Machine Learning (ဒေတာကနေ သင်ယူတဲ့ စနစ်)
A4. Machine Learning (A4.1 what machine learning is and the hardware it runs on; A4.2 and A4.3 how models are trained and evaluated, HL).
မြန်မာလို: A4. Machine Learning (A4.1: machine learning ဆိုတာ ဘာလဲ နဲ့ သူ run တဲ့ hardware၊ A4.2 နဲ့ A4.3: model (ဒေတာကနေ သင်ယူထားပြီး ခန့်မှန်းပေးတဲ့ အရာ) တွေကို ဘယ်လို train (ဒေတာနဲ့ လေ့ကျင့်ပေးခြင်း) လုပ်ပြီး အကဲဖြတ်သလဲ၊ HL)။ ဒါတွေက IB Computer Science (နိုင်ငံတကာ ကျောင်းတွေမှာ သင်တဲ့ ကွန်ပျူတာသိပ္ပံ သင်ရိုး) ထဲက ခေါင်းစဉ် နံပါတ်တွေပါ။ HL (Higher Level) ဆိုတာ IB သင်တန်းရဲ့ ပိုနက်နက်ရှိုင်းရှိုင်း လေ့လာရတဲ့ အဆင့်ပါ။
Software အများစုက programmer တစ်ယောက် အဆင့်ဆင့် ချရေးထားတဲ့ စည်းမျဉ်းတွေကို လိုက်လုပ်ပါတယ်။ Machine learning ကတော့ ကွာပါတယ်: စည်းမျဉ်းတွေကို ရေးမယ့်အစား program တစ်ခုကို ဥပမာ အများကြီး ပြပြီး စည်းမျဉ်းတွေကို သူ့ဘာသာ ရှာထုတ်ခိုင်းပါတယ်။ စည်းမျဉ်း ရေးခြင်း ကနေ ဒေတာကနေ စည်းမျဉ်း သင်ယူခြင်း ဆီ ပြောင်းသွားတဲ့ ဒီ အပြောင်းအလဲက spam (မလိုလားအပ်တဲ့ အမှိုက် email) filter တွေ၊ recommendation feed (ကိုယ် ကြိုက်နိုင်တာတွေကို ရွေးပြပေးတဲ့ စာရင်း) တွေ၊ ဆေးပညာ ပုံရိပ်တွေကို စစ်ဆေးခြင်း၊ voice assistant (အသံနဲ့ ခိုင်းလို့ရတဲ့ အကူ program) တွေနဲ့ generative AI (စာသား ဒါမှမဟုတ် ပုံ အသစ်တွေ ဖန်တီးပေးတဲ့ ဉာဏ်ရည်တု) တွေရဲ့ နောက်ကွယ်မှာ ရှိပါတယ်။
ဒီ စာမျက်နှာတွေမှာ model တွေ ဘယ်လို သင်ယူသလဲ၊ model တစ်ခု ကောင်းမကောင်း ဘယ်လို အကဲဖြတ်မလဲ၊ ဘယ်လို မှားသွားနိုင်သလဲ ဆိုတာတွေကို လေ့လာပါမယ်။ လက်ရှိ IB Computer Science syllabus (IB သင်ရိုး) ကို လိုက်ထားပြီး တွဲသုံးရတဲ့ app ထဲက simulator (တကယ့် ဖြစ်စဉ်ကို ကွန်ပျူတာနဲ့ အတုလုပ်ပြတဲ့ tool) တွေကို link ချိတ်ပေးထားပါတယ်။ အဲဒီမှာ model တစ်ခု သင်ယူနေတာကို ကိုယ်တိုင် ကြည့်နိုင်ပါတယ်။ ဒီ အယူအဆတွေက သင်တန်း ပြင်ပမှာလည်း အသုံးဝင်ပါတယ်: software တည်ဆောက်သူ ဒါမှမဟုတ် သုံးသူ မည်သူမဆို model တစ်ခု ဘာလုပ်နိုင်လဲ၊ သူ့ရဲ့ ကန့်သတ်ချက်တွေက ဘာလဲ၊ သူ့ အမှားတွေကို ဘာကြောင့် သတိမထားမိဘဲ လွတ်သွားနိုင်လဲ ဆိုတာ သိထားရင် အကျိုးရှိပါတယ်။
ဒီ topic မှာ ပါတဲ့ အကြောင်းအရာများ
| # | ခေါင်းစဉ် | Syllabus | အဓိက အယူအဆများ | Level |
|---|---|---|---|---|
| 1 | What Machine Learning Is (Machine learning ဆိုတာ ဘာလဲ) | A4.1.1, A4.1.2, A4.3.8 (HL) | ဒေတာကနေ သင်ယူခြင်း၊ machine learning အမျိုးအစား ငါးမျိုးနဲ့ သူတို့ရဲ့ အသုံးချပုံများ၊ machine learning ကို run တဲ့ hardware (GPU (ဂရပ်ဖစ် processor)၊ TPU (neural network တွက်ဖို့ Google ရဲ့ chip)၊ ASIC (အလုပ်တစ်မျိုးအတွက် သီးသန့် chip)၊ FPGA (ထုတ်ပြီးမှ circuit ပြန်ပြင်လို့ရတဲ့ chip)၊ cloud (အင်တာနက်ကနေ ငှားသုံးတဲ့ ကွန်ပျူတာ resource)၊ HPC (စွမ်းဆောင်ရည်မြင့် ကွန်ပျူတာ စနစ်))၊ perceptron နဲ့ multi-layer perceptron (HL) | SL + HL |
| 2 | Types of Learning (သင်ယူမှု အမျိုးအစားများ) | A4.1.1 · A4.3.2, A4.3.4, A4.3.5, A4.3.6, A4.3.7 | Supervised learning (label တပ်ထားတဲ့ ဥပမာတွေကနေ သင်ယူခြင်း)၊ unsupervised learning (label မပါတဲ့ ဒေတာကနေ သင်ယူခြင်း) နဲ့ reinforcement learning (ဆုနဲ့ ဒဏ်ကနေ သင်ယူခြင်း) ကို အသေးစိတ်: k-nearest neighbours (အနီးဆုံး k ခုနဲ့ ဆုံးဖြတ်ခြင်း)၊ decision tree (ဟုတ်/မဟုတ် မေးခွန်းတွေနဲ့ ခန့်မှန်းတဲ့ သစ်ပင်ပုံ) များ၊ clustering (ဆင်တူတာတွေကို အုပ်စုဖွဲ့ခြင်း)၊ association rule (X ဝယ်ရင် Y ပါ ဝယ်တတ်တယ်ဆိုတဲ့ ပုံစံ) များ၊ genetic algorithm (ဆင့်ကဲဖြစ်စဉ်ကို အတုယူတဲ့ ရှာဖွေနည်း) များ | SL: ခြုံငုံ သိရုံ၊ HL: အသေးစိတ် |
| 3 | Training and Evaluating a Model (Model ကို train လုပ်ခြင်းနဲ့ အကဲဖြတ်ခြင်း) | A4.2.1-A4.2.3 · A4.3.1, A4.3.3, A4.3.9, A4.3.10 | ဒေတာ ပြင်ဆင်ခြင်း၊ linear regression (ဒေတာကြား မျဉ်းဖြောင့် ဆွဲပြီး ခန့်မှန်းခြင်း)၊ overfitting (training ဒေတာကို အလွတ်ကျက်သလို သင်ယူမိခြင်း) နဲ့ underfitting (model ရိုးလွန်းလို့ ပုံစံကို မဖမ်းမိခြင်း)၊ accuracy (ခန့်မှန်းချက် မှန်တဲ့ အချိုး)၊ precision၊ recall နဲ့ F1၊ neural network (အလွှာလိုက် စီထားတဲ့ neuron အတု network) နဲ့ CNN (ပုံတွေအတွက် deep network) များ၊ model တွေကြား ရွေးချယ်ခြင်း | HL |
Syllabus နဲ့ Level ကော်လံတွေက IB Computer Science သင်တန်းအတွက်ပါ။ SL (Standard Level) နဲ့ HL (Higher Level) ဆိုတာ IB သင်တန်းရဲ့ အဆင့်နှစ်ဆင့်ဖြစ်ပြီး HL အပိုင်းတွေက ပိုနက်နက်ရှိုင်းရှိုင်း လေ့လာရတဲ့ အပိုင်းတွေပါ။ SL + HL ဆိုတာ အဆင့် နှစ်ဆင့်လုံးမှာ လေ့လာရတယ်လို့ ဆိုလိုပါတယ်။
Machine learning ရဲ့ ethics (ကျင့်ဝတ်ဆိုင်ရာ အချက်များ) (A4.4.1) နဲ့ နေ့စဉ်ဘဝထဲက computing ရဲ့ ethics (A4.4.2) အတွက် သီးခြား topic တစ်ခု ရှိပါတယ်။ ဒီမှာ model တွေ ဘယ်လို အလုပ်လုပ်လဲ နားလည်ပြီးတာနဲ့ model တစ်ခုကို မယုံကြည်ခင် မေးရမယ့် မေးခွန်းတွေအတွက် Ethics of Machine Learning (machine learning ရဲ့ ကျင့်ဝတ်ဆိုင်ရာ အချက်များ) ကို ဖတ်ပါ: model က တရားမျှတရဲ့လား၊ မှားတဲ့အခါ ဘယ်သူ တာဝန်ယူမလဲ၊ ဘယ်လို ဒေတာနဲ့ ခွင့်ပြုချက် (consent) ပေါ်မှာ မူတည်နေလဲ ဆိုတာတွေပါ။
ထပ်ဆင့် လေ့လာရန်: stretch စာမျက်နှာ သုံးခု
ဒီ စာမျက်နှာ သုံးခုကို မဖတ်မနေရ မဟုတ်ပါဘူး။ Syllabus မှာ နာမည်ပါတဲ့ application (လက်တွေ့ အသုံးချပုံ) တွေ၊ ဥပမာ chatbot (လူနဲ့ စာနဲ့ စကားပြောတဲ့ program) တွေ၊ ပုံ ဖန်တီးပေးတဲ့ tool တွေနဲ့ စက်ရုပ်တွေ လမ်းကြောင်း ရှာပြီး သွားလာပုံ တို့ရဲ့ နောက်ကွယ်က အလုပ်လုပ်ပုံကို ရှင်းပြပါတယ်။ သူတို့ထဲက ဘာကိုမှ စာမေးပွဲမှာ မမေးပါဘူး။ Quiz တွေ မပါသလို ကိုယ့် progress bar (ဘယ်လောက် လေ့လာပြီးပြီလဲ ပြတဲ့ ဘား) ထဲမှာလည်း မရေတွက်ပါဘူး။ အပိုင်း တစ်ခုစီမှာ syllabus ထဲ ပါတာလား (syllabus code နဲ့အတူ)၊ stretch (စာမေးပွဲ မမေးတဲ့ ထပ်ဆင့် လေ့လာစရာ) လား ဆိုတာ ပြတဲ့ label ပါလို့ ဘယ်ဟာက ဘာလဲ ခွဲသိနိုင်ပါတယ်။
| # | စာမျက်နှာ | ဘာကို ရှင်းပြလဲ | ဘယ် စာမျက်နှာ ပြီးမှ ဖတ်သင့်လဲ |
|---|---|---|---|
| 4 | How Large Language Models Work (Large Language Model တွေ အလုပ်လုပ်ပုံ) | Chatbot တစ်ခု ပြန်ဖြေတဲ့အခါ ဘာလုပ်လဲ: စာသားကို token (စာသားကို ခွဲထားတဲ့ အပိုင်းငယ်) တွေအဖြစ် ခွဲခြင်း၊ စကားလုံးတွေကို အဓိပ္ပာယ် သယ်ဆောင်တဲ့ ကိန်းဂဏန်းတွေအဖြစ် ပြောင်းခြင်း၊ attention (ဘယ် စကားလုံးကို အာရုံစိုက်ရမလဲ ချိန်ဆတဲ့ နည်း) နဲ့ transformer (attention ကို သုံးတဲ့ neural network ပုံစံ)၊ ပြီးရင် token တစ်ခုချင်း ထုတ်ပြီး အဖြေ ဖန်တီးခြင်း၊ လူတွေရဲ့ feedback (တုံ့ပြန်ချက်) ကနေ သင်ယူခြင်း၊ တစ်ခါတလေ ဘာကြောင့် မဟုတ်တာတွေကို ဖန်တီး ပြောတတ်သလဲ | စာမျက်နှာ 1 (ထိပ်ဆုံးက သုံးမိနစ် video က သူ့ဘာသာ နားလည်လို့ ရပါတယ်) |
| 5 | How AI Image Generation Works (AI က ပုံတွေကို ဘယ်လို ဖန်တီးလဲ) | ပုံ ဖန်တီးတဲ့ မတူတဲ့ နည်း သုံးမျိုး: network နှစ်ခု အပြိုင်အဆိုင် လုပ်တဲ့ နည်း (GANs)၊ ချုံ့ပြီးမှ အသစ် ဖန်တီးတဲ့ နည်း (autoencoders) နဲ့ noise (ကျပန်း အစက်အပြောက်) ကို ပြန်ဖယ်တတ်အောင် သင်ယူတဲ့ နည်း (diffusion)၊ ပြီးရင် စာကြောင်း တစ်ကြောင်းက ရလဒ်ကို ဘယ်လို လမ်းကြောင်းပေးသလဲ | စာမျက်နှာ 1၊ စာမျက်နှာ 3 က CNN အပိုင်းက နောက်ခံ အသိ ပေးပါတယ် |
| 6 | AI Beyond Machine Learning (Machine learning ထက် ကျယ်တဲ့ AI) | Training data (model သင်ယူဖို့ ပေးတဲ့ ဒေတာ) အစား စည်းမျဉ်းတွေ၊ မြေပုံတွေနဲ့ ရှာဖွေခြင်း (search) ကနေ အလုပ်လုပ်တဲ့ AI နည်းလမ်းတွေ: logic နဲ့ inference (သိပြီးသား အချက်တွေကနေ ကောက်ချက် ဆွဲခြင်း)၊ ဂိမ်းတွေမှာ ရှာဖွေခြင်း (game search) နဲ့ စက်ရုပ် တစ်ရုပ်ကို အဆောက်အအုံ တစ်ခုကို ဖြတ်ပြီး သွားစေခြင်း။ ဒီ ကွာခြားချက်က machine learning ကို ဘာ အတွက် သုံးလဲ ဆိုတာ ပြပါတယ် | စာမျက်နှာ 1 |
Level တွေ ဘယ်လို ခွဲထားလဲ
Syllabus က မိတ်ဆက် အယူအဆတွေကို HL နည်းလမ်းတွေကနေ ခွဲထားပါတယ်:
- အားလုံး (SL နဲ့ HL) က machine learning ဆိုတာ ဘာလဲ ဆိုတာကို လေ့လာရပါတယ်: သင်ယူပုံ အမျိုးအစားတွေ၊ တစ်ခုစီကို ဘယ်မှာ သုံးလဲ၊ ဘယ် hardware ပေါ်မှာ run လဲ။ ဒါက ပထမ စာမျက်နှာပါ (အဲဒီထဲက HL perceptron အပိုင်း မပါပါ)။
- HL အတွက်ပဲ model တွေကို ဘယ်လို တည်ဆောက်ပြီး အကဲဖြတ်သလဲ ဆိုတာကို ဆက်လေ့လာရပါတယ်: သင်ယူပုံ အမျိုးအစား တစ်ခုစီရဲ့ နောက်ကွယ်က algorithm (အယ်လ်ဂိုရီသမ်၊ ပြဿနာကို အဆင့်ဆင့် ဖြေရှင်းတဲ့ နည်းလမ်း) တွေ၊ ဒေတာကို ဘယ်လို ပြင်ဆင်လဲ၊ model တစ်ခု ကောင်းမကောင်း ဘယ်လို တိုင်းတာလဲ။ ဒါက ဒုတိယ စာမျက်နှာရဲ့ အများစုနဲ့ တတိယ စာမျက်နှာ တစ်ခုလုံးပါ။
SL ကျောင်းသားတွေက စာမျက်နှာ 1 ကို HL perceptron အပိုင်းကလွဲရင် ဖတ်သင့်ပြီး နောက် စာမျက်နှာတွေက HL အပိုင်းတွေကို စိတ်ဝင်စားရင် အကြမ်းဖျင်း ဖတ်ကြည့်နိုင်ပါတယ်။ HL ကျောင်းသားတွေက သုံးခုလုံး လိုပါတယ်။ HL အပိုင်း တစ်ခုစီမှာ label တပ်ထားပြီး စာမျက်နှာ တစ်ခုစီရဲ့ ထိပ်က level toggle (SL/HL ပြောင်းတဲ့ ခလုတ်) နဲ့ HL အကြောင်းအရာတွေကို ဖျောက်ထားနိုင်ပါတယ်။
Stretch စာမျက်နှာ သုံးခုကတော့ ဒီ ခွဲခြားမှု ပြင်ပမှာ ရှိပါတယ်: level နှစ်ခုလုံးမှာ အမှတ်ပေး မစစ်ဆေးတာမို့ SL ကျောင်းသားရော HL ကျောင်းသားပါ ဖတ်လို့ ရပါတယ်။
ဒီ စာမျက်နှာတွေကို ဘယ်လို သုံးမလဲ
- အယူအဆ အကြမ်းကို သိပြီးသား ဖြစ်နေရင်တောင် What Machine Learning Is ကနေ စပါ။ အဲဒီ စာမျက်နှာက တိကျတဲ့ ဝေါဟာရတွေ (label (ဥပမာ တစ်ခုစီမှာ တွဲပေးထားတဲ့ အဖြေမှန်)၊ feature (model က ကြည့်တဲ့ input အချက်)၊ model) ပေါ်မှာ နောက် စာမျက်နှာတွေက ဆက်တည်ဆောက်ထားပါတယ်။
- အယူအဆ တစ်ခုစီအတွက် link ချိတ်ထားတဲ့ simulator ကို ဖွင့်ပါ။ Model တစ်ခု train နေစဉ် boundary line (အုပ်စုတွေကို ခွဲတဲ့ မျဉ်း) ရွေ့သွားတာကို ကြည့်ပါ၊ ဒါမှမဟုတ် model တစ်ခုက accuracy မြင့်မြင့် ရနေပေမယ့် အုပ်စု နှစ်ခုကို မတရား ဆက်ဆံနေတာကို ကြည့်ပါ။ တစ်ကြိမ်မှာ setting တစ်ခုတည်းကိုပဲ ပြောင်းပြီး ဘာ ပြောင်းလဲသွားလဲ လေ့လာပါ။
- Ethics စာမျက်နှာ ကို တစ်လျှောက်လုံး သတိရနေပါ။ ဒီမှာ ပါတဲ့ နည်းလမ်း တစ်ခုစီက တာဝန်ရှိရှိ သုံးခြင်းနဲ့ ပတ်သက်တဲ့ မေးခွန်းတွေကို ဖြစ်ပေါ်စေလို့ ကိုယ့် အဖြေတွေမှာ နည်းလမ်းကို သူ့ရဲ့ ethics မေးခွန်းတွေနဲ့ ချိတ်ဆက်ပြီး ရေးပါ။