ML-For-Beginners/translations/my/2-Regression/1-Tools

Python နှင့် Scikit-learn တို့ဖြင့် regression မော်ဒယ်များ စတင်အသုံးပြုခြင်း

Sketchnote ကို Tomomi Imura မှ ဖန်တီးထားသည်

စာရွက်မတက်ခင် ကွစ်ဇ်

ဤသင်ခန်းစာကို R ဖြင့်လည်းရရှိနိုင်သည်!

နိဒါန်း

ဤသင်ခန်းစာ လေးခုတွင် regression မော်ဒယ်များကို မည်သို့ တည်ဆောက်ရမည်ကို တွေ့ရှိသွားမည်ဖြစ်သည်။ ဤအချက်များကို မကြာမီ ဆွေးနွေးသွားမှာဖြစ်သည်။ သို့သော် မည်သည့်အရာကိုမဆို စတင်လုပ်ဆောင်ရန် မတိုင်မီ လိုအပ်သောကိရိယာများ ရှိပြီးသားဖြစ်စေပါ။

ဤသင်ခန်းစာတွင် သင်သည်:

• ကိုယ်ပိုင်ကွန်ပျူတာတွင် စက်မှုသင်ယူမှု လုပ်ငန်းများ ပြုလုပ်ရန် တပ်ဆင်ခြင်း
• Jupyter Notebooks နှင့် လက်တွေ့လုပ်ကိုင်ခြင်း
• Scikit-learn ကို ထည့်သွင်းအသုံးပြုခြင်း၊ နှင့် အပ်လုပ်ခြင်း
• လက်တွေ့အကဲဖြတ်ခြင်းဖြင့် linear regression ကို လေ့လာခြင်း

အပ်လုပ်ခြင်းနှင့် ကွန်ဖီဂျူရေးရှင်းများ

🎥 အပေါ်ပါပုံကို နှိပ်၍ ကွန်ပျူတာအမြဲတမ်း ML အတွက် စီမံကိန်းပြုလုပ်သည့် ရုပ်ရှင်တိုကြည့်ရှုပါ။

1. Python ကို အပ်လုပ်ပါ။ ကိုယ်ပိုင်ကွန်ပျူတာတွင် Python ထည့်သွင်းထားခြင်းရှိရန် သေချာပါစေ။ Python ကို ပိုမိုသော ဒေတာသိပ္ပံနှင့် စက်ပညာသင်ယူမှု လုပ်ငန်းများတွင် အသုံးပြု သွားမည်ဖြစ်သည်။ များသောကွန်ပျူတာစနစ်များ၌ Python အပ်လုပ်ခြင်း ရှိပြီးသား ဖြစ်သည်။ အချို့ အသုံးပြုသူများအတွက် စတင်ထည့်ရန် အဆင်ပြေစေရန် Python Coding Packs များလည်း ရနိုင်သည်။

   Python ၏ အသုံးပြုမှုအချို့တွင် ဆော့ဗ်ဝဲ ဗားရှင်းတစ်ခုတည်းသာ လိုအပ်ပြီး၊ အခြားအခါတွင် တစ်ခြားဗားရွင်းတစ်ခုလိုအပ်သည်။ ထို့ကြောင့် virtual environment တစ်ခုအတွင်း လုပ်ကိုင်ခြင်း သေချာရန် အကောင်းဆုံးဖြစ်သည်။

2. Visual Studio Code ကို အပ်လုပ်ပါ။ ကိုယ်ပိုင်ကွန်ပျူတာတွင် Visual Studio Code ထည့်သွင်းထားရန် သေချာပါစေ။ အခြေခံအပ်လုပ်ကိစ္စများအတွက် Visual Studio Code အပ်လုပ်နည်းများ ကို လိုက်နာပါ။ ဤသင်တန်းတွင် Python ကို Visual Studio Code တွင် အသုံးပြုမည်ဖြစ်သောကြောင့် Python အတွက် Visual Studio Code ကွန်ဖီဂျူရေးရှင်း ကိုလေ့လာထားသင့်သည်။

   Python ကို ကောင်းမွန်စွာ လေ့လာရန် သင်ယူမှုပုံစံများ ပါ ဝိုင်းဝန်း လေ့လာပါ

   

   🎥 ဗီဒီယိုကြည့်ရန် အပေါ်က ပုံကို နှိပ်ပါ - VS Code အတွင်း Python ကို အသုံးပြုသည့် ဗီဒီယို

3. Scikit-learn ကို အပ်လုပ်ပါ၊ ဤအညွှန်းများ အတိုင်း လိုက်နာပါ။ Python 3 ကိုသာ အသုံးပြုရန် လိုအပ်ပါသည်၊ သို့ဖြစ်၍ virtual environment အသုံးပြုရန် အကြံပြုသည်။ M1 Mac ပေါ်တွင် ထည့်သွင်းမည်ဆိုပါက အထူးညွှန်ကြားချက်များ ရှိသည်။

4. Jupyter Notebook ကို အပ်လုပ်ပါ။ Jupyter package ကို ထည့်သွင်းရန် လိုအပ်ပါသည်။

မင်းရဲ့ ML ရေးသားရေး ပတ်ဝန်းကျင်

မင်းသည် Python ကုဒ်ရေးရန်နှင့် စက်မှုသင်ယူမော်ဒယ်ဖန်တီးရန် notebooks များကို အသုံးပြုပါမည်။ ဤဖိုင်အမျိုးအစားသည် ဒေတာသိပ္ပံရှင်များ၏ ရိုးရိုး အကိရိယာဖြစ်ပြီး .ipynb ဆက်စပ် နာမည်ဖြင့် ဖော်ထုတ်နိုင်ပါသည်။

Notebooks သည် အပြန်အလှန် ဆက်သွယ်နိုင်သော ပတ်ဝန်းကျင်ဖြစ်ပြီး developer များသည် ကုဒ်ရေးခြင်းနဲ့အတူ မှတ်စုထည့်သွင်း၍ ကုဒ်ဝေဖန်ချက် အပေါ် စာတမ်းရေးသားနိုင်ပါတယ်၊ သုတေသနပတ်သော ကိစ္စများအတွက် အထူး ကူညီပေးသည်။

🎥 ဤ စဉ်ဆက်လက်လုပ်ငန်းစဉ်အတွက် အပေါ်ပါပုံကို နှိပ်၍ ရုပ်သံတိုကြည့်ရှုပါ။

လေ့ကျင့်ခန်း - notebook နှင့် လုပ်ကိုင်ခြင်း

ဤဖိုင်တွင် notebook.ipynb ဖိုင်ကို သင်တွေ့ရှိမည်။

1. Visual Studio Code မှာ notebook.ipynb ကို ဖွင့်ပါ။

   Jupyter sever တစ်ခု ရှေ့မှ Python 3+ ဖြင့် စတင် လည်ပတ်မည်။ notebook အတွင်း run လုပ်နိုင်သည့် ကုဒ်ပိုင်းများ ရှိသည်။ play button ပုံဆွဲထားသည့် အိုင်ကွန်ကို နှိပ်၍ ကုဒ်အပိုင်း run လုပ်နိုင်ပါသည်။

2. md အိုင်ကွန်ကို ရွေးပြီး markdown မှတ်စုအနည်းငယ်ထည့်သွင်းပါ၊ အောက်ပါစာသား # Welcome to your notebook လည်းထည့်ပါ။

   ထို့နောက် Python ကုဒ် တစ်ချပ် ထည့်ပါ။

3. ကုဒ်အပိုင်းတွင် print('hello notebook') ရိုက်ထည့်ပါ။

4. ကုဒ်ကို run လုပ်ရန် အမြွှာခေါင်းပုဆွဲ (arrow) ကို နှိပ်ပါ။

   သင့်ကို ပုံနှိပ်ချက်ကို ဖော်ပြပေးမှာဖြစ်သည်။

   hello notebook
   

သင့်ကုဒ်နှင့် မှတ်ချက်များကို စုပေါင်း၍ အသေးစိတ် စာရွက်စာတမ်းတင်ဘဝ နဲ့ ဖော်ပြနိုင်သည်။

✅ web developer ၏ အလုပ်လုပ်ပတ်ဝန်းကျင်နှင့် ဒေတာသိပ္ပံရှင်၏ အလုပ်လုပ်ပတ်ဝန်းကျင်ကြား မတူကွဲပြားချက်ကို စဉ်းစားပါ။

Scikit-learn ဖြင့် စတင် အသုံးပြုခြင်း

Python ကို ကိုယ်ပိုင်ပတ်ဝန်းကျင်၌ စတင်အသုံးပြုပြီး Jupyter Notebooks များတွင် သင်အဆင်ပြေလျှင် Scikit-learn အတွက်လည်း ရိုးရိုးရှင်းရှင်း အသုံးဝင်စေချင်သည်။ Scikit-learn သည် ML လုပ်ငန်းများကို အထောက်အကူပြုရန် ပြည့်စုံသော API ဖြင့် ပံ့ပိုးသည်။

၎င်းတို့၏ ဝက်ဘ်ဆိုက် အရ "Scikit-learn သည် supervised နှင့် unsupervised learning များကို ထောက်ပံ့သော ဖွင့်လင်းအရင်းအမြစ် စက်မှုသင်ယူမှုစာကြည့်တိုက်တစ်ခုဖြစ်သည်။ မော်ဒယ်ပိုင်းဆိုင်ရာ အဆင့်ဖြည့်ခြင်း၊ ဒေတာကြိုတင်ပြင်ဆင်ခြင်း၊ မော်ဒယ်ရွေးချယ်မှုနှင့် သုံးသပ်မှု အတော်များသော ကိရိယာများကိုပါ ပံ့ပိုးပေးသည်။"

ဤသင်တန်းတွင် သင်သည် Scikit-learn နှင့်အခြားကိရိယာများကို အသုံးပြု၍ ဆုံးဖြတ်မည့် 'ရိုးရှင်းစရာ စက်မှုသင်ယူမှု' လုပ်ငန်းများအတွက် မော်ဒယ်ဖန်တီးပါမည်။ နေရစ်နယ်ကွက်နှင့် အနက်ရောင်သင်ယူမှုများကို အနာဂတ် 'AI for Beginners' သင်ရိုးညွှန်းတမ်းတွင် စာရင်းသွင်းထားသည်။

Scikit-learn သည် မော်ဒယ်များတည်ဆောက်ခြင်းနှင့် သုံးသပ်ရန် လွယ်ကူစေရန် အဓိကထားထားသည်။ အဓိကအားဖြင့် နံပါတ်ဒေတာကို အခြေခံပြီး သင်ယူရန် အသုံးပြုမှုအတွက် ပြင်ဆင်ထားသည့် ဒေတာများ ပါရှိသည်။ သင်ယူသူများအနေဖြင့် ကြိုတင်တည်ဆောက်ထားသည့် မော်ဒယ်များကို စမ်းသပ်ရန်လည်း ပါရှိသည်။ နမူနာဒေတာတွေကို သယ်ယူတင်သွင်းခြင်းနှင့် တပ်ဆင်ထားသော အာကာသကို အသုံးပြု၍ Scikit-learn ဖြင့် မင်းရဲ့ ပထမဆုံး ML မော်ဒယ်ကို ဖန်တီးရင်း လေ့လာကြစို့။

လေ့ကျင့်ခန်း - မင်းရဲ့ ပထမဆုံး Scikit-learn notebook

ဤသင်ခန်းစာကို Scikit-learn ၏ linear regression နမူနာ မှ အားဖြင့် ရေးသားထားပါသည်။

🎥 ဤ လေ့ကျင့်ခန်းကို လုပ်ဆောင်ခြင်း ဗီဒီယိုတို ကြည့်ရန် ပုံကို နှိပ်ပါ။

သင့်သင်ခန်းစာနှင့် ဆက်စပ်ထားသော notebook.ipynb ဖိုင်တွင် ဆဲလ်များအားလုံးကို 'ချက်ကပ်ဖလူး' ကို နှိပ်သွား၍ သန့်ရှင်းပါ။

ဤအပိုင်း၌ သင်သည် သင်ယူမှုရည်ရွယ်ချက်ဖြင့် Scikit-learn တွင် ထည့်သွင်းထားသော သကြားနဲ့ဆိုင်သော ဒေတာအသေးစားတစ်ခုဖြင့် လုပ်ကိုင်မည်။ သင်သည် ဆီးချိုရောဂါရှိသူများအတွက် ဆေးကုသမှုကို စမ်းသပ်လိုသည်ဟု သေချာပါက၊ စက်မှုသင်ယူမှု မော်ဒယ်များအား အသုံးပြုပြီး ကုသမှု ကိုပိုမိုကောင်းမွန်စွာ သင့်လျော်သည့် လူနာများကို ရွေးချယ်နိုင်မည် ဖြစ်သည်။ အလွန်ရိုးရှင်းသော regression မော်ဒယ်တစ်ခုမှ ဖြစ်ပါက တည်ဆောက်ခြင်းဖြင့် သုတေသန ဆေးခန်း စီမံကိန်းများ အတွက် စိတ်ကူးများကို လမ်းညွှန်ပေးနိုင်ပါသည်။

✅ regression နည်းလမ်းများ များပြားပြီး ဘယ်ဟာကို ရွေးမလဲဆိုတာ မေးခွန်းအပေါ် မူတည်သည်။ လူကြီးအသက်နှင့် အရွယ်အစား ခန့်မှန်းလိုပါက linear regression ကို အသုံးပြုမည်၊ သင့်ကိုယ်တိုင်တန်ဖိုးကို ရှာဖွေနေသည်ကို ဆိုလိုသည်။ သင့်အား စားသောက်ပစ္စည်းကအစားအစာအမျိုးအစား vegan ဖြစ်မဖြစ် ရှာဖွေရန်လိုပါက category သတ်မှတ်ချက် လိုသည်၊ ထို့ကြောင့် logistic regression ကို အသုံးပြုမည်။ logistic regression အကြောင်းကို နောက်ပိုင်း၌ ပိုမိုလေ့လာမည်။ ဒေတာ ကို မေးခွန်းများ နှင့် မည်သည့်နည်းလမ်း အသုံးပြုမယ်ဆိုတာ စဉ်းစားပါ။

ဤတာဝန်တွင် စတင်လိုက်ပါစို့။

ไลဘရီများ ရှာဖွေ သုံးရန်

ဤတာဝန်အတွက် ไลဘရီများ အချို့ကို ရှာဖွေထည့်သွင်းပါမည် -

• matplotlib. ကွက်ပြားရေးကိရိယာ တွင် အသုံးပြုဖြစ်၍ line plot ဖန်တီးရန် ဖြစ်သည်။
• numpy. numpy သည် Python တွင် နံပါတ်ဒေတာများကို ကိုင်တွယ်ရန် အသုံးဝင်သော ไลဘရီ ဖြစ်သည်။
• sklearn. Scikit-learn လိုက်ရီ ဖြစ်သည်။

အလုပ်လုပ်ရန် ကူညီပေးမည့် ไลဘရီများ ရှာဖွေရန်။

1. အောက်ပါကုဒ်ကို ရိုက်ထည့်ကာ imports ပေါင်းထည့်ပါ။

   import matplotlib.pyplot as plt
   import numpy as np
   from sklearn import datasets, linear_model, model_selection
   

   အပေါ်တွင် matplotlib, numpy နှင့် datasets, linear_model, model_selection ကို sklearn မှ ဝင်ခွင့်ပြုချင်သည်။ model_selection ကို သင်တန်းနှင့် စမ်းသပ် အစိတ်များ ဖွဲ့ခြားသုံးသည်။

ဆီးချို ဒေတာစုစည်းမှု

ထည့်သွင်းထားသည့် ဆီးချို ဒေတာစုစည်းမှု တွင် ဆီးချိုနှင့် သက်ဆိုင်သော ၄၄၂ နမူနာများ ပါရှိပြီး ၁၀ ပါဝင်ချက်များပါဝင်သည်၊ အချို့မှာ -

• အသက်: နှစ်အလိုက် အသက်
• bmi: ကိုယ်အလေးချိန် နှင့် အရပ် အချိုး
• bp: သွေးဖိအား ပျမ်းမျှတန်ဖိုး
• s1 tc: T-က ဆဲလ်များ (အဖြူရောင်သွေးဆဲလ်မျိုးတစ်ခု)

✅ ဤဒေတာစုစည်းမှုတွင် ဆီးချို သုတေသနအတွက် လွန်စွာ အရေးကြီးသော binary 'ကျား/မ' variable ပါဝင်သည်။ ဆေးကုသမှုများတွင် လူ့လူကဏ္ဍတချို့ကို ထားပါသည်။ မတူညီသော သတ်မှတ်ချက်များ ဘယ်လို လူစုကြီးများကို ကုသမှုမှ ပယ်ချနိုင်သည် ဆိုတာ သတိထားစဉ်းစားပါ။

အခု X နှင့် y ဒေတာများကို တင်ပါ။

🎓 သတိပြုရန် ဤသည် supervised learning ဖြစ်ပြီး y target အမည်ရှိရမည်။

ကိုယ်တိုင် မော်ဒယ်ပေါင်းသင်းဖို့ load_diabetes() ကို အသုံးပြု၍ ဒီတာတစ်ခု ရယူပြီး return_X_y=True ဖြင့် X ဒေတာ matrix နှင့် y regression target ကို ရယူပါ။

1. ဒေတာ matrix ၏ အရွယ်အစားနှင့် ပထမဆုံး အချက်ကို ပြရန် print command များ ထည့်ပါ။

   X, y = datasets.load_diabetes(return_X_y=True)
   print(X.shape)
   print(X[0])
   

   အဖြေကို tuple အဖြစ်ရရှိမည်။ tuple ၏ ပထမနှစ်ခုကို ပထမအား X နှင့် ဒုတိယအား y သတ်မှတ်သွားသည်။ tuple အကြောင်းပိုမိုသိရန် ကြည့်ပါ။

   ဒီဒေတာမှာ အချက်အလက် ၄၄၂ ခု ရှိပြီး တစ်ခုစီတွင် ၁၀ အချက်ပါဝင်သည်။

   (442, 10)
   [ 0.03807591  0.05068012  0.06169621  0.02187235 -0.0442235  -0.03482076
   -0.04340085 -0.00259226  0.01990842 -0.01764613]
   

   ✅ ဒေတာနှင့် regression target ၏ ဆက်နွယ်မှုကို စဉ်းစားပါ။ Linear regression သည် X feature နှင့် y target variable ကြားဆက်နွယ်မှုကို ကြိုတင်ခန့်မှန်းသည်။ ဆီးချို ဒေတာစုစည်းမှုတွင် target ကို စာတမ်းထဲတွင် တွေ့နိုင်ပါသလား? ဒီ ဒေတာဘာကို ပြသနေသလဲဆိုတာ စဉ်းစားပါ။

2. ဒေတာမူတည်ကိုသွယ်ကြည့်ရန် ဒေတာအတန်း (column) ၃ ခုကို ရွေးပါ။ : မှတဆင့် အတန်းများအားလုံးကို ရွေးပြီး ၃ ပြတန်း (index 2) ကို ရွေးယူပါ။ ဖော်ပြရန် 2D array ဖြစ်အောင် reshape(n_rows, n_columns) သုံးနိုင်သည်။ parameter တစ်ခု -1 ဖြစ်ပါက ကိုက်ညီသော အတိုင်းအတာကို ပြောဆောင်သည်။

   X = X[:, 2]
   X = X.reshape((-1,1))
   

   ✅ မည်သည့်အချိန်မှ မဆို ဒေတာ တန်ဖိုးများ ထုတ်၍ သူ့ရဲ့ အရွယ်အစားကို ကြည့်ရှုပါ။

3. သင့်ဒေတာနှင့် target (y) ကို test နှင့် training အပိုင်းများသို့ ခွဲရန် လိုအပ်ပါသည်၊ Scikit-learn တွင် ဤအတွက် ရိုးရိုးရှင်းသော နည်းလမ်းတစ်ခု ရှိသည်၊ သင့်၏ စမ်းသပ် ဒေတာကို တန်းတူခွဲစိတ်နိုင်သည်။

   X_train, X_test, y_train, y_test = model_selection.train_test_split(X, y, test_size=0.33)
   

4. လေ့လာမှုမော်ဒယ်ကို training data ဖြင့် လေ့ကျင့်ရန် တင်ပါ။ model.fit() ကိုအသုံးပြုပါ။

   model = linear_model.LinearRegression()
   model.fit(X_train, y_train)
   

   ✅ model.fit() သည် TensorFlow ကဲ့သို့ ML လိုင်းကြီးများတွင် တွေ့နိုင်သော function ဖြစ်သည်။

5. ဒေတာအုပ်စု ခွဲခြားရာတွင် predict() function ဖြင့် စမ်းသပ် ဒေတာများကို အသုံးပြုပြီး ခန့်မှန်းချက်တစ်ခု ဖန်တီးပါ။

   y_pred = model.predict(X_test)
   

6. ဒေေတာများအား ပုံပြုရန် အချိန်! Matplotlib သည် အလွန်အသုံးဝင်သောကိရိယာတစ်ခုဖြစ်သည်။ X နှင့် y test ဒေတာများ၏ scatterplot ဖန်တီးပြီး prediction အားအသုံးပြု၍ မော်ဒယ် ကွင်းများအကြားတွင် အေးလျော့သော လိုင်းတစ်ခု ဆွဲပါ။

   plt.scatter(X_test, y_test,  color='black')
   plt.plot(X_test, y_pred, color='blue', linewidth=3)
   plt.xlabel('Scaled BMIs')
   plt.ylabel('Disease Progression')
   plt.title('A Graph Plot Showing Diabetes Progression Against BMI')
   plt.show()
   

   

   ✅ ဒီနေရာမှာ ဖြစ်ပေါ်နေသောအခြေအနေကို စဉ်းစားပါ။ အဆက်မပြတ် လိုင်းတစ်ခု သေးငယ်သည့် ဒေတာခွဲများကြားမှ ကျော်သွားနေသည်၊ ဒါပေမယ့် လိုင်းက ဘာလုပ်နေလဲ? ထိုလိုင်းကို အသုံးပြု၍ မတွေ့ရသေးသည့် ဒေတာခုတစ်ခု ဘယ်နေရာတွင် တည်ရှိမည်ကြောင်း သတ်မှတ်ခွင့်ရမည်ကို မြင်နိုင်မလား? ဒီမော်ဒယ်၏ လက်တွေ့အသုံးဝင်မှုကို စကားပြောဖော်ပြပါ။

သင်၏ ပထမဆုံး linear regression မော်ဒယ်ကို ဖန်တီးပြီး ခန့်မှန်းချက် ပြုလုပ်၍ ပုံဖော်ပြသနိုင်လိုက်ပါပြီ။

---

🚀 စိန်ခေါ်မှု

ဒီဒေတာစုစည်းမှုမှ အခြား variable တစ်ခုကို ပုံဆွဲပါ။ အကြံပြုချက်- ဒီလိုကြောင်း ပြင်ပါ: X = X[:,2]။ ဒီဒေတာအစီအစဉ်ရဲ့ target အရ ဆီးချိုရောဂါတိုးတက်မှု အချက်အလက်များအား မည်သို့ ရှာဖွေပိုင်သည်။

စာရွက်ပြီးနောက် ကွစ်ဇ်

ပြန်လည်သုံးသပ်ခြင်း နှင့် ကိုယ်တိုင်လေ့လာခြင်း

ဤသင်ခန်းစာတွင် သင်သည် ရိုးရှင်းသော linear regression ကိုသာ သုံးထားပြီး univariate သို့မဟုတ် multiple linear regression များကို မသုံးခဲ့ပါ။ ဤနည်းလမ်းများ၏ ကွာခြားချက်ကို ပြန်လည်လေ့လာရန်၊ သို့မဟုတ် ဤဗီဒီယို ကို ကြည့်ရှုပါ။

စပ်ဆိုင်မှု အဆင့်ဆင့်အကြောင်းပိုမိုလေ့လာပြီး ဤနည်းပညာဖြင့် ဖြေကြားနိုင်သော မေးခွန်းအမျိုးအစားများကို စဉ်းစားပါ။ ဤ သင်ခန်းစာ ကိုယူပြီး သင်၏နားလည်မှုများကို အတိအကျတိုးမြှင့်ပါ။

တာဝန်ပေးအပ်ခြင်း

အခြားသော ဒေတာစုစည်းမှု

---

ပြောကြားချက် ဤစာတမ်းကို AI ဘာသာပြန်ဝန်ဆောင်မှု 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။