ML-For-Beginners/translations/km

🌐 ការគាំទ្រលេខា ភាសាច្រើន

គាំទ្រដោយ GitHub Action (ដោយស្វ័យប្រវត្តិ និងទាន់សម័យជាសម័យ)

អារ៉ាប់ | បង្គោល | ប៊ូលការី | ភាសា မြန်မာ | ចិន (សាមញ្ញ) | ចិន (ប្រពៃណី, ហុងកុង) | ចិន (ប្រពៃណី, ម៉ាកាវ) | ចិន (ប្រពៃណី, តៃវ៉ាន់) | គ្រូអាតិក | ឆេក | ដាណ្មាង | ហុល្លង់ | អេស្តូនី | ហ្វាំងឡង់ | បារាំង | អាល្លឺម៉ង់ | ក្រិក | ហេប្រ៊ូ | ហិណ្ឌី | ហុងគ្រី | ឥណ្ឌូណេស៊ី | អ៊ីតាលី | ជប៉ុន | ក្រណាដា | ខ្មែរ | កូរ៉េ | លីទុយអានី | ម៉ាឡេស៊ី | ម៉ាឡាឡាំ | ម៉ារ៉ាធី | ណេប៉ាល់ | អ្នកនិយាយភីជិន នីហ្សេរី | ន័រវេ | ប៉ិរឡុស (ផ្សេងពីហ្វារស៊ី) | ប៉ូឡូញ | ប៉ូរទុយហ្គាល់ (ប្រេស៊ីល) | ប៉ូរទុយហ្គាល់ (ប្រទេសប៉ូរទុយហ្គាល់) | ភាសា បេតជាប៉ូ (កប៊ូម៊ុយ) | រូម៉ានី | រុស្ស៊ី | សែប៊ិក (ស៊ីរីលិក) | ស្លូវ៉ាក | ស្លូវេនី | អេស្ប៉ាញ | ស្វាហ៊ីលី | ស្វែដ | តាហ្គាឡុក (ហ្វីលីពីន) | ទំនខ្មែរ | ទេឡូហ្គូ | ថៃ | ទួរគី | អ៊ុយក្រែន | អ៊ូរឌូ | វៀតណាម

ចង់ចម្លងក្នុងម៉ាស៊ីនផ្ទាល់ខ្លួន?

ការប្រមូលផ្តុំនេះរួមបញ្ចូលការប្រែសម្រួលជ понад 50 ភាសា ដែលបណ្តាលអោយទំហំទាញយកធំឡើងយ៉ាងខ្លាំង។ ដើម្បីចម្លងដោយគ្មានការប្រែសម្រួល អ្នកអាចប្រើម៉ឺនុយ 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"

វានាំអោយអ្នកទទួលបានគ្រប់យ៉ាងដែលត្រូវការដើម្បីបញ្ចប់មុខវិជ្ជានេះដោយមានការទាញយកកាន់តែរហ័ស។

ចូលរួមសហគមន៍របស់យើង

យើងមានស៊េរី Discord សម្រាប់ការសិក្សាជាមួយ AI កំពុងដំណើរការ សូមសិក្សាបន្ថែម និងចូលរួមជាមួយយើងនៅ ស៊េរី Learn with AI ចាប់ពីថ្ងៃទី 18 ដល់ ថ្ងៃទី 30 កញ្ញា 2025។ អ្នកនឹងទទួលបានគន្លឹះ និងជំនាញនៃការប្រើ GitHub Copilot សម្រាប់វិទ្យាសាស្ត្រទិន្នន័យ។

ការរៀនម៉ាស៊ីនសម្រាប់អ្នកចាប់ផ្តើម - មេរៀនមួយ

🌍 ដំណើរធ្វើដំណើរជុំវិញពិភពលោក ខណៈពេលដែលយើងសិក្សារអំពីម៉ាស៊ីនរៀនតាមរយៈវប្បធម៌នានាពិភពលោក 🌍

អ្នកផ្សព្វផ្សាយ Cloud នៅ Microsoft មានសេចក្តីរីករាយផ្តល់ជូនមេរៀន 12 សប្ដាហ៍ 26 មេរៀនអំពី ម៉ាស៊ីនរៀន។ នៅក្នុងមេរៀននេះ អ្នកនឹងរៀនអំពីអ្វីដែលហៅថា ម៉ាស៊ីនរៀនបែបចាស់ ប្រើប្រាស់វីធី Scikit-learn ជាចម្បង និងជៀសវាងការសិក្សាដែលជ្រៅ ដែលគ្របដណ្តប់នៅក្នុង មេរៀន AI សម្រាប់អ្នកចាប់ផ្តើម។ ពូកែមេរៀនទាំងនេះជាមួយនឹង 'វិទ្យាសាស្ត្រទិន្នន័យសម្រាប់អ្នកចាប់ផ្តើម'!

ដំណើររួមជាមួយយើងជុំវិញពិភពលោក ដើម្បីអនុវត្តវិធីសាស្រ្តបុរាណទាំងនេះលើទិន្នន័យពីតំបន់ផ្សេងៗ។ មេរៀននិមួយៗមានការប្រលងមុន និងបន្ទាប់មេរៀន, សេចក្តីណែនាំសរសេរដើម្បីបញ្ចប់មេរៀន, ដំណោះស្រាយ, កិច្ចការណ៍ និងច្រើនទៀត។ វិធីសាស្រ្តបង្រៀនផ្អែកលើគម្រោងអនុញ្ញាតឱ្យអ្នករៀនពេលកំពុងបង្កើត ដែលជាវិធីដែលបានพิสูจน์ហើយថាជួយឲ្យជំនាញថ្មីៗ «ដាក់ចិត្ត» បានប្រសើរឡើង។

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

🎨 អរគុណដល់អ្នកគូររូបរបស់យើង Tomomi Imura, Dasani Madipalli និង Jen Looper

🙏 អរគុណពិសេស 🙏 ទៅកាន់អ្នកនិពន្ធ អ្នកពិនិត្យ និងអ្នកចូលរួមខ្លួន Microsoft Student Ambassador របស់យើង, ជាពិសេស Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila និង Snigdha Agarwal

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

ចាប់ផ្តើម

អនុវត្តន៍ជំហានទាំងនេះ៖

1. Fork មុខវិជ្ជា៖ ចុចប៊ូតុង "Fork" នៅមុំខាងលើស្តាំងនៃទំព័រនេះ។
2. ចម្លងមុខវិជ្ជា៖ git clone https://github.com/microsoft/ML-For-Beginners.git

💡 គន្លឹះចាប់ផ្តើមឆាប់រហ័ស: ចង់ចាប់ផ្តើមក្នុងកម្មវិធីរុក្ខជាតិដោយគ្មានការដំឡើង Python នៅក្នុងម៉ាស៊ីនផ្ទាល់? ប្រើ GitHub Codespaces ដើម្បីបង្កើតបរិយាកាសអភិវឌ្ឍន៍នៅលើពពក សម្រាប់ fork របស់អ្នក។ បើកម៉ឺនុយបៃតង Code ជ្រើសរើស Codespaces ហើយបង្កើត codespace; ដំឡើងរាល់ការពឹងផ្អែកតាមមេរៀនដែលតម្រូវ។

ស្វែងរកធនធានបន្ថែមទាំងអស់សម្រាប់មុខវិជ្ជានេះនៅក្នុងស្វ័យប្រវត្តិ Microsoft Learn របស់យើង

🔧 ត្រូវការជំនួយ? ពិនិត្យមើល មេរៀនដោះស្រាយបញ្ហា របស់យើងសម្រាប់ដំណោះស្រាយទៅអំពីបញ្ហាទូទៅនៃការដំឡើង ការតំណើរការ និងមេរៀន។

សិស្ស ដើម្បីប្រើប្រាស់មុខវិជ្ជានេះ សូម fork មុខវិជ្ជាពេញមួយទៅប្រើប្រាស់ក្នុងគណនី GitHub របស់អ្នក ហើយបញ្ចប់លំហាត់ដោយខ្លួនឯង ឬជាក្រុម៖

• ចាប់ផ្តើមជាមួយការប្រលងមុនមេរៀន។
• អានមេរៀន និងបញ្ចប់សកម្មភាព បញ្ឈប់ និងពិចារណារនៅពេលវេលាក្នុងការត្រួតពិនិត្យចំណេះដឹង។
• ព្យាយាមបង្កើតគម្រោងដោយយល់ដឹងមេរៀន ជាងការរត់កូដដំណោះស្រាយ; ទោះបីជាកូដនេះមានរួចនៅក្នុងថត /solution នៃមេរៀនផ្អែកលើគម្រោង។
• ធ្វើការប្រលងបន្ទាប់មេរៀន។
• បញ្ចប់ការប្រកួតប្រជែង។
• បញ្ចប់ភារកិច្ច។
• បន្ទាប់ពីបញ្ចប់ក្រុមមេរៀនមួយ សូមទស្សនាក្រុមហ៊ុន បន្ទះពិភាក្សា ហើយ "រៀនយំឮ" ដោយបំពេញក្របខ័ណ្ឌ PAT ដែលសមស្រប។ PAT គឺជាឧបករណ៍វាយតម្លៃដំណើរការដែលអ្នកបំពេញជួយសម្រួលការរៀនរបស់អ្នក។ អ្នកក៏អាចឆ្លើយតបទៅ PAT របស់អ្នកដទៃ ដើម្បីយើងអាចរៀនរួមគ្នា។

សម្រាប់ការសិក្សាបន្ថែម យើងផ្តល់អនុសាសន៍ឱ្យតាមដានវគ្គ Microsoft Learn និងផ្លូវការរៀន។

គ្រូបង្រៀន យើងបាន បញ្ចូលមតិយោបល់ខ្លះៗ របៀបប្រើប្រាស់មេរៀននេះ។

---

វីដេអូបង្ហាញ

មេរៀនខ្លះមានជាវីដេអូខ្លីៗ។ អ្នកអាចរកឃើញវាទាំងអស់នៅក្នុងមេរៀន ឬលើ បញ្ជីចម្រៀង ML for Beginners នៅឆានែល Microsoft Developer YouTube ដោយចុចរូបភាពខាងក្រោម។

---

ស្គាល់ក្រុមការងារ

Gif ដោយ Mohit Jaisal

🎥 ចុចរូបភាពខាងលើសម្រាប់វីដេអូអំពីគម្រោង និងមនុស្សដែលបង្កើតវា!

---

វិធីសាស្រ្តបង្រៀន

យើងជ្រើសរើសមូលដ្ឋានបង្រៀនពីរដែលសំខាន់ក្នុងការបង្កើតមេរៀននេះ៖ ការធានាថាវាគឺជាវិធីសាស្រ្តអនុវត្ត ផ្អែកលើគម្រោង និងរួមបញ្ចូល ការប្រលងជំនាញជាប្រចាំ។ បន្ថែមពីនេះ មេរៀនមាន ប្រធានបទជារួមដើម្បីផ្តល់ភាពរួមគ្នា។

ដោយធានាថាបទពិសោធន៍សម្របសម្រួលជាមួយគម្រោង ការបង្រៀនក្លាយជារឿងគួរឱ្យចាប់អារម្មណ៍សម្រាប់សិស្ស និងកែលម្អការចងចាំមូលដ្ឋាន។ បន្ថែមពីនេះ ការប្រលងមួយមុនថ្នាក់ឲ្យបំណងក្នុងការរៀនមុខវិជ្ជា ខណៈពេលការប្រលងទីពីរបញ្ចាក់ការចងចាំបន្ថែមបន្ទាប់ពីថ្នាក់។ មេរៀននេះត្រូវបានរចនាឡើងឲ្យមានភាពបត់បែន និងរីករាយ អាចបញ្ចប់បានទាំងមូល ឬខ្លះៗ។ គម្រោងចាប់ផ្តើមតូច ហើយកើនឡើងមន្ទុះស្មុគស្មាញនៅចុងសប្ដាហ៍ទី 12។ មេរៀននេះមានកំណត់ត្រាសម្រាប់ការអនុវត្តចំការផ្សេងទៀតនៃម៉ាស៊ីនរៀន ដែលអាចប្រើជាពិន្ទុបន្ថែម ឬជាមូលដ្ឋានសម្រាប់ការពិភាក្សា។

សូមរកមើល Code of Conduct, ការចូលរួម, ការប្រែសម្រួល, និង ដោះស្រាយបញ្ហា របស់យើង។ យើងសង្ឃឹមថានឹងទទួលបានមតិយោបល់សំណូមពររបស់អ្នក!

មេរៀននិមួយៗរួមមាន

• សេចក្តីសង្ខេបជាគំនូរសេចក្តី
• វីដេអូចម្រាញ់បន្ថែម (ជាជម្រើស)
• វីដេអូបង្ហាញ (មេរៀនខ្លះៗតែប៉ុណ្ណោះ)
• ការប្រលងកម្រិតមុនថ្នាក់
• មេរៀនសរសេរ
• សម្រាប់មេរៀនផ្អែកលើគម្រោង ការណែនាំជាកំហិតដើម្បីបង្កើតគម្រោង
• ការត្រួតពិនិត្យចំណេះដឹង
• ការប្រកួតប្រជែង
• ការអានបន្ថែម
• ភារកិច្ច
• ការប្រឡងបន្ទាប់មេរៀន

កំណត់សម្គាល់អំពីភាសា៖ មេរៀនទាំងនេះភាគច្រើនសរសេរជាមួយ Python ប៉ុន្តែអាចរកបានជាច្រើនក្នុងភាសា R ផងដែរ។ ដើម្បីបញ្ចប់មេរៀន R សូមចូលទៅថត /solution ហើយស្វែងរកមេរៀន R។ វារួមបញ្ចូលផ្នែក .rmd ដែលជាអ្នកតំណាងឱ្យឯកសារ R Markdown ដែលអាចនិយាយជាផ្នែកឧទាហរណ៍មួយសម្រាប់ការសរសេររួមគ្នា code chunks (នៃ R ឬភាសាផ្សេង) និង YAML header (ដែលណែនាំរបៀបបែបផែនលទ្ធផលដូចជា PDF) ក្នុងឯកសារ Markdown។ ដូច្នេះវាជាជំនាញមួយសម្រាប់វិទ្យាសាស្ត្រទិន្នន័យព្រោះវាអនុញ្ញាតឱ្យអ្នកចងកូដ ទិន្នផល និងគំនិតរបស់អ្នកជាមួយគ្នាតាមរយៈMarkdown។ បន្ថែមពីនេះឯកសារ R Markdown ក៏អាចបំលែងទៅទ្រង់ទ្រាយដូចជា PDF, HTML ឬ Word បាន។

កំណត់សម្គាល់អំពីការប្រលង៖ ការប្រលងទាំងអស់មាននៅក្នុងថត Quiz App មានចំនួន 52 ការប្រលង មួយៗមានចំនួនសំណួរ 3។ វាត្រូវបានភ្ជាប់នៅក្នុងមេរៀន ប៉ុន្តែកម្មវិធីប្រលងអាចដំណើរការបាននៅក្នុងម៉ាស៊ីនផ្ទាល់; សូមអនុវត្តការណែនាំនៅក្នុងថត quiz-app ដើម្បីដាក់បង្ហោះក្រៅឬដាក់នៅ Azure។

លេខមេរៀន	ចំណងជើង	ក្រុមមេរៀន	គោលបំណងការរៀន	មេរៀនភ្ជាប់	អ្នកនិពន្ធ
01	ការណែនាំអំពីការសិក្សាម៉ាស៊ីន	Introduction	រៀនពីមូលដ្ឋានគំនិតនៅពីក្រោយការសិក្សាម៉ាស៊ីន	Lesson	Muhammad
02	ប្រវត្តិវិទ្យានៃការសិក្សាម៉ាស៊ីន	Introduction	រៀនពីប្រវត្តិវិទ្យាដែលគាំទ្រដល់វិស័យនេះ	Lesson	Jen and Amy
03	ភាពយុតិសម និងការសិក្សាម៉ាស៊ីន	Introduction	តើបញ្ហាទោលសំខាន់ៗអ្វីខ្លះដែលទាក់ទងនឹងភាពយុតិសមដែលអ្នកសិក្សាគួរតែគិតពិចារណារបស់ពេលកសាងនិងអនុវត្តម៉ូដែល ML?	Lesson	Tomomi
04	បច្ចេកទេសសម្រាប់ការសិក្សាម៉ាស៊ីន	Introduction	តើបច្ចេកទេសណាខ្លះដែលអ្នកស្រាវជ្រាវ ML ប្រើសម្រាប់កសាងម៉ូដែល ML?	Lesson	Chris and Jen
05	ការណែនាំអំពីការវិភាគត្រឡប់	Regression	ចាប់ផ្តើមជាមួយ Python និង Scikit-learn សម្រាប់ម៉ូដែលវិភាគត្រឡប់	Python • R	Jen • Eric Wanjau
06	តម្លៃស្ពឺកាផឹកនៅអាមេរិកខាងជើង 🎃	Regression	បង្ហាញទិន្នន័យ និងសំអាតទិន្នន័យសម្រាប់រៀបចំទៅ ML	Python • R	Jen • Eric Wanjau
07	តម្លៃស្ពឺកាផឹកនៅអាមេរិកខាងជើង 🎃	Regression	សាងម៉ូដែល regression ស្របតាមបន្ទាត់ និង polynomial	Python • R	Jen and Dmitry • Eric Wanjau
08	តម្លៃស្ពឺកាផឹកនៅអាមេរិកខាងជើង 🎃	Regression	សាងម៉ូដែល regression logistic	Python • R	Jen • Eric Wanjau
09	កម្មវិធីបណ្តាញ 🔌	Web App	សាងកម្មវិធីបណ្តាញដើម្បីប្រើម៉ូដែលដែលបានបណ្តុះ	Python	Jen
10	ការណែនាំអំពីការបែងចែកវថាគុណ	Classification	សំអាត រៀបចំ និងបង្ហាញទិន្នន័យរបស់អ្នក; ការណែនាំអំពីការបែងចែកវថាគុណ	Python • R	Jen and Cassie • Eric Wanjau
11	រសជាតិម្ហូបអាស៊ី និងឥណ្ឌា រសជាតិសប្បាយ 🍜	Classification	ការណែនាំអំពីអ្នកចាត់ថ្នាក់	Python • R	Jen and Cassie • Eric Wanjau
12	រសជាតិម្ហូបអាស៊ី និងឥណ្ឌា រសជាតិសប្បាយ 🍜	Classification	អ្នកចាត់ថ្នាក់បន្ថែម	Python • R	Jen and Cassie • Eric Wanjau
13	រសជាតិម្ហូបអាស៊ី និងឥណ្ឌា រសជាតិសប្បាយ 🍜	Classification	សាងកម្មវិធីបណ្តាញផ្តល់អនុសាសន៍ដោយប្រើម៉ូដែលរបស់អ្នក	Python	Jen
14	ការណែនាំអំពីការបំបែកក្រុម	Clustering	សំអាត រៀបចំ និងបង្ហាញទិន្នន័យរបស់អ្នក; ការណែនាំអំពីការបំបែកក្រុម	Python • R	Jen • Eric Wanjau
15	ការស្វែងយល់ពីរសជាតិតន្ត្រីនីជេរី 🎧	Clustering	ស្វែងយល់ពីវិធីសាស្រ្តបំបែកក្រុម K-Means	Python • R	Jen • Eric Wanjau
16	ការណែនាំអំពីការបកស្រាយភាសាធម្មជាតិ ☕️	Natural language processing	រៀនមូលដ្ឋានអំពី NLP ដោយកសាងបុតងាយ	Python	Stephen
17	បើកចិត្តទៅលើភារកិច្ច NLP ផ្សេងៗ ☕️	Natural language processing	ជំរុញចំណេះដឹង NLP របស់អ្នកដោយយល់ពីភារកិច្ចទូទៅដែលត្រូវចាំបាច់ពេលដោះស្រាយរចនាសម្ព័ន្ធភាសា	Python	Stephen
18	ការបកប្រែ និងវិភាគអារម្មណ៍ ♥️	Natural language processing	ការបកប្រែ និងវិភាគអារម្មណ៍ជាមួយ Jane Austen	Python	Stephen
19	សណ្ឋាគាររសជាតិស្នេហា​នៅអឺរ៉ុប ♥️	Natural language processing	ការវិភាគអារម្មណ៍ជាមួយការវាយតម្លៃសណ្ឋាគារ ១	Python	Stephen
20	សណ្ឋាគាររសជាតិស្នេហា​នៅអឺរ៉ុប ♥️	Natural language processing	ការវិភាគអារម្មណ៍ជាមួយការវាយតម្លៃសណ្ឋាគារ ២	Python	Stephen
21	ការណែនាំអំពីការទស្សន៍ទាយលំដាប់ពេលវេលា	Time series	ការណែនាំអំពីការទស្សន៍ទាយលំដាប់ពេលវេលា	Python	Francesca
22	⚡️ ការប្រើថាមពលពិភពលោក ⚡️ - ការទស្សន៍ទាយលំដាប់ពេលវេលាដោយ ARIMA	Time series	ការទស្សន៍ទាយលំដាប់ពេលវេលាដោយ ARIMA	Python	Francesca
23	⚡️ ការប្រើថាមពលពិភពលោក ⚡️ - ការទស្សន៍ទាយលំដាប់ពេលវេលាដោយ SVR	Time series	ការទស្សន៍ទាយលំដាប់ពេលវេលាដោយ Support Vector Regressor	Python	Anirban
24	ការណែនាំអំពីការសិក្សាភាពតបស្នង	Reinforcement learning	ការណែនាំអំពីការសិក្សាភាពតបស្នងជាមួយ Q-Learning	Python	Dmitry
25	ជួយ Peter ចៀសវាងខ្លំណាររបស់គេច! 🐺	Reinforcement learning	ការសិក្សាភាពតបស្នង Gym	Python	Dmitry
Postscript	ស្ថានការណ៍ និងការអនុវត្ត ML នៅក្នុងពិភពពិត	ML in the Wild	ការអនុវត្តន៍ចំរូងជាក់ស្តែងនៃ ML របៀបបុរាណ	Lesson	Team
Postscript	ការតម្រៀបម៉ូដែលនៅក្នុង ML ដោយប្រើផ្ទៃ RAI dashboard	ML in the Wild	ការតម្រៀបម៉ូដែលនៅក្នុងការសិក្សាម៉ាស៊ីនដោយប្រើផ្ទៃម៉ាស៊ីនផ្សព្វផ្សាយ AI	Lesson	Ruth Yakubu

ស្វែងរកធនធានបន្ថែមទាំងអស់សម្រាប់វគ្គនេះនៅក្នុងការប្រមូលផ្តុំ Microsoft Learn តំណនេះ

ការចូលប្រើដោយគ្មានអ៊ីនធឺណិត

អ្នកអាចរត់ឯកសារនេះក្រៅបណ្តាញដោយប្រើ Docsify។ បំបែក repo នេះ, ដំឡើង Docsify លើកុំព្យូទ័រផ្ទាល់ខ្លួនរបស់អ្នក ហើយបន្ទាប់មកនៅក្នុងថតម៉ៅរបស់ repo នេះ, វាយ docsify serve។ គេហទំព័រនឹងត្រូវបានបម្រើនៅព័ត ៣០០០ នៅលើ localhost របស់អ្នក: localhost:3000។

ឯកសារ PDF

រកឃើញឯកសារ pdf នៃវគ្គសិក្សាជាមួយតំណភ្ជាប់ នៅទីនេះ។

🎒 វគ្គផ្សេងទៀត

ក្រុមការងាររបស់យើងបង្កើតវគ្គផ្សេងទៀត! សូមពិនិត្យមើល:

LangChain

Azure / Edge / MCP / Agents

---

ស៊េរី Generative AI

---

Core Learning

---

ស៊េរី Copilot

សុំជំនួយ

ប្រសិនបើអ្នកមានការលំបាកឬមានសំណួរពេលកំពុងរៀន Machine Learning ឬកំពុងបង្កើតកម្មវិធី AI កុំបារម្ភ — មានជំនួយសម្រាប់អ្នក។

អ្នកអាចចូលរួមពិភាក្សាជាមួយអ្នករៀន និងអ្នកអភិវឌ្ឍន៍ផ្សេងទៀត សួរសំណួរ និងចែករំលែកគំនិតរបស់អ្នកជាមួយសហគមន៍។

• ចូលរួមសហគមន៍សម្រាប់សួរសំណួរ និងរៀនជាមួយអ្នកផ្សេងទៀត
• ពិភាក្សាអំពីគំនិតនិងគម្រោង Machine Learning
• ទទួលការណែនាំពីអ្នកអភិវឌ្ឍមានបទពិសោធន៍

សហគមន៍គាំទ្រជាដំណោះស្រាយល្អសម្រាប់ការវិវឌ្ឍជំនាញរបស់អ្នក និងដោះស្រាយបញ្ហាបានលឿនជាងមុន។

Microsoft Foundry Discord Community

ប្រសិនបើអ្នកជួបបញ្ហា error, bug ឬមានយោបល់សម្រាប់ការកែលម្អ អ្នកក៏អាចបើក Issue នៅក្នុង repository នេះដើម្បីរាយការណ៍បញ្ហា។

សម្រាប់មតិយោបល់លើផលិតផល ឬស្វែងរកការបង្ហោះសហគមន៍ដែលមានរួច សូមចូលទៅកាន់ Developer Forum៖

ការណែនាំបន្ថែមសម្រាប់ការសិក្សា

• ត្រួតពិនិត្យកំណត់ត្រារបស់ឯកសារបន្ទាប់ពីមេរៀននីមួយៗ ដើម្បីយល់ដឹងបានល្អជាងមុន។
• អនុវត្តកូដ algorithm ដោយខ្លួនឯង។
• ស្វែងយល់ពីឯកសារពិតប្រាកដដោយប្រើគំនិតដែលបានរៀន។

---

ការបដិសេធ: ឯកសារនេះត្រូវបានបម្លែងភាសា ដោយប្រើសេវាបម្លែងភាសា AI Co-op Translator។ ទោះយើងខ្ញុំមានក្តីប្រាថ្នាឱ្យបានច្បាស់លាស់ តែសូមយល់ដឹងថាការបម្លែងដោយស្វ័យប្រវត្តិក៏អាចមានកំហុសឬភាពមិនត្រឹមត្រូវ។ ឯកសារដើមជាភាសាទីតាំងគួរត្រូវបានគេប្រើជាប្រភពច្បាស់លាស់។ សម្រាប់ព័ត៌មានសំខាន់ៗ សូមណែនាំឱ្យប្រើប្រាស់ការប្រែដោយមនុស្សជំនាញ។ យើងខ្ញុំមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំ ឬការបកស្រាយខុសបន្ទាប់ពីការប្រើប្រាស់ការបម្លែងនេះនោះទេ។