បញ្ហា (The Problem)៖ ម៉ូដែលទស្សន៍ទាយភាគហ៊ុនដោយផ្អែកលើព័ត៌មានជួបប្រទះបញ្ហាភាពមិនត្រឹមត្រូវចំពោះភាគហ៊ុនដែលមានអត្ថបទព័ត៌មានតិចតួច (News-poor stocks) ដោយសារកង្វះខាតទិន្នន័យគ្រប់គ្រាន់សម្រាប់បង្ហាត់ម៉ូដែល។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានស្នើឡើងនូវវិធីសាស្ត្ររៀនផ្ទេរមនោសញ្ចេតនា (Sentimental Transfer Learning) ដើម្បីផ្ទេរព័ត៌មានមនោសញ្ចេតនាពីភាគហ៊ុនដែលមានព័ត៌មានច្រើន (ប្រភព) ទៅកាន់ភាគហ៊ុនដែលមានព័ត៌មានតិច (គោលដៅ) តាមរយៈយន្តការបោះឆ្នោត។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Baseline Model (No Transfer Learning) ម៉ូដែលមូលដ្ឋាន (មិនមានការរៀនផ្ទេរចំណេះដឹង) |
ងាយស្រួលក្នុងការបង្កើត និងមិនទាមទារទិន្នន័យពីភាគហ៊ុនដទៃផ្សេងទៀតឡើយ។ | មានភាពត្រឹមត្រូវទាប និងអន់ខ្សោយខ្លាំងចំពោះភាគហ៊ុនដែលមានអត្ថបទព័ត៌មានហិរញ្ញវត្ថុតិចតួច។ | អត្រាភាពត្រឹមត្រូវ (Accuracy) ទាបជាងវិធីសាស្ត្រស្នើឡើង ក្នុងការទស្សន៍ទាយលើទិន្នន័យផ្ទៀងផ្ទាត់ និងទិន្នន័យតេស្តឯករាជ្យ។ |
| Sentimental Transfer Learning (Single Principle) ការរៀនផ្ទេរមនោសញ្ចេតនាដោយប្រើគោលការណ៍ទោល |
ជួយធ្វើឲ្យប្រសើរឡើងនូវការទស្សន៍ទាយសម្រាប់ភាគហ៊ុនខ្វះព័ត៌មាន ដោយទាញយកចំណេះដឹងពីភាគហ៊ុនប្រភពតែមួយ។ | លទ្ធផលទស្សន៍ទាយអាចមិនមានស្ថិរភាពគ្រប់កាលៈទេសៈ ព្រោះវាអាស្រ័យខ្លាំងលើគោលការណ៍ជ្រើសរើសភាគហ៊ុនប្រភព។ | បង្ហាញលទ្ធផលល្អជាងម៉ូដែលមូលដ្ឋាននៅក្នុងការសាកល្បងភាគច្រើន (ឧទាហរណ៍ គោលការណ៍ផ្អែកលើចំនួនព័ត៌មានឈ្នះ 11 ក្នុងចំណោម 36 ករណី)។ |
| Sentimental Transfer Learning with Majority Voting ការរៀនផ្ទេរមនោសញ្ចេតនាតាមរយៈយន្តការបោះឆ្នោតដោយសំឡេងភាគច្រើន |
ផ្តល់នូវលទ្ធផលទស្សន៍ទាយដែលមានស្ថិរភាពបំផុត និងកាត់បន្ថយហានិភ័យនៃការជ្រើសរើសភាគហ៊ុនប្រភពខុស។ | ទាមទារដំណើរការគណនាស្មុគស្មាញជាងមុន ដោយសារត្រូវវាយតម្លៃលើគោលការណ៍ទាំងបីមុននឹងសម្រេចជ្រើសរើសភាគហ៊ុនប្រភពចុងក្រោយ។ | ផ្តល់លទ្ធផលល្អប្រសើរជាប់លាប់ និងឈ្នះដាច់ម៉ូដែលមូលដ្ឋាននៅក្នុងការធ្វើតេស្តឯករាជ្យទាំងអស់ ធានាបាននូវការទស្សន៍ទាយដែលអាចទុកចិត្តបានខ្ពស់។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារធនធានកុំព្យូទ័រមធ្យមសម្រាប់ការបង្ហាត់ម៉ូដែលស្វែងរកប៉ារ៉ាម៉ែត្រ (Grid Search) និងទាមទារទិន្នន័យអត្ថបទហិរញ្ញវត្ថុក្នុងទំហំធំល្មម។
ការសិក្សានេះត្រូវបានធ្វើឡើងដោយប្រើប្រាស់ទិន្នន័យពីទីផ្សារភាគហ៊ុនហុងកុង ចន្លោះឆ្នាំ ២០០៣ ដល់ ២០០៨ ដែលជាទីផ្សារធំ មានសន្ទុះជួញដូរខ្ពស់ និងសម្បូរដោយព័ត៌មាន។ សម្រាប់ប្រទេសកម្ពុជា នេះជាភាពខុសគ្នាដ៏ធំមួយ ព្រោះទីផ្សារមូលបត្រកម្ពុជា (CSX) នៅតូច មានភាគហ៊ុនតិច និងខ្វះខាតអត្ថបទព័ត៌មានហិរញ្ញវត្ថុឌីជីថលដែលធ្វើឲ្យលំនាំនៃការចែកចាយទិន្នន័យ (Data distribution) ខុសគ្នាស្រឡះ។
ទោះជាយ៉ាងនេះក្តី គំនិតស្នូលនៃការប្រើប្រាស់ការរៀនផ្ទេរចំណេះដឹង (Transfer Learning) គឺពិតជាស័ក្តិសម និងមានប្រយោជន៍ខ្លាំងណាស់សម្រាប់ដោះស្រាយបញ្ហាកង្វះទិន្នន័យនៅកម្ពុជា។
សរុបមក បច្ចេកទេស Transfer Learning នេះគឺជាដំណោះស្រាយដ៏មានសក្តានុពលមួយក្នុងការជម្នះឧបសគ្គ 'កង្វះទិន្នន័យ' នៅក្នុងបរិបទនៃការសិក្សាស្រាវជ្រាវទីផ្សារហិរញ្ញវត្ថុក្នុងប្រទេសកំពុងអភិវឌ្ឍន៍ដូចជាកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Sentimental Transfer Learning | ជាបច្ចេកទេសបញ្ញាសិប្បនិម្មិត (AI) ដែលទាញយកចំណេះដឹងពីការវិភាគមនោសញ្ចេតនានៃអត្ថបទព័ត៌មានរបស់ភាគហ៊ុនដែលមានទិន្នន័យច្រើន (ប្រភព) យកទៅជួយទស្សន៍ទាយភាគហ៊ុនដែលខ្វះខាតទិន្នន័យព័ត៌មាន (គោលដៅ) ដើម្បីបង្កើនភាពត្រឹមត្រូវ។ | ដូចជាសិស្សពូកែដែលរៀនសៀវភៅច្រើន ជួយពន្យល់មេរៀនប្រាប់ទៅសិស្សម្នាក់ទៀតដែលមិនសូវមានសៀវភៅអាន ដើម្បីឲ្យប្រឡងជាប់ដូចគ្នា។ |
| Sentiment Feature Space | ជាលំហទិន្នន័យគណិតវិទ្យាដែលបំប្លែងពាក្យពេចន៍ក្នុងអត្ថបទព័ត៌មានរាប់ពាន់ពាក្យ ទៅជាទម្រង់វ៉ិចទ័រ (លេខ) តំណាងឲ្យអារម្មណ៍ (វិជ្ជមាន អវិជ្ជមាន ឬអព្យាក្រឹត) ដោយផ្អែកលើវចនានុក្រមមនោសញ្ចេតនា ដើម្បីឲ្យកុំព្យូទ័រអាចគណនាបាន។ | ដូចជាការបកប្រែភាសាផ្សេងៗគ្នាជាច្រើន ទៅជាភាសាកាយវិការតែមួយកម្រិតដែលមនុស្សគ្រប់គ្នាអាចយល់បានភ្លាមៗថាជាអារម្មណ៍ 'សប្បាយចិត្ត' ឬ 'ខឹង'។ |
| Instance Transfer | ជាប្រភេទមួយនៃការរៀនផ្ទេរចំណេះដឹង (Transfer Learning) ដែលក្នុងនោះទិន្នន័យជាក់លាក់ (Instances) ពីដែនប្រភពត្រូវបានជ្រើសរើសយកមកបូកបញ្ចូលជាមួយទិន្នន័យក្នុងដែនគោលដៅ ដើម្បីបង្ហាត់ម៉ូដែលតែមួយបញ្ចូលគ្នា។ | ដូចជាការខ្ចីលំហាត់គណិតវិទ្យាពីសាលាផ្សេងដែលរៀនកម្រិតដូចគ្នា យកមកឲ្យសិស្សសាលាយើងធ្វើបន្ថែម ដើម្បីឲ្យកាន់តែស្ទាត់ជំនាញ។ |
| Majority Voting Mechanism | ជាយន្តការសម្រេចចិត្តមួយដែលម៉ូដែលជ្រើសរើសយកលទ្ធផលណាដែលមានការគាំទ្រច្រើនជាងគេពីគោលការណ៍វាយតម្លៃផ្សេងៗគ្នា (ឧ. ទំនាក់ទំនងតម្លៃប្រវត្តិសាស្ត្រ, ចំនួនព័ត៌មាន, និងភាពត្រឹមត្រូវ) ដើម្បីធានាភាពជឿជាក់និងស្ថិរភាព។ | ដូចជាការបោះឆ្នោតជ្រើសរើសប្រធានថ្នាក់ ដោយសិស្សម្នាក់ៗផ្តល់យោបល់ ហើយអ្នកដែលទទួលបានសំឡេងគាំទ្រច្រើនជាងគេនឹងឈ្នះ។ |
| Support Vector Machines (SVMs) | ជាក្បួនដោះស្រាយម៉ាស៊ីនរៀន (Machine Learning Algorithm) មួយប្រភេទដែលព្យាយាមគូសបន្ទាត់ ឬបង្កើតប្លង់ព្រំដែនដ៏ល្អបំផុត ដើម្បីបែងចែកក្រុមទិន្នន័យ (ឧទាហរណ៍៖ បែងចែកព័ត៌មានដែលធ្វើឲ្យភាគហ៊ុនឡើង និងព័ត៌មានដែលធ្វើឲ្យភាគហ៊ុនចុះ)។ | ដូចជាការសង់របងមួយចំកណ្តាលទីធ្លា ដើម្បីបំបែកហ្វូងចៀម និងហ្វូងពពែឲ្យនៅឆ្ងាយពីគ្នាបានល្អបំផុតដោយមិនឲ្យឡូកឡំគ្នា។ |
| Bag-of-words approach | ជាវិធីសាស្ត្រមូលដ្ឋានក្នុងការវិភាគអត្ថបទ ដែលវាគ្រាន់តែរាប់ចំនួនដងនៃពាក្យនីមួយៗដែលលេចឡើងក្នុងអត្ថបទ ដោយមិនខ្វល់ពីវេយ្យាករណ៍ ឬលំដាប់លំដោយនៃពាក្យនោះឡើយ ដែលជារឿយៗវាខ្វះភាពសុក្រឹតនៅពេលវិភាគទិន្នន័យស្មុគស្មាញ។ | ដូចជាការរុះរើឡានមួយដោយយកគ្រឿងបន្លាស់ទាំងអស់ទៅគរក្នុងគំនរតែមួយ រួចរាប់ថានៅក្នុងគំនរនោះមានកង់ប៉ុន្មាន និងកញ្ចក់ប៉ុន្មាន ដោយមិនខ្វល់ថាវារៀបចំផ្គុំគ្នាបែបណា។ |
| Grid search | ជាបច្ចេកទេសស្វែងរកតម្លៃប៉ារ៉ាម៉ែត្រ (Hyperparameters) ដ៏ល្អបំផុតសម្រាប់ម៉ូដែល AI ដោយធ្វើការសាកល្បងរាល់ការផ្គូផ្គងតម្លៃទាំងអស់នៅក្នុងតារាងក្រឡាចត្រង្គដែលបានកំណត់ទុកជាមុនរហូតទាល់តែឃើញលទ្ធផលល្អបំផុត។ | ដូចជាការសាកល្បងចាក់សោរលេខសម្ងាត់វ៉ាលី ដោយរុញលេខម្តងមួយៗតាមលំដាប់តាំងពី 000 ដល់ 999 រហូតដល់រកឃើញលេខដែលបើកចេញ។ |
| Fat tail | ជាទម្រង់នៃការចែកចាយទិន្នន័យស្ថិតិ (Statistical Distribution) ដែលបង្ហាញថាព្រឹត្តិការណ៍កម្រ ឬព្រឹត្តិការណ៍ធំៗ (Extreme events) ឧទាហរណ៍ដូចជាការធ្លាក់ចុះគំហុកនៃទីផ្សារភាគហ៊ុន មានភាគរយនៃការកើតឡើងខ្ពស់ជាងការរំពឹងទុកបើធៀបនឹងទម្រង់កណ្តឹងធម្មតា។ | ដូចជាការរំពឹងថានឹងមានមនុស្សកម្ពស់ ២ ម៉ែត្រតែម្នាក់ក្នុងចំណោមមនុស្ស១ម៉ឺននាក់ ប៉ុន្តែជាក់ស្តែងនៅក្នុងក្រុមកីឡាករបែរជាមានដល់ទៅ ១០០ នាក់ដែលកម្ពស់ ២ ម៉ែត្រ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
