML, រៀនជ្រៅ និងវិទ្យាសាស្ត្រទិន្នន័យ។ រូបភាពអត្ថាធិប្បាយដោយ Jen Looper អាចប្រើប្រាស់ពីរូបភាពនេះ this graphic
គំនិតដែលត្រូវគ្របដណ្តប់
ក្នុងមេរៀននេះ យើងនឹងគ្របដណ្តប់តែគំនិតមូលដ្ឋាននៃការរៀនម៉ាស៊ីនដែលអ្នកចាប់ផ្តើមត្រូវតែដឹង។ យើងគ្របដណ្តប់អ្វីដែលយើងហៅថា "classical machine learning" ជាចម្បងដោយប្រើប្រាស់ Scikit-learn ជាបណ្ណាល័យល្អឥតខ្ចោះដែលសطلابជាច្រើនប្រើសម្រាប់រៀនមូលដ្ឋាន។ ដើម្បីយល់យ៉ាងទូលំទូលាយអំពីគំនិតបញ្ញាសិប្បនិម្មិត ឬរៀនជ្រៅ ចំណេះដឹងមូលដ្ឋានរឹងមាំអំពីការរៀនម៉ាស៊ីន គឺមានសារៈសំខាន់ ខណ:យើងចង់ផ្តល់វានៅទីនេះ។
នៅក្នុងមុខវិជ្ជានេះ អ្នកនឹងរៀន៖
- គំនិតមូលដ្ឋាននៃការរៀនម៉ាស៊ីន
- ប្រវត្តិ ML
- ML និងភាពយុត្តិធម៌
- បច្ចេកទេស regression ML
- បច្ចេកទេស classification ML
- បច្ចេកទេស clustering ML
- បច្ចេកទេស natural language processing ML
- បច្ចេកទេស time series forecasting ML
- reinforcement learning
- ការអនុវត្តពិតប្រាកដសម្រាប់ ML
អ្វីដែលយើងមិនគ្របដណ្តប់
- រៀនជ្រៅ
- បណ្ដាញប្រសាទ
- AI
ដើម្បីបង្កើតបទពិសោធន៍សិក្សាល្អ យើងនឹងចៀសវាងភាពស្មុគស្មាញនៃបណ្តាញប្រសាទ, "រៀនជ្រៅ" ដែលជាការប្រើបណ្តាញប្រសាទដើម្បីកសាងម៉ូឌែលមានជ្រៅច្រើនស្រទាប់ និង AI ដែលយើងនឹងពិភាក្សានៅមុខវិជ្ជាផ្សេង។ យើងក៏នឹងផ្តល់មុខវិជ្ជាថ្មីបន្ថែមស្តីពីវិទ្យាសាស្ត្រទិន្នន័យដើម្បីផ្ដោតអារម្មណ៍លើផ្នែកនេះ។
ប៉ុន្មានហេតុផលក្នុងការសិក្សាររៀនម៉ាស៊ីន?
ការរៀនម៉ាស៊ីន យ៉ាងទូលំទូលាយ ចែងកំណត់ជា ការបង្កើតប្រព័ន្ធស្វ័យប្រវត្តដែលអាចរៀនពីលំនាំលាក់ដែលមានក្នុងទិន្នន័យ ដើម្បីជួយសម្រេចចិត្តយ៉ាងប្រាជ្ញា។
គំនិតនេះបានបញ្ចោញដោយរបៀបដែលខួរក្បាលមនុស្សរៀនអ្វីមួយចំនួនយោងទៅលើទិន្នន័យដែលវាយល់ដឹងពីពិភពក្រៅ។
✅ គិតមួយនាទីហេតុអ្វីបានជាក្រុមហ៊ុនចង់ប្រើយុទ្ធសាស្រ្ត machine learning ជ្រើសរើសជំនួសការបង្កើតប្រព័ន្ធច្បាប់ដ៏រឹងមាំមួយ។
ហេតុអ្វីបានជា គុណភាពទិន្នន័យសំខាន់?
ទិន្នន័យគុណភាពខ្ពស់បង្កើនប្រសិទ្ធភាពម៉ូឌែល។ ទិន្នន័យអន់ ឬពេញដោយសម្លេងរំខាន អាចនាំឱ្យទន់ភាគការទាយដែលមិនត្រឹមត្រូវ ទោះបីមានការប្រើប្រាស់អាល់ហ្គរីធម៍ machine learning កម្រិតខ្ពស់ក៏ដោយ។
ការអនុវត្តន៍នៃ machine learning
ការអនុវត្តន៍នៃ machine learning ឥឡូវមាននៅគ្រប់ទីកន្លែង ហើយពេញលេញដូចទិន្នន័យដែលរាលដាលនៅជុំវិញសង្គមយើង ដែលបង្កើតឡើងដោយទូរស័ព្ទឆ្លាត អេក្រង់ភ្ជាប់ ប៉ុន្តែប្រាប់ថាសកម្មភាពផ្សេងៗ។ គិតសម្រាប់សក្តានុពលដ៏ធំនៃអាល់ហ្គរីធម៍ machine learning កម្រិតខ្ពស់ អ្នកស្រាវជ្រាវបានស្វែងរកសមត្ថភាពរបស់ពួកវាជួយដោះស្រាយបញ្ហាជាច្រើនមុខ ពីជំហរផ្លូវការនិងចម្រុះដោយលទ្ធផលវិជ្ជមាន។
ឧទាហរណ៍នៃការអនុវត្ត ML
អ្នកអាចប្រើ machine learning ដោយរបៀបជាច្រើន៖
- ដើម្បីទាយករណីជំងឺពីប្រវត្តិវេជ្ជសាស្ត្រឬរបាយការណ៍របស់អ្នកជំងឺម្នាក់។
- ដើម្បីប្រើទិន្នន័យអាកាសធាតុទាយព្រឹត្តិការណ៍អាកាសធាតុ។
- ដើម្បីយល់ចិត្តអារម្មណ៍របស់អត្ថបទមួយ។
- ដើម្បីរកឃើញព័ត៌មានចេកចល ដែលគ្រប់គ្រាន់ក្នុងការបញ្ឈប់ការបញ្ចុះផ្សាយពត៌មានបច្ចុប្បន្ន។
វិស័យហិរញ្ញវត្ថុ សេដ្ឋកិច្ច វិទ្យាសាស្ត្រប្រព័ន្ធសរីរាង្គ សិល្បៈនៃការស្វែងយល់ និងមុខវិជ្ជាមនុស្សវិទ្យា ត្រូវបានអប់រំដោយ machine learning ដើម្បីដោះស្រាយបញ្ហា ពេញនិយមមានទិន្នន័យធំ ដែលមានភាពពិបាក។
សេចក្តីសន្និដ្ឋាន
ការរៀនម៉ាស៊ីន ជំនួយឱ្យដំណើរការរកឃើញលំនាំដោយស្វ័យប្រវត្តិ ដោយរកឃើញជំនាញមានន័យពីទិន្នន័យពិត ឬទិន្នន័យបង្កើតឡើង។ វាបានបង្ហាញភាពមានប្រយោជន៍ខ្ពស់នៅជំនួញ សុខភាព ហិរញ្ញវត្ថុ និងវិស័យផ្សេងទៀត។
នៅពេលខាងមុខ ការយល់ដឹងពីមូលដ្ឋាននៃការរៀនម៉ាស៊ីននឹងក្លាយជាការចាំបាច់សម្រាប់មនុស្សពីគ្រប់វិស័យដោយសារតែការទទួលយកគ្រប់គ្រាន់របស់វា។
🚀 챌린지
គូររូបភាពលើក្រដាស ឬប្រើកម្មវិធីអនឡាញដូចជា Excalidraw, សម្រាប់យល់ដឹងរបស់អ្នកអំពីភាពខុសគ្នារវាង AI, ML, រៀនជ្រៅ និងវិទ្យាសាស្ត្រទិន្នន័យ។ បន្ថែមគំនិតបញ្ហាមួយចំនួនដែលបច្ចេកទេសទាំងនេះឆាប់សម្រួលក្នុងការដោះស្រាយ។
សំណួរបន្ទាប់វគ្គសិក្សា
ការត្រួតពិនិត្យ និងការសិក្សាឯកោ
ដើម្បីស្វែងយល់បន្ថែមអំពីរបៀបដែលអ្នកអាចធ្វើការជាមួយអាល់ហ្គរីធម៍ ML នៅក្នុងមេฆា ត្រូវតាមដាន Learning Path នេះ។
ចូលរួម Learning Path អំពីមូលដ្ឋាននៃ ML។
ការចាត់តាំង
ការបដិសេធ: ឯកសារនេះត្រូវបានបម្លែងភាសា ដោយប្រើសេវាបម្លែងភាសា AI Co-op Translator។ ទោះយើងខ្ញុំមានក្តីប្រាថ្នាឱ្យបានច្បាស់លាស់ តែសូមយល់ដឹងថាការបម្លែងដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាទីតាំងគួរត្រូវបានគេប្រើជាប្រភពច្បាស់លាស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឱ្យប្រើប្រាស់ការប្រែដោយមនុស្សជំនាញ។ យើងខ្ញុំមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសបន្ទាប់ពីការប្រើប្រាស់ការបម្លែងនេះនោះទេ។