localizeflow[bot]
0653a5fdc8
|
4 months ago | |
|---|---|---|
| .. | ||
| README.md | 4 months ago | |
| assignment.md | 4 months ago | |
README.md
ប្រវត្តិសាស្ត្រនៃការរៀនមេកានិច
សំណុំស្នាជ្រាបដោយ Tomomi Imura
ប្រឡងមុខមាត់មុនពេលរៀន
🎥 ចុចលើរូបភាពខាងលើសម្រាប់វីដេអូខ្លីដែលពិពណ៌នាអំពីមេរៀននេះ។
នៅក្នុងមេរៀននេះ យើងនឹងដើរឆ្ពោះទៅតាមកំណត់ហេតុសំខាន់ៗក្នុងប្រវត្តិការរៀនម៉ាស៊ីន និងបញ្ញាសិប្បនិម្មិត។
ប្រវត្តិបញ្ញាសិប្បនិម្មិត (AI) ជាវិស័យមួយមានការតភ្ជាប់យ៉ាងជិតស្និទ្ធជាមួយប្រវត្តិការរៀនម៉ាស៊ីន ដោយសារបាល់ហ្គារីតម និងការរីកចម្រើនគណិតវិទ្យា ដែលជាគន្លងមួយដល់ការអភិវឌ្ឍន៍ AI។ វាមានប្រយោជន៍ក្នុងការចងគម្លាតថា ខណៈពេលដែលវិស័យទាំងពីរនេះជាវិស័យដាច់ខាតបានចាប់ផ្តើមបង្ករឡើងនៅទសវត្សរ៍ 1950 ការរកឃើញ បាល់ហ្គារីត, ស្ថិតិ, គណិតវិទ្យា, ការគណនា និងបច្ចេកទេស សំខាន់ៗបានមកមុន និងមានភាពជាប់ពាក់ផ្តាច់គ្នានៅខណៈពេលនោះ។ ជាការពិត មនុស្សបានគិតអំពីសំណួរទាំងនេះរយៈពេលពាន់ឆ្នាំមកហើយ (https://wikipedia.org/wiki/History_of_artificial_intelligence)៖ អត្ថបទនេះពិភាក្សាអំពីមូលដ្ឋានបែបគំនិតបុរាណនៃគំនិតម៉ាស៊ីនដែលអាច "គិតបាន"។
ការរកឃើញសំខាន់ៗ
- 1763, 1812 ទ្រឹស្តីBayes និងមុខងាររបស់វា។ ទ្រឹស្តីនេះ និងការប្រើប្រាស់របស់វាជាផ្នែកមូលដ្ឋាននៃការទាយទ្រង់, ពិពណ៌នាពីប្រភេទភាពនៃព្រឹត្តិការណ៍មួយនៅលើការយល់ដឹងពីមុន។
- 1805 ទ្រឹស្តីបួនកន្លែងតិចបំផុត ដោយគណិតវិទ្យាករជប៉ុន Adrien-Marie Legendre។ ទ្រឹស្តីនេះ ដែលអ្នកនឹងរៀននៅក្នុងមេរៀន Regression របស់យើង ជួយសម្រួលក្នុងការសម្រួលទិន្នន័យ។
- 1913 ខ្សែ Markov ដែលបានដាក់ឈ្មោះដោយគណិតវិទ្យាកររុស្ស៊ី Andrey Markov ជួយពិពណ៌នារបៀបលំដាប់នៃព្រឹត្តិការណ៍ដែលអាចកើតមានដោយផ្អែកលើស្ថានភាពមុន។
- 1957 Perceptron គឺជាប្រភេទអ្នកចាត់ថ្នាក់បែបស្របបន្ទាត់ ដែលបានបង្កើតដោយបុគ្គលិកចិត្តវិទ្យាអាមេរិក Frank Rosenblatt ដែលជាគន្លងនៃការរីកចម្រើនក្នុង deep learning។
- 1967 អ្នកជិតស្និទ្ធបំផុត គឺបាល់ហ្គារីតដែលបានរចនាដំបូងសម្រាប់គូសផ្លូវ។ ក្នុងបរិបទ ML វាអាចប្រើសម្រាប់រកឃើញទ្រង់ទ្រាយ។
- 1970 Backpropagation ត្រូវបានប្រើសម្រាប់ហ្វឹកហាត់ ធំណាលសរសៃប្រសាទមុខមាត់.feedforward។
- 1982 Recurrent Neural Networks គឺជាធំណាលសរសៃប្រសាទមួយដែលដើមមកពី feedforward neural networks ដែលបង្កើតក្រាបបន្ថែមពេលវេលា។
✅ សូមស្រាវជ្រាវបន្តិចបន្តួច។ តើកាលបរិច្ឆេទផ្សេងទៀតណាដែលនៅសោះជាកត្តាសំខាន់ក្នុងប្រវត្តិអំពី ML និង AI?
1950៖ ម៉ាស៊ីនដែលគិតបាន
Alan Turing ដែលជាមនុស្សដ៏អស្ចារ្យម្នាក់ ដែលត្រូវបានជ្រើសរើស ដោយសាធារណជនឆ្នាំ 2019 អោយជាសាស្ត្រាចារ្យដ៏អស្ចារ្យបំផុតក្នុងទសវត្សរ៍ 20, គេធ្លាប់បានជួយដាក់មូលដ្ឋានសម្រាប់គំនិតម៉ាស៊ីនដែលអាច "គិតបាន"។ គាត់បានប្រឈមមុខនឹងអ្នកពិជ័យនានា និងតម្រុយខ្លួនឯងក្នុងការរកភស្តុតាងសម្រាប់គំនិតនេះ ដោយការបង្កើត តេស្ត Turing ដែលអ្នកនឹងស្វែងយល់ក្នុងមេរៀន NLP របស់យើង។
1956៖ គម្រោងស្រាវជ្រាវរដូវក្តៅ Dartmouth
"គម្រោងស្រាវជ្រាវរដូវក្តៅ Dartmouth លើបញ្ញាសិប្បនិម្មិត គឺជាព្រឹត្តិការណ៍ដ៏សំខាន់សម្រាប់សាលាបញ្ញាសិប្បនិម្មិត" ហើយក៏នៅទីនេះផងដែរនេះគេបានប្រើពាក្យ 'artificial intelligence' ជាលើកដំបូង (ប្រភព)។
គ្រប់ផ្នែកនៃការរៀន ឬលក្ខណៈណាមួយនៃបញ្ញា អាចពិពណ៌នាបានយ៉ាងម៉ត់ចត់ ដូច្នេះម៉ាស៊ីនអាចបង្កើតឡើងដើម្បីធ្វើហ្គោលម៉ូដែលនោះ។
អ្នកស្រាវជ្រាវដឹកនាំគឺ គ្រូបន្លិចគណិតវិទ្យា John McCarthy ដែលមានក្តីសង្ឃឹម "ដើម្បីបន្តទៅលើមូលដ្ឋាននៃការប៉ាន់ប្រមាណថា គ្រប់ផ្នែកនៃការរៀន ឬលក្ខណៈណាមួយនៃរបស់ពិតបញ្ញា អាចពិពណ៌នាបានយ៉ាងម៉ត់ចត់ ដូច្នេះម៉ាស៊ីនអាចធ្វើតួមួយដើម្បីធ្វើម៉ូដែលបាន។" អ្នកចូលរួមរួមមានអ្នកវិចិកគណិត Minsky Marvin ម្នាក់ផ្សេងទៀត។
កម្មវិធីសិក្សានេះគឺត្រូវបានគេចាត់ទុកថាបានចាប់ផ្តើមនិងលូតលាស់ការពិភាក្សាជាច្រើន រួមរួមទាំង "ការរីកចម្រើនវិធីសាស្ត្រសញ្ញា, ប្រព័ន្ធផ្តោតលើដែនកំណត់ (ប្រព័ន្ធឯកទេសដំបូង), និងប្រព័ន្ធអនុវត្តតាមការបញ្ចេញមតិប្រៀបធៀបនឹងប្រព័ន្ធប្រមូលវិទ្យា" (ប្រភព)។
1956 - 1974៖ "ឆ្នាំមាស"
ចាប់ពីទសវត្សរ៍ 1950 មកដល់កណ្ដាលទសវត្សរ៍ '70, ការពេញចិត្តថាទំនុកចិត្តថា AI អាចដោះស្រាយបញ្ហាជាច្រើនបាន។ ក្នុងឆ្នាំ 1967 Marvin Minsky បានបញ្ជាក់ដោយមានទំនុកចិត្តថា "ក្នុងរយៈពេលមួយជំនាន់ ... បញ្ហានៃការបង្កើត 'artificial intelligence' នឹងត្រូវបានដោះស្រាយយ៉ាងសំខាន់។" (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
ការស្រាវជ្រាវសំដៅទៅលើដំណើរការភាសាធម្មជាតិបានរីកចម្រើន ការស្វែងរកបានកែលម្អ និងក្លាយទៅជាខ្លាំងជាងមុន និងមានគំនិត ‘micro-worlds’ ដែលបំពេញភារកិច្ចដោយប្រើការណែនាំភាសារសាមញ្ញ។
ការស្រាវជ្រាវត្រូវបានផ្តល់ថវិការយ៉ាងល្អពីអង្គការរដ្ឋបាល ការរីកចម្រើនក្នុងទស្សនវិជ្ជា និងបាល់ហ្គារីត និងបានបង្កើតម៉ាស៊ីនឆ្លាតវៃមួយចំនួន។ មួយចំនួនក្នុងម៉ាស៊ីនទាំងនេះរួមមាន៖
-
Shakey the robot ដែលអាចផ្លាស់ទី និងសម្រេចការប្រតិបត្ដិការដោយមានវិជ្ជាជីវៈ។
Shakey ក្នុងឆ្នាំ 1972
-
Eliza ដែលជាប្រភេទ 'chatterbot' ដំបូង អាចសម្ភាសជាមួយមនុស្ស និងដើរតួជាអ្នកព្យាបាលមួយ 'therapist' ប្រល័យ។ អ្នកនឹងរៀនបន្ថែមពី Eliza នៅក្នុងមេរៀន NLP។
គំរូមួយនៃ Eliza, chatbot
-
"Blocks world" ជាគំរូ micro-world មួយដែលប្លុកអាចត្រូវបានដាក់ស្នូរនិងតម្រៀបនៅ តេស្តល្បងក្នុងការបង្រៀនម៉ាស៊ីនឲ្យធ្វើការសម្រេចចិត្តក៏ត្រូវបានអនុវត្ត។ ការរីកចម្រើនដែលបានបង្កើតឡើងជាមួយបណ្ណាល័យដូចជា SHRDLU បានជំនួយឲ្យមានការរីកចម្រើនក្នុងការប្រាស្រ័យភាសា។
🎥 ចុចរូបថតខាងលើសម្រាប់វីដេអូ៖ Blocks world ជាមួយ SHRDLU
1974 - 1980៖ "រដូវរងារ AI"
ចាប់ពីកណ្ដាលទសវត្សរ៍ 1970 វាបានក្លាយជាការប៉ាន់ប្រមាណថាការធ្វើម៉ាស៊ីនឆ្លាតវៃមានភាពស្មុគស្មាញជាងការប៉ាន់ទុក ហើយការសន្យារបស់វាក្រោមសំណុំបញ្ញត្តិថាមពលគណនា មានការប៉ុនប៉ងលើសលប់។ ថវិកាត្រូវបានកាត់បន្ថយ ហើយទំនុកចិត្តក្នុងវិស័យបានត្រង់ការ។ បញ្ហាដែលមានឥទ្ធិពលដល់ទំនុកចិត្តរួមមាន៖
- កំណត់លក្ខណៈ លទ្ធភាពគណនាគឺមានកំណត់ខ្លាំង។
- ការរីកចម្រើនប្រមូលផ្តុំ ចំនួនប៉ារ៉ាម៉ែត្រដែលត្រូវហ្វឹកហាត់មានការកើនឡើងយ៉ាងច្រើននៅពេលបានសុំសំណុំបន្ថែមពីកុំព្យូទ័រ ដោយគ្មានការរីកចម្រើននៅលើថាមពលនិងសមត្ថភាពគណនា។
- ទិន្នន័យខ្វះខាត មានទិន្នន័យមិនគ្រប់គ្រាន់ដែលជារារាំងដល់ដំណើរការប្រលង, អភិវឌ្ឍ និងកែលម្អបាល់ហ្គារីត។
- តើយើងកំពុងសួរសំណួរត្រឹមត្រូវឬទេ? សំណួរដែលបានសួរបានចាប់ផ្តើមមានការសង្ស័យ។ អ្នកស្រាវជ្រាវបានទទួលកំណត់ត្រានូវការរិះគន់ចំពោះវិធីសាស្ត្ររបស់ពួកគេ៖
- តេស្ត Turing ត្រូវបានពិចារណា តាមរយៈគំនិតផ្សេងៗ ដូចជា 'ទ្រឹស្តីបន្ទប់ចិន' ដែលបានបង្ហាញថា "កម្មវិធីកុំព្យូទ័រឌីជីថលអាចបង្ហាញថាវាយល់ភាសា ប៉ុន្តែមិនអាចបង្កើតការយល់ដឹងពិតប្រាកដ។" (ប្រភព)
- សីលធម៌នៃការបង្កើតវត្ថុបញ្ញាសិប្បនិម្មិត ដូចជា "អ្នកព្យាបាល" ELIZA ត្រូវបានគេបដិសេធ។
នៅក្នុងពេលតែមួយ ក្រុមគំនិត AI ផ្សេងៗបានចាប់ផ្តើមបង្កើតឡើង។ មានការផ្គុំចេញជាគំនិតផ្ទុកពីវិធីដំណើរការ "scruffy" និង "neat AI"។ សេឡាប៊ល scruffy បានកែប្រែកម្មវិធីរយៈពេលជាច្រើនម៉ោងរហូតដល់ទទួលបានលទ្ធផលយ៉ាងចង់បាន។ សេឡាប៊ល neat "ផ្តោតលើហេតុផលនិងការដោះស្រាយបញ្ហាផ្លូវការ"។ ELIZA និង SHRDLU គឺជាប្រព័ន្ធ scruffy មានឈ្មោះល្បី។ នៅទសវត្សរ៍ 1980 ខណៈមានតម្រូវការបង្កើតប្រព័ន្ធ ML អាចធ្វើឡើងម្ដងទៀត, វិធីសាស្ត្រ neat បានទទួលការគាំទ្រជាច្រើន ព្រោះលទ្ធផលបង្ហាញបានច្បាស់លាស់ជាង។
ប្រព័ន្ធឯកទេសទសវត្សរ៍ 1980
ខណៈវិស័យកំពុងរីកចម្រើន ប្រយោជន៍របស់វាកាន់តែច្បាស់លាស់សម្រាប់អាជីវកម្ម ហើយនៅទសវត្សរ៍ 1980 ក៏មានការរាលដាលនៃ 'ប្រព័ន្ធឯកទេស'។ "ប្រព័ន្ធឯកទេសគឺជាប្រភេទកម្មវិធី AI (artificial intelligence) ដែលជោគជ័យដំបូងមួយ" (ប្រភព)។
ប្រព័ន្ធនេះជារូបមន្ត ផ្សំជាមួយគ្នា ដែលមានផ្នែកមួយជាគ្រឿងចស្ត្រនិយមដែលកំណត់តម្រូវការអាជីវកម្ម និងផ្នែកមួយជាគ្រឿងចស្ត្រអនុវត្តប្រើប្រាស់បាល់ហ្គារីតដើម្បីសិក្សាផ្នែកអត្ថន័យថ្មី។
ទសវត្សនេះក៏ទទួលបានការចាប់អារម្មណ៍កាន់តែច្រើនលើបណ្ដាញសរសៃប្រសាទ។
1987 - 1993៖ AI 'នៅស្ងាត់'
ការរីកចម្រើននៃម៉ាស៊ីនឯកទេសដែលមានពិសេសធ្វើឲ្យវាក្លាយជាពិសេសពេក។ ការលេចធ្លោរបស់កុំព្យូទ័រផ្ទាល់ខ្លួនក៏ប្រកួតប្រជែងជាមួយប្រព័ន្ធធំៗដែលមានតែមួយនេះ។ ការចំណាយនៅលើកុំព្យូទ័របានជោគជ័យ ហើយវាបានបើកផ្លូវទៅរកការប្រសើរឡើងនៃទិន្នន័យធំ។
1993 - 2011
រយៈពេលនេះបានឃើញជំនាន់ថ្មីសម្រាប់ ML និង AI ដើម្បីដោះស្រាយបញ្ហាកន្លងមកដែលផ្ទុះពីកំណត់ទិន្នន័យនិងថាមពលគណនា។ ចំនួនទិន្នន័យបានកើនឡើងយ៉ាងឆាប់រហ័ស និងអាចប្រើបានយ៉ាងទូលំទូលាយ ពិសេសជាមួយកំណើតនៃស្មាតហ្វូននៅឆ្នាំ 2007។ ថាមពលគណនាក៏កើនឡើងយ៉ាងឆាប់រហ័ស និងបាល់ហ្គារីតបានរីកចម្រើនជាប់គ្នា។ វិស័យបានចាប់ផ្តើមឈានដល់ភាពចាស់ទុំ ពីព្រោះថ្ងៃខ្លះនៃការរំសាយឥតការត្រួតពិនិត្យបានក្លាយទៅជាវិស័យពិតប្រាកដ។
ឥឡូវនេះ
ថ្ងៃនេះ ការរៀនម៉ាស៊ីន និង AI ប៉ះពាល់ទៅលើគ្រប់ផ្នែកនៃជីវិតយើង។ រយៈពេលនេះត្រូវការជំនាញយល់ដឹងយ៉ាងម៉ត់ចត់អំពីហានិភ័យ និងផលប៉ះពាល់ធ្វើអោយមានពីរបាល់ហ្គារីតទាំងនេះលើជីវិតមនុស្ស។ ដូចដែល Brad Smith របស់ Microsoft បាននិយាយថា "បច្ចេកវិទ្យាព័ត៌មាន បង្កឡើងនូវបញ្ហាដែលទៅដល់ស្នូលនៃការការពារសិទ្ធិមនុស្សមេធាវីដូចជារក្សាសម្ងាត់ និងសិទ្ធិថ្លែងការណ៍។ បញ្ហានេះកើនឡើងការទទួលខុសត្រូវចំពោះក្រុមហ៊ុនបច្ចេកវិទ្យាដែលបង្កើតផលិតផលទាំងនេះ។ ក្នុងទស្សនវិជ្ជារបស់យើង វាក៏ហៅឲ្យមានច្បាប់រដ្ឋាភិបាលយ៉ាងម៉ត់ចត់ និងបង្កើតនីតិវិធីជុំវិញការប្រើប្រាស់លើសស្រឡាយទទួលបទបង្រៀន។" (ប្រភព)។
វានៅតែមិនទាន់បានដឹងថា អនាគតនឹងគ្រប់គ្រងអ្វីទេ ប៉ុន្តែវាសំខាន់ក្នុងការយល់ដឹងអំពីប្រព័ន្ធកុំព្យូទ័រ និងកម្មវិធី និងបាល់ហ្គារីតដែលវារត់។ យើងសង្ឃឹមថាផែនការសិក្សានេះនឹងជួយអ្នកយល់ដឹងកាន់តែច្បាស់ ដើម្បីអោយអ្នកអាចសម្រេចចិត្តដោយខ្លួនឯង។
🎥 ចុចលើរូបភាពខាងលើសម្រាប់វីដេអូ៖ Yann LeCun ពិភាក្សាអំពីប្រវត្តិ deep learning ក្នុងមេរៀននេះ
🚀ការប្រកួតប្រជែង
ស្វែងរកមួយក្នុងចំណោមព្រឹត្តិការណ៍ប្រវត្តិសាស្ត្រទាំងនេះ ហើយស្វែងយល់បន្ថែមអំពីមនុស្សនៅពីក្រោយពួកវា។ មានតួអង្គគួរឲ្យចាប់អារម្មណ៍ ហើយគ្មានការរកឃើញវិទ្យាសាស្ត្រណាមួយដែលបានបង្កើតឡើងនៅក្នុងអវកាសវប្បធម៌ទទេ។ តើអ្នកបានរកឃើញអ្វី?
ប្រឡងបន្ទាប់ពីរៀន
ការត្រួតពិនិត្យ និងសិក្សាឯករាជ្យ
នេះជារបស់មួយដែលត្រូវមើលនិងស្តាប់៖
ប៉ុស្តិ៍បាស្កែតនេះដែល Amy Boyd ពិភាក្សាអំពីការវិវត្តន៍នៃ AI
អនុវត្តការ
ការបញ្ជាក់៖ ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាកម្មបកប្រែ AI Co-op Translator។ ខណៈដែលយើងខិតខំសំរាប់ភាពច្បាស់លាស់ សូមយល់ដឹងថាការបកប្រែដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬការបញ្ចូលព័ត៌មានមិនត្រឹមត្រូវជាប់គ្នា។ ឯកសារដើមក្នុងភាសាមួយដើមគួរត្រូវបានគេស្គាល់ថាជារៀងត្រង់ជាមួយដើម។ សម្រាប់ព័ត៌មានដែលមានសារៈសំខាន់ ការបកប្រែដោយមនុស្សជំនាញត្រូវបានណែនាំ។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកប្រែខុសៗណាមួយដែលកើតមានពីការប្រើប្រាស់ការបកប្រែនេះទេ។