-
Notifications
You must be signed in to change notification settings - Fork 0
/
index.html
554 lines (522 loc) · 45 KB
/
index.html
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml" lang="en" xml:lang="en"><head>
<meta charset="utf-8">
<meta name="generator" content="quarto-1.4.358">
<meta name="viewport" content="width=device-width, initial-scale=1.0, user-scalable=yes">
<meta name="author" content="ហាស់ សុធា">
<meta name="dcterms.date" content="2023-11-28">
<title>សិក្ខាម៉ាសុីន (Machine Learning)</title>
<style>
code{white-space: pre-wrap;}
span.smallcaps{font-variant: small-caps;}
div.columns{display: flex; gap: min(4vw, 1.5em);}
div.column{flex: auto; overflow-x: auto;}
div.hanging-indent{margin-left: 1.5em; text-indent: -1.5em;}
ul.task-list{list-style: none;}
ul.task-list li input[type="checkbox"] {
width: 0.8em;
margin: 0 0.8em 0.2em -1em; /* quarto-specific, see https://github.com/quarto-dev/quarto-cli/issues/4556 */
vertical-align: middle;
}
</style>
<script src="Introduction_to_ML_files/libs/clipboard/clipboard.min.js"></script>
<script src="Introduction_to_ML_files/libs/quarto-html/quarto.js"></script>
<script src="Introduction_to_ML_files/libs/quarto-html/popper.min.js"></script>
<script src="Introduction_to_ML_files/libs/quarto-html/tippy.umd.min.js"></script>
<script src="Introduction_to_ML_files/libs/quarto-html/anchor.min.js"></script>
<link href="Introduction_to_ML_files/libs/quarto-html/tippy.css" rel="stylesheet">
<link href="Introduction_to_ML_files/libs/quarto-html/quarto-syntax-highlighting.css" rel="stylesheet" id="quarto-text-highlighting-styles">
<script src="Introduction_to_ML_files/libs/bootstrap/bootstrap.min.js"></script>
<link href="Introduction_to_ML_files/libs/bootstrap/bootstrap-icons.css" rel="stylesheet">
<link href="Introduction_to_ML_files/libs/bootstrap/bootstrap.min.css" rel="stylesheet" id="quarto-bootstrap" data-mode="light">
<script src="https://polyfill.io/v3/polyfill.min.js?features=es6"></script>
<script src="https://cdn.jsdelivr.net/npm/mathjax@3/es5/tex-chtml-full.js" type="text/javascript"></script>
<link rel="stylesheet" href="style.css">
</head>
<body>
<header id="title-block-header" class="quarto-title-block default page-columns page-full">
<div class="quarto-title-banner page-columns page-full">
<div class="quarto-title column-body">
<h1 class="title">សិក្ខាម៉ាសុីន (Machine Learning)</h1>
</div>
<div class="quarto-title-meta-container">
<div class="quarto-title-meta-column-start">
<div class="quarto-title-meta">
<div>
<div class="quarto-title-meta-heading">ដោយ៖</div>
<div class="quarto-title-meta-contents">
<p><a href="https://hassothea.github.io/">ហាស់ សុធា</a> </p>
</div>
</div>
<div>
<div class="quarto-title-meta-heading">កាលបរិច្ឆេត</div>
<div class="quarto-title-meta-contents">
<p class="date">ថ្ងៃទី ២០ ខែវិច្ឆិកា ឆ្នាំ ២០២៣</p>
</div>
</div>
</div>
</div>
<div class="quarto-title-meta-column-end quarto-other-formats-target">
</div>
</div>
<div class="quarto-other-links-text-target">
</div> </div>
</header><div id="quarto-content" class="page-columns page-rows-contents page-layout-article">
<div id="quarto-margin-sidebar" class="sidebar margin-sidebar">
<nav id="TOC" role="doc-toc" class="toc-active">
<h2 id="toc-title">Table of contents</h2>
<ul>
<li><a href="#តអវជសកខមសន" id="toc-តអវជសកខមសន" class="nav-link active" data-scroll-target="#តអវជសកខមសន">🤔 តើអ្វីជាសិក្ខាម៉ាសុីន?</a></li>
<li><a href="#ករសរសរកមមវធធមមតនង-សកខមសន" id="toc-ករសរសរកមមវធធមមតនង-សកខមសន" class="nav-link" data-scroll-target="#ករសរសរកមមវធធមមតនង-សកខមសន">⚖️ ការសរសេរកម្មវិធីធម្មតានិង សិក្ខាម៉ាសុីន</a></li>
<li><a href="#ផនកសខនៗនសកខមសន" id="toc-ផនកសខនៗនសកខមសន" class="nav-link" data-scroll-target="#ផនកសខនៗនសកខមសន">🤓 ផ្នែកសំខាន់ៗនៃសិក្ខាម៉ាសុីន</a>
<ul class="collapse">
<li><a href="#សកខមសនបបមនករណន-supervised-learning" id="toc-សកខមសនបបមនករណន-supervised-learning" class="nav-link" data-scroll-target="#សកខមសនបបមនករណន-supervised-learning">🤓.🤓 សិក្ខាម៉ាសុីនបែបមានការណែនាំ (Supervised learning)</a></li>
<li><a href="#សកខមសនបបគមនករណន-unsupervised-learning" id="toc-សកខមសនបបគមនករណន-unsupervised-learning" class="nav-link" data-scroll-target="#សកខមសនបបគមនករណន-unsupervised-learning">🤓.🤓 សិក្ខាម៉ាសុីនបែបគ្មានការណែនាំ (Unsupervised learning)</a></li>
<li><a href="#សកខមសនបបពងរងឡងវញ-reinforcement-learning" id="toc-សកខមសនបបពងរងឡងវញ-reinforcement-learning" class="nav-link" data-scroll-target="#សកខមសនបបពងរងឡងវញ-reinforcement-learning">🤓.🤓 សិក្ខាម៉ាសុីនបែបពង្រឹងឡើងវិញ (Reinforcement learning)</a></li>
</ul></li>
<li><a href="#ឯកសរសមរបសវងយលបនថម" id="toc-ឯកសរសមរបសវងយលបនថម" class="nav-link" data-scroll-target="#ឯកសរសមរបសវងយលបនថម">📚 ឯកសារសម្រាប់ស្វែងយល់បន្ថែម</a></li>
</ul>
</nav>
</div>
<main class="content quarto-banner-title-block page-columns page-full" id="quarto-document-content">
<div class="no-row-height column-margin column-container"><div class="">
<div class="float-right">
<p><br> <a href="https://hassothea.github.io/MLcourses/RegressionTheory.html">👉 មេរៀនបន្ទាប់៖ “ទ្រឹស្តីនៃតម្រែតម្រង់តម្លៃ” </a></p>
</div>
</div></div><section id="តអវជសកខមសន" class="level2">
<h2 class="anchored" data-anchor-id="តអវជសកខមសន">🤔 តើអ្វីជាសិក្ខាម៉ាសុីន?</h2>
<p>សិក្ខាម៉ាសុីនឬជាភាសារអង់គ្លេសហៅថា Machine Learning គឺជាការសិក្សាដែលផ្តោតលើវិធីសាស្រ្តដែលអាចឲ្យម៉ាសុីនកុំព្យូទ័ររៀននិងបង្កើនសមត្ថភាពរបស់វាក្នុងកិច្ចការណាមួយតាមរយៈការរៀននិង ចាប់យកពត៌មានពីទិន្នន័យ។ បញ្ញាសិប្បនិម្មិត (AI ឬ Artificial Intelligence) ជាបង្គុំនៃវិធីសាស្រ្តសិក្ខាម៉ាសុីន (Machine Learning Methods) ជាច្រើនប្រភេទបញ្ចូលគ្នា។</p>
<hr>
<p>ដើម្បីងាយស្រួលស្វែងយល់អំពីសិក្ខាម៉ាសុីនយើងគួរស្គាល់ពាក្យគន្លឹះមួយចំនួនខាងក្រោមជាមុនសិន៖</p>
<ul>
<li><p>ទិន្នន័យ (Data): ជាបេះដូងនៃសិក្ខាម៉ាសុីនហើយជាទូទៅយើងចែកទិន្នន័យជាផ្នែក input <span class="math inline">\(x\)</span> (ទិន្នន័យដែលជាធាតុដើមសម្រាប់បម្លែងទៅជាលទ្ធផលនៃប្រតិបត្តិការ) និង output ឬ target <span class="math inline">\(y\)</span> ដែលជាលទ្ធផលឬ ជាអថេរដែលយើងចង់ប៉ាន់ស្មានដោយប្រើប្រាស់ input <span class="math inline">\(x\)</span> ។</p></li>
<li><p>លំនាំគម្រូឬ ម៉ូដែល (Model): ជាវិធីសាស្រ្តឬ ជាអនុគមន៍ <span class="math inline">\(f\)</span> ដែលបម្លែងពី input <span class="math inline">\(x\)</span> ទៅជាការព្យាករណ៍នៃ output <span class="math inline">\(y\)</span> ដែលមានន័យថា៖ <span class="math inline">\(f(x)\approx y\)</span> ។</p></li>
<li><p>រង្វាស់នៃកំហុសឬ ពិន្ទុ (Loss ឬ score): ជារង្វាស់ដែលប្រើដើម្បីវាយតម្លៃគុណភាពនៃម៉ូដែល។ កំហុសឬ ពិន្ទុជាអនុមន៍នៃម៉ូដែលហើយវាអាស្រ័យនឹងទិន្នន័យដែលយើងមាន។ ម៉ូដែលដែលល្អសម្រាប់កិច្ចការមួយគឺជាម៉ូដែលដែលបង្កើតកំហុសតិចឬ មានពិន្ទុច្រើនក្នុងប្រតិបត្តិការនោះ។</p></li>
<li><p>វិធីសាស្រ្តបរមាកម្ម (Optimization algorithm): ជាវិធីសាស្រ្តដែលយើងអាចប្រើដើម្បីស្វែងរកម៉ូដែលដែលល្អសម្រាប់ប្រតិបត្តការណ៍មួយ។ ដោយសារម៉ូដែលដែលល្អជាម៉ូដែលដែលផ្តល់កំហុសតិចឬ មានពិន្ទុច្រើន នោះការស្វែងរកម៉ូដែលដែលសមស្របគឺជាការធ្វើបរិមាកម្មលើអនុគមន៍នៃកំហុសឬ ពិន្ទុ ធៀបនឹងម៉ូដែល។</p></li>
</ul>
<div class="quarto-figure quarto-figure-center">
<figure class="figure">
<p><img src="./figures/ml_ingredient.png" class="img-fluid figure-img"></p>
<figcaption class="figure-caption">រូបទី១. Input អាចប្រដូចនឹងគ្រឿងផ្សំមុខម្ហូបហើយ ម៉ូដែលអាចប្រដូចនឹងវិធីចំអិនម្អូប ចំណែកម្ហូបដែលចំអិនបានអាចប្រដូចទៅនឹង output នៃម៉ូដែល។ រង្វាស់នៃកំហុសដែលបានពីការប្រៀបធៀបអ្វីដែលឲ្យដោយម៉ូដែលទៅនឹង ouptut ពិតប្រាកដ ជួយឲ្យម៉ូដែលអាចរៀនក្នងការធ្វើប្រតិបត្តិការឲ្យបានប្រសើរ។</figcaption>
</figure>
</div>
<p>បើយើងមានទិន្នន័យសម្រាប់បង្វឹកម៉ូដែល (Traingn data) <span class="math inline">\({\cal T}=\{(x_1,y_1),...,(x_n,y_n)\}\)</span> ដែលប្រដូចនឹងរូបទី១ខាងលើគឺ input <span class="math inline">\(x_i\)</span> ដូចជាគ្រឿងផ្សំសម្រាប់ចម្អិនម្ហូប <span class="math inline">\(y_i\)</span> (output) ។ យើងអាចប្រើទិន្នន័យនេះទៅបង្វឹកម៉ូដែលដែលអាចបម្លែងគ្រឿងផ្សំ <span class="math inline">\(x\)</span> ថ្មីណាមួយឲ្យទៅជាម្ហូប <span class="math inline">\(y\)</span> ណាមួយដោយរៀនតាមទិន្នន័យដែលមានក្នុង <span class="math inline">\(\cal T\)</span> ។</p>
<p>មកដល់ត្រឹមនេះអ្វីៗនៅមិនទាន់ច្បាស់លាស់នៅឡើងទេដោយសារមានបញ្ហាជាច្រើនដែលយើងមិនទាន់បានបង្ហាញឲ្យច្បាស់ដូចជា៖</p>
<ul>
<li><p>តើគូ input-output <span class="math inline">\((x_i,y_i)\)</span> នីមួយៗត្រូវតាងឬ បញ្ចូលទៅក្នុងម៉ូដែលដោយរបៀបណា?</p></li>
<li><p>តើម៉ូដែលមានរូបមន្តបែបណា? តើយើងធ្វើបែបណាទើបអាចជ្រើសបានម៉ូដែលដែលល្អ?</p></li>
<li><p>តើម៉ូដែលអាចរៀនពីទិន្នន័យដោយរបៀបណា?</p></li>
</ul>
<p>ចម្លើយនៃសំនួរទាំងនេះនឹងត្រូវបានបកស្រាដោយលំអិតជាបណ្តើរៗនៅផ្នែកបន្តរបន្ទាប់ទៀត ប៉ុន្តែអ្វីដែលសំខាន់បំផុតក្នុងផ្នែកនេះគឺ ការស្គាល់ជាដំបូងពីដំណើរការនៃធាតុសំខាន់ៗរបស់សិក្ខាម៉ាសុីនដែលបានរៀបរាប់ខាងលើឲ្យបានច្បាស់លាស់ជាមុនសិន។ គំនូរជីវចលខាងក្រោមសង្ខេបពីដំណើរការជាទូទៅនៃសិក្ខាម៉ាសុីន។</p>
<div class="quarto-figure quarto-figure-center">
<figure class="figure">
<p><img src="./figures/MLElements.gif" class="img-fluid figure-img"></p>
<figcaption class="figure-caption">រូបទី២: ដំណើរការទូទៅនៃសិក្ខាម៉ាសុីន។</figcaption>
</figure>
</div>
<hr>
</section>
<section id="ករសរសរកមមវធធមមតនង-សកខមសន" class="level2">
<h2 class="anchored" data-anchor-id="ករសរសរកមមវធធមមតនង-សកខមសន">⚖️ ការសរសេរកម្មវិធីធម្មតានិង សិក្ខាម៉ាសុីន</h2>
<p>ក្នុងការសរសេរកម្មវិធីធម្មតាឬ Traditional programming មនុស្សជាអ្នកសង្កេតពីចំណោទបញ្ហានិង ស្វែងរកដំណោះស្រាយដោយបង្កើតបានជា <strong>កម្មវិធី</strong> ដែលជារូបមន្តសម្រាប់បម្លែងពី input ទៅជា output ។</p>
<div class="quarto-figure quarto-figure-center">
<figure class="figure">
<p><a href="https://insightsoftware.com/blog/machine-learning-vs-traditional-programming/"><img src="./figures/compare_ML_program.png" class="img-fluid figure-img" style="width:70.0%"></a></p>
<figcaption class="figure-caption">រូបទី៣: ការប្រៀបធៀបរវាងការសរសេរកម្មវិធីបែបធម្មតាជាមួយនិងសិក្ខាម៉ាសុីន។</figcaption>
</figure>
</div>
<p>ដោយឡែកក្នុងសិក្ខាម៉ាសុីន យើងមានម៉ូដែល ដែលប្រៀបដូចជាកម្មវិធីសម្រាប់បម្លែងពី input ទៅជា output រួចហើយ ប៉ុន្តែវានៅអាស្រ័យនិង ប៉ារ៉ាម៉ែត្រគន្លឹះជាច្រើនដែលត្រូវការកែរតម្រូវដើម្បីឲ្យវាអាចក្លាយជាម៉ូដែលដែលល្អមួយ នេះមានន័យថាយើងត្រូវផ្តល់ឲ្យម៉ូដែលទាំង input និង output ដើម្បីធ្វើបរមាកម្មនិង ស្វែងរកកម្រិតប្រសើរសមស្របមួយសម្រាប់ម៉ូដែលនៃសិក្ខាម៉ាសុីន។ ហេតុនេះជំនួសឲ្យការសង្កេតពីមនុស្ស ដើម្បីបង្កើតកម្មវិធីយើងផ្តល់ឲ្យម៉ូដែលនូវទិន្នន័យទាំង input និង output សម្រាប់ឲ្យវារៀននិង ឈានទៅដល់កម្រិតមួយដែលអាចយកទៅប្រើប្រាស់ជាកម្មវិធីសម្រេច។</p>
<p>ឧទាហរណ៍៖ ជំនួសឲ្យការពិនិត្យរកភាពខុសប្លែកគ្នារវាង email ដែលជា spam និង មិនមែន spam យើងប្រើម៉ូដែលមួយដែលព្យាករណ៍ប្រភេទ email តាមរយៈការប្រៀបធៀប email នោះទៅនឹង email ទាំងអស់ដែលយើងមាន ហើយពិនិត្យមើលតែ email ចំនួន ១០ ដែលស្រដៀងនឹងវាបំផុត។ បើក្នុងចំណោម email ទាំង ១០ នោះសំបូរដោយ email ជា spam ច្រើនជាង email ដែលមិនមែនជា spam នោះយើងអាចសន្មត់ថា email ថ្មីនោះក៏គួរតែជា spam ដែរ។ នេះជាលំនាំមួយនៃម៉ូដែលសិក្ខាម៉ាសុីនដែលគេស្គាល់ថាជាម៉ូដែល <span class="math inline">\(K\)</span>-Nearest Neighbors ឬ <span class="math inline">\(K\)</span>NN (អ្នកនៅក្បែរជាងគេចំនួន <span class="math inline">\(K\)</span> នាក់) ។ បញ្ហាដែលគួរចោទសួរក្នុងករណីនេះគឺថាតើហេតុអ្វីយើងពិនិត្យមើលតែ email ចំនួន ១០ ដែលស្រដៀងនឹង email ថ្មីនោះ? ជាទូទៅ ការស្វែងរកតម្លៃ <span class="math inline">\(K\)</span> (ចំនួន email ដែលត្រូវយកទៅកំណត់ប្រភេទនៃ email ថ្មី) គឺជាបញ្ហាបរមាកម្មដែលយើងត្រូវកំណត់រកធ្វើយ៉ាងណាឲ្យលំនាំនៃការព្យាករណ៍តាមវិធីប្រៀបធៀបខាងលើនេះមានសមត្ថភាពដំណើរការបានល្អជាទូទៅនៅលើទិន្នន័យដែលយើងមាន។ ចំពោះថាតើយើងធ្វើបរមាកម្មដើម្បីស្វែងរក ដែលល្អបំផុតដោយរបៀបណា យើងនឹងបានឃើញនៅមេរៀនក្រោយៗទៀតដែលនិយាយអំពីការជ្រើសរើសម៉ូដែលសមស្រប តែក្នុងឧទាហរណ៍នេះ យើងគ្រាន់តែចង់បង្ហាញពីលំនាំនៃការព្យាករណ៍ប្រភេទ email មួយបែបតាមវិធីសាស្រ្តសិក្ខាម៉ាសុីនប៉ុណ្ណោះ។</p>
</section>
<section id="ផនកសខនៗនសកខមសន" class="level2">
<h2 class="anchored" data-anchor-id="ផនកសខនៗនសកខមសន">🤓 ផ្នែកសំខាន់ៗនៃសិក្ខាម៉ាសុីន</h2>
<p>សិក្ខាម៉ាសុីនត្រូវបានបែងចែកជាផ្នែកសំខាន់ៗដូចខាងក្រោម។</p>
<div class="quarto-figure quarto-figure-center">
<figure class="figure">
<p><a href="https://askdatascience.com/13/what-are-the-main-branches-of-machine-learning"><img src="./figures/ML_branches.png" class="img-fluid figure-img"></a></p>
<figcaption class="figure-caption">រូបទី៤: ផ្នែកសំខាន់ៗនៃសិក្ខាម៉ាសុីន។</figcaption>
</figure>
</div>
<section id="សកខមសនបបមនករណន-supervised-learning" class="level3">
<h3 class="anchored" data-anchor-id="សកខមសនបបមនករណន-supervised-learning">🤓.🤓 សិក្ខាម៉ាសុីនបែបមានការណែនាំ (Supervised learning)</h3>
<p>ការរៀបរាប់ពីសិក្ខាម៉ាសុីនខាងលើគឺមានទម្រង់<strong>បែបមានការណែនាំ</strong> ពីព្រោះយើងមាន input ហើយនិង output ។ ជាទូទៅ សិក្ខាម៉ាសុីនបែបមានការណែនាំ ឬ Supervised Machine Learning មានទម្រង់ជាការប្រើប្រាស់ input ទៅព្យាករណ៍ឬប៉ាន់ប្រមាណតម្លៃនៃ output តាមរយៈម៉ូដែល។ ពាក្យថា <strong>ណែនាំ</strong> (supervised) នៅទីនេះសំដៅដល់ការដែលការព្យាករណ៍នៃម៉ូដែល (និយមតាងដោយ <span class="math inline">\(\hat{y}\)</span> ) អាចយកទៅធៀបនឹងតម្លៃ output ពិតប្រាកដ ហើយយើងអាចប្រើកំហុសនៃការព្យាករណ៍នេះទៅពង្រឹងសមត្ថភាពនៃម៉ូដែលឬ និយាយឲ្យចំគឺយើងជ្រើសរើសម៉ូដែលដែលបង្កើតកំហុសតិចបំផុត។ ឧទាហរណ៍៖</p>
<ul>
<li><p>ការបែងចែក email ថាជាប្រភេទ spam ឬ មិនមែន spam ដូចឧទាហរណ៍ដែលលើកឡើងក្នុងផ្នែកមុន។</p></li>
<li><p>ការព្យាករណ៍តម្លៃទីផ្សារដោយប្រើប្រាស់តម្លៃសន្ទស្សន៍សេដ្ខកិច្ចផ្សេងៗដូចជា តម្លៃប្រេងឥន្ទនៈ តម្លៃអត្រាប្តូរប្រាក់ ឬតម្លៃមាសជាដើម។</p></li>
<li><p>ការព្យាករណ៍សីតុណ្ណភាពនៅថ្ងៃខាងមុខដោយប្រើប្រាស់ទិន្នន័យនៃចរន្តបរិយាកាសដែលមានខ្នាតធំៗ (large-scale flows) ដូចជាល្បឿនខ្យល់ជាដើម។</p></li>
</ul>
<p>ជាទូទៅយើងអាចចែកសិក្ខាម៉ាសុីនបែបមានការណែនាំជាពីរប្រភេទគឺ៖</p>
<ul>
<li><p><strong>តម្រែតម្រង់តម្លៃ (regression)</strong>: ជាប្រតិបត្តិការដែលតម្លៃ output ដែលត្រូវប៉ាន់ស្មានជាចំនួនពិត (<span class="math inline">\(y\in\mathbb{R}\)</span>) ដូចជា តម្លៃទីផ្សារ សីតុណ្ណភាពឬ តម្លៃជាបរិមាណផ្សេងៗទៀត។</p></li>
<li><p><strong>ការធ្វើចំណែកថ្នាក់បែបមានការណែនាំ (supervised classification)</strong>: ជាប្រតិបត្តិការដែល output ជាប្រភេទគុណភាពឬ ជាប្រភេទក្រុមៗនៃវត្ថុដូចជា ការសម្គាល់រូបភាពថាជាសត្វឆ្កែឬ ឆ្មា (មាន២ជម្រើសសម្រាប់ output <span class="math inline">\(y\)</span>) ការសម្គាល់រូបភាពថាជាលេខណាមួយនៃសំណុំ <span class="math inline">\(\{0,1,...,9\}\)</span> ឬការព្យាករណ៍ថាមានភ្លៀងធ្លាក់ឬអត់នៅថ្ងៃស្អែកជាដើម។</p></li>
</ul>
</section>
<section id="សកខមសនបបគមនករណន-unsupervised-learning" class="level3">
<h3 class="anchored" data-anchor-id="សកខមសនបបគមនករណន-unsupervised-learning">🤓.🤓 សិក្ខាម៉ាសុីនបែបគ្មានការណែនាំ (Unsupervised learning)</h3>
<p>ពាក្យថា <strong>គ្មានការណែនាំ (unsupervised)</strong> នៅទីនេះសម្តៅដល់អវត្តមាននៃ output <span class="math inline">\(y\)</span> ក្នុងប្រតិបត្តិការ។ ក្នុងកិច្ចការប្រភេទនេះ ទិន្នន័យដែលប្រើប្រាស់មានតែ input <span class="math inline">\(x\)</span> ប៉ុណ្ណោះ ដោយគោលដៅនៃប្រតិបត្តិការគឺស្វែងយល់ពីទំនាក់ទំនងរវាងទិន្នន័យ ភាពស្រដៀងគ្នានៃទិន្នន័យឬ ការបម្លែងទិន្នន័យឲ្យមានភាពងាយស្រួលក្នុងការគណនាជាងមុន។ ជារួម សិក្ខាម៉ាសុីនប្រភេទគ្មានការណែនាំមិនមានគោលដៅក្នុងការព្យាករណ៍តម្លៃ output ណាមួយនោះទេ តែយើងផ្តោតសំខាន់លើការស្វែងយល់ពីទ្រង់ទ្រាយនិង លក្ខណៈស្រដៀងគ្នានៃទិន្នន័យ ។ ឧទាហរណ៍៖</p>
<ul>
<li><p>យើងមានទិន្នន័យនៃអ្នកប្រើប្រាស់បណ្តាញសង្គមហើយយើងចង់ដាក់ពួកគាត់ជាក្រុមៗដែលអ្នកប្រើប្រាស់ដែលមានលក្ខណៈស្រដៀងគ្នាត្រូវស្ថិតក្នុងក្រុមជាមួយគ្នាដើម្បីងាយស្រួលគ្រប់គ្រងឬ ផ្សាយពាណិជ្ជកម្មជាដើម។</p></li>
<li><p>ការធ្វើចំណែកថ្នាក់សៀវភៅនៅក្នុងបណ្ណាល័យ ការបែងចែករុក្ខជាតិឬ សត្វល្អិតទៅតាមលក្ខណៈរបស់វា។</p></li>
<li><p>ការបន្ថយវិមាត្រឬទំហំឌីជីថលនៃរូបភាពដើម្បីសន្សំសំចៃទំហំនៃការរក្សាទុករូបភាព ឬដើម្បីពន្លឿនការគណនាដោយប្រើប្រាស់រូបភាពជាដើម។</p></li>
</ul>
<p>ក្នុងឧទាហរណ៍ទី១និង ទី២ខាងលើ យើងចង់ដាក់ទិន្នន័យជាក្រុមៗអាស្រ័យនឹងលក្ខណៈស្រដៀងឬ ខុសគ្នានៃទិន្នន័យដែលគេហៅថា <strong>ការធ្វើបំណែងចែកជាក្រុមដោយគ្មានការណែនាំ (unsupervised classification ឬ clustering)</strong> ចំណែកឧទាហរណ៍ទី៣គឺការបន្ថយវិមាត្រនៃទិន្នន័យ ឬ ទំហំនៃការរក្សាទុកទិន្នន័យដើម្បីពន្លឿនការគណនាដែលគេហៅថា <strong>ការបន្ថយវិមាត្រនៃទិន្នន័យ (dimensional reduction)</strong> ។</p>
</section>
<section id="សកខមសនបបពងរងឡងវញ-reinforcement-learning" class="level3">
<h3 class="anchored" data-anchor-id="សកខមសនបបពងរងឡងវញ-reinforcement-learning">🤓.🤓 សិក្ខាម៉ាសុីនបែបពង្រឹងឡើងវិញ (Reinforcement learning)</h3>
<p>ជាផ្នែកមួយនៃសិក្ខាម៉ាសុីននិង ការគ្រប់គ្រោងចាត់ចែងប្រកបដោយប្រសិទ្ធភាព (optimal control) ដែលដំណើរការដោយ ភ្នាក់ងារ (agent) ឬ ម៉ូដែលគ្រឹះធ្វើសកម្មភាពក្នុងប្រតិបត្តិការណ៍មួយផ្តោតលើអតិបរមាកម្មនៃរង្វាន់ឬ ពិន្ទុសរុបដែលអាស្រ័យនឹងសកម្មភាពដែលបានធ្វើរបស់ភ្នាក់ងារក្នុងប្រតិបត្តិការណ៍នោះ។ ប្រតិបត្តិការណ៍ប្រភេទនេះមានភាពខុសគ្នាពីផ្នែកសិក្ខាម៉ាសុីនបែបមានការណែនាំដោយវាមិនត្រូវការ output ដើម្បីកំណត់រង្វាន់ឬ ពិន្ទុនោះទេ តែវាផ្តោតលើការធ្វើឲ្យមានតុល្យភាពរវាងសកម្មភាពដែលមិនទាន់បានធ្វើនៅឡើយនិង ការប្រើប្រាស់អ្វីដែលបានឆ្លងកាត់ហើយ។ វិធីសាស្រ្តប្រភេទនេះត្រូវបានប្រើប្រាស់ក្នុងវិស្ស័យមនុស្សយន្ត ការដោះស្រាយល្បែងកំសាន្តផ្សេងៗដូចជា <a href="https://deepmind.google/technologies/alphago/">AlphaGO</a> និងជាពិសេសវាក៏ជាគន្លឹះដ៏សំខាន់នៃការបង្វឹកម៉ូដែលភាសាខ្នាតធំដ៏ល្បីល្បាញគឺ <a href="https://openai.com/gpt-4">ChatGPT4</a> ។</p>
</section>
</section>
<section id="ឯកសរសមរបសវងយលបនថម" class="level2">
<h2 class="anchored" data-anchor-id="ឯកសរសមរបសវងយលបនថម">📚 ឯកសារសម្រាប់ស្វែងយល់បន្ថែម</h2>
<p>សៀវភៅខាងក្រោមជាឯកសារជំនួយដ៏ល្អសម្រាប់អ្នកចង់ស្វែងយល់កាន់តែសុីជម្រៅលើសិក្ខាម៉ាសុីនចាប់ពីមូលដ្ឋានគ្រឹះទៅដល់ការអនុវត្តនិង ការសរសេរកូដក្នុងកម្មវិធីមួយចំនួនដូចជា Python និង R ផងដែរ។</p>
<p><a href="https://www.statlearning.com/"><img src="./figures/intro-SL.jpg" class="img-fluid" style="width:22.5%" alt="មូលដ្ខានគ្រឹះ"></a> <a href="https://hastie.su.domains/Papers/ESLII.pdf"><img src="./figures/ELSL.jpg" class="img-fluid" style="width:23.2%" alt="មូលដ្ខានគ្រឹះ"></a> <a href="https://www.microsoft.com/en-us/research/uploads/prod/2006/01/Bishop-Pattern-Recognition-and-Machine-Learning-2006.pdf"><img src="./figures/patternRecg.jpg" class="img-fluid" style="width:21.0%" alt="មូលដ្ខានគ្រឹះនិង ទ្រឹស្តី"></a> <a href="https://www.deeplearningbook.org/"><img src="./figures/deep_learning.jpg" class="img-fluid" style="width:22.5%" alt="ផ្តោតលើ Deep learning"></a></p>
<p><a href="https://www.nrigroupindia.com/e-book/Introduction%20to%20Machine%20Learning%20with%20Python%20(%20PDFDrive.com%20)-min.pdf"><img src="./figures/intro_ml.png" class="img-fluid" style="width:23.0%" alt="មូលដ្ខានគ្រឹះនិងកូដក្នុង python"></a> <a href="https://link.springer.com/book/10.1007/978-981-33-6108-9"><img src="./figures/deep_learning_and_physics.png" class="img-fluid" style="width:23.0%" alt="Deep learning ធៀបនិង រូបវិទ្យា"></a> <a href="https://powerunit-ju.com/wp-content/uploads/2021/04/Aurelien-Geron-Hands-On-Machine-Learning-with-Scikit-Learn-Keras-and-Tensorflow_-Concepts-Tools-and-Techniques-to-Build-Intelligent-Systems-OReilly-Media-2019.pdf"><img src="./figures/hands_on_ML.png" class="img-fluid" style="width:21.0%" alt="អនុវត្តនិង កូដ"></a> <a href="https://themlbook.com/"><img src="./figures/100page.png" class="img-fluid" style="width:22.0%" alt="មូលដ្ខាននិង អធិប្បាយ"></a></p>
</section>
</main>
<!-- /main column -->
<script id="quarto-html-after-body" type="application/javascript">
window.document.addEventListener("DOMContentLoaded", function (event) {
const toggleBodyColorMode = (bsSheetEl) => {
const mode = bsSheetEl.getAttribute("data-mode");
const bodyEl = window.document.querySelector("body");
if (mode === "dark") {
bodyEl.classList.add("quarto-dark");
bodyEl.classList.remove("quarto-light");
} else {
bodyEl.classList.add("quarto-light");
bodyEl.classList.remove("quarto-dark");
}
}
const toggleBodyColorPrimary = () => {
const bsSheetEl = window.document.querySelector("link#quarto-bootstrap");
if (bsSheetEl) {
toggleBodyColorMode(bsSheetEl);
}
}
toggleBodyColorPrimary();
const icon = "";
const anchorJS = new window.AnchorJS();
anchorJS.options = {
placement: 'right',
icon: icon
};
anchorJS.add('.anchored');
const isCodeAnnotation = (el) => {
for (const clz of el.classList) {
if (clz.startsWith('code-annotation-')) {
return true;
}
}
return false;
}
const clipboard = new window.ClipboardJS('.code-copy-button', {
text: function(trigger) {
const codeEl = trigger.previousElementSibling.cloneNode(true);
for (const childEl of codeEl.children) {
if (isCodeAnnotation(childEl)) {
childEl.remove();
}
}
return codeEl.innerText;
}
});
clipboard.on('success', function(e) {
// button target
const button = e.trigger;
// don't keep focus
button.blur();
// flash "checked"
button.classList.add('code-copy-button-checked');
var currentTitle = button.getAttribute("title");
button.setAttribute("title", "Copied!");
let tooltip;
if (window.bootstrap) {
button.setAttribute("data-bs-toggle", "tooltip");
button.setAttribute("data-bs-placement", "left");
button.setAttribute("data-bs-title", "Copied!");
tooltip = new bootstrap.Tooltip(button,
{ trigger: "manual",
customClass: "code-copy-button-tooltip",
offset: [0, -8]});
tooltip.show();
}
setTimeout(function() {
if (tooltip) {
tooltip.hide();
button.removeAttribute("data-bs-title");
button.removeAttribute("data-bs-toggle");
button.removeAttribute("data-bs-placement");
}
button.setAttribute("title", currentTitle);
button.classList.remove('code-copy-button-checked');
}, 1000);
// clear code selection
e.clearSelection();
});
function tippyHover(el, contentFn, onTriggerFn, onUntriggerFn) {
const config = {
allowHTML: true,
maxWidth: 500,
delay: 100,
arrow: false,
appendTo: function(el) {
return el.parentElement;
},
interactive: true,
interactiveBorder: 10,
theme: 'quarto',
placement: 'bottom-start',
};
if (contentFn) {
config.content = contentFn;
}
if (onTriggerFn) {
config.onTrigger = onTriggerFn;
}
if (onUntriggerFn) {
config.onUntrigger = onUntriggerFn;
}
window.tippy(el, config);
}
const noterefs = window.document.querySelectorAll('a[role="doc-noteref"]');
for (var i=0; i<noterefs.length; i++) {
const ref = noterefs[i];
tippyHover(ref, function() {
// use id or data attribute instead here
let href = ref.getAttribute('data-footnote-href') || ref.getAttribute('href');
try { href = new URL(href).hash; } catch {}
const id = href.replace(/^#\/?/, "");
const note = window.document.getElementById(id);
return note.innerHTML;
});
}
const xrefs = window.document.querySelectorAll('a.quarto-xref');
const processXRef = (id, note) => {
// Strip column container classes
const stripColumnClz = (el) => {
el.classList.remove("page-full", "page-columns");
if (el.children) {
for (const child of el.children) {
stripColumnClz(child);
}
}
}
stripColumnClz(note)
if (id.startsWith('sec-')) {
// Special case sections, only their first couple elements
const container = document.createElement("div");
if (note.children && note.children.length > 2) {
for (let i = 0; i < 2; i++) {
container.appendChild(note.children[i].cloneNode(true));
}
return container.innerHTML
} else {
return note.innerHTML;
}
} else {
// Remove any anchor links if they are present
const anchorLink = note.querySelector('a.anchorjs-link');
if (anchorLink) {
anchorLink.remove();
}
return note.innerHTML;
}
}
for (var i=0; i<xrefs.length; i++) {
const xref = xrefs[i];
tippyHover(xref, undefined, function(instance) {
instance.disable();
let url = xref.getAttribute('href');
let hash = undefined;
if (url.startsWith('#')) {
hash = url;
} else {
try { hash = new URL(url).hash; } catch {}
}
if (hash) {
const id = hash.replace(/^#\/?/, "");
const note = window.document.getElementById(id);
if (note !== null) {
try {
const html = processXRef(id, note.cloneNode(true));
instance.setContent(html);
} finally {
instance.enable();
instance.show();
}
} else {
// See if we can fetch this
fetch(url.split('#')[0])
.then(res => res.text())
.then(html => {
const parser = new DOMParser();
const htmlDoc = parser.parseFromString(html, "text/html");
const note = htmlDoc.getElementById(id);
if (note !== null) {
const html = processXRef(id, note);
instance.setContent(html);
}
}).finally(() => {
instance.enable();
instance.show();
});
}
}
}, function(instance) {
});
}
let selectedAnnoteEl;
const selectorForAnnotation = ( cell, annotation) => {
let cellAttr = 'data-code-cell="' + cell + '"';
let lineAttr = 'data-code-annotation="' + annotation + '"';
const selector = 'span[' + cellAttr + '][' + lineAttr + ']';
return selector;
}
const selectCodeLines = (annoteEl) => {
const doc = window.document;
const targetCell = annoteEl.getAttribute("data-target-cell");
const targetAnnotation = annoteEl.getAttribute("data-target-annotation");
const annoteSpan = window.document.querySelector(selectorForAnnotation(targetCell, targetAnnotation));
const lines = annoteSpan.getAttribute("data-code-lines").split(",");
const lineIds = lines.map((line) => {
return targetCell + "-" + line;
})
let top = null;
let height = null;
let parent = null;
if (lineIds.length > 0) {
//compute the position of the single el (top and bottom and make a div)
const el = window.document.getElementById(lineIds[0]);
top = el.offsetTop;
height = el.offsetHeight;
parent = el.parentElement.parentElement;
if (lineIds.length > 1) {
const lastEl = window.document.getElementById(lineIds[lineIds.length - 1]);
const bottom = lastEl.offsetTop + lastEl.offsetHeight;
height = bottom - top;
}
if (top !== null && height !== null && parent !== null) {
// cook up a div (if necessary) and position it
let div = window.document.getElementById("code-annotation-line-highlight");
if (div === null) {
div = window.document.createElement("div");
div.setAttribute("id", "code-annotation-line-highlight");
div.style.position = 'absolute';
parent.appendChild(div);
}
div.style.top = top - 2 + "px";
div.style.height = height + 4 + "px";
div.style.left = 0;
let gutterDiv = window.document.getElementById("code-annotation-line-highlight-gutter");
if (gutterDiv === null) {
gutterDiv = window.document.createElement("div");
gutterDiv.setAttribute("id", "code-annotation-line-highlight-gutter");
gutterDiv.style.position = 'absolute';
const codeCell = window.document.getElementById(targetCell);
const gutter = codeCell.querySelector('.code-annotation-gutter');
gutter.appendChild(gutterDiv);
}
gutterDiv.style.top = top - 2 + "px";
gutterDiv.style.height = height + 4 + "px";
}
selectedAnnoteEl = annoteEl;
}
};
const unselectCodeLines = () => {
const elementsIds = ["code-annotation-line-highlight", "code-annotation-line-highlight-gutter"];
elementsIds.forEach((elId) => {
const div = window.document.getElementById(elId);
if (div) {
div.remove();
}
});
selectedAnnoteEl = undefined;
};
// Handle positioning of the toggle
window.addEventListener(
"resize",
throttle(() => {
console.log("RESIZE");
elRect = undefined;
if (selectedAnnoteEl) {
selectCodeLines(selectedAnnoteEl);
}
}, 10)
);
function throttle(fn, ms) {
let throttle = false;
let timer;
return (...args) => {
if(!throttle) { // first call gets through
fn.apply(this, args);
throttle = true;
} else { // all the others get throttled
if(timer) clearTimeout(timer); // cancel #2
timer = setTimeout(() => {
fn.apply(this, args);
timer = throttle = false;
}, ms);
}
};
}
// Attach click handler to the DT
const annoteDls = window.document.querySelectorAll('dt[data-target-cell]');
for (const annoteDlNode of annoteDls) {
annoteDlNode.addEventListener('click', (event) => {
const clickedEl = event.target;
if (clickedEl !== selectedAnnoteEl) {
unselectCodeLines();
const activeEl = window.document.querySelector('dt[data-target-cell].code-annotation-active');
if (activeEl) {
activeEl.classList.remove('code-annotation-active');
}
selectCodeLines(clickedEl);
clickedEl.classList.add('code-annotation-active');
} else {
// Unselect the line
unselectCodeLines();
clickedEl.classList.remove('code-annotation-active');
}
});
}
const findCites = (el) => {
const parentEl = el.parentElement;
if (parentEl) {
const cites = parentEl.dataset.cites;
if (cites) {
return {
el,
cites: cites.split(' ')
};
} else {
return findCites(el.parentElement)
}
} else {
return undefined;
}
};
var bibliorefs = window.document.querySelectorAll('a[role="doc-biblioref"]');
for (var i=0; i<bibliorefs.length; i++) {
const ref = bibliorefs[i];
const citeInfo = findCites(ref);
if (citeInfo) {
tippyHover(citeInfo.el, function() {
var popup = window.document.createElement('div');
citeInfo.cites.forEach(function(cite) {
var citeDiv = window.document.createElement('div');
citeDiv.classList.add('hanging-indent');
citeDiv.classList.add('csl-entry');
var biblioDiv = window.document.getElementById('ref-' + cite);
if (biblioDiv) {
citeDiv.innerHTML = biblioDiv.innerHTML;
}
popup.appendChild(citeDiv);
});
return popup.innerHTML;
});
}
}
});
</script>
</div> <!-- /content -->
</body></html>