ML-For-Beginners/translations/km/9-Real-World/1-Applications

ការបញ្ចប់៖ ការរៀនម៉ាស៊ីននៅក្នុងពិភពយ៉ាងពិតប្រាកដ

ស្គេតណូតដោយ Tomomi Imura

ក្នុងកម្មវិធីសិក្សានេះ អ្នកបានរៀនរបៀបជាច្រើនក្នុងការរៀបចំទិន្នន័យសម្រាប់ហ្វឹកហាត់ ហើយបង្កើតម៉ូដែលការរៀនម៉ាស៊ីន។ អ្នកបានបង្កើតម៉ូដែលនៃការត្រួតពិនិត្យស្រដៀងបែបបុរាណ សារ៉ែនជCluster, ការបែងចែក, ការពិចារណាភាសាប្រពៃណី និងម៉ូដែលស៊េរីពេលវេលា មួយរយៈ។ សូមអបអរសាទរ! ឥឡូវនេះ អ្នកអាចកំពុងសួរថា ទាំងអស់នេះមានប្រយោជន៍យ៉ាងដូចម្តេច... កើតហេតុអ្វីជាការប្រើប្រាស់ពិតប្រាកដសម្រាប់ម៉ូដែលទាំងនេះ?

ក្នុងពេលដែលភាពចាប់អារម្មណ៍ជាច្រើនក្នុងឧស្សាហកម្មត្រូវបានទាក់ទាញដោយ AI ដែលភាគច្រើនប្រើប្រាស់ការរៀនជ្រៅ ប៉ុន្តែនៅតែក៏មានការប្រើប្រាស់មានតម្លៃសម្រាប់ម៉ូដែលការរៀនម៉ាស៊ីនបែបបុរាណ។ អ្នកអាចត្រូវបានប្រើប្រាស់ករណីការប្រើប្រាស់មួយចំនួននៅថ្ងៃនេះផងដែរ! នៅក្នុងមេរៀននេះ អ្នកនឹងស្វែងយល់ពីរបៀបដែលឧស្សាហកម្មប្រាំបាញ់និងវិស័យជំនាញផ្សេងៗប្រើម៉ូដែលទាំងនេះដើម្បីធ្វើឱ្យកម្មវិធីរបស់ពួកគេចេញលទ្ធផលល្អប្រសើរ ប្រកបដោយទុកចិត្ត ច្បាស់លាស់ ហើយមានតម្លៃសម្រាប់អ្នកប្រើប្រាស់។

វីវរប្រលងមុនវីដេអូ

💰 ហិរញ្ញវត្ថុ

វិស័យហិរញ្ញវត្ថុផ្តល់ឱកាសជាច្រើនសម្រាប់ការរៀនម៉ាស៊ីន។ បញ្ហាជាច្រើនក្នុងតំបន់នេះអាចត្រូវបានគំរូ និងដោះស្រាយដោយប្រើ ML។

ការរកឃើញការបោសបង់កាតឥណទាន

យើងបានរៀនអំពី ការបែងចែកក្រុម k-means មុននេះក្នុងវគ្គបង្រៀន ប៉ុន្តែរបៀបណាដែលវាអាចត្រូវបានប្រើដើម្បីដោះស្រាយបញ្ហាអំពីការបោកប្រាស់កាតឥណទាន?

ការបែងចែកក្រុម k-means មកមានប្រយោជន៍ក្នុងបច្ចេកទេសរកឃើញការបោកប្រាស់កាតឥណទានមួយដែលហៅថា ការរកឃើញភាគចេញក្រៅសធម្មតា (outlier detection)។ ភាគចេញក្រៅ ឬការប្រែប្រួលក្នុងការបង្កើតទិន្នន័យអាចប្រាប់យើងថា តើកាតឥណទានកំពុងប្រើតាមរបៀបធម្មតា ឬមានអ្វីមួយមិនធម្មតាកំពុងកើតឡើង។ ដូចបានបង្ហាញក្នុងអត្ថបទភ្ជាប់ខាងក្រោម អ្នកអាចចាត់តម្រៀបទិន្នន័យកាតឥណទានដោយប្រើកាលដ្ឋានបែងចែកក្រុម k-means ហើយតែងតាមប្រតិបត្ដិការតាមក្រុមមួយផ្អែកលើភាពជាភាគចេញក្រៅរបស់វា។ បន្ទាប់មក អ្នកអាចវាយតម្លៃក្រុមដែលមានហានិភ័យបំផុតសម្រាប់ប្រតិបត្ដិការល្បែង versus ដែលត្រឹមត្រូវបាន។ យោង

គ្រប់គ្រងទ្រព្យសម្បត្តិ

ក្នុងការគ្រប់គ្រងទ្រព្យសម្បត្តិ វិទ្យុបុគ្គលឬក្រុមហ៊ុនមួយទទួលខុសត្រូវក្នុងការវិនិយោគជំនួសអតិថិជនរបស់ពួកគេ។ ភារកិច្ចរបស់ពួកគឺផ្ដល់ការរឹតបន្តឹងនិងបង្កើតទ្រព្យសម្បត្តិអនាគត ដូច្នេះវាម្រើបត្រូវជ្រើសរើសវិនិយោគដែលមានលទ្ធផលល្អ។

វិធីមួយក្នុងការវាយតម្លៃភាពអនុវត្តន៍វិនិយោគជាក់លាក់គឺតាមរយៈវិធីសាស្ត្រគណិតវិទ្យាស្ថិតិ ការ៉េស្ស៊ីយ៉ុងបន្ទាត់ គឺជាឧបករណ៍មានតម្លៃសម្រាប់ការយល់ដឹងមើលថាហិរញ្ញវត្ថុមួយអនុវត្តទៅប្រៀបធៀបនឹងសំរុងការណាមួយ។ យើងក៏អាចបញ្ជាក់ថា តើលទ្ធផលនៃការត្រឡប់តាមស្ថិតិមានសំខាន់ ឬប៉ុន្មានទៅលើវិនិយោគរបស់អតិថិជន។ អ្នកអាចបន្តពង្រីកការវិភាគរបស់អ្នកដោយប្រើការត្រឡប់ច្រើន ដែលមានហានិភ័យបន្ថែមអាចគិតចូលក្នុងគណនា។ សម្រាប់ឧទាហរណ៍ពីរបៀបដែលវានឹងដើរដល់មូលទុនជាក់លាក់មួយ សូមមើលសៀវភៅខាងក្រោមអំពីការវាយតម្លៃសមត្ថភាពមូលទុនដោយប្រើការត្រឡប់។ យោង

🎓 ការអប់រំ

វិស័យការអប់រំក៏ជាតំបន់ចំណាប់អារម្មណ៍មួយដែលអាចប្រើប្រាស់ ML។ មានបញ្ហាវិសេសដែលត្រូវបានដោះស្រាយដូចជាការស្គាល់ការតស៊ូមតិលើសម្រង់ឬអត្ថបទ ឬការគ្រប់គ្រងការសំអាតចម្រូងចម្រាស់ អ្នកមិនបានបំណងឬមិនអាក្រក់។

ការប៉ាន់ស្មានអាកប្បកិរិយានិស្សិត

Coursera អ្នកផ្គត់ផ្គង់វគ្គបណ្ដុះបណ្ដាលអនឡាញ មានប្លុកបច្ចេកទេសដ៏ល្អដែលពិភាក្សាអំពីការសម្រេចចិត្តវិស្វកម្មជាច្រើន។ នៅក្នុងករណីសិក្សានេះ ពួកគេបានគូសបន្ទាត់ត្រឡប់សម្រាប់ព្យាយាមស្វែងរកភាពទាក់ទង בין លទ្ធផល NPS ទាប និងការរក្សាថ្នាក់ ឬការដកចេញពីវគ្គសិក្សា។ យោង

ការជៀសវាងការបំភាន់បុគ្គលិកលក្ខណៈ

Grammarly, ជាជំនួយការសរសេរដែលពិនិត្យកំហុសអក្សរ និងវេយ្យាករណ៍ ប្រើប្រាស់ប្រព័ន្ធ ពិចារណាភាសា មួយចំនួនដ៏ស្មុគស្មាញនៅក្នុងផលិតផលរបស់ខ្លួន។ ពួកគេសម្រង់ករណីសិក្សាអំពីរបៀបពួកគេដោះស្រាយការបំពានលើជាតិស្រីប្រុសក្នុងការរៀនម៉ាស៊ីន ដែលអ្នកបានរៀនក្នុងមេរៀន ស្តីពីភាពយុត្តិធម៌មូលដ្ឋាន។ យោង

👜 លក់រាយ

វិស័យលក់រាយអាចទទួលបានអត្ថប្រយោជន៍យ៉ាងច្រើនពីការប្រើប្រាស់ ML ពីការបង្កើតដំណើរការអតិថិជនល្អប្រសើរឡើង ដល់ការស្តុកឃ្លាំងយ៉ាងមានប្រសិទ្ធភាព។

ការប្តូរតាមបំណងដំណើរអតិថិជន

នៅក្រុមហ៊ុន Wayfair ដែលជាក្រុមហ៊ុនលក់ផលិតផលផ្ទះដូចជាគ្រឿងម៉ូដ ត្រូវការជួយអតិថិជនរកផលិតផលសមស្របសម្រាប់រសជាតិ និងតម្រូវការរបស់ពួកគេគឺមានសារៈសំខាន់។ ក្នុងអត្ថបទនេះ វិស្វករពីក្រុមហ៊ុនបានពិពណ៌នាថាអ្នកប្រើប្រាស់ ML និង NLP ដើម្បី "បង្ហាញលទ្ធផលត្រឹមត្រូវសម្រាប់អតិថិជន"។ ជាពិសេសម៉ាស៊ីនចេតនា Query Intent បានត្រូវបង្កើតដើម្បីប្រើការដកស្រង់អង្គភាព, ការហ្វឹកហាត់អ្នកចាត់ថ្នាក់, ការដកស្រង់ទ្រព្យសម្បត្តិ និងមតិយោបល់, និងការបញ្ចុះសញ្ញាហានិភ័យលើការវាយតម្លៃរបស់អតិថិជន។ នេះគឺជាករណីប្រើប្រាស់ក្លាស៊ីកមួយនៃវិធីសាស្រ្ត NLP នៅក្នុងការលក់រាយអនឡាញ។ យោង

ការគ្រប់គ្រងស្តុកឃ្លាំង

ក្រុមហ៊ុនច្នៃប្រឌិត និងបត់បែនដូចជា StitchFix ក្រុមហ៊ុនផ្តល់សេវាបញ្ចូនសម្លៀកបំពាក់ទៅអតិថិជន អាស្រ័យយ៉ាងខ្លាំងលើ ML សម្រាប់ការផ្តល់អនុសាសន៍ និងការគ្រប់គ្រងស្តុក។ ក្រុមទីមរចនាសត្វនិងក្រុមទីមពាណិជ្ជកម្មធ្វើការជារួមគ្នា ជាពិត៖ "មនុស្សវិទ្យាសាស្ត្រទិន្នន័យរបស់យើងបានសាកល្បងអាល់ហ្គորিদមជីណេទីក ហើយអនុវត្តវាលើសម្លៀកបំពាក់ដើម្បីទស្សនាវិជ្ជាជីវៈថា អ្វីទៅជាសម្លៀកបំពាក់ដែលមានជោគជ័យមិនទាន់មាននៅថ្ងៃនេះ។ យើងយកវាទៅឲ្យក្រុមទីមពាណិជ្ជកម្ម ហើយឥឡូវនេះពួកគេអាចប្រើវាជាឧបករណ៍មួយបាន។" យោង

🏥 សុខាភិបាល

វិស័យសុខាភិបាលអាចប្រើរបៀបរៀនម៉ាស៊ីនដើម្បីបង្កើនលទ្ធភាពស្រាវជ្រាវ និងដោះស្រាយបញ្ហាតំបន់ដូចជាការដាក់ព្យាបាលជំងឺម្ដងទៀតឬការទប់ស្កាត់ជំងឺរាតត្បាត។

ការគ្រប់គ្រងការសាកល្បងគ្លីនិក

ភាពពុលនៅក្នុងការសាកល្បងគ្លីនិកគឺជាបញ្ហាសំខាន់សម្រាប់អ្នកផលិតថ្នាំ។ តើភាពពុលប៉ុន្មានដែលអាចទ្រាំបាន? នៅក្នុងការសិក្សានេះ ការវិភាគវិធីសាស្ត្រសាកល្បងគ្លីនិកផ្សេងៗនាំឱ្យមានការកែច្នៃវិធីសាស្ត្រថ្មីសម្រាប់ព្យាយាមទំនាក់ផ្នត់លទ្ធផលសាកល្បងគ្លីនិក។ ជាពិសេស ពួកគេបានប្រើដើមព្រៃចៃដន្យ ដើម្បីបង្កើត អ្នកចាត់ថ្នាក់ ដែលអាចបំបែកចំណាត់ថ្នាក់ថ្នាំដោយក្រុម។ យោង

ការគ្រប់គ្រងការចូលមន្ទីរពេទ្យម្ដងទៀត

ការថែទាំមន្ទីរពេទ្យមានតម្លៃខ្ពស់ ជាពិសេសពេលអ្នកជំងឺត្រូវបញ្ចូលមន្ទីរពេទ្យម្តងទៀត។ អត្ថបទនេះពិភាក្សា​អំពី​ក្រុមហ៊ុន​មួយដែលប្រើ ML ក្នុងការព្យាករណ៍ពីឱកាសចូលមន្ទីរពេទ្យម្តងទៀតដោយប្រើអាល់ហ្គរីធម៍ clustering។ ក្រុមនេះជួយអ្នកវិភាគ "រកឃើញក្រុមនៃការចូលមន្ទីរពេទ្យម្តងទៀតដែលអាចមានមូលហេតុរួម"។ យោង

ការគ្រប់គ្រងជំងឺ

ការរីករាលដាលនៃជំងឺកូវីដថ្មីៗបានបង្ហាញពីរបៀបដែលការរៀនម៉ាស៊ីនអាចជួយទប់ស្កាត់ការរីករាលដាលជំងឺ។ នៅក្នុងអត្ថបទនេះ អ្នកនឹងមើលឃើញការប្រើប្រាស់ ARIMA, វង់ឡូកីស្ទិច, ការត្រឡប់បន្ទាត់ និង SARIMA។ "ការងារនេះជាការព្យាយាមគណនាអត្រារីកលូតលាស់នៃវីរុសនេះ ហើយធ្វើការព្យាករណ៍ពីការស្លាប់ ការស្ដារឡើងវិញ និងករណីដែលបានបញ្ជាក់ ដើម្បីជួយយើងរៀបចំបានល្អប្រសើរ និងរស់រានមានជីវិត។" យោង

🌲 បរិស្ថាន និងបច្ចេកវិទ្យាបៃតង

ធម្មជាតិនិងបរិស្ថានមានប្រព័ន្ធអារម្មណ៍យ៉ាងហោចណាស់ដែលការបង្រួមរវាងសត្វនិងធម្មជាតិនាំឲ្យកើតមានភាពសំខាន់។ វាសំខាន់ក្នុងការវាស់វែងប្រព័ន្ធទាំងនេះយ៉ាងត្រឹមត្រូវ ហើយធ្វើសកម្មភាពតាមតម្រូវការបើមានអ្វីមួយកើតឡើងដូចជាអគ្គិភ័យព្រៃឬការធ្លាក់ចុះនៃប្រជាជនសត្វ។

ការគ្រប់គ្រងព្រៃឈើ

អ្នកបានរៀនពី ការរៀនអនុគមន៍បន្សំ នៅមេរៀនមុន។ វា​អាចមានប្រយោជន៍ខ្លាំងពេលព្យាករណ៍លំនាំធម្មជាតិ។ ជាពិសេស វាអាចប្រើសម្រាប់តាមដានបញ្ហាបរិស្ថានដូចជាអគ្គិភ័យព្រៃឈើ និងការរាលដាលរបស់សត្វចម្លែក។ នៅប្រទេសកាណាដា ក្រុមអ្នកស្រាវជ្រាវមួយបានប្រើការរៀនអនុគមន៍បន្សំ ដើម្បីបង្កើតម៉ូដែលនៃបញ្ហាអគ្គិភ័យព្រៃឈើពីរូបភាពផ្កាយសsputnik។ ដោយប្រើ "ដំណើរការរីករាលដាលក្នុងអាកាសធាតុ (SSP)", ពួកគេបានគិតឲ្យអគ្គិភ័យព្រៃស្មើនឹង "ភ្នាក់ងារនៅក្នុងកោសិកាមួយណាមួយក្នុងផែនដី"។ "ដំណើរការដែលភ្លើងអាចធ្វើពីទីតាំងណាមួយ វា រួមមាន ការរីករាលដាលទៅខាងជើង, ត្បូង, ក្រោមទិសខាងកើត ឬខាងលិច ឬមិនរីករាលដាលឡើយ។

វិធីសាស្ត្រនេះផ្ទុយពីការរៀនអនុគមន៍បន្សំធម្មតា ព្រោះដំណើរការ Markov Decision Process (MDP) ដែលផ្តល់អនុគមន៍ការរីករាលដាលភ្លើងនៅភ្លាមៗគឺជាអនុគមន៍ដែលស្គាល់។" អានបន្ថែមអំពីអាល់ហ្គរីធម៍បែបបុរាណដែលក្រុមនេះបានប្រើនៅតំណភ្ជាប់ខាងក្រោម។ យោង

ការកំណត់ចលនារបស់សត្វ

នៅពេលការរៀនជ្រៅបានបង្កើតបម្លែងនៅក្នុងការតាមដានចលនារបស់សត្វតាមវិស្វកម្មគ្រប់គ្រាន់ (អ្នកអាចបង្កើតឧបករណ៍តាមដានខ្លាឃ្មុំកកស្មៅ ដោយខ្លួនឯងនៅទីនេះ) ក៏ប៉ុន្តែ ML បែបបុរាណនៅតែមានការរកដំណើរនារូបការងារនេះ។

ឧបករណ៍សម្រង់ចលនាភាពសត្វកសិកម្ម និង IoT ប្រើប្រភេទនៃការពិចារណារូបភាពនេះ ប៉ុន្តែបច្ចេកទេស ML មានមូលដ្ឋានក៏មានប្រយោជន៍សម្រាប់ការដំណើរការទិន្នន័យជាប់នៅមុន។ ឧទាហរណ៍ក្នុងអត្ថបទនេះ អង្គភាពនៃការត្រួតពិនិត្យទ្រង់ទ្រាយទាំងឡាយត្រូវបានត្រួតពិនិត្យនិងវិភាគតាមរយៈអាល់ហ្គរីធម៍ចាត់ថ្នាក់ផ្សេងៗ។ អ្នកអាចស្គាល់​ការគូសបក្សសនិទាន ROC នៅទំព័រ 335។ យោង

⚡️ ការគ្រប់គ្រងថាមពល

នៅក្នុងមេរៀនរបស់យើងពី ការព្យាករណ៍ស៊េរីពេលវេលា យើងបានយកឧទាហរណ៍គិតពីម៉ូដែលទីតាំងចតយានយន្តឆ្លាត ដើម្បីចំណូលសម្រាប់ទីរួមមួយផ្អែកលើការយល់ដឹងពីផ្គត់ផ្គង់និងទាមទារ។ អត្ថបទនេះពិភាក្សារយៈពេលវែងពីរបៀបដែលការបែងចែកក្រុម, ការត្រឡប់, និងស៊េរីពេលវេលាបានរួមបញ្ចូលគ្នា ដើម្បីជួយព្យាករណ៍ការប្រើថាមពលអនាគតនៅអៀរឡង់ ដោយសារតែការវាស់តម្រុយឆ្លាត។ យោង

💼 ធានារ៉ាប់រស់

វិស័យធានារ៉ាប់រស់គឺជាវិស័យមួយទៀតដែលប្រើ ML ក្នុងការបង្កើត និងបង្កើនប្រសិទ្ធភាពម៉ូដែលហិរញ្ញវត្ថុ និងម៉ូដែលធានារ៉ាប់រស់។

ការគ្រប់គ្រងអត្រារអ៊ូរ៉ា

MetLife ដែលជាអ្នកផ្គត់ផ្គង់ធានារ៉ាប់រស់មួយបានបង្ហាញរបៀបពិចារណា និងកាត់បន្ថយអត្រារអ៊ូរ៉ារនៅក្នុងម៉ូដែលហិរញ្ញវត្ថុរបស់ពួកគេ។ ក្នុងអត្ថបទនេះ អ្នកនិងឃើញការបង្ហាញការបែងចែកពីរប្រភេទ និងការបែងចែកតាមលំដាប់តូចធំ។ អ្នកនឹងជ្រាបពីការបង្ហាញព្យាករណ៍ផងដែរ។ យោង

🎨 សិល្បៈ, វប្បធម៌ និងអក្សរសាស្ត្រ

ក្នុងសិល្បៈ ឧទាហរណ៍ក្នុងសារព័ត៌មាន មានបញ្ហាច្រើនដែលគួរឲ្យមានចំណាប់អារម្មណ៍។ ការរកឃើញព័ត៌មានក្លែងក្លាយគឺជាបញ្ហាធំ ដែលបានបង្ហាញថាស្ថានភាពនេះមានឥទ្ធិពលលើមតិរបស់មនុស្ស និងធ្វើឱ្យប្រជាធិបតេយ្យជ្រុលរើងបាន។ សារមន្ទីរពិសេសៗក៏អាចទទួលផលបត់ពីការប្រើប្រាស់ ML ចាប់ពីការស្វែងរកចំណុចភ្ជាប់រវាងឥស្សរិយយសទៅដល់ការធ្វើផែនការប្រាក់វិភាគ។

ការបោះពុម្ពព័ត៌មានក្លែងក្លាយ

ការរកឃើញព័ត៌មានក្លែងក្លាយបានក្លាយជាការលេងល្បែងកណ្តេញក្នុងការផ្សាយពាណិជ្ជកម្មនៅសព្វថ្ងៃ។ អត្ថបទនេះ អ្នកស្រាវជ្រាវបានណែនាំថា ប្រព័ន្ទដែលបញ្ចូលវិធីសាស្ត្ររៀនម៉ាស៊ីនជាច្រើនដែលយើងបានសិក្សា អាចត្រូវបានសាកល្បង ហើយម៉ូដែលល្អបំផុតត្រូវបានដាក់ឲ្យដំណើរការ៖ "ប្រព័ន្ធនេះផ្អែកលើការចាប់យកលក្ខណៈពិសេសពីទិន្នន័យដោយប្រព័ន្ធពិចារណាភាសាប្រពៃណី និងលក្ខណៈពិសេសទាំងនោះត្រូវបានប្រើសម្រាប់ហ្វឹកហាត់ម៉ាស៊ីនចាត់ថ្នាក់ដូចជា Naive Bayes, Support Vector Machine (SVM), Random Forest (RF), Stochastic Gradient Descent (SGD), និង Logistic Regression (LR)।" យោង

អត្ថបទនេះបង្ហាញពីរបៀបរួមបញ្ចូលដែនការរៀនម៉ាស៊ីនផ្សេងៗគ្នាដើម្បីបង្កើតលទ្ធផលច្នៃប្រឌិត ដែលអាចជួយបញ្ឈប់ការរាលដាលព័ត៌មានក្លែងក្លាយ និងបង្កើតនូវគ្រោះថ្នាក់ចាស់ៗ; ក្នុងករណីនេះ មូលហេតុគឺការរាលដាលនូវអាថ៌កំបាំងអំពីការព្យាបាល COVID ដែលបណ្តាលឲ្យមានអំពើហិង្សាមនុស្សជាអក្សរ។

ការបង្ហាញ ML នៅសារមន្ទីរ

សារមន្ទីរនៅកំពូលនៃអភិវឌ្ឍ AI ដែលការធ្វើបញ្ជី និងជាតុលេខផ្តល់សមត្ថភាពក្នុងការស្វែងរកចំណុចភ្ជាប់រវាងឥស្សរិយយសកាន់តែងាយស្រួលជាងមុនទៅនឹងអភិវឌ្ឍន៍បច្ចេកវិទ្យា។ គម្រោងដូចជា In Codice Ratio កំពុងជួយដោះសោរការស៊ើបអង្កេតពីឯកសារសារមន្ទីរ មិនអាចចូលដំណើរការបាន ដូចជាឯកសារសារមន្ទីរវាទិកង់។ ប៉ុន្តែផ្នែកអាជីវកម្មសារមន្ទីរនៅតែទទួលបានអត្ថប្រយោជន៍ពីម៉ូដែល ML។

ឧទាហរណ៍ ស្ថាប័នសិល្បៈ Chicago បានបង្កើតម៉ូដែលដើម្បីព្យាករណ៍ថា តើមហាជនមានចំណាប់អារម្មណ៍ហើយពេលណាដែលពួកគេចូលរួមក្នុងពិព័រណ៍។ គោលបំណងគឺបង្កើតបទពិសោធន៍អតិថិជនឯកជននិងមានប្រសិទ្ធភាពរៀងរាល់ពេលអ្នកប្រើប្រាស់ធ្វើដំណើរទៅសារមន្ទីរ។ "នៅក្នុងរយៈពេលហិរញ្ញវត្ថុឆ្នាំ 2017 ម៉ូដែលនេះបានព្យាករណ៍ការចូលរួមនិងការចូលទស្សនាក្នុងកម្រិតត្រឹមត្រូវក្នុង 1 ភាគរយ និយាយដោយ Andrew Simnick, សេន្យ័រនាយកដ្ឋានក្រុមប្រឹក្សា នៅស្ថាប័នសិល្បៈ។" យោង

🏷 ទីផ្សារ

ការបែងចែកអតិថិជន

យុទ្ធសាស្ត្រទីផ្សារដែលមានប្រសិទ្ធភាពបំផុត គឺផ្តោតទៅលើអតិថិជនម្ខាងៗ ដោយផ្អែកលើការបែងចែកក្រុមផ្សេងៗគ្នា។ នៅក្នុងអត្ថបទនេះ ការប្រើប្រាស់អាល់ហ្គរីធម៍ Clustering ត្រូវបានពិភាក្សាដើម្បីគាំទ្រយុទ្ធសាស្ត្រទីផ្សារបែងចែករបស់ក្រុមហ៊ុន។ ការបែងចែកទីផ្សារដូចនេះជួយក្រុមហ៊ុនក្នុងការកែលម្អការទទួលស្គាល់ម៉ាក ឈានដល់អតិថិជនច្រើន និងធ្វើប្រាក់ច្រើនជាងមុន។ យោង

🚀 챌린지(បច្ចួប)

សូមកំណត់វិស័យផ្សេងទៀតមួយដែលទទួលបានអត្ថប្រយោជន៍ពីបច្ចេកទេសមួយចំនួនដែលអ្នកបានរៀនក្នុងកម្មវិធីសិក្សានេះ ហើយស្វែងរកពីរបៀបដែលវាប្រើ ML។

ប្រកួតប្រជែងក្រោយមេរៀន

ពិនិត្យឡើងវិញ & សិក្សាឯករាជ្យ

ក្រុមវិទ្យាសាស្ត្រទិន្នន័យ Wayfair មានវីដេអូច្រើនដែលគួរឱ្យចាប់អារម្មណ៍អំពីរបៀបដែលពួកគេស្តារខ្នាតប្រើ ML នៅក្រុមហ៊ុនរបស់ពួកគេ។ វាមានតំលៃក្នុងការមើល សូមមើល!

ការបញ្ជាក់

ការ​ស្វែងរក ML

---

ការបដិសេធ៖
ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវាកម្មបកប្រែ AI Co-op Translator។ ខណៈពេលយើងខិតខំសម្រេចភាពត្រឹមត្រូវ សូមយល់ព្រមថាការបកប្រែដោយស្វ័យម៉ាស៊ីនអាចមានកំហុស ឬភាពមិនត្រឹមត្រូវ។ អ្នកគួរត្រូវយកឯកសារជនជាតិដើមជា ប្រភពត្រឹមត្រូវផ្លូវការជានិច្ច។ សម្រាប់ព័ត៌មានសំខាន់ៗ ការបកប្រែដោយមនុស្សជំនាញត្រូវបានផ្ដល់អនុសាសន៍។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកអត្ថន័យខុសបានបណ្តាលមកពីការប្រើប្រាស់ការបកប្រែនេះទេ។