စက်သင်ယူမှုပရောဂျက်တစ်ခုတွင် သီးခြား ကနဦးလုပ်ဆောင်စရာများနှင့် လုပ်ဆောင်ချက်များကား အဘယ်နည်း။

စက်သင်ယူခြင်း၏အခြေအနေတွင်၊ အထူးသဖြင့် စက်သင်ယူမှုပရောဂျက်တွင်ပါ၀င်သည့် ကနဦးအဆင့်များကို ဆွေးနွေးသည့်အခါတွင် ပါဝင်နိုင်သည့် လှုပ်ရှားမှုအမျိုးမျိုးကို နားလည်ရန် အရေးကြီးပါသည်။ ဤလှုပ်ရှားမှုများသည် တီထွင်ခြင်း၊ လေ့ကျင့်ခြင်းနှင့် စက်သင်ယူမှုပုံစံများကို အသုံးပြုခြင်း၏ ကျောရိုးဖြစ်သည်။ နှင့် တစ်ခုစီသည် ကုန်ကြမ်းဒေတာကို လုပ်ဆောင်နိုင်သော ထိုးထွင်းသိမြင်မှုအဖြစ်သို့ ပြောင်းလဲခြင်းလုပ်ငန်းစဉ်တွင် ထူးခြားသောရည်ရွယ်ချက်တစ်ခုစီကို ဆောင်ရွက်သည်။ အောက်တွင်ဖော်ပြထားသည်မှာ စက်သင်ယူမှုပိုက်လိုင်းအတွင်း ၎င်းတို့၏အခန်းကဏ္ဍများကို ရှင်းရှင်းလင်းလင်းဖော်ပြရန် ရှင်းလင်းချက်များနှင့်အတူ ဤလှုပ်ရှားမှုများ၏ ပြည့်စုံသောစာရင်းတစ်ခုဖြစ်သည်။

1. ဒေတာများစုစည်းမှု: ဤသည်မှာ မည်သည့်စက်သင်ယူမှုပရောဂျက်တွင်မဆို အခြေခံအဆင့်ဖြစ်သည်။ ဒေတာစုဆောင်းခြင်းတွင် ဒေတာဘေ့စ်များ၊ ဝဘ်ခြစ်ခြင်း၊ အာရုံခံကိရိယာဒေတာ သို့မဟုတ် အသုံးပြုသူဖန်တီးသည့် အကြောင်းအရာများ ပါဝင်နိုင်သည့် အရင်းအမြစ်အမျိုးမျိုးမှ ဒေတာအကြမ်းများကို စုဆောင်းခြင်းတို့ ပါဝင်ပါသည်။ စုဆောင်းရရှိသည့် ဒေတာအရည်အသွေးနှင့် အရေအတွက်သည် စက်သင်ယူမှုပုံစံ၏ စွမ်းဆောင်ရည်ကို တိုက်ရိုက်လွှမ်းမိုးပါသည်။ ဥပမာအားဖြင့်၊ အိမ်စျေးနှုန်းကို ခန့်မှန်းရန် မော်ဒယ်တစ်ခုကို တည်ဆောက်နေပါက၊ အိမ်ခြံမြေစာရင်းများ၊ သမိုင်းအရောင်းမှတ်တမ်းများနှင့် စီးပွားရေးညွှန်းကိန်းများမှ အချက်အလက်များကို စုဆောင်းနိုင်ပါသည်။

2. ဒေတာများကိုပြင်ဆင်မှု: အချက်အလက်စုဆောင်းပြီးသည်နှင့် ခွဲခြမ်းစိတ်ဖြာမှုအတွက် ပြင်ဆင်ရပါမည်။ ဤအဆင့်တွင် ဆူညံသံနှင့် အမှားအယွင်းများကို ဖယ်ရှားရန်၊ ပျောက်ဆုံးနေသော တန်ဖိုးများကို ကိုင်တွယ်ရန်နှင့် ဒေတာကို သင့်လျော်သော ဖော်မတ်အဖြစ် ပြောင်းလဲရန် ဒေတာကို သန့်ရှင်းရေးလုပ်ရန် ပါဝင်သည်။ ဒေတာပြင်ဆင်မှုတွင် မော်ဒယ်စွမ်းဆောင်ရည်ကို မြှင့်တင်ရန် ဝန်ဆောင်မှုအသစ်များကို လက်ရှိဒေတာမှ ဖန်တီးထားသည့် အင်္ဂါရပ်အင်ဂျင်နီယာလည်း ပါဝင်ပါသည်။ ဥပမာအားဖြင့်၊ ဖောက်သည်အရောင်းအ၀ယ်များ၏ဒေတာအတွဲတစ်ခုတွင်၊ သုံးစွဲသူတစ်ဦးစီ၏ပျမ်းမျှငွေပေးငွေယူတန်ဖိုးကိုကိုယ်စားပြုသည့်အင်္ဂါရပ်တစ်ခုကိုဖန်တီးနိုင်သည်။

3. ဒေတာရှာဖွေရေး: စူးစမ်းလေ့လာရေးဒေတာခွဲခြမ်းစိတ်ဖြာခြင်း (EDA) ဟုလည်းသိကြသည်၊ ဤအဆင့်တွင် ပုံစံများ၊ ဆက်ဆံရေးများနှင့် ထိုးထွင်းသိမြင်မှုများကို ဖော်ထုတ်ရန်အတွက် ဒေတာကို ခွဲခြမ်းစိတ်ဖြာခြင်း ပါဝင်သည်။ ဒေတာ၏ ဖြန့်ဖြူးမှုကို နားလည်ရန်၊ ကွဲလွဲချက်များကို ရှာဖွေရန်နှင့် ဆက်စပ်မှုများကို ခွဲခြားသတ်မှတ်ရန် ဒေတာကို မြင်ယောင်နိုင်သော ကိရိယာများနှင့် ကိန်းဂဏန်းနည်းပညာများကို အသုံးပြုထားသည်။ ဤလုပ်ဆောင်ချက်သည် ဒေတာကြိုတင်လုပ်ဆောင်ခြင်းနှင့် အင်္ဂါရပ်ရွေးချယ်ခြင်းဆိုင်ရာ အသိပေးဆုံးဖြတ်ချက်များချရာတွင် ကူညီပေးသည်။ ဥပမာအားဖြင့်၊ ဟစ်စတိုဂရမ်များကို ပုံဖော်ခြင်း သို့မဟုတ် ဖြန့်ကြက်ထားသော ကွက်ကွက်များသည် ဒေတာဖြန့်ဝေမှုနှင့် ဖြစ်နိုင်ခြေရှိသော အကွာအဝေးများကို ဖော်ပြနိုင်သည်။

4. မော်ဒယ်ရွေးချယ်မှု: ဤအဆင့်တွင်၊ လက်ရှိပြဿနာနှင့် ဒေတာ၏ သဘောသဘာဝအပေါ် အခြေခံ၍ သင့်လျော်သော စက်သင်ယူမှု အယ်လဂိုရီသမ်များကို ရွေးချယ်သည်။ မတူညီသော algorithms များတွင် အားသာချက်များနှင့် အားနည်းချက်များ ကွဲပြားသောကြောင့် မော်ဒယ်ရွေးချယ်မှုသည် အရေးကြီးပါသည်။ အမျိုးအစားခွဲခြင်းဆိုင်ရာ ပြဿနာများအတွက်၊ ဆုံးဖြတ်ချက်သစ်များ၊ vector machines များကို ပံ့ပိုးပေးခြင်း သို့မဟုတ် အာရုံကြောကွန်ရက်များကို ထည့်သွင်းစဉ်းစားနိုင်ပါသည်။ ဆုတ်ယုတ်ခြင်းလုပ်ငန်းဆောင်တာများအတွက်၊ တစ်ပြေးညီဆုတ်ယုတ်မှု သို့မဟုတ် ကျပန်းသစ်တောများသည် သင့်လျော်ပေမည်။ မော်ဒယ်ရွေးချယ်မှုလုပ်ငန်းစဉ်တွင် ဒေတာနှင့်အကိုက်ညီဆုံးကိုရှာဖွေရန် မော်ဒယ်များစွာကို နှိုင်းယှဉ်ခြင်းပါဝင်သည်။

5. မော်ဒယ်သင်တန်း: မော်ဒယ်တစ်ခုကို ရွေးချယ်ပြီးသည်နှင့် ပြင်ဆင်ထားသည့်ဒေတာကို အသုံးပြု၍ လေ့ကျင့်ရပါမည်။ မော်ဒယ်လေ့ကျင့်ရေးတွင် ခန့်မှန်းထားသော နှင့် အမှန်တကယ်ရလဒ်များကြား အမှားအယွင်းများကို လျှော့ချရန် မော်ဒယ်ဘောင်များကို ချိန်ညှိခြင်း ပါဝင်သည်။ ၎င်းကို gradient descent ကဲ့သို့သော ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်းနည်းလမ်းများဖြင့် ရရှိသည်။ လေ့ကျင့်နေစဉ်အတွင်း မော်ဒယ်သည် ဒေတာအတွင်း ပုံစံများနှင့် ဆက်ဆံရေးများကို လေ့လာသည်။ ဥပမာအားဖြင့်၊ အာရုံကြောကွန်ရက်ကို လေ့ကျင့်ရာတွင် ဆုံးရှုံးမှုလုပ်ဆောင်ချက်ကို လျှော့ချရန် ကွန်ရက်၏ အလေးချိန်နှင့် ဘက်လိုက်မှုများကို ချိန်ညှိခြင်း ပါဝင်သည်။

6. မော်ဒယ်အကဲဖြတ်ခြင်း။: သင်တန်းပြီးနောက်၊ မမြင်ရသောဒေတာများကို ယေဘုယျအားဖြင့် ကောင်းမွန်ကြောင်းသေချာစေရန်အတွက် မော်ဒယ်၏စွမ်းဆောင်ရည်ကို အကဲဖြတ်ရပါမည်။ လေ့ကျင့်နေစဉ်အတွင်း အသုံးမပြုခဲ့သော သီးခြားအတည်ပြုချက် သို့မဟုတ် စမ်းသပ်မှုဒေတာအတွဲကို အသုံးပြု၍ ၎င်းကို လုပ်ဆောင်သည်။ အသုံးများသော အကဲဖြတ်မက်ထရစ်များတွင် တိကျမှု၊ တိကျမှု၊ ပြန်လည်သိမ်းဆည်းမှု၊ အမျိုးအစားခွဲခြင်းလုပ်ငန်းအတွက် F1-ရမှတ်၊ နှင့် ပျမ်းမျှနှစ်ထပ်အမှား သို့မဟုတ် ဆုတ်ယုတ်မှုလုပ်ဆောင်စရာများအတွက် R-squared ပါဝင်သည်။ မော်ဒယ်ကို အကဲဖြတ်ခြင်းသည် လေ့ကျင့်ခန်းဒေတာတွင် ကောင်းမွန်လွန်းသော်လည်း ဒေတာအသစ်တွင် ညံ့ဖျင်းခြင်း သို့မဟုတ် ဒေတာရှိ နောက်ခံလမ်းကြောင်းများကို ဖမ်းယူရန် ပျက်ကွက်ခြင်းကဲ့သို့သော ပြဿနာများကို ခွဲခြားသတ်မှတ်ရာတွင် မော်ဒယ်သည် အံဝင်ခွင်ကျဖြစ်စေခြင်း သို့မဟုတ် အံဝင်ခွင်ကျမဖြစ်ခြင်းကဲ့သို့သော ပြဿနာများကို ခွဲခြားသတ်မှတ်ပေးပါသည်။

7. မော်ဒယ်ဖြန့်ကျက်ခြင်း။: နောက်ဆုံးအဆင့်တွင် လေ့ကျင့်ပြီး အကဲဖြတ်ထားသော မော်ဒယ်ကို ဒေတာအသစ်အတွက် ခန့်မှန်းချက်များကို ပြုလုပ်နိုင်သည့် ထုတ်လုပ်မှုပတ်ဝန်းကျင်တစ်ခုတွင် ထည့်သွင်းခြင်းပါဝင်သည်။ မော်ဒယ်ကို ဝဘ်အပလီကေးရှင်းတစ်ခုသို့ ပေါင်းစည်းခြင်း၊ REST API အဖြစ် အသုံးပြုခြင်း သို့မဟုတ် မိုဘိုင်းအက်ပ်တွင် ထည့်သွင်းခြင်းစသည့် နည်းလမ်းအမျိုးမျိုးဖြင့် အသုံးချခြင်းကို လုပ်ဆောင်နိုင်သည်။ မော်ဒယ်ကို အချိန်နှင့်အမျှ တိကျသေချာစေရန် စဉ်ဆက်မပြတ် စောင့်ကြည့်ခြင်းသည် မရှိမဖြစ် လိုအပ်ပြီး လက်တွေ့ကမ္ဘာမှ အချက်အလက်များကို ပြောင်းလဲနိုင်ပြီး မော်ဒယ်ကို ပျံ့လွင့်သွားစေပါသည်။

ဤအဓိကလုပ်ဆောင်ချက်များအပြင်၊ မှတ်သားထိုက်သည့် စက်သင်ယူမှုတွင် အထူးပြုလုပ်ဆောင်စရာများစွာရှိသည်-

- အမြိုးခှဲခွားခွငျး: ဤလုပ်ဆောင်ချက်တွင် လေ့လာသင်ယူထားသော ပုံစံများပေါ်အခြေခံ၍ အချက်အလက်ထည့်သွင်းရန်အတွက် အညွှန်းများသတ်မှတ်ပေးခြင်း ပါဝင်သည်။ အမျိုးအစားခွဲခြင်း လုပ်ငန်းများကို စပမ်းရှာဖွေခြင်း၊ ခံစားချက်ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် ရုပ်ပုံမှတ်သားခြင်းစသည့် အမျိုးမျိုးသော အပလီကေးရှင်းများတွင် ပျံ့နှံ့နေပါသည်။ ဥပမာအားဖြင့်၊ စပမ်းရှာဖွေခြင်းစနစ်သည် ပေးပို့သူလိပ်စာ၊ အီးမေးလ်အကြောင်းအရာနှင့် မက်တာဒေတာကဲ့သို့သော အင်္ဂါရပ်များအပေါ် အခြေခံ၍ အီးမေးလ်များကို စပမ်း သို့မဟုတ် စပမ်းအဖြစ် အမျိုးအစားခွဲခြားသည်။

- Regression: Regression လုပ်ဆောင်ချက်များတွင် ထည့်သွင်းမှုအင်္ဂါရပ်များအပေါ် အခြေခံ၍ စဉ်ဆက်မပြတ်ထွက်ရှိနိုင်သောကိန်းရှင်ကို ခန့်မှန်းခြင်းပါဝင်သည်။ ၎င်းကို အိမ်စျေးနှုန်းများကို ခန့်မှန်းခြင်း၊ စတော့ဈေးကွက်လမ်းကြောင်းများ သို့မဟုတ် အရောင်းခန့်မှန်းခြင်းကဲ့သို့သော အပလီကေးရှင်းများတွင် အသုံးများသည်။ ရည်ရွယ်ချက်မှာ အမှီအခိုကင်းသော ကိန်းရှင်များနှင့် စဉ်ဆက်မပြတ် မှီခိုနေသော ကိန်းရှင်များကြား ဆက်ဆံရေးကို နမူနာယူရန်ဖြစ်သည်။

- အစုလိုက်အပြုံလိုက်: Clustering သည် အလားတူ ဒေတာအချက်များကို အတူတကွ အုပ်စုဖွဲ့ရန် ကြီးကြပ်မထားသော သင်ယူမှုနည်းစနစ်တစ်ခုဖြစ်သည်။ ကြိုတင်သတ်မှတ်ထားသော အညွှန်းများမပါဘဲ ဒေတာများတွင် အရင်းခံပုံစံများ သို့မဟုတ် ဖွဲ့စည်းပုံများကို ရှာဖွေတွေ့ရှိရန်အတွက် အသုံးဝင်သည်။ အစုအဝေးပြုလုပ်ခြင်း၏ အသုံးချပရိုဂရမ်များတွင် ဖောက်သည်ခွဲခြားခြင်း၊ ရုပ်ပုံချုံ့ခြင်းနှင့် ကွဲလွဲချက်များကို သိရှိခြင်းတို့ ပါဝင်သည်။ K-means နှင့် hierarchical clustering တို့သည် ဤလုပ်ငန်းအတွက် ရေပန်းစားသော အယ်လဂိုရီသမ်များဖြစ်သည်။

- Dimensionality လျှော့ချရေး: ဤလုပ်ဆောင်ချက်သည် ၎င်း၏မရှိမဖြစ်ဝိသေသလက္ခဏာများကို ထိန်းသိမ်းထားစဉ် ဒေတာအတွဲတစ်ခုရှိ ထည့်သွင်းပြောင်းလဲမှု သို့မဟုတ် အင်္ဂါရပ်များ အရေအတွက်ကို လျှော့ချခြင်းပါဝင်သည်။ Principal Component Analysis (PCA) နှင့် t-Distributed Stochastic Neighbor Embedding (t-SNE) ကဲ့သို့သော Dimensionality လျှော့ချရေးနည်းစနစ်များကို မော်ဒယ်များကို ရိုးရှင်းစေရန်၊ တွက်ချက်ချိန်ကို လျှော့ချရန်နှင့် Dimenity ၏ ကျိန်စာများကို လျော့ပါးစေရန်အတွက် အသုံးပြုပါသည်။

- Anomaly ထောက်လှမ်း: ပုံမှန်မဟုတ်သော ထောက်လှမ်းခြင်းသည် မျှော်လင့်ထားသည့် အပြုအမူနှင့် မကိုက်ညီသော ရှားပါးသော သို့မဟုတ် ပုံမှန်မဟုတ်သော ပုံစံများကို ဖော်ထုတ်သည့် လုပ်ငန်းစဉ်ဖြစ်သည်။ ၎င်းသည် လိမ်လည်မှုရှာဖွေခြင်း၊ ကွန်ရက်လုံခြုံရေးနှင့် အမှားရှာဖွေခြင်းများတွင် အထူးအသုံးဝင်သည်။ သီးခြား သစ်တောများနှင့် အလိုအလျောက် ကုဒ်ပြောင်းစက်များကဲ့သို့သော နည်းပညာများကို ပုံမှန်မဟုတ်သော ထောက်လှမ်းခြင်းလုပ်ငန်းများအတွက် အသုံးပြုလေ့ရှိသည်။

- အားဖြည့်သင်ယူခြင်း: ကြီးကြပ်ကွပ်ကဲခြင်းနှင့် ကြီးကြပ်ခြင်းမပြုသော သင်ယူခြင်းများနှင့် မတူဘဲ၊ အားဖြည့်သင်ကြားမှုသည် ပတ်ဝန်းကျင်တစ်ခုနှင့် အပြန်အလှန်ဆက်ဆံခြင်းဖြင့် ဆုံးဖြတ်ချက်များ ဆက်တိုက်ချရန် လေ့ကျင့်မှုပုံစံများ ပါဝင်ပါသည်။ မော်ဒယ် သို့မဟုတ် အေးဂျင့်သည် ဆုလာဘ်များ သို့မဟုတ် ပြစ်ဒဏ်များပုံစံဖြင့် တုံ့ပြန်ချက်ရယူခြင်းဖြင့် ပန်းတိုင်တစ်ခုအောင်မြင်ရန် သင်ယူသည်။ အားဖြည့်သင်ကြားမှုဆိုင်ရာ အသုံးချမှုများတွင် ဂိမ်းကစားခြင်း၊ စက်ရုပ်များနှင့် အလိုအလျောက် မောင်းနှင်ခြင်းတို့ ပါဝင်သည်။

- သဘာဝဘာသာစကားများထုတ်ယူခြင်း (NLP): NLP သည် ကွန်ပျူတာနှင့် လူသားဘာသာစကားကြား အပြန်အလှန် ဆက်သွယ်မှုဆိုင်ရာ လှုပ်ရှားမှုများစွာကို လွှမ်းခြုံထားသည်။ ၎င်းတွင် စာသားအမျိုးအစားခွဲခြားခြင်း၊ ခံစားချက်ခွဲခြမ်းစိတ်ဖြာခြင်း၊ ဘာသာစကားဘာသာပြန်ခြင်းနှင့် အမည်ပေးထားသည့်အရာအား အသိအမှတ်ပြုခြင်းကဲ့သို့သော လုပ်ငန်းတာဝန်များ ပါဝင်သည်။ NLP မော်ဒယ်များသည် အမှတ်အသားပြုခြင်း၊ အရင်းခံခြင်းနှင့် BERT သို့မဟုတ် GPT ကဲ့သို့သော ကြိုတင်လေ့ကျင့်ထားသော ဘာသာစကားပုံစံများကို အသုံးပြုခြင်းကဲ့သို့သော နည်းစနစ်များကို အသုံးချလေ့ရှိသည်။

ဤလုပ်ဆောင်ချက်များသည် စက်သင်ယူခြင်းနှင့်အတူ လေ့ကျင့်သူများပါဝင်လုပ်ဆောင်သည့် မတူကွဲပြားသည့်အလုပ်များကို ကိုယ်စားပြုပါသည်။ လုပ်ဆောင်ချက်တစ်ခုစီတိုင်းသည် စက်သင်ယူမှုဖြေရှင်းချက်များအား ထိထိရောက်ရောက်ဒီဇိုင်းထုတ်ခြင်း၊ အကောင်အထည်ဖော်ခြင်းနှင့် လက်တွေ့အသုံးချရန် အခြေခံမူများနှင့် နည်းစနစ်များကို နက်ရှိုင်းစွာနားလည်သဘောပေါက်ရန် လိုအပ်ပါသည်။ ဤလုပ်ဆောင်ချက်များကို ကျွမ်းကျင်ပိုင်နိုင်ခြင်းဖြင့်၊ တစ်ဦးသည် ရှုပ်ထွေးသောပြဿနာများကိုဖြေရှင်းရန်နှင့် နယ်ပယ်အသီးသီးတွင် ဆန်းသစ်တီထွင်မှုကို မောင်းနှင်ရန် စက်သင်ယူခြင်း၏စွမ်းအားကို အသုံးချနိုင်သည်။

အခြား လတ်တလောမေးခွန်းများနှင့် အဖြေများ EITC/AI/GCML Google Cloud Machine Learning:

• အကယ်၍ တစ်ဦးတစ်ယောက်သည် Google မော်ဒယ်ကိုအသုံးပြုပြီး ၎င်း၏ကိုယ်ပိုင်ဥပမာတွင် လေ့ကျင့်နေပါက လေ့ကျင့်ရေးဒေတာမှရရှိသောတိုးတက်မှုများကို Google က ထိန်းသိမ်းထားပါသလား။
• သင်တန်းမစမီ မည်သည့် ML မော်ဒယ်ကို အသုံးပြုရမည်နည်း။
• ဆုတ်ယုတ်မှုတာဝန်ဆိုတာ ဘာလဲ။
• Vertex AI နှင့် AutoML ဇယားများအကြား မည်သို့ကူးပြောင်းနိုင်သနည်း။
• R-squared၊ ARIMA သို့မဟုတ် GARCH ကဲ့သို့သော econometric မော်ဒယ်များကို အသုံးပြု၍ ငွေကြေးဒေတာကို အပ်လုဒ်လုပ်ပြီး ကိန်းဂဏန်းဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုနှင့် ခန့်မှန်းချက်များကို လုပ်ဆောင်ရန် Kaggle ကို အသုံးပြုရန် ဖြစ်နိုင်ပါသလား။
• နှလုံးသွေးကြောကျဉ်းရောဂါ ဖြစ်နိုင်ခြေကို ခန့်မှန်းရန်အတွက် စက်သင်ယူမှုကို အသုံးပြုနိုင်ပါသလား။
• Google Cloud Machine Learning ကို Vertex AI အဖြစ် အမည်ပြောင်းခြင်းအတွက် အမှန်တကယ် အပြောင်းအလဲများကား အဘယ်နည်း။
• မော်ဒယ်တစ်ခု၏ စွမ်းဆောင်ရည် အကဲဖြတ်ခြင်း မက်ထရစ်များသည် အဘယ်နည်း။
• linear regression ဆိုတာ ဘာလဲ။
• မတူညီသော ML မော်ဒယ်များကို ပေါင်းစပ်ပြီး master AI တစ်ခုကို တည်ဆောက်ရန် ဖြစ်နိုင်ပါသလား။

EITC/AI/GCML Google Cloud Machine Learning တွင် နောက်ထပ်မေးခွန်းများနှင့် အဖြေများကို ကြည့်ပါ။

နောက်ထပ်မေးခွန်းများနှင့် အဖြေများ-

• field: ဉာဏ်ရည်တု
• ပရိုဂရမျ: EITC/AI/GCML Google Cloud Machine Learning (လက်မှတ်အစီအစဉ်ကိုသွားပါ။)
• သင်ခန်းစာကို: စက်သင်ကြားရေးပထမအဆင့် (သက်ဆိုင်ရာသင်ခန်းစာကို သွားပါ။)
• Topic: စက်သင်ကြားမှုအဆင့် ၇ ဆင့် (သက်ဆိုင်ရာ အကြောင်းအရာကို သွားပါ။)