Terms Library

Artificial Intelligence ဆိုတာ ကွန်ပျူတာကို လူတွေလို စဉ်းစားနိုင်၊ သင်ယူနိုင်၊ ဆုံးဖြတ်နိုင်အောင် လုပ်ထားတဲ့ ဦးနှောက် အမျိုးအစားလို့ မြင်လို့ရတယ်။ ဥပမာ ဂိမ်းဆော့တာ၊ စာရိုက်တာကို ကြိုတွက်တာ၊ ဓာတ်ပုံထဲက မျက်နှာကို မှတ်မိတာတွေပါ။ ဒါပေမယ့် AI က လူလို ခံစားချက်မရှိဘူး — သူလုပ်တာက ဒေတာကြီးကြီးကနေ pattern တွေကို သင်ယူပြီး အလုပ်လုပ်တာပဲ။

Machine LearningML

စက်သင်ယူမှု

Machine Learning ဆိုတာ ကွန်ပျူတာကို rule တွေ တိုက်ရိုက်ရေးပေးစရာမလိုဘဲ ဥပမာပေါင်းများစွာ (data) ကြည့်ပြီး ကိုယ်တိုင် သင်ယူလိုက်တဲ့ နည်းလမ်း။ ကလေးက ခွေးဓာတ်ပုံ ဘယ်နှစ်ပုံလောက် ကြည့်ပြီးမှ ခွေးကို မှတ်မိလာသလိုပဲ — ကွန်ပျူတာကလည်း ဥပမာတွေကနေ pattern သင်ယူတယ်။

Neural Network

အာရုံကြောကွန်ယက်

Neural Network ဆိုတာ ဦးနှောက်ထဲက အာရုံကြောဆဲလ်လေးတွေလို ပုံစံလုပ်ထားတဲ့ အလွှာလိုက်တပ်ထားတဲ့ calculators တွေ။ တစ်ခုချင်းစီက နံပါတ်တွေလက်ခံပြီး လေးစားမှုတန်ဖိုး (weight) နဲ့ မြှောက်ပြီး နောက်တစ်လွှာကို ပို့တယ်။ ဥပမာတွေ အများကြီးကြည့်ပြီး weight တွေကို နည်းနည်းချင်း ချိန်ညှိလိုက်တာနဲ့ နောက်ဆုံး မှန်ကန်တဲ့အဖြေကို ပေးနိုင်လာတယ်။

Perceptron / MLP

ပါဆက်ထရွန် / အလွှာစုံ ပါဆက်ထရွန် (Perceptron / MLP)

Perceptron ဆိုတာ neural network တစ်ခုလုံးရဲ့ အသေးဆုံး အုတ်မြစ်လေး — input တွေကို weight နဲ့မြှောက်၊ ပေါင်း၊ ပြီးရင် 'ဖွင့်/ပိတ်' ဆုံးဖြတ်ပေးတဲ့ ဆဲလ်တစ်လုံးလိုပါ။ ဒီလို ဆဲလ်လေးတွေ အများကြီး တွဲလိုက်မှ neural network ကြီး ဖြစ်လာတာ။ MLP (Multi-Layer Perceptron) ဆိုတာ ဒီဆဲလ်လေးတွေကို အလွှာလိုက် စီထားတာပါ။

Supervised LearningSL

ကြီးကြပ်သင်ယူမှု

Supervised Learning ဆိုတာ ဆရာတစ်ယောက်နဲ့ သင်သလိုပဲ — မေးခွန်းတစ်ခုစီအတွက် အဖြေမှန် (label) တွေပါတဲ့ ဥပမာတွေကို ကွန်ပျူတာကို ပြပေးတယ်။ ဥပမာ ပန်းသီးဓာတ်ပုံတွေနဲ့ 'ပန်းသီး' ဆိုတဲ့အမည်ကို တွဲပြပြီး သင်ပေးရင် ဓာတ်ပုံအသစ်တွေကို သူကိုယ်တိုင် ခွဲခြားနိုင်လာမယ်။

Linear Regression

လီနီယာ ရီဂရက်ရှင်း (Linear Regression / မျဉ်းဖြောင့် ခန့်မှန်းနည်း)

Linear Regression ဆိုတာ အချက်အလက် အမှတ်တွေကြားမှာ အသင့်တော်ဆုံး မျဉ်းဖြောင့်တစ်ကြောင်း ဆွဲပြီး နောက်တန်ဖိုးကို ခန့်မှန်းတဲ့ နည်းလမ်း။ ဥပမာ - အိမ်ဧရိယာ ကျယ်လာရင် ဈေးနှုန်း ဘယ်လောက်တက်လာမလဲဆိုတာကို အမှတ်တွေကြားက မျဉ်းတစ်ကြောင်းနဲ့ ခန့်မှန်းတာမျိုးပါ။

Unsupervised LearningUL

ကြီးကြပ်မှုမဲ့ သင်ယူမှု

Unsupervised Learning ဆိုတာ label (အဖြေမှန်) တွေ မပါပဲ data ကြီးတစ်ပုံတည်း ကြည့်ပြီး ကွန်ပျူတာက pattern တွေကို ကိုယ်တိုင်ရှာတဲ့ နည်းလမ်း။ ဥပမာ ဓာတ်ပုံတွေအများကြီးထဲကနေ ဆင်တူတဲ့အမျိုးအစားတွေကို သူဘာသာသူ စုဖို့ကြိုးစားတာမျိုး — ဘယ်သူမှ အမည်တပ်ပေးမထားဘူး။

Natural Language ProcessingNLP

သဘာဝဘာသာစကား စီမံဆောင်ရွက်မှု

NLP ဆိုတာ ကွန်ပျူတာကို လူတွေသုံးတဲ့ စကားလုံး/စာသား (language) တွေကို နားလည်အောင် သင်ပေးတဲ့ ပညာရပ်။ 'မနက်ဖြန် ရာသီဥတုဘယ်လိုလဲ?' လို့ မေးရင် အဖြေရှာပေးတာ၊ chatbot တွေ၊ Google Translate တွေ အားလုံး NLP ကို သုံးတယ်။

Logistic Regression

လော့ဂျစ်စတစ် ရီဂရက်ရှင်း (Logistic Regression / အမျိုးအစားခွဲ ခန့်မှန်းနည်း)

Logistic Regression ဆိုတာ 'ဟုတ်/မဟုတ်' လို အမျိုးအစား နှစ်ခုကြားက ဖြစ်နိုင်ခြေ (probability) ကို ခန့်မှန်းတဲ့ နည်းလမ်း။ ဥပမာ - အီးမေးလ်တစ်စောင်ဟာ spam ဖြစ်နိုင်ခြေ ဘယ်လောက်ရှိလဲ (0 ကနေ 1) ဆိုတာ တွက်ပြီး အဆုံးအဖြတ် ချတာမျိုးပါ။

K-Nearest NeighborsKNN

ကေ-အနီးဆုံး အိမ်နီးချင်းများ (K-Nearest Neighbors)

K-Nearest Neighbors (KNN) ဆိုတာ အသစ်တစ်ခုကို ခွဲခြားဖို့ သူနဲ့ အနီးဆုံး အိမ်နီးချင်း K ခုကို ကြည့်ပြီး 'အများစုက ဘာအမျိုးအစားလဲ' ဆိုတာနဲ့ ဆုံးဖြတ်တဲ့ နည်း။ ဥပမာ - လူသစ်တစ်ယောက်ကို သူ့ပတ်ဝန်းကျင်က အနီးဆုံး သူငယ်ချင်း ၅ ယောက်ကြည့်ပြီး ဘယ်အုပ်စုနဲ့ တူလဲ ခန့်မှန်းသလိုပါ။

Computer VisionCV

ကွန်ပျူတာအမြင်

Computer Vision ဆိုတာ ကွန်ပျူတာကို ဓာတ်ပုံ/ဗီဒီယိုတွေကနေ မြင်ပြီး နားလည်အောင် သင်ပေးတဲ့ ပညာရပ်။ ဓာတ်ပုံထဲမှာ ခွေးလား ကြောင်လား ခွဲခြားတာ၊ မျက်နှာကို မှတ်မိတာ၊ ကားတွေကို လမ်းပေါ်မှာ ရှာတွေ့တာတွေ အားလုံး computer vision ပဲ။

K-Means Clustering

ကေ-မိန်း အစုဖွဲ့နည်း (K-Means Clustering)

K-Means ဆိုတာ label မပါတဲ့ data တွေကို ဆင်တူရာချင်း အုပ်စု K စု ခွဲပေးတဲ့ နည်း။ ဥပမာ - ဖောက်သည်တွေရဲ့ အမူအကျင့်ကို ကြည့်ပြီး 'ဒီအုပ်စု၊ ဟိုအုပ်စု' ဆိုပြီး ဘယ်သူမှ ကြိုမပြောဘဲ ကွန်ပျူတာက သူ့ဘာသာသူ စုပေးတာမျိုးပါ။

Generative AIGenAI

ဖန်တီးနိုင်သော AI

Generative AI ဆိုတာ မရှိသေးတဲ့ အကြောင်းအရာအသစ်တွေကို ကွန်ပျူတာက ကိုယ်တိုင်ဖန်တီးပေးတဲ့ AI။ ပန်းချီပုံအသစ်ဆွဲပေးတာ၊ စာစီစာကုံးရေးပေးတာ၊ သီချင်းဖန်တီးပေးတာ၊ ဓာတ်ပုံထဲက မျက်နှာကို ပြောင်းပေးတာတွေ လုပ်နိုင်တယ်။ သူလုပ်တာက သင်ယူထားတဲ့ ဥပမာတွေရဲ့ ပုံစံကို လိုက်ပြီး အသစ်တွေ ဖန်တီးတာပဲ။

Image Classification

ရုပ်ပုံ အမျိုးအစားခွဲခြင်း (Image Classification)

Image Classification ဆိုတာ ဓာတ်ပုံတစ်ပုံကို ကြည့်ပြီး 'ဒါ ဘာလဲ' ဆိုတဲ့ အမည်တစ်ခု (label) တပ်ပေးတဲ့ အခြေခံ computer vision အလုပ်။ ဥပမာ - ပုံတစ်ပုံ ပြရင် 'ခွေး' လား 'ကြောင်' လား 'ကား' လား ဆိုပြီး အုပ်စုတစ်ခုထဲ ခွဲထည့်ပေးတာပါ။

Embedding

ပုံဖော်ချက် (vector ကိုယ်စားပြုမှု)

Embedding ဆိုတာ စကားလုံး ဒါမှမဟုတ် အရာဝတ္ထုတစ်ခုကို ဂဏန်းစာရင်းတစ်ခု (vector) အဖြစ် ပြောင်းလဲတဲ့ နည်း။ ဥပမာ 'ကြောင်' နဲ့ 'ခွေး' က ဂဏန်းစာရင်းနီးနီးစပ်စပ်ရှိနေပြီး 'ကြောင်' နဲ့ 'ကား' ကတော့ အဝေးကြီးမှာရှိတယ် — ဘာလို့လဲဆိုတော့ အဓိပ္ပာယ်ချင်းနီးတဲ့စကားလုံးတွေ နီးကပ်စွာ တည်ရှိလို့ပဲ။

Tokenization

စကားလုံးခွဲခြင်း

Tokenization ဆိုတာ စာသားရှည်ရှည်ကို သေးသေးလေးတွေ (token) အဖြစ် ဖြတ်ပေးတဲ့ အဆင့်။ ဥပမာ 'I love AI' ဆိုတဲ့စာကို ['I', 'love', 'AI'] လို့ စကားလုံးတွေခွဲထုတ်လိုက်တာမျိုး။ ကွန်ပျူတာက စာကို နားလည်ဖို့ အရင်ဆုံး ဒီအတိုင်း ဖြတ်တောက်ရတယ်။

Loss Function

ဆုံးရှုံးမှုလုပ်ဆောင်ချက်

Loss Function ဆိုတာ model ရဲ့ အဖြေက ဘယ်လောက်မှားနေလဲဆိုတာကို တိုင်းတဲ့ ကိရိယာ။ ဆရာ့အဖြေနဲ့ ကျောင်းသားရဲ့အဖြေ ကွာခြားချက်ကို နံပါတ်တစ်ခုနဲ့ ပြသလိုပဲ — နံပါတ်သေးလေ မှားမှုနည်းလေ၊ သုညဆိုရင် အဖြေမှန်ကန်လေဖြစ်တယ်။

Gradient DescentGD

ဂရေဒီယင့်ဆင်းသက်နည်း

Gradient Descent ဆိုတာ နှင်းတွေထူတဲ့ညမှာ တောင်ပေါ်ကနေ အောက်ဆုံးကို မမြင်ရဘဲ ဆင်းဖို့ကြိုးစားသလိုပဲ — ခြေလှမ်းတိုင်း မြေကြီးက ဘယ်ဘက်စောင်းနေလဲ စမ်းသပ်ပြီး အောက်ဘက်ကို နည်းနည်းချင်း လျှောက်သွားတယ်။ Model ရဲ့ loss ဆိုတဲ့တောင်ကို အောက်ဆုံးရောက်အောင် (loss အနည်းဆုံး) ဆင်းတာပဲ။

Overfitting

အလွန်အကျွံ လိုက်ဖက်ခြင်း

Overfitting ဆိုတာ ကျောင်းသားတစ်ယောက်က စာမေးပွဲမေးခွန်းတွေကို အာဂုံမှတ်ပြီး မေးခွန်းအသစ်တွေကျတော့ မဖြေနိုင်တာနဲ့တူတယ်။ Model က training data ကို အလွန်အကျွံ မှတ်မိပြီး data အသစ် (test) မှာ စွမ်းဆောင်ရည်ကျသွားတာ။ Training မှာ score မြင့်ပေမယ့် test မှာနိမ့်ရင် overfitting ဖြစ်နေပြီ။

Hallucination

ဟေလူစီနေးရှင်း (Hallucination / AI လုပ်ကြံ အဖြေ)

Hallucination ဆိုတာ AI (အထူးသဖြင့် LLM) က တကယ်မဟုတ်တဲ့၊ မှားနေတဲ့ အချက်အလက်တွေကို 'သေချာသလိုပုံစံနဲ့' ယုံကြည်လောက်အောင် လုပ်ပြီး ပြောဆိုတာ။ ဥပမာ - မရှိတဲ့ စာအုပ်နာမည်၊ မှားနေတဲ့ ရက်စွဲ၊ လုပ်ကြံ ကိုးကားချက်တွေ ဖန်တီးပြောတာမျိုးပါ။ AI က 'မသိဘူး' လို့ မပြောဘဲ ဟန်ဆောင် ဖြေဆိုတတ်လို့ သတိထားရတယ်။

Deep Learning

နက်ရှိုင်းသောသင်ယူမှု

Deep Learning ဆိုတာ neural network ကို အလွှာတွေ အများကြီးထပ်ပြီး ဆောက်ထားတဲ့ Machine Learning နည်းလမ်း။ အလွှာတစ်ခုချင်းစီက ရုပ်ပုံရဲ့ အစိတ်အပိုင်းလေးတွေ (မျဉ်း၊ ထောင့်၊ မျက်နှာလေးတွေ) ကို တစ်ဆင့်ချင်း သင်ယူသွားတယ်။ ကလေးတစ်ယောက် ရုပ်ပုံကြည့်ပြီး 'ဒါ မျက်လုံး၊ ဒါ မျက်နှာ' လို့ အဆင့်ဆင့် မှတ်မိသလိုပဲ။

Few-Shot & Zero-Shot Learning

ဖယူး-ရှော့ / ဇီးရိုး-ရှော့ သင်ယူမှု (Few-Shot & Zero-Shot Learning)

Few-shot နဲ့ Zero-shot Learning ဆိုတာ AI ကို ဥပမာ အနည်းငယ် (few-shot) ဒါမှမဟုတ် လုံးဝ မပြဘဲ (zero-shot) အလုပ်အသစ်တစ်ခု လုပ်ခိုင်းတာ။ ဥပမာ - 'ဒီစာက positive လား negative လား' ဆိုတာ ဥပမာ ၂-၃ ခုပဲ ပြပြီး ကျန်တာ ဆက်ခွဲခိုင်းတာမျိုး — model အသစ် retrain မလုပ်ဘဲ prompt ထဲမှာပဲ သင်ပေးလိုက်တာပါ။

Activation Function

အသက်သွင်းလုပ်ဆောင်ချက်

Activation function ဆိုတာ neuron တစ်ခုရဲ့ 'ဖွင့်ဖို့ / ပိတ်ဖို့' ဆုံးဖြတ်ပေးတဲ့ ခလုတ်တစ်ခုလိုပဲ။ Input တွေရဲ့ ပေါင်းလဒ်က သတ်မှတ်ချက်ထက်ကျော်ရင် ဖွင့်ပြီး နောက်တစ်ဆင့်ကို အချက်ပြပို့တယ်။ ဒီခလုတ်က linear မဟုတ်တဲ့အတွက် network က ရှုပ်ထွေးတဲ့ pattern တွေကို သင်ယူနိုင်တယ်။

Support Vector MachineSVM

ပံ့ပိုးကွက် ဗက်တာ စက် (Support Vector Machine)

Support Vector Machine (SVM) ဆိုတာ အုပ်စုနှစ်ခုကြားမှာ နှစ်ဖက်လုံးနဲ့ အကွာအဝေး အကျယ်ဆုံးဖြစ်တဲ့ နယ်ခြားမျဉ်း ဆွဲပြီး ခွဲခြားတဲ့ နည်း။ ဥပမာ - စားပွဲပေါ်က အနီနဲ့ အပြာ ဂေါ်လီတွေကြားမှာ နှစ်ဖက်စလုံးနဲ့ အဝေးဆုံးဖြစ်အောင် မျဉ်းတစ်ကြောင်း ဆွဲပေးတာမျိုးပါ။

Context Window

ကွန်တက်စ် ဝင်းဒိုး (Context Window / အကြောင်းအရာ နယ်ပယ်)

Context Window ဆိုတာ LLM တစ်ခုက တစ်ကြိမ်တည်းမှာ 'ဖတ်/မှတ်' နိုင်တဲ့ စာ ပမာဏ အများဆုံး။ token (စကားလုံးအပိုင်းအစ) အရေအတွက်နဲ့ တိုင်းတာတယ်။ Window သေးရင် စာရှည်ကြီးရဲ့ အစပိုင်းကို 'မေ့' သွားတတ်ပြီး၊ ကြီးရင် စာအုပ်တစ်အုပ်လုံးကိုတောင် တစ်ခါတည်း ဖတ်ပြီး ဖြေနိုင်တယ်။

Backpropagation

နောက်ပြန်ဖြန့်ခြင်း

Backpropagation ဆိုတာ neural network ရဲ့ error ကို နောက်ဆုံးအလွှာကနေ ရှေ့ဆုံးအလွှာအထိ ပြန်ပို့ပြီး 'ဒီ weight က ဘယ်လောက် မှားခဲ့လဲ' ဆိုတာ တွက်တဲ့ နည်းလမ်း။ ရလဒ်ကို စာမေးပွဲဖြေပြီးမှ အမှတ်ကြည့်ပြီး ဘယ်မေးခွန်းက ဘယ်မှားလဲ ပြန်စစ်တာနဲ့ တူတယ်။

Ensemble Learning

အစုအဖွဲ့ သင်ယူမှု (Ensemble Learning)

Ensemble Learning ဆိုတာ model တစ်ခုတည်းကို အားကိုးမနေဘဲ model များစွာ၏ အဖြေတွေ ပေါင်းစပ်ပြီး ပိုကောင်းတဲ့ အဖြေ ထုတ်တဲ့ နည်း။ ကျွမ်းကျင်သူ တစ်ဦးတည်းထက် အဖွဲ့လိုက် တိုင်ပင်ဆုံးဖြတ်ရင် အမှားနည်းသလိုပါ။

Pooling

ပူးလင်း (Pooling / Feature ချုံ့ခြင်း)

Pooling ဆိုတာ CNN ထဲမှာ ဓာတ်ပုံ feature တွေကို 'ချုံ့' ပေးတဲ့ အဆင့်။ အနီးအနားက pixel အုပ်စုလေးတစ်ခုကနေ အရေးအကြီးဆုံး တန်ဖိုး (ဥပမာ အမြင့်ဆုံး) ကိုသာ ယူလိုက်တာ။ ဒါကြောင့် ပုံအရွယ် သေးသွားပြီး တွက်ရ ပိုမြန်၊ အရေးကြီးတဲ့ အချက်တွေ ကျန်နေတယ်။

Temperature & Sampling

တမ်ပရေချာ နှင့် Sampling (Temperature & Sampling)

Temperature နဲ့ Sampling ဆိုတာ LLM ရဲ့ အဖြေ ဘယ်လောက် 'တီထွင်ဆန်း'/'တည်ငြိမ်' ဖြစ်မလဲ ချိန်ပေးတဲ့ ခလုတ်တွေ။ Temperature နိမ့်ရင် အမြဲတမ်း အလုံခြုံဆုံး၊ တူညီတဲ့ အဖြေ ထုတ်တယ်။ မြင့်ရင် ပိုဆန်းသစ်၊ မထင်မှတ်တဲ့ အဖြေ ထွက်လာတယ် (ဒါပေမယ့် အမှားလည်း များနိုင်)။ ကဗျာဆိုရင် မြင့်၊ သင်္ချာဆိုရင် နိမ့် ထားသင့်တယ်။

Attention Mechanism

အာရုံစိုက်မှု ယန္တရား

Attention ဆိုတာ model က စာကြောင်းထဲက စကားလုံးတစ်လုံးကို ကြည့်တဲ့အခါ ဘယ်စကားလုံးတွေကို ပိုအရေးကြီးတယ်ဆိုတာ ဆုံးဖြတ်တဲ့ နည်း။ 'ဘဏ်ကို သွားတယ်' ဆိုရင် 'ဘဏ်' က ငွေဘဏ်လား မြစ်ကမ်းလား ဆိုတာကို ဘေးပတ်ဝန်းကျင် စကားလုံးတွေကနေ ချိန်ဆကြည့်သလိုပဲ။

Random Forest

ကျပန်း သစ်တော (Random Forest)

Random Forest ဆိုတာ Decision Tree အများကြီးကို တွဲသုံးပြီး 'အများဆန္ဒ' နဲ့ ဆုံးဖြတ်တဲ့ နည်း။ သစ်ပင်တစ်ပင်တည်း မေးရင် မှားနိုင်ပေမယ့် သစ်ပင် ရာနဲ့ချီ မေးပြီး အများစုအဖြေကို ယူတာမို့ ပိုတိကျပါတယ်။ ကျွမ်းကျင်သူ များများကို မေးပြီး အများသဘောတူတဲ့ အဖြေ ယူသလိုပါ။

Optical Character RecognitionOCR

အက္ခရာ အလိုအလျောက် ဖတ်ရှုခြင်း (Optical Character Recognition)

OCR ဆိုတာ ဓာတ်ပုံ ဒါမှမဟုတ် စကင်န်ဖတ်ထားတဲ့ စာရွက်ထဲက စာသားကို ကွန်ပျူတာ ဖတ်လို့ရတဲ့ digital စာသားအဖြစ် ပြောင်းပေးတဲ့ နည်း။ ဥပမာ - စာအုပ်စာမျက်နှာ ဓာတ်ပုံရိုက်ပြီး အဲဒီထဲက စာတွေကို copy-paste လုပ်လို့ရအောင် ပြောင်းပေးတာမျိုးပါ။

Convolutional Neural NetworkCNN

လိမ်ယှက်အာရုံကြောကွန်ယက်

Convolutional Neural Network ဆိုတာ ရုပ်ပုံတွေကို ကြည့်ဖို့ အထူးဆောက်ထားတဲ့ neural network။ သူက ရုပ်ပုံကို ကြည့်တဲ့အခါ နေရာတိုင်းကို filter လေးတွေနဲ့ လျှောက်စကင်န်ဖတ်တယ်။ ဒါကြောင့် ခွေးတစ်ကောင်က ဘယ်ဘက်မှာရှိ၊ ညာဘက်မှာရှိ ဘာနေရာပဲဖြစ်ဖြစ် မှတ်မိနိုင်တယ် — ပြောင်းလိုက်တဲ့နေရာမှာ အထိခိုက်မရှိဘူး။

Gradient Boosting (XGBoost)

ဂရေဒီယင့် ဘွတ်စတင်း (Gradient Boosting)

Gradient Boosting ဆိုတာ Decision Tree သေးသေးလေးတွေကို တစ်ပင်ပြီးတစ်ပင် ထပ်ဆောက်ပြီး၊ တစ်ပင်စီက အရင်တစ်ပင်ရဲ့ အမှားကို ဖာထေးပြင်ဆင်ပေးသွားတဲ့ နည်း။ အမှားကို တစ်ဆင့်ချင်း ပြင်သွားတာမို့ နောက်ဆုံးမှာ အလွန်တိကျတဲ့ model ဖြစ်လာတယ်။

Recurrent Neural NetworkRNN

ပြန်လည်လည်ပတ်အာရုံကြောကွန်ယက်

Recurrent Neural Network ဆိုတာ စာကြောင်း၊ သီချင်း၊ အချိန်နဲ့အလိုက် အချက်အလက်တွေလို တစ်ခုပြီးတစ်ခု အစဉ်လိုက်ပါတဲ့ data တွေကို ကိုင်တွယ်ဖို့ ဆောက်ထားတဲ့ neural network။ သူမှာ memory လေးရှိပြီး အရင်ဖတ်ခဲ့တာတွေကို မှတ်မိပြီး နောက်စာလုံးကို ခန့်မှန်းတယ်။ ဥပမာ 'နေ့လည်' ဆိုတဲ့စကားလုံးပြီးရင် 'ခင်းကျင်းမှု' လို့ ခန့်မှန်းနိုင်တယ်။

Principal Component AnalysisPCA

အဓိက အစိတ်အပိုင်း ခွဲခြမ်းစိတ်ဖြာမှု (Principal Component Analysis)

PCA ဆိုတာ အချက်အလက် (feature) အများကြီးကို အဓိကအရေးပါဆုံး အနည်းငယ်အဖြစ် ချုံ့ပေးတဲ့ နည်း။ ဥပမာ - မှတ်စု စာမျက်နှာ ၅၀ ကို အဓိကအချက် ၂-၃ ချက်အဖြစ် အနှစ်ချုပ်လိုက်တာမျိုး — အရေးကြီးတဲ့ သတင်းအချက်အလက် အများစုကို ထိန်းသိမ်းရင်း ပိုရိုးရှင်းအောင် လုပ်တာပါ။

Transformer

Transformer (နည်းပညာအမည်)

Transformer ဆိုတာ စာသားတွေကို နားလည်ပြီး ဆက်ရေးနိုင်အောင် လုပ်ပေးတဲ့ အဆောက်အအုံပုံစံ။ စကားလုံးတိုင်းကို မျဉ်းဖြောင့်အတိုင်း ဆက်ဖတ်တဲ့ စာအုပ်လိုမဟုတ်ဘဲ စကားလုံးအားလုံးကို တစ်ပြိုင်နက် ကြည့်ပြီး ဘယ်ဟာတွေ ဆက်စပ်နေလဲဆိုတာကို attention နဲ့ ချိန်ဆတယ်။ ChatGPT လိုဟာမျိုးတွေရဲ့ နောက်ကွယ်မှာ ဒီပုံစံပဲ။

LSTM & GRULSTM

အယ်လ်အက်စ်တီအမ် နှင့် ဂျီအာယူ (LSTM & GRU)

LSTM နဲ့ GRU ဆိုတာ RNN ရဲ့ 'မှတ်ဉာဏ်' ကို ပိုကောင်းအောင် လုပ်ပေးတဲ့ အဆင့်မြှင့် ပုံစံတွေ။ ရိုးရိုး RNN က စာကြောင်း ရှည်လာရင် အစပိုင်းက အကြောင်းအရာတွေ မေ့သွားတတ်တယ်။ LSTM/GRU မှာတော့ 'ဂိတ်' (gate) လေးတွေ ပါလာပြီး 'ဘာကို မှတ်ထား၊ ဘာကို မေ့လိုက်' ဆိုတာ ထိန်းချုပ်နိုင်တာမို့ ကြာရှည် မှတ်ဉာဏ် ပိုကောင်းတယ်။

Large Language ModelLLM

ကြီးမားသောဘာသာစကားမော်ဒယ်

Large Language Model ဆိုတာ စာတွေ အများကြီးဖတ်ပြီး နောက်စာလုံးကို ခန့်မှန်းဖို့ လေ့ကျင့်ထားတဲ့ ကြီးမားတဲ့ neural network။ စာတစ်ကြောင်းဖတ်ပြီး 'ဒီပြီးရင် ဘယ်စကားလုံး လာနိုင်မလဲ' လို့ အဆင့်ဆင့် ခန့်မှန်းရင်း စာတွေ၊ အဖြေတွေ ရေးတယ်။ ဥပမာ ChatGPT လိုမျိုး။

Reinforcement LearningRL

အားပေးမြှင့်တင်သင်ယူမှု

Reinforcement Learning ဆိုတာ agent က action တွေလုပ်ပြီး reward (ဆုလာဘ်) ရတဲ့အခါ အဲဒါကို သင်ခန်းစာယူပြီး သင်ယူတဲ့ နည်းလမ်း။ ကလေးက မီးဖိုကိုထိလို့ ပူတာခံရရင် နောက်တစ်ခါ မထိတော့သလို — agent က reward ကို များများရအောင် လုပ်ရမယ့် action တွေကို ကိုယ်တိုင်ရှာဖွေတယ်။

Dropout

ဒရော့ပ်အောက် (Dropout / Neuron ကျပန်းပိတ်နည်း)

Dropout ဆိုတာ training လုပ်နေတဲ့အချိန်မှာ neuron တစ်ချို့ကို ကျပန်း ခေတ္တ 'ပိတ်' ထားလိုက်တဲ့ နည်း။ ဒါကြောင့် network က neuron တစ်လုံးတည်းကို အလွန်အားကိုးမနေဘဲ ခိုင်ခိုင်မာမာ သင်ယူရတယ်။ အဖွဲ့လိုက်လုပ်ငန်းမှာ တစ်ချို့ မရှိရင်တောင် အလုပ်ပြီးအောင် လေ့ကျင့်ထားသလိုမျိုးပါ — overfitting ကို ကာကွယ်ပေးတယ်။

Prompt Engineering

ပရော့ပ္တ်အင်ဂျင်နီယာ

Prompt Engineering ဆိုတာ LLM ကို လိုချင်တဲ့အဖြေ ထွက်လာအောင် မေးခွန်းတွေကို ကျွမ်းကျင်စွာ ရေးနည်း။ သူငယ်ချင်းကို ရှင်းရှင်းလင်းလင်း မေးရင် ကောင်းတဲ့အဖြေ ရသလို — model ကိုလည်း ရှင်းလင်းတဲ့ instruction နဲ့ ဥပမာတွေ ပေးရင် ပိုကောင်းတဲ့ output ရတယ်။

Batch Normalization

ဘက်ချ် နော်မယ်လိုက်ဇေးရှင်း (Batch Normalization)

Batch Normalization ဆိုတာ network ရဲ့ အလွှာတစ်ခုစီကနေ ထွက်လာတဲ့ ဂဏန်းတွေကို 'တစ်ပြေးညီ' ဖြစ်အောင် ချိန်ညှိပေးတဲ့ နည်း။ ဂဏန်းတွေ အကြီးအသေး အလွန်အကျွံ မကွာအောင် ချိန်ပေးလိုက်တာမို့ training က ပိုမြန်၊ ပိုတည်ငြိမ်တယ်။ လမ်းမကြီးမှာ အရှိန်ကို တစ်ညီတည်း ထိန်းပေးသလိုပါ။

Transfer Learning

လွှဲပြောင်းသင်ယူမှု (Transfer Learning)

Transfer Learning ဆိုတာ အလုပ်တစ်ခုအတွက် သင်ယူပြီးသား model ရဲ့ 'အသိပညာ' ကို ယူပြီး အလုပ်အသစ်တစ်ခုအတွက် ပြန်သုံးတဲ့ နည်း။ ဥပမာ - ရုပ်ပုံ သန်းနဲ့ချီ ကြည့်ဖူးပြီးသား model ကို ကိုယ့်ရဲ့ ခွေး/ကြောင် ပုံ အနည်းငယ်နဲ့ ထပ်သင်ရုံနဲ့ အလုပ်ဖြစ်သွားတယ် — အစကနေ ပြန်မသင်ရတော့ဘူး။

Model Evaluation

မော်ဒယ်အကဲဖြတ်ခြင်း

Model Evaluation ဆိုတာ machine learning model က ဘယ်လောက် ကောင်းကောင်း အလုပ်လုပ်လဲ ဆိုတာကို နံပါတ်တွေနဲ့ တိုင်းတာတဲ့ နည်းလမ်း။ ကျောင်းသားကို အမှတ်ပေးသလိုပဲ — model ကို test data တွေနဲ့ စစ်ပြီး 'မှန်ဘယ်နှစ်ခု၊ မှားဘယ်နှစ်ခု' ဆိုတာ ရေတွက်ပြီး အရည်အသွေး ဆုံးဖြတ်တယ်။

MLOps

Optimizer (Adam / SGD)

အော့ပ်တီမိုက်ဇာ (Optimizer / Adam / SGD)

Optimizer ဆိုတာ model ရဲ့ weight တွေကို 'ဘယ်လို၊ ဘယ်လောက် ချိန်ရမလဲ' ဆိုတာ ဆုံးဖြတ်ပေးတဲ့ နည်းစနစ်။ Gradient descent က ဘယ်ဘက်ကို ဆင်းရမလဲ ပြောပေးပေမယ့် optimizer က ခြေလှမ်း ဘယ်လောက်ကြီးအောင်၊ ဘယ်လို အရှိန်နဲ့ ဆင်းရမလဲ ဆိုတာကို ပိုစမတ်ကျအောင် ထိန်းပေးတယ်။ Adam က အသုံးအများဆုံး optimizer တစ်ခုပါ။