តើធ្វើដូចម្តេចដើម្បីរៀន AI?

តើធ្វើដូចម្តេចដើម្បីរៀន AI?

ការរៀន AI អាចមានអារម្មណ៍ដូចជាការបោះជំហានចូលទៅក្នុងបណ្ណាល័យដ៏ធំមួយ ដែលសៀវភៅនីមួយៗស្រែកថា "ចាប់ផ្តើមនៅទីនេះ"។ ពាក់កណ្តាលនៃធ្នើរសរសេរថា "គណិតវិទ្យា" ដែលជា... ឈ្លើយបន្តិច 😅

ចំណុចវិជ្ជមាន៖ អ្នកមិនចាំបាច់ដឹងអ្វីៗគ្រប់យ៉ាងដើម្បីបង្កើតរបស់មានប្រយោជន៍នោះទេ។ អ្នកត្រូវការផ្លូវសមហេតុផល ធនធានដែលអាចទុកចិត្តបានមួយចំនួន និងឆន្ទៈក្នុងការយល់ច្រឡំមួយរយៈ (ការយល់ច្រឡំគឺជាថ្លៃចូល)។

អត្ថបទដែលអ្នកប្រហែលជាចង់អានបន្ទាប់ពីអត្ថបទនេះ៖

🔗 តើ AI រកឃើញភាពមិនប្រក្រតីយ៉ាងដូចម្តេច
ពន្យល់ពីវិធីសាស្ត្ររកឃើញភាពមិនប្រក្រតីដោយប្រើការរៀនរបស់ម៉ាស៊ីន និងស្ថិតិ។

🔗 ហេតុអ្វីបានជា AI មិនល្អសម្រាប់សង្គម
ពិនិត្យមើលហានិភ័យសីលធម៌ សង្គម និងសេដ្ឋកិច្ចនៃបញ្ញាសិប្បនិម្មិត។

🔗 តើ AI ប្រើទឹកប៉ុន្មាន
បំបែកការប្រើប្រាស់ថាមពល AI និងផលប៉ះពាល់នៃការប្រើប្រាស់ទឹកដែលលាក់កំបាំង។

🔗 តើអ្វីទៅជាសំណុំទិន្នន័យ AI
កំណត់សំណុំទិន្នន័យ ការដាក់ស្លាក និងតួនាទីរបស់ពួកគេក្នុងការបណ្តុះបណ្តាល AI។

តើពាក្យថា "AI" មានន័យយ៉ាងណានៅក្នុងពាក្យប្រចាំថ្ងៃ 🤷‍♀️

មនុស្សនិយាយថា "AI" ហើយមានន័យខុសគ្នាមួយចំនួន៖

  • ការរៀនម៉ាស៊ីន (ML) – ម៉ូដែលរៀនលំនាំពីទិន្នន័យដើម្បីផ្គូផ្គងធាតុចូលទៅនឹងលទ្ធផល (ឧទាហរណ៍ ការរកឃើញសារឥតបានការ ការព្យាករណ៍តម្លៃ)។ [1]

  • ការរៀនសូត្រស៊ីជម្រៅ (DL) – សំណុំរងមួយនៃ ML ដោយប្រើប្រាស់បណ្តាញសរសៃប្រសាទក្នុងទ្រង់ទ្រាយធំ (ចក្ខុវិស័យ ការនិយាយ គំរូភាសាធំៗ)។ [2]

  • បញ្ញាសិប្បនិម្មិត (AI) – គំរូដែលបង្កើតអត្ថបទ រូបភាព កូដ អូឌីយ៉ូ (chatbots, copilots, ឧបករណ៍មាតិកា)។ [2]

  • ការរៀនសូត្របែបពង្រឹងសមត្ថភាព – ការរៀនសូត្រតាមរយៈការសាកល្បង និងរង្វាន់ (ភ្នាក់ងារហ្គេម មនុស្សយន្ត)។ [1]

អ្នកមិនចាំបាច់ជ្រើសរើសឲ្យល្អឥតខ្ចោះនៅពេលចាប់ផ្តើមនោះទេ។ គ្រាន់តែកុំចាត់ទុក AI ដូចជាសារមន្ទីរ។ វាដូចជាផ្ទះបាយច្រើនជាង - អ្នករៀនលឿនជាងមុនដោយការចម្អិនអាហារ។ ពេលខ្លះអ្នកដុតនំប៉័ងអាំង។ 🍞🔥

រឿងរ៉ាវខ្លីៗ៖ ក្រុមតូចមួយបានបញ្ជូនគំរូ churn "ដ៏អស្ចារ្យ"... រហូតដល់ពួកគេបានកត់សម្គាល់ឃើញលេខសម្គាល់ដូចគ្នានៅក្នុង train និង test។ ការលេចធ្លាយបែបបុរាណ។ pipeline សាមញ្ញ + ការបំបែកស្អាតបានប្រែក្លាយ 0.99 ដែលគួរឱ្យសង្ស័យទៅជាពិន្ទុគួរឱ្យទុកចិត្ត (ទាបជាង!) និងជាគំរូដែលពិតជាធ្វើឱ្យមានលក្ខណៈទូទៅ។ [3]

អ្វីដែលធ្វើឱ្យផែនការ "របៀបរៀន AI" ល្អ ✅

ផែនការល្អមានលក្ខណៈមួយចំនួនដែលស្តាប់ទៅគួរឱ្យធុញ ប៉ុន្តែវាជួយសន្សំសំចៃពេលវេលារបស់អ្នកបានច្រើនខែ៖

  • សាងសង់​ពេល​អ្នក​រៀន (គម្រោង​តូចៗ​តាំងពី​ដំបូង គម្រោង​ធំៗ​ពេល​ក្រោយ)។

  • រៀនគណិតវិទ្យាអប្បបរមាដែលត្រូវការ បន្ទាប់មកត្រឡប់មកមើលជម្រៅវិញ។

  • ពន្យល់ពីអ្វីដែលអ្នកបានធ្វើ (ធ្វើការងាររបស់អ្នកដោយមិនគិតពីអ្វីដែលបានកើតឡើង; វាព្យាបាលការគិតមិនច្បាស់លាស់)។

  • ប្រកាន់ខ្ជាប់នូវ “core stack” មួយរយៈ (Python + Jupyter + scikit-learn → បន្ទាប់មក PyTorch)។

  • វាស់ស្ទង់វឌ្ឍនភាពតាមលទ្ធផល មិនមែនតាមម៉ោងដែលបានមើលទេ។

ប្រសិនបើផែនការរបស់អ្នកមានតែវីដេអូ និងកំណត់ចំណាំប៉ុណ្ណោះ វាដូចជាការព្យាយាមហែលទឹកដោយអានអំពីទឹក។

ជ្រើសរើសគន្លងផ្លូវរបស់អ្នក (សម្រាប់ពេលនេះ) - ផ្លូវទូទៅបី 🚦

អ្នកអាចរៀន AI ក្នុង “រូបរាង” ផ្សេងៗគ្នា។ ខាងក្រោមនេះគឺជារូបរាងបីដែលដំណើរការ៖

១) ផ្លូវជាក់ស្តែងរបស់អ្នកសាងសង់ 🛠️

ល្អបំផុតប្រសិនបើអ្នកចង់បានជ័យជម្នះរហ័ស និងការលើកទឹកចិត្ត។
ចំណុចសំខាន់៖ សំណុំទិន្នន័យ គំរូបណ្តុះបណ្តាល ការបង្ហាញការដឹកជញ្ជូន។
ធនធានចាប់ផ្តើម៖ វគ្គសិក្សា ML Crash របស់ Google, Kaggle Learn, fast.ai (តំណភ្ជាប់នៅក្នុងឯកសារយោង និងធនធានខាងក្រោម)។

២) មូលដ្ឋានគ្រឹះ - ផ្លូវដំបូង 📚

ល្អបំផុតប្រសិនបើអ្នកចូលចិត្តភាពច្បាស់លាស់ និងទ្រឹស្តី។
ការផ្តោតអារម្មណ៍៖ តំរែតំរង់ ភាពលំអៀង-វ៉ារ្យង់ ការគិតបែបប្រូបាប៊ីលីតេ ការបង្កើនប្រសិទ្ធភាព។
យុថ្កា៖ សម្ភារៈ Stanford CS229, MIT Intro to Deep Learning។ [1][2]

៣) មាគ៌ាសម្រាប់អ្នកអភិវឌ្ឍន៍កម្មវិធី gen-AI ✨

ល្អបំផុតប្រសិនបើអ្នកចង់បង្កើតជំនួយការ ការស្វែងរក លំហូរការងារ និងរបស់របរ "ភ្នាក់ងារ-y"។
ការផ្តោតអារម្មណ៍៖ ការជំរុញ ការទាញយក ការវាយតម្លៃ ការប្រើប្រាស់ឧបករណ៍ មូលដ្ឋានគ្រឹះសុវត្ថិភាព ការដាក់ពង្រាយ។
ឯកសារដែលត្រូវរក្សាទុក៖ ឯកសារវេទិកា (APIs) វគ្គសិក្សា HF (ឧបករណ៍)។

អ្នកអាចប្តូរគន្លងផ្លូវនៅពេលក្រោយ។ ការចាប់ផ្តើមគឺជាផ្នែកដែលពិបាក។

 

របៀបរៀន AI ដោយប្រើ AI

តារាងប្រៀបធៀប - វិធីល្អបំផុតដើម្បីរៀន (ជាមួយនឹងភាពចម្លែកៗដោយស្មោះត្រង់) 📋

ឧបករណ៍ / វគ្គសិក្សា ទស្សនិកជន តម្លៃ ហេតុអ្វីបានជាវាដំណើរការ (សង្ខេប)
វគ្គសិក្សា​អំពី​ការរៀន​ម៉ាស៊ីន Google ឲ្យ​បាន​លឿន អ្នកចាប់ផ្តើមដំបូង ឥតគិតថ្លៃ ការមើលឃើញ + ការអនុវត្តន៍ជាក់ស្តែង; ជៀសវាងភាពស្មុគស្មាញហួសហេតុ
Kaggle Learn (សេចក្តីផ្តើម + ML កម្រិតមធ្យម) អ្នកចាប់ផ្តើមដំបូងដែលចូលចិត្តការអនុវត្ត ឥតគិតថ្លៃ មេរៀនតូចៗ + លំហាត់ភ្លាមៗ
ការរៀនសូត្រស៊ីជម្រៅជាក់ស្តែង fast.ai អ្នកសាងសង់ដែលមានការសរសេរកូដខ្លះ ឥតគិតថ្លៃ អ្នកហ្វឹកហាត់តារាម៉ូដែលពិតប្រាកដតាំងពីដំបូង - ដូចជាភ្លាមៗ 😅
ជំនាញ DeepLearning.AI ML អ្នករៀនដែលមានរចនាសម្ព័ន្ធ បានបង់ប្រាក់ វឌ្ឍនភាពច្បាស់លាស់តាមរយៈគោលគំនិត ML ស្នូល
លក្ខណៈពិសេសការរៀនសូត្រស៊ីជម្រៅ DeepLearning.AI មូលដ្ឋានគ្រឹះ ML រួចហើយ បានបង់ប្រាក់ ជម្រៅរឹងមាំលើបណ្តាញសរសៃប្រសាទ + លំហូរការងារ
កំណត់ចំណាំ Stanford CS229 ដឹកនាំដោយទ្រឹស្តី ឥតគិតថ្លៃ មូលដ្ឋានគ្រឹះដ៏ធ្ងន់ធ្ងរ (“ហេតុអ្វីបានជាវាដំណើរការ”)
មគ្គុទ្ទេសក៍អ្នកប្រើប្រាស់ scikit-learn អ្នកអនុវត្ត ML ឥតគិតថ្លៃ ប្រអប់ឧបករណ៍បុរាណសម្រាប់តារាង/បន្ទាត់គោល
ការបង្រៀន PyTorch អ្នកសាងសង់ការរៀនសូត្រស៊ីជម្រៅ ឥតគិតថ្លៃ ផ្លូវស្អាតពីតង់ស័រ → រង្វិលជុំហ្វឹកហាត់ [4]
វគ្គសិក្សា LLM ឱបមុខ អ្នកបង្កើត NLP + LLM ឥតគិតថ្លៃ លំហូរការងារ LLM ជាក់ស្តែង + ឧបករណ៍ប្រព័ន្ធអេកូឡូស៊ី
ក្របខ័ណ្ឌគ្រប់គ្រងហានិភ័យ NIST AI នរណាម្នាក់ដែលកំពុងដាក់ពង្រាយ AI ឥតគិតថ្លៃ រនាំង​គ្រប់គ្រង​ហានិភ័យ/អភិបាលកិច្ច​ដ៏សាមញ្ញ និងអាចប្រើប្រាស់បាន [5]

កំណត់ចំណាំតូចមួយ៖ «តម្លៃ» តាមអ៊ីនធឺណិតគឺចម្លែក។ របស់ខ្លះគឺឥតគិតថ្លៃ ប៉ុន្តែត្រូវចំណាយប្រាក់… ដែលពេលខ្លះកាន់តែអាក្រក់ទៅទៀត។

សំណុំជំនាញស្នូលដែលអ្នកពិតជាត្រូវការ (និងតាមលំដាប់លំដោយ) 🧩

ប្រសិនបើគោលដៅរបស់អ្នកគឺ របៀបរៀន AI ដោយមិនលង់ទឹក សូមកំណត់គោលដៅតាមលំដាប់នេះ៖

  1. មូលដ្ឋានគ្រឹះ Python

  • អនុគមន៍, បញ្ជី/ពាក្យ​បញ្ជា, ថ្នាក់​ស្រាលៗ, ការអាន​ឯកសារ។

  • ទម្លាប់​ដែល​ត្រូវ​មាន៖ សរសេរ​ស្គ្រីប​តូចៗ មិនមែន​គ្រាន់តែ​សៀវភៅ​កត់ត្រា​នោះទេ។

  1. ការដោះស្រាយទិន្នន័យ

  • ការគិតបែប NumPy មូលដ្ឋានគ្រឹះនៃខ្លាឃ្មុំផេនដា និងការគូសវាស។

  • អ្នកនឹងចំណាយពេលច្រើននៅទីនេះ។ មិនមែនជារឿងទាក់ទាញទេ ប៉ុន្តែវាជាការងារ។

  1. ML បុរាណ (មហាអំណាចដែលមិនសូវត្រូវបានគេមើលស្រាល)

  • ការបំបែករថភ្លើង/ការធ្វើតេស្ត, ការលេចធ្លាយ, ការសមល្មមពេក។

  • តំរែតំរង់លីនេអ៊ែរ/ឡូជីស្ទីក ដើមឈើ ព្រៃឈើចៃដន្យ ការជំរុញជម្រាល។

  • ម៉ែត្រិច៖ ភាពត្រឹមត្រូវ ភាពជាក់លាក់/ការរំលឹកឡើងវិញ ROC-AUC MAE/RMSE - ដឹងថា ពេលណាដែល នីមួយៗសមហេតុផល។ [3]

  1. ការរៀនសូត្រស៊ីជម្រៅ

  • តង់ស័រ, ជម្រាល/ខ្នងទ្រ (តាមគំនិត), រង្វិលជុំហ្វឹកហាត់។

  • CNNs សម្រាប់រូបភាព ឧបករណ៍បំលែងសម្រាប់អត្ថបទ (នៅទីបំផុត)។

  • មូលដ្ឋានគ្រឹះមួយចំនួនរបស់ PyTorch ពីដើមដល់ចប់ មានប្រយោជន៍ច្រើនណាស់។ [4]

  1. លំហូរការងារ AI + LLM ដែលអាចបង្កើតបាន

  • ការធ្វើសញ្ញាសម្ងាត់, ការបង្កប់, ការបង្កើតឡើងវិញដោយបង្កើនប្រសិទ្ធភាព, ការវាយតម្លៃ។

  • ការលៃតម្រូវល្អិតល្អន់ ទល់នឹង ការជំរុញ (និងនៅពេលដែលអ្នកមិនត្រូវការទាំងពីរ)។

ផែនការមួយជំហានម្តងៗដែលអ្នកអាចអនុវត្តតាមបាន 🗺️

ដំណាក់កាល A – ធ្វើឱ្យម៉ូដែលដំបូងរបស់អ្នកដំណើរការ (លឿន) ⚡

គោលដៅ៖ បណ្តុះបណ្តាលអ្វីមួយ វាស់វា កែលម្អវា។

  • ធ្វើការណែនាំខ្លីមួយ (ឧទាហរណ៍ វគ្គសិក្សា ML Crash) បន្ទាប់មកវគ្គសិក្សាខ្នាតតូចដែលអនុវត្តជាក់ស្តែង (ឧទាហរណ៍ ការណែនាំ Kaggle)។

  • គំនិតគម្រោង៖ ព្យាករណ៍ពីតម្លៃផ្ទះ ការបោះបង់ចោលរបស់អតិថិជន ឬហានិភ័យឥណទាននៅលើសំណុំទិន្នន័យសាធារណៈ។

បញ្ជីត្រួតពិនិត្យ "ឈ្នះ" តូចៗ៖

  • អ្នកអាចផ្ទុកទិន្នន័យបាន។

  • អ្នកអាចហ្វឹកហាត់គំរូមូលដ្ឋាន។

  • អ្នកអាចពន្យល់អំពីការបំពេញលើសកម្រិតដោយប្រើភាសាសាមញ្ញ។

ដំណាក់កាល B – មានអារម្មណ៍ស្រួលជាមួយនឹងការអនុវត្ត ML ពិតប្រាកដ 🔧

គោលដៅ៖ ឈប់ភ្ញាក់ផ្អើលចំពោះរបៀបបរាជ័យទូទៅ។

  • ធ្វើការលើប្រធានបទ ML កម្រិតមធ្យម៖ តម្លៃដែលបាត់ ការលេចធ្លាយ បំពង់បង្ហូរប្រេង និងប្រវត្តិរូបសង្ខេប។

  • សូមក្រឡេកមើលផ្នែកមគ្គុទ្ទេសក៍អ្នកប្រើប្រាស់ scikit-learn មួយចំនួន ហើយដំណើរការអត្ថបទខ្លីៗទាំងនោះ។ [3]

  • គំនិតគម្រោង៖ បំពង់បង្ហូរទិន្នន័យពីដើមដល់ចប់ដ៏សាមញ្ញមួយជាមួយនឹងគំរូដែលបានរក្សាទុក + របាយការណ៍វាយតម្លៃ។

ដំណាក់កាល C – ការរៀនសូត្រស៊ីជម្រៅដែលមិនមានអារម្មណ៍ដូចជាវេទមន្ត 🧙♂️

គោលបំណង៖ បណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទ និងយល់អំពីរង្វិលជុំបណ្តុះបណ្តាល។

  • អនុវត្ត​ផ្លូវ “រៀន​មូលដ្ឋាន” របស់ PyTorch (tensors → datasets/dataloaders → training/eval → saving)។ [4]

  • ជាជម្រើស អ្នកអាចផ្គូផ្គងជាមួយ fast.ai ប្រសិនបើអ្នកចង់បានល្បឿន និងភាពជាក់ស្តែង។

  • គំនិតគម្រោង៖ ឧបករណ៍ចាត់ថ្នាក់រូបភាព គំរូអារម្មណ៍ ឬការលៃតម្រូវឧបករណ៍បំលែងតូចមួយ។

ដំណាក់កាល D – កម្មវិធី AI បង្កើតថ្មីដែលដំណើរការបានយ៉ាងពិតប្រាកដ ✨

គោលដៅ៖ សាងសង់អ្វីមួយដែលមនុស្សប្រើប្រាស់។

  • អនុវត្តតាមវគ្គសិក្សា LLM ជាក់ស្តែង + ការចាប់ផ្តើមរហ័សរបស់អ្នកលក់ ដើម្បីភ្ជាប់ការបង្កប់ ការទាញយក និងការបង្កើតថ្មីដែលមានសុវត្ថិភាព។

  • គំនិតគម្រោង៖ បូតសំណួរ និងចម្លើយលើ របស់អ្នក (chunk → embed → retrieve → answer with citations) ឬជំនួយការគាំទ្រអតិថិជនដែលមានការហៅឧបករណ៍។

ផ្នែក «គណិតវិទ្យា» – រៀនវាដូចជាគ្រឿងទេស មិនមែនអាហារទាំងមូលទេ 🧂

គណិតវិទ្យាសំខាន់ ប៉ុន្តែពេលវេលាសំខាន់ជាង។

គណិតវិទ្យាអប្បបរមាដែលអាចអនុវត្តបានដើម្បីចាប់ផ្តើម៖

  • ពិជគណិតលីនេអ៊ែរ៖ វ៉ិចទ័រ ម៉ាទ្រីស ផលគុណចំណុច (វិចារណញាណសម្រាប់ការបង្កប់)។ [2]

  • កាល់គូលូស៖ វិចារណញាណដេរីវេ (ជម្រាល → ជម្រាល)។ [1]

  • ប្រូបាប៊ីលីតេ៖ ការចែកចាយ ការរំពឹងទុក ការគិតបែប Bayes ជាមូលដ្ឋាន។ [1]

ប្រសិនបើអ្នកចង់បានឆ្អឹងខ្នងដែលមានលក្ខណៈជាផ្លូវការជាងនេះនៅពេលក្រោយ សូមចូលទៅក្នុងកំណត់ចំណាំ CS229 សម្រាប់មូលដ្ឋានគ្រឹះ និងការរៀនសូត្រស៊ីជម្រៅណែនាំរបស់ MIT សម្រាប់ប្រធានបទទំនើបៗ។ [1][2]

គម្រោងដែលធ្វើឱ្យអ្នកមើលទៅដូចជាអ្នកដឹងពីអ្វីដែលអ្នកកំពុងធ្វើ 😄

ប្រសិនបើអ្នកបង្កើតតែឧបករណ៍ចាត់ថ្នាក់លើសំណុំទិន្នន័យប្រដាប់ក្មេងលេង អ្នកនឹងមានអារម្មណ៍ថាជាប់គាំង។ សាកល្បងគម្រោងដែលស្រដៀងនឹងការងារពិត៖

  • គម្រោង ML បែប Baseline-first (scikit-learn): ទិន្នន័យស្អាត → មូលដ្ឋានរឹងមាំ → ការវិភាគកំហុស។ [3]

  • កម្មវិធីទាញយក LLM +៖ ស្រូបយកឯកសារ → ដុំ → បង្កប់ → ទាញយក → បង្កើតចម្លើយជាមួយការដកស្រង់។

  • ផ្ទាំងគ្រប់គ្រងខ្នាតតូចសម្រាប់ត្រួតពិនិត្យគំរូ៖ ធាតុចូល/ធាតុចេញកំណត់ហេតុ; តាមដានសញ្ញាស្រដៀងនឹងការរសាត់ (សូម្បីតែស្ថិតិសាមញ្ញក៏ជួយដែរ)។

  • ការធ្វើសវនកម្មខ្នាតតូច AI ប្រកបដោយការទទួលខុសត្រូវ៖ កត់ត្រាហានិភ័យ ករណីគ្រោះថ្នាក់ ផលប៉ះពាល់នៃការបរាជ័យ; ប្រើប្រាស់ក្របខ័ណ្ឌទម្ងន់ស្រាល។ [5]

ការដាក់ពង្រាយប្រកបដោយការទទួលខុសត្រូវ និងជាក់ស្តែង (បាទ/ចាស៎ សូម្បីតែសម្រាប់អ្នកសាងសង់តែម្នាក់ឯងក៏ដោយ) 🧯

ការត្រួតពិនិត្យការពិត៖ ការបង្ហាញដ៏គួរឱ្យចាប់អារម្មណ៍គឺងាយស្រួល ប៉ុន្តែប្រព័ន្ធដែលអាចទុកចិត្តបានមិនមែនងាយស្រួលនោះទេ។

  • រក្សា​ឯកសារ​អាន​ខ្លី​មួយ​ដែល​មាន​រចនាប័ទ្ម “កាត​គំរូ”៖ ប្រភព​ទិន្នន័យ រង្វាស់ ដែនកំណត់​ដែល​គេ​ស្គាល់ និង​ចង្វាក់​អាប់ដេត។

  • បន្ថែមរបាំងការពារជាមូលដ្ឋាន (ដែនកំណត់អត្រា ការផ្ទៀងផ្ទាត់ការបញ្ចូល ការត្រួតពិនិត្យការរំលោភបំពាន)។

  • ចំពោះអ្វីដែលអ្នកប្រើប្រាស់ប្រឈមមុខ ឬជាផលវិបាក សូមប្រើ ផ្អែកលើហានិភ័យ ៖ កំណត់អត្តសញ្ញាណគ្រោះថ្នាក់ សាកល្បងករណីគែម និងកត់ត្រាការកាត់បន្ថយ។ NIST AI RMF ត្រូវបានបង្កើតឡើងយ៉ាងពិតប្រាកដសម្រាប់រឿងនេះ។ [5]

អន្ទាក់ទូទៅ (ដូច្នេះអ្នកអាចគេចវាងវាបាន) 🧨

  • ការលោតផ្លោះការបង្រៀន - "គ្រាន់តែវគ្គសិក្សាមួយទៀត" ក្លាយជាបុគ្គលិកលក្ខណៈទាំងមូលរបស់អ្នក។

  • ចាប់ផ្តើមជាមួយប្រធានបទដ៏លំបាកបំផុត - Transformers គឺឡូយ ប៉ុន្តែមូលដ្ឋានគ្រឹះត្រូវចំណាយថ្លៃជួល។

  • ការមិនអើពើនឹងការវាយតម្លៃ – ភាពត្រឹមត្រូវតែម្នាក់ឯងអាចស្ថិតនៅលើភាពមិនច្បាស់លាស់។ សូមប្រើប្រាស់រង្វាស់ត្រឹមត្រូវសម្រាប់ការងារ។ [3]

  • មិនសរសេរអ្វីទុកទេ - សរសេរកំណត់ចំណាំខ្លីៗ៖ អ្វីដែលបរាជ័យ អ្វីដែលបានផ្លាស់ប្តូរ អ្វីដែលបានប្រសើរឡើង។

  • គ្មានការអនុវត្តការដាក់ពង្រាយទេ - សូម្បីតែការរុំកម្មវិធីសាមញ្ញមួយក៏បង្រៀនបានច្រើនដែរ។

  • រំលងការគិតអំពីហានិភ័យ - សូមសរសេរចំណុចពីរអំពីគ្រោះថ្នាក់ដែលអាចកើតមានមុនពេលអ្នកដឹកជញ្ជូន។ [5]

កំណត់ចំណាំចុងក្រោយ - វែងពេក ខ្ញុំមិនបានអានវាទេ 😌

ប្រសិនបើអ្នកកំពុងសួរ ពីរបៀបរៀន AI នេះគឺជារូបមន្តឈ្នះដ៏សាមញ្ញបំផុត៖

  • ចាប់ផ្តើមជាមួយនឹង មូលដ្ឋានគ្រឹះ ML ជាក់ស្តែង (ការណែនាំខ្លីៗ + ការអនុវត្តបែប Kaggle)។

  • ប្រើប្រាស់ scikit-learn ដើម្បីស្វែងយល់ពីលំហូរការងារ និងរង្វាស់ ML ពិតប្រាកដ។ [3]

  • ចូលទៅកាន់ PyTorch សម្រាប់ការរៀនសូត្រស៊ីជម្រៅ និងរង្វិលជុំបណ្តុះបណ្តាល។ [4]

  • បន្ថែម ជំនាញ LLM ជាមួយនឹងវគ្គសិក្សាជាក់ស្តែង និងការចាប់ផ្តើមរហ័ស API។

  • បង្កើត គម្រោងចំនួន 3–5 ដែលបង្ហាញ៖ ការរៀបចំទិន្នន័យ ការធ្វើគំរូ ការវាយតម្លៃ និងការរុំព័ទ្ធ "ផលិតផល" សាមញ្ញមួយ។

  • ចាត់ទុក ហានិភ័យ/អភិបាលកិច្ច ជាផ្នែកមួយនៃពាក្យថា "រួចរាល់" មិនមែនជាជម្រើសបន្ថែមនោះទេ។ [5]

ហើយមែនហើយ ពេលខ្លះអ្នកនឹងមានអារម្មណ៍ថាវង្វេងផ្លូវ។ នោះជារឿងធម្មតា។ បញ្ញាសិប្បនិម្មិត (AI) គឺដូចជាការបង្រៀនម៉ាស៊ីនអាំងនំប៉័ងឱ្យអាន - វាគួរឱ្យចាប់អារម្មណ៍នៅពេលដែលវាដំណើរការ គួរឱ្យខ្លាចបន្តិចនៅពេលដែលវាមិនដំណើរការ ហើយវាត្រូវការការធ្វើម្តងទៀតច្រើនជាងអ្វីដែលនរណាម្នាក់ទទួលស្គាល់ 😵💫

ឯកសារយោង

[1] កំណត់ចំណាំការបង្រៀន Stanford CS229។ (មូលដ្ឋានគ្រឹះ ML ស្នូល ការរៀនសូត្រដែលមានការត្រួតពិនិត្យ ការកំណត់ប្រូបាប៊ីលីតេ)។
https://cs229.stanford.edu/main_notes.pdf

[2] MIT 6.S191: សេចក្តីផ្តើមអំពីការរៀនសូត្រស៊ីជម្រៅ។ (ទិដ្ឋភាពទូទៅនៃការរៀនសូត្រស៊ីជម្រៅ ប្រធានបទទំនើបៗ រួមទាំង LLMs)។
https://introtodeeplearning.com/

[3] scikit-learn៖ ការវាយតម្លៃគំរូ និងរង្វាស់។ (ភាពត្រឹមត្រូវ ភាពជាក់លាក់/ការរំលឹកឡើងវិញ ROC-AUC ជាដើម)។
https://scikit-learn.org/stable/modules/model_evaluation.html

[4] ឯកសារបង្រៀន PyTorch – រៀនមូលដ្ឋានគ្រឹះ។ (Tensors, សំណុំទិន្នន័យ/dataloaders, ការបណ្តុះបណ្តាល/រង្វិលជុំ eval)។
https://docs.pytorch.org/tutorials/beginner/basics/intro.html

[5] ក្របខ័ណ្ឌគ្រប់គ្រងហានិភ័យ AI របស់ NIST (AI RMF 1.0)។ (ការណែនាំអំពី AI ដែលផ្អែកលើហានិភ័យ និងគួរឱ្យទុកចិត្ត)។
https://nvlpubs.nist.gov/nistpubs/ai/nist.ai.100-1.pdf

ធនធានបន្ថែម (អាចចុចបាន)

ស្វែងរក AI ចុងក្រោយបំផុតនៅហាងជំនួយការ AI ផ្លូវការ

អំពីយើង

ត្រឡប់ទៅប្លុកវិញ