វគ្គសិក្សាវិស្វករ AI

មេរៀន 1 • Python សម្រាប់ការអភិវឌ្ឍន៍ AI

បង្កើតជំនាញ Python ដែលផ្តោតលើលំហូរការងារ AI ដោយប្រើ NumPy, Pandas និង Matplotlib។ ផ្តល់នូវមូលដ្ឋានគ្រឹះការសរសេរកូដដែលចាំបាច់សម្រាប់ជំពូកជាបន្តបន្ទាប់ទាំងអស់។

មេរៀន 2 • មូលដ្ឋានគ្រឹះទិន្នន័យសម្រាប់ AI

ពន្យល់ពីប្រភេទទិន្នន័យ រចនាសម្ព័ន្ធ និងតម្រូវការគុណភាពដែលជំរុញដំណើរការគំរូ។ រៀបចំវិស្វករឱ្យវាយតម្លៃសំណុំទិន្នន័យមុនពេលចាប់ផ្តើមបង្កើតគំរូ។

មេរៀន 3 • ទិដ្ឋភាពទូទៅ AI និងពាក្យគន្លឹះ

កំណត់ AI, ML និងការរៀនស្របជាមួយភាពខុសគ្នាច្បាស់លាស់។ បង្កើតវាក្យសព្ទរួមដែលប្រើពេញមួយវគ្គសិក្សាទាំងមូល។

មេរៀន 1 • វិធីសាស្ត្រ Ensemble និង Boosting

ពន្យល់ពី bagging, random forests, gradient boosting និង XGBoost សម្រាប់ថាមពលព្យាករណ៍ដែលប្រសើរឡើង។ បង្កើតលើចំណេះដឹងក្បួនដោះស្រាយតែមួយ ដើម្បីបង្ហាញពីគុណសម្បត្តិរបស់ ensemble។

មេរៀន 2 • បច្ចេកទេសរៀនដោយគ្មានអ្នកត្រួតពិនិត្យ

បង្រៀនការដាក់ជាក្រុម ការកាត់បន្ថយវិមាត្រ និងការរកឃើញភាពមិនប្រក្រតីសម្រាប់ទិន្នន័យដែលគ្មានស្លាក។ ពង្រីកឧបករណ៍របស់វិស្វករលើសពីគំរូដែលមានអ្នកត្រួតពិនិត្យ។

មេរៀន 3 • វិស្វកម្មលក្ខណៈ និងការជ្រើសរើស

គ្របដណ្តប់លើការអ៊ិនកូដ ការធ្វើមាត្រដ្ឋាន លក្ខណៈអន្តរកម្ម និងវិធីសាស្ត្រជ្រើសរើសដែលធ្វើឱ្យប្រសើរឡើងដោយផ្ទាល់នូវភាពត្រឹមត្រូវនៃគំរូ។ ភ្ជាប់ការរៀបចំទិន្នន័យឆៅទៅនឹងតម្រូវការបញ្ចូលក្បួនដោះស្រាយ។

មេរៀន 4 • ការវាយតម្លៃ និងការជ្រើសរើសគំរូ

កំណត់ម៉ែត្រិក ការធ្វើសុពលភាពឆ្លង និងការដោះដូរភាពលំអៀង-បំរែបំរួលសម្រាប់ការវាយតម្លៃគំរូយ៉ាងម៉ត់ចត់។ ធានាថាវិស្វករអាចបង្ហាញអំពីភាពត្រឹមត្រូវនៃជម្រើសគំរូជាមួយភស្តុតាងបរិមាណ។

មេរៀន 1 • ម៉ូដែល Recurrent និង Sequence

ពន្យល់ពី RNNs, LSTMs និង GRUs សម្រាប់ការបង្កើតគំរូទិន្នន័យតាមលំដាប់លំដោយ និងស៊េរីពេលវេលា។ រៀបចំវិស្វករសម្រាប់លំនាំបណ្តោះអាសន្ន មុនពេលការណែនាំស្ថាបត្យកម្ម transformer។

មេរៀន 2 • មូលដ្ឋានគ្រឹះបណ្តាញសរសៃប្រសាទ

ពន្យល់ពី perceptrons អនុគមន៍សកម្ម ការផ្សាយទៅមុខ និងការផ្សាយថយក្រោយតាមគណិតវិទ្យា។ បង្កើតមូលដ្ឋាននៃការរៀនស្របលើមូលដ្ឋានគ្រឹះ ML ដែលបានបង្កើតពីមុនមក។

មេរៀន 3 • បណ្តាញសរសៃប្រសាទភ្ជាប់គ្នា

បង្រៀនស្ថាបត្យកម្ម CNN, pooling និងការរៀនផ្ទេរសម្រាប់ការងាររូបភាព និងទិន្នន័យលំហ។ ពង្រីកចំណេះដឹងបណ្តាញសរសៃប្រសាទទៅកាន់កម្មវិធីចក្ខុវិស័យកុំព្យូទ័រ។

មេរៀន 4 • ការបណ្តុះបណ្តាលបណ្តាញស៊ីជម្រៅប្រកបដោយប្រសិទ្ធភាព

គ្របដណ្តប់លើអ្នកបង្កើនប្រសិទ្ធភាព កាលវិភាគអត្រារៀន ការធ្វើនិយ័តកម្ម និង batch normalization សម្រាប់ការបណ្តុះបណ្តាលដែលមានស្ថេរភាព។ ដោះស្រាយរបៀបបរាជ័យទូទៅដែលវិស្វករជួបប្រទះក្នុងការអនុវត្ត។

មេរៀន 1 • វិស្វកម្មគំរូភាសាធំ

គ្របដណ្តប់លើ API LLM, វិស្វកម្ម prompt, ការគ្រប់គ្រងបរិបទ window និងការញែកលទ្ធផលសម្រាប់ការប្រើប្រាស់ក្នុងផលិតកម្ម។ បំពាក់វិស្វករឱ្យរួមបញ្ចូល LLMs ដោយភាពជឿជាក់ក្នុងកម្មវិធីពិត។

មេរៀន 2 • បច្ចេកទេស NLP បុរាណ

គ្របដណ្តប់លើ tokenization, stemming, TF-IDF និង word embeddings ជាប្លុកអគារ NLP។ បង្កើតមូលដ្ឋានមុនពេលការណែនាំវិធីសាស្ត្រដែលមានមូលដ្ឋានលើ transformer។

មេរៀន 3 • ការស្វែងយល់ស៊ីជម្រៅអំពីស្ថាបត្យកម្ម Transformer

ពន្យល់ពី self-attention, multi-head attention, positional encoding និងការរចនា encoder-decoder។ ផ្តល់នូវការយល់ដឹងអំពីស្ថាបត្យកម្មដែលចាំបាច់សម្រាប់ធ្វើការជាមួយ LLMs ទំនើប។

មេរៀន 4 • ប្រព័ន្ធបង្កើតដែលបានពង្រឹងដោយការទាញយក

បង្កើតបំពង់ RAG ដោយរួមបញ្ចូលគ្នានូវ vector search ជាមួយការបង្កើត LLM សម្រាប់ការឆ្លើយតបដែលផ្អែកលើចំណេះដឹង។ ពង្រីកការប្រើប្រាស់ LLM ទៅកាន់សេណារីយ៉ូឯកសារ និងមូលដ្ឋានចំណេះដឹងរបស់សហគ្រាស។

មេរៀន 1 • គោលការណ៍រចនាប្រព័ន្ធ AI

ណែនាំគំរូការរចនា ការវិភាគការដោះដូរ និងការគិតជាប្រព័ន្ធជាក់លាក់សម្រាប់បន្ទុកការងារ AI។ ដាក់ការសម្រេចចិត្តស្ថាបត្យកម្មក្នុងក្របខ័ណ្ឌនៃបរិស្ថានផលិតកម្ម។

មេរៀន 2 • ការធ្វើមាត្រដ្ឋាន និងហេដ្ឋារចនាសម្ព័ន្ធសម្រាប់ AI

គ្របដណ្តប់លើការដាក់ក្នុង container, ការរៀបចំ និងគំរូហេដ្ឋារចនាសម្ព័ន្ធពពកសម្រាប់បន្ទុកការងារ AI នៅទំហំធំ។ រៀបចំវិស្វករឱ្យដាក់ពង្រាយប្រព័ន្ធដែលអាចរីកចម្រើនតាមតម្រូវការ។

មេរៀន 3 • បំពង់ទិន្នន័យ និង Feature Stores

គ្របដណ្តប់លើការរចនា ETL, ការទទួលទិន្នន័យស្ទ្រីម និងស្ថាបត្យកម្ម feature store សម្រាប់ការចែកចាយលក្ខណៈដែលជាប់លាប់។ ធានាថាលក្ខណៈសម្រាប់ការបណ្តុះបណ្តាល និងការបម្រើនៅតែធ្វើសមកាលកម្ម។

មេរៀន 4 • ការរចនាសម្រាប់ភាពជឿជាក់ និងការសង្កេត

បង្រៀន circuit breakers, យុទ្ធសាស្ត្របម្រុងទុក, ការកត់ត្រា និងការដាស់តឿនសម្រាប់ភាពធន់នៃសេវាកម្ម AI។ ធានាថាវិស្វករអាចរក្សាសុខភាពប្រព័ន្ធក្នុងផលិតកម្មបាន។

មេរៀន 1 • CI/CD សម្រាប់ការរៀនរបស់ម៉ាស៊ីន

អនុវត្តការអនុវត្តការបញ្ចូលបន្ត និងការចែកចាយបន្តទៅកាន់កូដ ML, ទិន្នន័យ និងវត្ថុបុរាណគំរូ។ ភ្ជាប់វិន័យវិស្វកម្មកម្មវិធីជាមួយលំហូរការងារអភិវឌ្ឍន៍ ML។

មេរៀន 2 • ការត្រួតពិនិត្យគំរូ និងការរកឃើញគម្លាត

អនុវត្ត data drift, concept drift និងការត្រួតពិនិត្យដំណើរការ ដើម្បីរកឃើញការថយចុះគុណភាពគំរូ។ អនុញ្ញាតឱ្យមានការថែទាំសកម្ម មុនពេលការបរាជ័យគំរូប៉ះពាល់ដល់អ្នកប្រើប្រាស់។

មេរៀន 3 • បំពង់ ML និងការរៀបចំលំហូរការងារ

រចនាបំពង់ ML ដោយស្វ័យប្រវត្តិដោយប្រើឧបករណ៍រៀបចំសម្រាប់ការបណ្តុះបណ្តាល ការធ្វើសុពលភាព និងការដាក់ពង្រាយ។ កាត់បន្ថយការអន្តរាគមន៍ដោយដៃ និងបង្កើនល្បឿនវដ្តនៃការកែលម្អ។

មេរៀន 4 • ការតាមដានការពិសោធន៍ និងការផលិតឡើងវិញ

គ្របដណ្តប់លើការកត់ត្រាការពិសោធន៍ ការគ្រប់គ្រងកំណែវត្ថុបុរាណ និងការគ្រប់គ្រងបរិស្ថាន សម្រាប់ ML ដែលអាចផលិតឡើងវិញបាន។ បង្កើតមូលដ្ឋានគ្រឹះសម្រាប់ការអភិវឌ្ឍន៍គំរូដែលមានវិន័យ។

មេរៀន 1 • ក្របខ័ណ្ឌគ្រប់គ្រង AI ដែលមានទំនួលខុសត្រូវ

អនុវត្តគោលការណ៍ AI ដែលមានទំនួលខុសត្រូវ ការវាយតម្លៃផលប៉ះពាល់ និងការតម្រឹមគោលនយោបាយ ទៅនឹងការសម្រេចចិត្តផ្នែកវិស្វកម្ម។ ភ្ជាប់ការត្រួតពិនិត្យបច្ចេកទេសទៅនឹងរចនាសម្ព័ន្ធការទទួលខុសត្រូវរបស់អង្គការ។

មេរៀន 2 • ភាពលំអៀង ភាពយុត្តិធម៌ និងសមធម៌ក្នុង AI

កំណត់អត្តសញ្ញាណប្រភពនៃភាពលំអៀងនៃក្បួនដោះស្រាយ និងអនុវត្តម៉ែត្រិកភាពយុត្តិធម៌ ដើម្បីរកឃើញ និងកាត់បន្ថយផលប៉ះពាល់ខុសគ្នា។ បង្កើតមូលដ្ឋាននៃការវែកញែកខាងសីលធម៌ក្នុងសកម្មភាពវិស្វកម្មដែលអាចវាស់វែងបាន។

មេរៀន 3 • សុវត្ថិភាព AI និងការគ្រប់គ្រងហានិភ័យ

បង្រៀនការបង្កើតគំរូការគំរាមកំហែង ភាពរឹងមាំប្រឆាំងនឹងការវាយប្រហារ និងការវិភាគរបៀបបរាជ័យសម្រាប់ប្រព័ន្ធ AI។ រៀបចំវិស្វករឱ្យទន្ទឹងរង់ចាំ និងកាត់បន្ថយឥរិយាបថ AI ដែលបង្កគ្រោះថ្នាក់។

មេរៀន 4 • បច្ចេកទេស AI ដែលរក្សាភាពឯកជន

គ្របដណ្តប់លើភាពឯកជនឌីផេរ៉ង់ស្យែល ការរៀនសហព័ន្ធ និងការធ្វើឱ្យទិន្នន័យអនាមិក សម្រាប់ AI ដែលមានសុវត្ថិភាពឯកជន។ ដោះស្រាយតម្រូវការការពារទិន្នន័យដោយមិនលះបង់ប្រយោជន៍គំរូ។

មេរៀន 1 • ការពិនិត្យ និងបទបង្ហាញគម្រោង

បង្ហាញប្រព័ន្ធពីចុងដល់ចប់ជាមួយដ្យាក្រាមស្ថាបត្យកម្ម លទ្ធផល និងមេរៀនដែលបានរៀន។ អភិវឌ្ឍជំនាញទំនាក់ទំនងដែលចាំបាច់សម្រាប់ការបង្ហាញគម្រោង AI ដល់ទស្សនិកជនបច្ចេកទេស។

មេរៀន 2 • ការកំណត់ និងកំណត់វិសាលភាពបញ្ហា

បកប្រែបញ្ហាអាជីវកម្មទៅជាកិច្ចការ AI ដែលបានកំណត់យ៉ាងល្អជាមួយម៉ែត្រិកជោគជ័យ និងឧបសគ្គ។ អនុវត្តការគិតតាមការរចនាប្រព័ន្ធពីជំពូកមុនទៅកាន់សេណារីយ៉ូជាក់ស្តែង។

មេរៀន 3 • ការទទួលបាន និងរៀបចំទិន្នន័យ

អនុវត្តការប្រមូលទិន្នន័យ ការសម្អាត និងវិស្វកម្មលក្ខណៈសម្រាប់សំណុំទិន្នន័យ capstone។ អនុវត្តជំនាញទិន្នន័យទាំងអស់ពីជំពូកមុនក្នុងលំហូរការងាររួមបញ្ចូលគ្នា។

មេរៀន 4 • ការអភិវឌ្ឍន៍គំរូ និងការពិសោធន៍

ដំណើរការពិសោធន៍ដែលបានតាមដាន ជ្រើសរើសគំរូល្អបំផុត និងកត់ត្រាការសម្រេចចិត្តជាមួយយុត្តិកម្ម។ បង្ហាញពីការអភិវឌ្ឍន៍ ML ដែលមានវិន័យដោយប្រើការអនុវត្ត MLOps។