បញ្ហា (The Problem)៖ ឯកសារនេះបង្ហាញពីទិដ្ឋភាពទូទៅនៃក្បួនដោះស្រាយការរៀនម៉ាស៊ីនមានការត្រួតពិនិត្យ (Supervised machine learning) ដោយធ្វើការបែងចែករវាងម៉ូដែលចំណាត់ថ្នាក់ និងម៉ូដែលតំរែតំរង់សម្រាប់ការវិភាគទិន្នន័យ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះធ្វើការពិនិត្យឡើងវិញ (Literature review) លើទ្រឹស្តី និងទម្រង់ការងារនៃក្បួនដោះស្រាយការរៀនម៉ាស៊ីនមានការត្រួតពិនិត្យសំខាន់ៗមួយចំនួន។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Decision Trees ចំណាត់ថ្នាក់ដើមឈើការសម្រេចចិត្ត |
ងាយស្រួលយល់ និងបកស្រាយ (Comprehensive) ហើយអាចបែងចែកទិន្នន័យជាក្រុមៗបានយ៉ាងច្បាស់លាស់តាមលក្ខណៈពិសេស។ | ទោះបីជាងាយស្រួល ប៉ុន្តែវាអាចក្លាយជាស្មុគស្មាញខ្លាំង (Overfitting) ប្រសិនបើមិនមានការកំណត់ជម្រៅនៃមែកឱ្យបានត្រឹមត្រូវ។ | បែងចែកលំហទិន្នន័យ (Instance space) ជាចំណែកតូចៗតាមទម្រង់រចនាសម្ព័ន្ធដើមឈើ។ |
| Linear Regression ការតំរែតំរង់លីនេអ៊ែរ |
មានប្រសិទ្ធភាពខ្ពស់ក្នុងការស្វែងរកទំនាក់ទំនង និងការពឹងផ្អែកគ្នារវាងអថេរផ្សេងៗក្នុងទិន្នន័យ។ | ប្រើប្រាស់បានតែសម្រាប់ការព្យាករណ៍អថេរគោលដៅដែលមានតម្លៃបន្ត (Continuous dependent variable) ប៉ុណ្ណោះ។ | បង្កើតបន្ទាត់ដែលស័ក្តិសមបំផុតដើម្បីទស្សន៍ទាយតម្លៃបន្ត ដោយកាត់បន្ថយតម្លៃ Loss function ឱ្យនៅទាបបំផុត។ |
| Naive Bayes ចំណាត់ថ្នាក់ណាយបេស |
មានភាពរឹងមាំចំពោះទិន្នន័យរំខាន (Robust to noise) និងអាចគណនាប្រូបាប៊ីលីតេច្បាស់លាស់សម្រាប់សម្មតិកម្ម។ | ពឹងផ្អែកលើការសន្មតថាអថេរទាំងអស់មានឯករាជ្យភាពពីគ្នា (Conditional independence assumption) ដែលកម្រមានក្នុងទិន្នន័យជាក់ស្តែង។ | ប្រើប្រាស់ទ្រឹស្តីបទ Bayes ដើម្បីទស្សន៍ទាយប្រូបាប៊ីលីតេជាម៉ូដែលប្រភេទ Generative classifier។ |
| Logistic Regression ការតំរែតំរង់ឡូជីស្ទិក |
អាចចាត់ថ្នាក់ទិន្នន័យដោយផ្តល់លទ្ធផលជាប្រូបាប៊ីលីតេចន្លោះពី 0 ទៅ 1 តាមរយៈអនុគមន៍ Sigmoid។ | ទាមទារការប្រើប្រាស់អនុគមន៍បង្កើនប្រសិទ្ធភាព (ដូចជា fmin_bfgs) ដើម្បីស្វែងរកប៉ារ៉ាម៉ែត្រដែលល្អបំផុត ដែលអាចស៊ីពេលគណនា។ | បែងចែកទិន្នន័យដោយបង្កើតព្រំដែនសេចក្តីសម្រេច (Decision boundary) ជាម៉ូដែលប្រភេទ Discriminative classifier។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ទោះបីជាឯកសារមិនបានបញ្ជាក់លម្អិតពីតម្រូវការធនធានក៏ដោយ ជាទូទៅការអនុវត្តវិធីសាស្ត្រទាំងនេះទាមទារធនធានកុំព្យូទ័រ និងទិន្នន័យមានស្លាកជាមូលដ្ឋាន។
ឯកសារនេះគឺជាការត្រួតពិនិត្យទ្រឹស្តី (Theoretical review) ដោយមិនមានការប្រើប្រាស់សំណុំទិន្នន័យជាក់លាក់ណាមួយក្នុងការធ្វើតេស្តនោះទេ ក្រៅពីការលើកឧទាហរណ៍ទិន្នន័យផ្កា Iris ស្តង់ដារ។ សម្រាប់ប្រទេសកម្ពុជា ការខ្វះខាតទិន្នន័យក្នុងស្រុកដែលមានស្លាកត្រឹមត្រូវ និងទូលំទូលាយ (Labeled local data) គឺជាឧបសគ្គចម្បងក្នុងការទាញយកអត្ថប្រយោជន៍ពេញលេញពីក្បួនដោះស្រាយទាំងនេះ។
វិធីសាស្ត្ររៀនម៉ាស៊ីនមានការត្រួតពិនិត្យទាំងនេះ មានសារៈសំខាន់ជាគ្រឹះ និងអាចអនុវត្តបានយ៉ាងទូលំទូលាយនៅក្នុងវិស័យអាទិភាពផ្សេងៗនៅកម្ពុជា។
ការបណ្តុះបណ្តាលធនធានមនុស្សឱ្យចេះប្រើប្រាស់ក្បួនដោះស្រាយទាំងនេះ នឹងជំរុញឱ្យមានការសម្រេចចិត្តផ្អែកលើទិន្នន័យ (Data-driven decision making) ដែលជួយដោះស្រាយបញ្ហាជាក់ស្តែងនៅក្នុងសង្គមកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Supervised learning | វិធីសាស្ត្រនៃការបង្រៀនកុំព្យូទ័រដោយផ្តល់នូវសំណុំទិន្នន័យ (Dataset) ដែលមានភ្ជាប់មកជាមួយនូវចម្លើយ ឬស្លាកសញ្ញា (Labels) រួចជាស្រេច ដើម្បីឱ្យម៉ូដែលអាចរៀនពីលំនាំ និងអាចទស្សន៍ទាយលទ្ធផលនៃទិន្នន័យថ្មីៗបានយ៉ាងត្រឹមត្រូវ។ | ដូចជាការបង្រៀនក្មេងតូចឱ្យស្គាល់សត្វឆ្មា ដោយបង្ហាញរូបភាពសត្វឆ្មាជាច្រើនសន្លឹក រួចប្រាប់គេជារឿយៗថា "នេះគឺជារូបសត្វឆ្មា" រហូតដល់គេអាចចំណាំបាន។ |
| Classification | ដំណើរការនៃក្បួនដោះស្រាយក្នុងការបែងចែកទិន្នន័យទៅជាក្រុម ឬប្រភេទជាក់លាក់ដាច់ពីគ្នា (Discrete categories/labels) ដូចជាការកំណត់ថាអ៊ីមែលមួយជាប្រភេទ "Spam" ឬ "មិនមែន Spam"។ | ដូចជាការបែងចែកផ្លែឈើក្នុងកន្ត្រក ដោយរើសយកផ្លែប៉ោមដាក់ក្នុងប្រអប់មួយ និងផ្លែក្រូចដាក់ក្នុងប្រអប់មួយទៀត។ |
| Regression | បច្ចេកទេសរៀនម៉ាស៊ីនសម្រាប់ទស្សន៍ទាយតម្លៃទិន្នន័យដែលជាលេខបន្តបន្ទាប់ (Continuous values) ដោយស្វែងរកទំនាក់ទំនងរវាងអថេរឯករាជ្យ និងអថេរអាស្រ័យ ដូចជាការព្យាករណ៍ពីតម្លៃផ្ទះ ឬសីតុណ្ហភាពនៅថ្ងៃស្អែក។ | ដូចជាការទស្សន៍ទាយកម្ពស់របស់ក្មេងម្នាក់នៅឆ្នាំក្រោយ ដោយផ្អែកលើទិន្នន័យនៃអាយុ និងកម្ពស់បច្ចុប្បន្នរបស់គេ។ |
| Decision tree | ម៉ូដែលចំណាត់ថ្នាក់ដែលមានរចនាសម្ព័ន្ធដូចជាមែកធាង ដោយបំបែកលំហទិន្នន័យជាចំណែកតូចៗដោយផ្អែកលើលក្ខខណ្ឌនៃលក្ខណៈពិសេស (Features) នីមួយៗរហូតដល់ទទួលបានការសម្រេចចិត្តចុងក្រោយនៅត្រង់ស្លឹក (Leaf node)។ | ដូចជាការលេងហ្គេមសួរសំណួរ "បាទ/ទេ" ដើម្បីទាយរកឈ្មោះសត្វណាមួយ ដោយសំណួរនីមួយៗជួយកាត់បន្ថយជម្រើសរហូតដល់រកឃើញចម្លើយចុងក្រោយ។ |
| Logistic Regression | ក្បួនដោះស្រាយបែបស្ថិតិដែលប្រើសម្រាប់ទស្សន៍ទាយប្រូបាប៊ីលីតេនៃព្រឹត្តិការណ៍ណាមួយថានឹងកើតឡើងឬអត់ (ច្រើនតែចេញជាលទ្ធផលចន្លោះពី ០ ដល់ ១) តាមរយៈការប្រើប្រាស់អនុគមន៍ Sigmoid។ វាជាប្រភេទ Discriminative classifier។ | ដូចជាការគណនាភាគរយ (ពី ០% ទៅ ១០០%) ថាតើថ្ងៃនេះនឹងមានភ្លៀងធ្លាក់ឬទេ ដោយផ្អែកលើបរិមាណពពក និងសំណើមបរិយាកាស។ |
| Cost function | អនុគមន៍គណិតវិទ្យាដែលប្រើសម្រាប់វាស់ស្ទង់កម្រិតនៃកំហុសរវាងតម្លៃដែលម៉ូដែលបានទស្សន៍ទាយ និងតម្លៃពិតប្រាកដក្នុងទិន្នន័យ។ គោលដៅចម្បងក្នុងអំឡុងពេលបង្វឹកម៉ូដែល (Training) គឺត្រូវកាត់បន្ថយតម្លៃនេះឱ្យនៅទាបបំផុត (Minimize)។ | ដូចជាប្រព័ន្ធដាក់ពិន្ទុសម្រាប់ការបាញ់ព្រួញ ប្រសិនបើអ្នកបាញ់កាន់តែឆ្ងាយពីចំណុចកណ្តាល នោះពិន្ទុកំហុសរបស់អ្នកនឹងកាន់តែខ្ពស់។ |
| Naive Bayes | ក្បួនដោះស្រាយការចាត់ថ្នាក់ដែលពឹងផ្អែកលើទ្រឹស្តីបទប្រូបាប៊ីលីតេ Bayes ដោយមានការសន្មតយ៉ាងសាមញ្ញ (Naive) ថាអថេរទាំងអស់មានឯករាជ្យភាពពីគ្នាទាំងស្រុង ដើម្បីគណនាឱកាសនៃការកើតឡើងនៃព្រឹត្តិការណ៍ណាមួយ។ | ដូចជាការទស្សន៍ទាយថាអ្នកណាម្នាក់ជាវេជ្ជបណ្ឌិតដោយផ្អែកលើការពាក់អាវពណ៌ស និងការពាក់ឧបករណ៍ស្តាប់បេះដូង ទោះបីជាលក្ខណៈទាំងពីរនេះមិនប្រាកដថាទាក់ទងគ្នាដោយផ្ទាល់ក៏ដោយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
