ML-For-Beginners/translations/km

🌐 ការគាំទ្រភាសាច្រើន

គាំទ្រដោយ GitHub Action (ស្វ័យប្រវត្តិ និងតែងតែទាន់សម័យ)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Khmer | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

ចង់ Clone នៅក្នុងកុំព្យូទ័ររបស់អ្នក?

តំបន់រក្សាទុកនេះមានការប្រែសម្រួលជាភាសាច្រើនជាង 50 ដែលធ្វើឲ្យទំហំទាញយកធំជាងមុន។ ដើម្បី clone ដោយមិនមានការប្រែសម្រួល សូមប្រើ sparse checkout:

Bash / macOS / Linux:

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'

CMD (Windows):

git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
cd ML-For-Beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"

នេះនឹងផ្តល់អ្វីដែលអ្នកត្រូវការរៀនវគ្គនេះបានលឿនជាងមុន។

ចូលរួមជាជនរួមចំណេះដឹងរបស់យើង

យើងមានស៊េរី Discord សម្រាប់រៀនជាមួយ AI ទៅមុខ កុំភ្លេចបន្ទាប់ពីស្វែងយល់ និងចូលរួមជាមួយយើងនៅ Learn with AI Series ចាប់ពីថ្ងៃទី ១៨ ដល់ ៣០ ខែកញ្ញា ឆ្នាំ ២០២៥។ អ្នកនឹងទទួលបានគន្លឹះ និងយុទ្ធសាស្រ្តក្នុងការប្រើ GitHub Copilot សម្រាប់វិទ្យាសាស្រ្តទិន្នន័យ។

ការសិក្សាពី Machine Learning សម្រាប់អ្នកថ្មី - មេរៀនមួយជាថ្នាក់សិក្សា

🌍 ស្មើរតាមការធ្វើដំណើរជុំវិញពិភពលោក ខណៈពេលដែលយើងសិក្សាពី Machine Learning តាមរយៈវប្បធម៌ពិភពលោក 🌍

អ្នកផ្សព្វផ្សាយ Cloud នៅ Microsoft មានមោទនភាពក្នុងការផ្តល់ជូនមេរៀនមួយរយៈពេល ១២ សប្ដាហ៍ មាន ២៦ មេរៀន ដែលទាក់ទងទៅនឹង Machine Learning។ ក្នុងមេរៀននេះ អ្នកនឹងរៀនអំពីអ្វីដែលហៅថា machine learning ជាទំនើប, ប្រើសាកល្បង Scikit-learn ជាផ្នែកសំខាន់ ដោយលែងប្រើ deep learning ដែលបានគ្របដណ្តប់ក្នុងមេរៀន AI សម្រាប់អ្នកថ្មី របស់យើង។ អ្នកអាចផ្គូផ្គងមេរៀនទាំងនេះជាមួយ Data Science សម្រាប់អ្នកថ្មី ដែរ។

ធ្វើដំណើរជុំវិញពិភពលោករួមជាមួយយើង ខណៈពេល ដែលយើងអនុវត្តបច្ចេកទេសបុរាណទាំងនេះទៅលើយោងតាមទិន្នន័យពីតំបន់នានារបស់ពិភពលោក។ មេរៀននីមួយៗមានការធ្វើតេស្តមុននិងក្រោយមេរៀន, ការណែនាំអត្ថបទដើម្បីបញ្ចប់មេរៀន, ដំណោះស្រាយ, ការចាត់តាំងមុខងារ, និងផ្សេងៗទៀត។ វិធីសាស្រ្តបង្រៀនផ្អែកលើគម្រោង អនុញ្ញាតឲ្យអ្នករៀនដោយប្រើការសាងសង់គម្រោង ការាមួយមានកំណត់អានុភាពសម្រាប់ជំនាញថ្មីៗ។

✍️ អរគុណក្នុងពីរនាក់អ្នកនិពន្ធ Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu និង Amy Boyd

🎨 អរគុណចំពោះអ្នកគំនូររូប Tomomi Imura, Dasani Madipalli និង Jen Looper

🙏 អរគុណពិសេស 🙏 ចំពោះអ្នកនិពន្ធ ពិនិត្យ និងបរិច្ចាគមាតិកា Microsoft Student Ambassador យ៉ាងដាច់ខាត Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila និង Snigdha Agarwal

🤩 ការគោរពបន្ថែមចំពោះ Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi, និង Vidushi Gupta សម្រាប់មេរៀន R របស់យើង!

ចាប់ផ្តើម

អនុវត្តតាមជំហានទាំងនេះ៖

1. Fork Repository: ចុចប៊ូតុង "Fork" នៅមុខតំណខាងលើ-ស្ដាំទំព័រនេះ។
2. Clone Repository: git clone https://github.com/microsoft/ML-For-Beginners.git

ស្វែងរកធនធានបន្ថែមទាំងអស់សម្រាប់វគ្គសិក្សានេះនៅក្នុងមហាសគររបស់ Microsoft Learn

🔧 តើអ្នកត្រូវការជំនួយទេ? សូមពិនិត្យមើល មេរៀនដោះស្រាយបញ្ហា សម្រាប់រកដំណោះស្រាយបញ្ហាទូទៅនៅពេលដំឡើង កំណត់ និងរត់មេរៀន។

សិស្ស សម្រាប់ប្រើមេរៀននេះ សូម fork សារពើភ័ណ្ឌទាំងមូលទៅគណនី GitHub ផ្ទាល់ខ្លួនរបស់អ្នក ហើយបញ្ចប់លំហាត់ដោយខ្លួនឯង ឬជាក្រុម៖

• ចាប់ផ្តើមដោយសំនួរប្រឡងមុនមេរៀន។
• អានមេរៀន និងបញ្ចប់សកម្មភាព ជាប់ជាមួយការបញ្ឈប់ និងគិតពិចារណានៅកម្រិតរាល់ការត្រួតពិនិត្យចំណេះដឹង។
• ព្យាយាមបង្កើតគម្រោងដោយយល់ដឹងល្អពីមេរៀន ជំនួសការរត់កូដដំណោះស្រាយ។ ទោះយ៉ាងណាកូដសម្រាប់ដំណោះស្រាយមានក្នុងថត /solution នៅមេរៀនផ្អែកលើគម្រោង។
• ធ្វើតេស្តក្រោយមេរៀន។
• បញ្ចប់ការប្រកួតប្រជែង។
• បញ្ចប់ការចាត់តាំងមុខងារ។
• បន្ទាប់ពីបញ្ចប់មេរៀនក្នុងកញ្ចប់ មកមើល ក្រុមហ៊ុនប្រជុំ ហើយ "រៀនចេញកាយ" ដោយបំពេញប័ណ្ណ PAT ដែលសាកសម។ PAT គឺជា Progress Assessment Tool ជាប័ណ្ណសម្រាប់អ្នកបំពេញដើម្បីពង្រីកការសិក្សារបស់អ្នក។ អ្នកក៏អាចឆ្លើយតបជាមួយ PAT ផ្សេងទៀត ដើម្បីឲ្យយើងអាចរៀនរួមគ្នា។

សម្រាប់ការសិក្សាបន្ថែម យើងសូមផ្តល់អនុសាសន៍ឲ្យតាមដានវគ្គសិក្សា និងផ្លូវការសិក្សា Microsoft Learn លើសពីនេះ។

អ្នកសិក្សា, យើងមានការផ្ដល់អនុសាសន៍មួយចំនួនក្នុង របៀបប្រើប្រាស់មេរៀននេះ។

---

វីដេអូបង្ហាញ

មេរៀនខ្លះមានវីដេអូខ្លីសម្រាប់សម្រួលក្នុងការសិក្សា។ អ្នកអាចរកឃើញវីដេអូទាំងនេះក្នុងមេរៀន ឬនៅលើ បញ្ចីភាគី ML សម្រាប់អ្នកថ្មី នៅ លើប៉ុស្តិ៍ YouTube Microsoft Developer ដោយចុចលើរូបភាពខាងក្រោម។

---

ជួបមក្រុមការងារ

Gif ដោយ Mohit Jaisal

🎥 ចុចរូបភាពខាងលើសម្រាប់មើលវីដេអូអំពីគម្រោង និងមនុស្សដែលបានបង្កើតវា!

---

វិធានសិក្សា

យើងបានជ្រើសរើសគោលការណ៍បង្រៀនពីរដើម្បីកសាងមេរៀននេះ៖ លើកទឹកចិត្តឲ្យមានការអនុវត្តគម្រោង ផ្អែកលើគម្រោង និងមាន ការប្រឡងឆាប់ៗជាញឹកញាប់។ លើសពីនេះ មេរៀននេះមានប្រធានបទរួម មួយ ដើម្បីធ្វើឲ្យមានភាពរួមគ្នា។

ដោយធានាថាមាតិកាត្រូវនឹងគម្រោង នេះធ្វើឲ្យដំណើរការមានភាពពិសេសសម្រាប់សិស្ស និងរក្សាប្រយោជន៍ភាគពាក់នៃគំនិតស្វែងយល់។ លើសពីនេះ ការប្រឡងមានភាពតិចតួចមុនវគ្គសិក្សា កំណត់គោលបំណងរបស់សិស្សចំពោះការរៀនមុខវិជ្ជា មួយ ចំណែកការប្រឡងទីពីរបន្ទាប់ពីវគ្គសិក្សាសម្រេចថាមានការរក្សារយៈពេលយូរ។ មេរៀននេះត្រូវបានរចនាឡើងឲ្យមានភាពបត់បែន និងរីករាយ ហើយអាចរៀនបានទាំងមូល ឬផ្នែកខ្លះតាមបំណង។ គម្រោងចាប់ផ្តើមពីតូចទៅធំឡើង តាមរយៈរយៈពេល ១២ សប្ដាហ៍។ មេរៀននេះក៏មានផ្នែកបន្ថែមអំពីការអនុវត្តជាក់ស្តែងនៃ ML ដែលអាចប្រើសម្រាប់ក្រឡេកឥណទានបន្ថែម ឬជាជម្រើសសម្រាប់ការពិភាក្សា។

សូមស្វែងរក Code of Conduct, Contributing, Translations, និង Troubleshooting ដំណឹងផ្លូវការ។ យើងសូមស្វាគមន៍មតិយោបល់របស់អ្នកយ៉ាងសម្បូរបែប!

មេរៀននីមួយៗមាន

• សេចក្តីសង្ខេបសំណៀងជាជម្រើស
• វីដេអូបន្ថែមជាជម្រើស
• វីដេអូបង្ហាញ (សម្រាប់មេរៀនខ្លះៗ)
• សំនួរប្រឡងមុនមេរៀន
• មេរៀនអត្ថបទ
• សម្រាប់មេរៀនផ្អែកលើគម្រោង មេរៀននិម្មិតពីជំហានដល់ជំហានអំពីរបៀបបង្កើតគម្រោង
• ការត្រួតពិនិត្យចំណេះដឹង
• ការប្រកួតប្រជែង
• ការអានបន្ថែម
• ការចាត់តាំងមុខងារ
• សំនួរប្រឡងក្រោយមេរៀន

យំណាំអំពីភាសា: មេរៀនទាំងនេះភាគច្រើនត្រូវបានសរសេរជាភាសា Python ប៉ុន្តែមានជាច្រើនផងដែលអាចរកបានជាភាសា R។ ដើម្បីបញ្ចប់មេរៀន R មួយ ចូលទៅក្នុងថត /solution ហើយស្វែងរកមេរៀន R។ វាមានទ្រង់ទ្រាយ .rmd ដែលផ្ទាល់ទៅជាឯកសារ R Markdown ដែលអាចកំណត់បានដោយសាមញ្ញថាជាការបញ្ចូល code chunks (នៃ R ឬភាសាផ្សេងទៀត) និង YAML header (ដែលណែនាំពីរបៀបរៀបចំលទ្ធផលដូចជា PDF) ក្នុង ឯកសារ Markdown។ ដូច្នេះ វាជា枠架ការសរសេររួមដ៏ល្អសម្រាប់វិទ្យាសាស្ត្រទិន្នន័យ ព្រោះវាអនុញ្ញាតឲ្យអ្នកបញ្ចូលកូដរបស់អ្នក លទ្ធផលរបស់វា និងគំនិតរបស់អ្នកដោយអនុញ្ញាតឲ្យអ្នកសរសេរពួកវាក្នុង Markdown។ លើសពីនេះ រួចហើយឯកសារ R Markdown អាចត្រូវបានបម្លែងទៅទ្រង់ទ្រាយលទ្ធផលដូចជា PDF, HTML ឬ Word។

យំណាំអំពីសំនួរផ្សងព្រេង: សំនួរផ្សងព្រេងទាំងអស់ត្រូវបានរក្សាទុកក្នុងថត Quiz App folder, សម្រាប់សំនួរផ្សងព្រេងសរុប 52 ដង មានសំណួរបីសំណួរនៅក្នុងមួយ។ ពួកវាត្រូវបានភ្ជាប់ពីក្នុងមេរៀន ប៉ុន្តែកម្មវិធីសំនួរផ្សងព្រេងអាចរត់នៅលើកុំព្យូទ័រផ្ទាល់ខ្លួន; អ្នកត្រូវតែអនុវត្តការណែនាំនៅក្នុងថត quiz-app ដើម្បីផ្តល់សេវាកម្មក្នុងស្រុក ឬផ្សាយនៅលើ Azure។

លេខមេរៀន	ប្រធានបទ	ការតម្រៀបមេរៀន	គោលបំណងការរៀន	មេរៀនភ្ជាប់	អ្នកនិពន្ធ
01	ណែនាំអំពីការសិក្សា machine learning	Introduction	រៀនគំនិតមូលដ្ឋានពីក្រោយ machine learning	Lesson	Muhammad
02	ប្រវត្តិសាស្ត្រការសិក្សា machine learning	Introduction	រៀនប្រវត្តិសាស្ត្រចម្បងនៃវិស័យនេះ	Lesson	Jen និង Amy
03	ភាពយុត្តិធម៌ និង machine learning	Introduction	តើបញ្ហាសុទ្ធសាធខាងទ្រឹស្តីទាក់ទងនឹងភាពយុត្តិធម៌ជាអ្វីខ្លះដែលនិស្សិតគួរតែពិចារណាពេលបង្កើតនិងអនុវត្តម៉ូដែល ML?	Lesson	Tomomi
04	បច្ចេកវិទ្យាសម្រាប់ machine learning	Introduction	តើបច្ចេកវិទ្យាអ្វីខ្លះដែលអ្នកស្រាវជ្រាវ ML ប្រើប្រាស់ដើម្បីតាំងម៉ូដែល ML?	Lesson	Chris និង Jen
05	ណែនាំអំពី regression	Regression	ចាប់ផ្តើមជាមួយ Python និង Scikit-learn សម្រាប់ម៉ូដែល regression	Python • R	Jen • Eric Wanjau
06	តម្លៃផ្លែភាគអាមេរិកខាងជើង 🎃	Regression	មើលធ្វើឱ្យទិន្នន័យស្អាតក្នុងការត្រៀមសម្រាប់ ML	Python • R	Jen • Eric Wanjau
07	តម្លៃផ្លែភាគអាមេរិកខាងជើង 🎃	Regression	បង្កើតម៉ូដែលការវិភាគរូបធរណី និងហែលទ្វេ	Python • R	Jen និង Dmitry • Eric Wanjau
08	តម្លៃផ្លែភាគអាមេរិកខាងជើង 🎃	Regression	បង្កើតម៉ូដែល logistic regression	Python • R	Jen • Eric Wanjau
09	កម្មវិធីបណ្តាញ Web App 🔌	Web App	បង្កើតកម្មវិធីបណ្តាញដើម្បីប្រើម៉ូដែលដែលបានបណ្តុះបណ្តាល	Python	Jen
10	ណែនាំអំពីការ ចាត់ចែង Classification	Classification	សម្អាត, ត្រៀម និងមើលទិន្នន័យរបស់អ្នក; ណែនាំពីការ ចាត់ចែង	Python • R	Jen និង Cassie • Eric Wanjau
11	រសជាតិម្ហូបអាស៊ីនិងឥណ្ឌា ឆ្ងាញ់ៗ 🍜	Classification	ណែនាំអំពីអ្នកចាត់ចែង	Python • R	Jen និង Cassie • Eric Wanjau
12	រសជាតិម្ហូបអាស៊ីនិងឥណ្ឌា ឆ្ងាញ់ៗ 🍜	Classification	អ្នកចាត់ចែងបន្ថែម	Python • R	Jen និង Cassie • Eric Wanjau
13	រសជាតិម្ហូបអាស៊ីនិងឥណ្ឌា ឆ្ងាញ់ៗ 🍜	Classification	បង្កើតកម្មវិធីបណ្តាញសម្រាប់ផ្តល់អនុសាសន៍ដោយប្រើម៉ូដែលរបស់អ្នក	Python	Jen
14	ណែនាំអំពី clustering	Clustering	សម្អាត, ត្រៀម និងមើលទិន្នន័យរបស់អ្នក; ណែនាំអំពី clustering	Python • R	Jen • Eric Wanjau
15	ស្វែងយល់ពីរសជាតិតន្ត្រីនានាក្នុងប្រទេសនីជេរីយ៉ា 🎧	Clustering	ស្វែងយល់ពីវិធីសាស្រ្ត clustering ប្រភេទ K-Means	Python • R	Jen • Eric Wanjau
16	ណែនាំអំពីការបំពេញដំណើរការភាសាបានធម្មជាតិ ☕️	Natural language processing	រៀនមូលដ្ឋានអំពី NLP ដោយបង្កើត bot មួយដោយសាមញ្ញ	Python	Stephen
17	ការងារពេញនិយមនៅ NLP ☕️	Natural language processing	ជ្រាបជ្រាលច្បាស់បន្ថែមពីចំណេះដឹង NLP ដោយយល់ពីការងារពេញនិយមដែលត្រូវការពេលគ្រប់គ្រងរចនាសម្ព័ន្ធភាសា	Python	Stephen
18	ការបកប្រែ និងវិភាគអារម្មណ៍ ♥️	Natural language processing	ការបកប្រែ និងវិភាគអារម្មណ៍ជាមួយ Jane Austen	Python	Stephen
19	ទីលានសណ្ឋាគារព្រហ្មលាភនៅអឺโรប ♥️	Natural language processing	វិភាគអារម្មណ៍ជាមួយការវាយតម្លៃសណ្ឋាគារថ្មី ១	Python	Stephen
20	ទីលានសណ្ឋាគារព្រហ្មលាភនៅអឺโรប ♥️	Natural language processing	វិភាគអារម្មណ៍ជាមួយការវាយតម្លៃសណ្ឋាគារថ្មី ២	Python	Stephen
21	ណែនាំអំពីការវាយតម្លៃទិន្នន័យលំដាប់ពេល	Time series	ណែនាំអំពីការវាយតម្លៃទិន្នន័យលំដាប់ពេល	Python	Francesca
22	⚡️ ការប្រើប្រាស់ថាមពលពិភពលោក ⚡️ - វាយតម្លៃលំដាប់ពេលជាមួយ ARIMA	Time series	វាយតម្លៃលំដាប់ពេលជាមួយ ARIMA	Python	Francesca
23	⚡️ ការប្រើប្រាស់ថាមពលពិភពលោក ⚡️ - វាយតម្លៃលំដាប់ពេលជាមួយ SVR	Time series	វាយតម្លៃលំដាប់ពេលជាមួយ Support Vector Regressor	Python	Anirban
24	ណែនាំអំពីការរៀនបន្ថែមតាមការបង្រៀនផ្ទុកពីរបៀប	Reinforcement learning	ណែនាំអំពីការរៀនបន្ថែមតាមការបង្រៀនផ្ទុកជាមួយ Q-Learning	Python	Dmitry
25	ជួយ Peter មិនឲ្យជួបចោរជ្រូក! 🐺	Reinforcement learning	ការរៀនបន្ថែមតាមការបង្រៀនផ្ទុក Gym	Python	Dmitry
បន្ទាប់មក	ករណីនិងកម្មវិធី ML ក្នុងពិភពជាក់ស្តែង	ML in the Wild	កម្មវិធី ML គួរឱ្យចាប់អារម្មណ៍និងបង្ហាញពីកម្មវិធី ML ប្រកបដោយភូត្នកម្ម	Lesson	ក្រុម
បន្ទាប់មក	ការសម្អាតកំហុសម៉ូដែល ML ដោយប្រើផ្ទាំងគ្រប់គ្រង RAI	ML in the Wild	ការសម្អាតកំហុស ម៉ូដែល Machine Learning ដោយប្រើផ្ទាំងគ្រប់គ្រង Responsible AI	Lesson	Ruth Yakubu

ស្វែងរកធនធានបន្ថែមទាំងអស់សម្រាប់វគ្គសិក្សានេះនៅក្នុងព្រឹទ្ធិការណ៍ Microsoft Learn របស់យើង

ការចូលប្រើដោយមិនត្រូវការបណ្ដាញអ៊ីនធឺណិត

អ្នកអាចរត់ឯកសារពត៌មាននេះដោយមិនត្រូវការបណ្ដាញអ៊ីនធឺណិត ដោយប្រើ Docsify។ ស្ដុកកូដនេះ ចូលទៅក្នុងចំលងស្ថានីយ៍របស់អ្នក, ដំឡើង Docsify នៅលើកុំព្យូទ័រផ្ទាល់ខ្លួន រួចបញ្ចូល docsify serve នៅក្នុងថតគោលរបស់ធនធាននេះ។ វេបសាយនឹងត្រូវផ្តល់សេវាកម្មនៅលើកំពង់ផែ 3000 នៅលើ localhost របស់អ្នក៖ localhost:3000។

PDF

ស្វែងរកឯកសារ pdf ទាំងមូលនៃនិម្មិតកម្មវិធីនេះជាមួយតំណភ្ជាប់ នៅទីនេះ។

🎒 វគ្គសិក្សាផ្សេងទៀត

ក្រុមរបស់យើងផលិតវគ្គសិក្សាផ្សេងទៀត! សូមពិនិត្យ:

LangChain

Azure / Edge / MCP / Agents

Generative AI Series

ស៊េរី AI បង្កើត

Core Learning

ការសិក្សាដើម

Copilot Series

ស៊េរី Copilot

Getting Help

ទទួលបានជំនួយ

If you get stuck or have any questions about building AI apps. Join fellow learners and experienced developers in discussions about MCP. It's a supportive community where questions are welcome and knowledge is shared freely. បើអ្នកជួបលំបាកឬមានសំនួរអំពីការបង្កើតកម្មវិធី AI សូមចូលរួមជាមួយអ្នករៀនផ្សេងទៀត និងអ្នកអភិវឌ្ឍន៍ដែលមានបទពិសោធន៍ ក្នុងការពិភាក្សាអំពី MCP ។ វាជាសហគមន៍មួយដែលគាំទ្រដល់គ្នា ដែលសំណួរនឹងត្រូវបានស្វាគមន៍ និងចំណេះដឹងត្រូវបានចែករំលែកដោយសេរី។

If you have product feedback or errors while building visit: បើអ្នកមានមតិយោបល់អំពីផលិតផល ឬកំហុសអំឡុងពេលកំពុងបង្កើត សូមចូលទៅកាន់៖

Additional Learning Tips

ការផ្តល់ជំនួយបន្ថែមសម្រាប់ការសិក្សា

• Review notebooks after each lesson for better understanding.
• ហ្វឹកហាត់អនុវត្តន៍អាលហ្គរីឌីមដោយខ្លួនឯង។
• Practice implementing algorithms on your own.
• ស្វែងរកទិន្នន័យពិតដោយប្រើគន្លឹះដែលបានរៀន។

---

ការបដិសេធ៖
ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាបកប្រែ AI Co-op Translator។ ខណៈដែលយើងខិតខំរកការរីកចម្រើននៃភាពត្រឹមត្រូវ សូមយល់ថាការបកប្រែដោយស្វ័យប្រវត្តិអាចមានកំហុស ឬភាពមិនត្រឹមត្រូវខ្លះៗ។ ឯកសារដើមក្នុងភាសាតំណាងរបស់វាគួរត្រូវបានទុកក្នុងជារបស់ប្រភពផ្លូវការជាដើម។ ចំពោះព័ត៌មានសំខាន់ៗ របស់ការបកប្រែដោយមនុស្សដែលមានជំនាញគឺជាការផ្តល់អនុសាសន៍។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកប្រែខុសដែលកើតមានពីការប្រើប្រាស់បកប្រែនេះឡើយ។