Original Title: Academic Curriculum and Syllabi R-2023 M.Tech. Artificial Intelligence and Data Science
Document Type: Report
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original report for full accuracy.

កម្មវិធីសិក្សា និងមេរៀន R-2023 សម្រាប់បរិញ្ញាបត្រជាន់ខ្ពស់បច្ចេកវិទ្យា (M.Tech.) ផ្នែកបញ្ញាសិប្បនិម្មិត និងវិទ្យាសាស្ត្រទិន្នន័យ

ចំណងជើងដើម៖ Academic Curriculum and Syllabi R-2023 M.Tech. Artificial Intelligence and Data Science

អ្នកនិពន្ធ៖ Sri Manakula Vinayagar Engineering College

ឆ្នាំបោះពុម្ព៖ 2023

វិស័យសិក្សា៖ Artificial Intelligence and Data Science

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា/ប្រធានបទ (The Problem/Topic)៖ ឯកសារនេះបង្ហាញពីរចនាសម្ព័ន្ធអប់រំ កម្មវិធីសិក្សា និងលទ្ធផលសិក្សាលម្អិត ដើម្បីបំពាក់បំប៉ននិស្សិតបរិញ្ញាបត្រជាន់ខ្ពស់នូវជំនាញកម្រិតខ្ពស់ផ្នែកបញ្ញាសិប្បនិម្មិត និងវិទ្យាសាស្ត្រទិន្នន័យ។

វិធីសាស្ត្រ (Approach)៖ កម្មវិធីសិក្សាត្រូវបានរៀបចំជា ៤ ឆមាស ដោយរួមបញ្ចូលមុខវិជ្ជាស្នូល មុខវិជ្ជាជម្រើស ការអនុវត្តក្នុងមន្ទីរពិសោធន៍ និងគម្រោងស្រាវជ្រាវ ដោយផ្អែកលើបទប្បញ្ញត្តិ UGC ឆ្នាំ ២០១៨។

មុខវិជ្ជាវិជ្ជាជីវៈស្នូល និងជម្រើស (Professional Core and Electives) ចំនួន ៤៩ ក្រេឌីត
ការអនុវត្តក្នុងមន្ទីរពិសោធន៍ និងសិក្ខាសាលា (Practical Labs and Seminars)
គម្រោងស្រាវជ្រាវ និងការចុះកម្មសិក្សា (Project Work and Internship) ចំនួន ២០ ក្រេឌីត
ការសិក្សាពីបញ្ញាសិប្បនិម្មិត រៀនរបស់ម៉ាស៊ីន និងទិន្នន័យធំ (AI, Machine Learning, and Big Data Analysis)

សេចក្តីសន្និដ្ឋានសំខាន់ៗ (Key Conclusions)៖

កម្មវិធីទាំងមូលតម្រូវឱ្យនិស្សិតបំពេញចំនួន ៧២ ក្រេឌីត ដែលផ្តោតខ្លាំងលើមុខវិជ្ជាវិជ្ជាជីវៈស្នូល (៣១ ក្រេឌីត) និងការធ្វើគម្រោង (២០ ក្រេឌីត)។
ឆមាសទី១ និងទី២ ផ្តោតលើប្រធានបទមូលដ្ឋាន និងកម្រិតខ្ពស់នៃ AI និង Data Science រួមមាន Python ការរៀនស៊ីជម្រៅ (Deep Learning) និងដំណើរការភាសាធម្មជាតិ (NLP)។
កម្មវិធីនេះសង្កត់ធ្ងន់លើលទ្ធភាពទទួលបានការងារកម្រិតខ្ពស់ ការស្រាវជ្រាវប្រកបដោយភាពច្នៃប្រឌិត និងតម្លៃសីលធម៌ ដើម្បីឆ្លើយតបទៅនឹងតម្រូវការឧស្សាហកម្មសកល។

២. ការរកឃើញសំខាន់ៗ (Key Findings)

ឯកសារនេះបង្ហាញពីកម្មវិធីសិក្សា និងមេរៀនលម្អិតសម្រាប់ថ្នាក់បរិញ្ញាបត្រជាន់ខ្ពស់ផ្នែកបញ្ញាសិប្បនិម្មិត និងវិទ្យាសាស្ត្រទិន្នន័យ (M.Tech in AI & Data Science) ដែលមានរចនាសម្ព័ន្ធចំនួន ៧២ ក្រេឌីត ផ្តោតលើការរៀនទ្រឹស្តីស៊ីជម្រៅ ការអនុវត្តជាក់ស្តែង និងការស្រាវជ្រាវ។

ការរកឃើញ (Finding)	ព័ត៌មានលម្អិត (Detail)	ភស្តុតាង (Evidence)
រចនាសម្ព័ន្ធក្រេឌីតផ្តោតលើគម្រោង និងការអនុវត្ត (Project and Practical Focused Credit Structure)	កម្មវិធីសិក្សានេះផ្តល់ទម្ងន់យ៉ាងខ្លាំងទៅលើការអនុវត្តផ្ទាល់ និងការស្រាវជ្រាវ ដោយតម្រូវឱ្យនិស្សិតចំណាយពេលច្រើនលើការធ្វើគម្រោងបញ្ចប់ការសិក្សា និងការចុះកម្មសិក្សា ដើម្បីធានាបាននូវជំនាញដោះស្រាយបញ្ហាពិតប្រាកដ។	ក្នុងចំណោម ៧២ ក្រេឌីតសរុប មាន ២០ ក្រេឌីតត្រូវបានបែងចែកសម្រាប់គម្រោងស្រាវជ្រាវ (Project Work) និងការចុះកម្មសិក្សា (Internship) ចាប់ពីឆមាសទី៣ ដល់ទី៤។
ការរួមបញ្ចូលបច្ចេកវិទ្យាជឿនលឿនក្នុងមុខវិជ្ជាស្នូល (Integration of Advanced Technologies in Core Subjects)	កម្មវិធីនេះធានាថានិស្សិតទទួលបានចំណេះដឹងពីបច្ចេកវិទ្យាចុងក្រោយបំផុត ដែលកំពុងមានតម្រូវការខ្ពស់ក្នុងឧស្សាហកម្ម 4.0 ដោយផ្តោតលើការវិភាគទិន្នន័យធំ និងបញ្ញាសិប្បនិម្មិតកម្រិតខ្ពស់។	មុខវិជ្ជាស្នូល (៣១ ក្រេឌីត) រួមមាន Machine Learning Algorithms, Advanced Deep Learning, Natural Language Processing (NLP), IoT & Edge Computing, និង AI & RPA។
ការអភិវឌ្ឍជំនាញស្រាវជ្រាវ និងការទទួលខុសត្រូវសង្គម (Research Skills and Social Responsibility)	ក្រៅពីជំនាញបច្ចេកទេស កម្មវិធីនេះបញ្ចូលការបណ្តុះបណ្តាលសីលធម៌ វិធីសាស្ត្រស្រាវជ្រាវ និងការអភិវឌ្ឍខ្លួន ដើម្បីបង្កើតធនធានមនុស្សដែលមានទាំងសមត្ថភាព និងគុណធម៌វិជ្ជាជីវៈ។	មានមុខវិជ្ជា Research Methodology and IPR និងមុខវិជ្ជាសវនកម្ម (Audit Courses) ដូចជា Value Education, English for Research Paper Writing និង Stress Management by Yoga។
ភាពបត់បែនតាមរយៈមុខវិជ្ជាជម្រើសវិជ្ជាជីវៈ (Flexibility through Professional Electives)	កម្មវិធីអនុញ្ញាតឱ្យនិស្សិតអាចផ្តោតជំនាញទៅលើផ្នែកជាក់លាក់ណាមួយនៃ AI និង Data Science ទៅតាមចំណូលចិត្តនិងផែនការអាជីពរបស់ពួកគេនាពេលអនាគត។	មានការផ្តល់ជូនមុខវិជ្ជាជម្រើស (Professional Electives) ចំនួន ១៨ ក្រេឌីត ដែលផ្តោតលើប្រធានបទដូចជា Big Data Mining, Predictive Modelling និង Web Analytics ជាដើម។

៣. អនុសាសន៍ (Recommendations)

ផ្អែកលើរចនាសម្ព័ន្ធនៃកម្មវិធីសិក្សានេះ ដើម្បីលើកកម្ពស់គុណភាពនៃការអប់រំ និងស្រាវជ្រាវផ្នែក AI និង Data Science នៅកម្ពុជា តួអង្គពាក់ព័ន្ធគួរអនុវត្តតាមអនុសាសន៍ខាងក្រោម៖

គោលដៅ (Target)	សកម្មភាព (Action)	អាទិភាព (Priority)
គ្រឹះស្ថានឧត្តមសិក្សា (Higher Education Institutions)	គួររៀបចំកែសម្រួលកម្មវិធីបរិញ្ញាបត្រជាន់ខ្ពស់ផ្នែកព័ត៌មានវិទ្យា ដោយបង្កើនចំនួនក្រេឌីតសម្រាប់គម្រោងស្រាវជ្រាវ (Project Work) និងកម្មសិក្សា (Internships) ឱ្យបានយ៉ាងហោចណាស់ ២៥-៣០% នៃកម្មវិធីសរុប។	ខ្ពស់ (High)
ក្រសួងអប់រំ យុវជន និងកីឡា (MoEYS)	គួរជំរុញឱ្យមានការបញ្ចូលមុខវិជ្ជាវិធីសាស្ត្រស្រាវជ្រាវ កម្មសិទ្ធិបញ្ញា (IPR) និងក្រមសីលធម៌បច្ចេកវិទ្យា ជាមុខវិជ្ជាកាតព្វកិច្ចសម្រាប់គ្រប់កម្មវិធីថ្នាក់ក្រោយបរិញ្ញាបត្រផ្នែកបច្ចេកវិទ្យា។	មធ្យម (Medium)
វិស័យឯកជន (Private Sector)	គួរបង្កើតកិច្ចសហការជាមួយសាកលវិទ្យាល័យ ដើម្បីផ្តល់ឱកាសកម្មសិក្សា និងទិន្នន័យជាក់ស្តែង (Real-world Data) ដល់និស្សិត ដើម្បីធ្វើគម្រោងស្រាវជ្រាវផ្នែក NLP, Big Data និង Predictive Modelling។	ខ្ពស់ (High)

៤. បរិបទកម្ពុជា (Cambodia Context)

របាយការណ៍កម្មវិធីសិក្សានេះមានសារៈសំខាន់ខ្លាំងសម្រាប់កម្ពុជា ស្របពេលដែលរាជរដ្ឋាភិបាលកំពុងជំរុញការអនុវត្តគោលនយោបាយសេដ្ឋកិច្ច និងសង្គមឌីជីថលកម្ពុជា ២០២១-២០៣៥។ ការប្រើប្រាស់គំរូកម្មវិធីសិក្សាដែលផ្តោតលើ AI, NLP និង Big Data នឹងជួយដោះស្រាយបញ្ហាកង្វះខាតអ្នកជំនាញបច្ចេកវិទ្យាជាន់ខ្ពស់នៅក្នុងប្រទេស។

ផលប៉ះពាល់មូលដ្ឋាន (Local Implications)៖

អប់រំ និងស្រាវជ្រាវ (Education & Research): សាកលវិទ្យាល័យធំៗដូចជា RUPP, ITC និង CADT អាចប្រើប្រាស់រចនាសម្ព័ន្ធនេះជាគោល ដើម្បីបង្កើតកម្មវិធីបរិញ្ញាបត្រជាន់ខ្ពស់ផ្នែក AI ដែលផ្តោតលើការស្រាវជ្រាវ (ឧទាហរណ៍៖ ការបង្កើតប្រព័ន្ធ NLP សម្រាប់ភាសាខ្មែរ)។
សេដ្ឋកិច្ចឌីជីថល និងហិរញ្ញវត្ថុ (Digital Economy & Finance): ការបណ្តុះបណ្តាលមុខវិជ្ជាដូចជា Predictive Modelling និង Data Visualization នឹងផ្តល់ធនធានផ្ទាល់ដល់ធនាគារ ស្ថាប័នហិរញ្ញវត្ថុ (FinTech) និងក្រុមហ៊ុនទូរគមនាគមន៍នៅកម្ពុជា ក្នុងការវិភាគទិន្នន័យអតិថិជន។
រដ្ឋបាលសាធារណៈ (Public Administration): ជំនាញនៃការរៀបចំប្រព័ន្ធស្វ័យប្រវត្តិកម្ម (RPA) និង AI ដែលមានក្នុងកម្មវិធីសិក្សានេះ អាចជួយក្រសួងស្ថាប័នរដ្ឋក្នុងការធ្វើឌីជីថលនីយកម្មសេវាសាធារណៈឱ្យកាន់តែមានប្រសិទ្ធភាព និងលឿនរហ័ស។

ការសម្របយកគំរូកម្មវិធីសិក្សានេះទៅអនុវត្តក្នុងបរិបទអប់រំកម្ពុជា នឹងមិនត្រឹមតែជួយផលិតបានអ្នកជំនាញ AI ប៉ុណ្ណោះទេ ថែមទាំងជួយជំរុញឱ្យមាននវានុវត្តន៍ផ្អែកលើទិន្នន័យ (Data-driven Innovation) ដែលគាំទ្រដល់ការអភិវឌ្ឍសេដ្ឋកិច្ចជាតិទាំងមូល។

៥. ផែនការអនុវត្ត (Implementation Roadmap)

ដើម្បីអនុវត្តតាមអនុសាសន៍នៃរបាយការណ៍នេះ គួរអនុវត្តតាមជំហានខាងក្រោម៖

វាយតម្លៃតម្រូវការទីផ្សារ និងធនធានបច្ចុប្បន្ន: ក្រសួងពាក់ព័ន្ធ និងសាកលវិទ្យាល័យ ត្រូវសហការគ្នាធ្វើការស្ទង់មតិជាមួយក្រុមហ៊ុនបច្ចេកវិទ្យានៅកម្ពុជា ដើម្បីកំណត់មុខវិជ្ជាជម្រើស (Electives) ដែលស្របនឹងតម្រូវការជាក់ស្តែង (ឧ. NLP សម្រាប់ភាសាខ្មែរ ឫ AI ក្នុងវិស័យកសិកម្ម)។
រៀបចំ និងកែសម្រួលកម្មវិធីសិក្សា (Curriculum Design): គណៈកម្មការអប់រំនៃសាកលវិទ្យាល័យនីមួយៗ (ឧ. CADT ឬ ITC) ត្រូវព្រាងកម្មវិធីសិក្សាថ្មី ដោយបែងចែកចំនួន ៣១ ក្រេឌីតសម្រាប់មុខវិជ្ជាស្នូល និង ២០ ក្រេឌីតសម្រាប់ការធ្វើគម្រោងស្រាវជ្រាវ (Capstone Project)។
កសាងសមត្ថភាពសាស្ត្រាចារ្យ និងហេដ្ឋារចនាសម្ព័ន្ធ: វិនិយោគលើការបណ្តុះបណ្តាលសាស្ត្រាចារ្យ (Train-the-Trainer) និងរៀបចំមន្ទីរពិសោធន៍កុំព្យូទ័រ (Computer Labs) ដែលមានសមត្ថភាពខ្ពស់ក្នុងការដំណើរការកម្មវិធី Deep Learning និង Big Data ក៏ដូចជាផ្តល់អាជ្ញាប័ណ្ណកម្មវិធី (Software Licenses) ចាំបាច់។
ចងក្រងភាពជាដៃគូជាមួយវិស័យឯកជន: ចុះអនុស្សរណៈយោគយល់ (MoU) ជាមួយក្រុមហ៊ុនបច្ចេកវិទ្យា ធនាគារ ឬស្ថាប័នស្រាវជ្រាវ ដើម្បីទទួលយកនិស្សិតឱ្យធ្វើកម្មសិក្សា (Internship) និងអនុញ្ញាតឱ្យប្រើប្រាស់ទិន្នន័យ (Data) សម្រាប់គម្រោងបញ្ចប់ការសិក្សា។
ដាក់ឱ្យអនុវត្តសាកល្បង និងវាយតម្លៃ: ចាប់ផ្តើមអនុវត្តកម្មវិធីនេះសម្រាប់ជំនាន់ទី១ តាមដានលទ្ធផលសិក្សារបស់និស្សិត វាយតម្លៃគុណភាពនៃរបាយការណ៍ស្រាវជ្រាវ និងកែតម្រូវចំណុចខ្វះខាតសម្រាប់ជំនាន់បន្ទាប់ដោយយោងតាមការវិវឌ្ឍនៃបច្ចេកវិទ្យា AI ពិភពលោក។

៦. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស	ការពន្យល់ជាខេមរភាសា (Khmer Explanation)	និយមន័យសាមញ្ញ (Simple Definition)
Machine Learning	ជាផ្នែកមួយនៃបញ្ញាសិប្បនិម្មិត (AI) ដែលអនុញ្ញាតឱ្យប្រព័ន្ធកុំព្យូទ័ររៀនសូត្រពីទិន្នន័យ និងធ្វើឱ្យប្រសើរឡើងនូវសមត្ថភាពរបស់វាដោយស្វ័យប្រវត្តិដោយមិនចាំបាច់មានការសរសេរកូដបញ្ជាលម្អិត។ ក្នុងការអនុវត្ត វាជួយស្ថាប័នក្នុងការបង្កើតប្រព័ន្ធទស្សន៍ទាយ និងវិភាគទិន្នន័យស្វ័យប្រវត្តិ។	ប្រៀបដូចជាការបង្រៀនកូនក្មេងឱ្យស្គាល់សត្វឆ្កែដោយបង្ហាញរូបភាពសត្វឆ្កែជាច្រើនសន្លឹក ជាជាងការពន្យល់ប្រាប់ពីលក្ខណៈរបស់វា។
Deep Learning	ជាបច្ចេកទេសកម្រិតខ្ពស់នៃ Machine Learning ដែលប្រើប្រាស់បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (Artificial Neural Networks) មានស្រទាប់ច្រើន ដើម្បីវិភាគទិន្នន័យស្មុគស្មាញដូចជារូបភាព ឬសំឡេង ដែលជាស្នូលនៃបច្ចេកវិទ្យាទំនើបដូចជាការសម្គាល់ផ្ទៃមុខ ឬរថយន្តបើកបរដោយស្វ័យប្រវត្តិ។	ប្រៀបដូចជាការធ្វើត្រាប់តាមខួរក្បាលមនុស្សសិប្បនិម្មិត ដែលអាចបែងចែកព័ត៌មានលម្អិតៗ និងស្មុគស្មាញបានយ៉ាងច្បាស់លាស់។
Natural Language Processing (NLP)	ជាបច្ចេកវិទ្យាដែលជួយឱ្យកុំព្យូទ័រអាចយល់ បកស្រាយ និងឆ្លើយតបទៅនឹងភាសារបស់មនុស្ស (ទាំងសំណេរ និងសំឡេង)។ ក្នុងការអនុវត្តជាក់ស្តែង គេប្រើវាសម្រាប់បង្កើតប្រព័ន្ធបកប្រែភាសាស្វ័យប្រវត្តិ ឬប្រព័ន្ធឆ្លើយតបអតិថិជន (Chatbots)។	ប្រៀបដូចជាអ្នកបកប្រែភាសា ឬជំនួយការផ្ទាល់ខ្លួន (ដូចជា Siri ឬ Google Assistant) ដែលស្តាប់យល់ និងអាចនិយាយឆ្លើយតបជាមួយយើងបាន។
Robotic Process Automation (RPA)	ជាបច្ចេកវិទ្យាប្រើប្រាស់កម្មវិធីកុំព្យូទ័រ (Software Robot) ដើម្បីធ្វើកិច្ចការដដែលៗដោយស្វ័យប្រវត្តិ ជំនួសឱ្យកម្លាំងពលកម្មមនុស្ស។ ស្ថាប័នរដ្ឋនិងឯកជនប្រើវាដើម្បីកាត់បន្ថយពេលវេលាលើការងាររដ្ឋបាល ដូចជាការបញ្ចូលទិន្នន័យ ឬការផ្ទេរឯកសារ។	ប្រៀបដូចជាការជួលជំនួយការនិម្មិតម្នាក់មកធ្វើការងារឯកសារដែលច្រំដែលៗរាល់ថ្ងៃ ដើម្បីឱ្យបុគ្គលិកមានពេលទៅធ្វើការងារដែលសំខាន់ជាង។
Big Data Analytics	ដំណើរការនៃការវិភាគទិន្នន័យដែលមានទំហំធំមហិមា ល្បឿនលឿន និងចម្រុះ ដើម្បីស្វែងរកលំនាំ (Patterns) និងព័ត៌មានសំខាន់ៗដែលជួយដល់ការសម្រេចចិត្តក្នុងការរៀបចំយុទ្ធសាស្ត្រអាជីវកម្ម ឬគោលនយោបាយសាធារណៈ។	ប្រៀបដូចជាការរែងរកគ្រាប់មាសដ៏មានតម្លៃ ចេញពីគំនរដីនិងខ្សាច់ដ៏ធំធេង ដើម្បីយកមកប្រើប្រាស់ឱ្យមានប្រយោជន៍។
Predictive Modelling	ជាការប្រើប្រាស់ទិន្នន័យក្នុងអតីតកាល និងក្បួនគណិតវិទ្យា ដើម្បីទស្សន៍ទាយពីព្រឹត្តិការណ៍ ឬលទ្ធផលដែលអាចនឹងកើតឡើងនៅពេលអនាគត ដែលមានសារៈសំខាន់សម្រាប់ការគ្រប់គ្រងហានិភ័យ និងការរៀបចំផែនការ។	ប្រៀបដូចជាការព្យាករណ៍អាកាសធាតុ ដោយផ្អែកលើទិន្នន័យខ្យល់ ភ្លៀង និងសីតុណ្ហភាពកាលពីប៉ុន្មានថ្ងៃមុន។
Data Wrangling	ជាដំណើរការនៃការសម្អាត រៀបចំ និងបំប្លែងទិន្នន័យឆៅ ដែលគ្មានសណ្តាប់ធ្នាប់ ឱ្យទៅជាទម្រង់មួយដែលងាយស្រួល និងត្រឹមត្រូវ សម្រាប់ការវិភាគ ឬប្រើប្រាស់បញ្ចុកក្នុងប្រព័ន្ធ Machine Learning។	ប្រៀបដូចជាការរៀបចំ និងលាងសម្អាតបន្លែត្រីសាច់ឱ្យបានស្អាតល្អ មុននឹងយកទៅចម្អិនជាម្ហូបអាហារ។

៧. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖