MST Engine

03/12/2023

မင်္ဂလာပါ။ အကိုတို့အမတို့ ကြည့်ရတာ စိတ်ညစ်နေသလိုပဲ။ ကျွန်တော်ရေးထားတဲ့ မြန်မာအသံထွက်ကို ဖမ်းပေးတဲ့ ai library လေးတခုနဲ့မိတ်ဆက်ပေးပါရစေ။

Burmese Voice လို့ခေါ်တဲ့ JS library လေးပါ။ voice commands ပေးလိုက်ရင် ပေးလိုက်တဲ့အတိုင်း text command ပြန်ထုတ်ပေးပါတယ်။ robotics တွေ၊ voice commands တွေကို မြန်မြန်ဆန်ဆန်နှင့် လွယ်လွယ်ကူကူလုပ်လို့ရပါတယ်။

ပေါ့ပေါ့ပါးပါးနှင့် model ဆွဲထည့်ပြီး အသင့်သုံး api လေးပါ။ Documentation လေးကိုတော့ အောက်က linkဝင်ဖတ်လို့ရပါတယ်။ Open source လည်းပေးထားပါတယ်ဗျ။

Documentation
https://burmese-voice.vercel.app/

GitHub
https://github.com/MinSiThu/burmese-voice

သာယာတဲ့နေ့လေးတနေ့ဖြစ်ပါစေ။

18/11/2023

Similar Searching

Vector database တွေမှာသုံးတဲ့ Similar Searching ဆိုတာဘာလဲ။ တူတဲ့ Data တွေကိုရှာတယ်ဆိုတာ search engine တွေ၊ database တွေနဲ့ application တွေမှာ ပုံမှန်လုပ်နေရတဲ့အလုပ်တခုဖြစ်ပါတယ်။

ပုံမှန် Database တခုမှာဆိုရင်တော့ data တွေကိုရှာတယ်ဆိုရင် Database condition query တခုတော့အနည်းဆုံးသွင်းရပါတယ်။ ဥပမာ။ လစာ၃သိန်းအထက် အမျိုးသားဝန်ထမ်းတွေကို ရှာတဲ့အဖြစ်လိုမျိုးပေါ့။ ဒီနေရာမှာဆိုရင်တော့ လစာ၃သိန်းအထက်ရော၊ အမျိုးသားဖြစ်တယ်ဆိုတာရော တူညီတဲ့အချက်၂ချက်လိုအပ်ပါတယ်။

ဒါပေမဲ့ တောင်းဆိုတဲ့ conditions တွေက ကျယ်ပြန့်ပြီးတော့ ရှာဖွေရခက်တဲ့ data အမျိုးအစားဆိုရင်ရော။ ဥပမာ။ ဖိနပ်အနက်ပုံတွေပဲထုတ်ပေးပါ။

ဒီလိုနေရာမျိုးမှာ Database တွေအနေနဲ့ အခြေအနေတွေကို ရိုးရိုးစစ်ထုတ်ရုံတင်မကပဲ query ထဲမှာ ပါဝင်တဲ့အကြောင်းအရာကိုပါနားလည်ဖို့လိုပါတယ်။ ကျွန်တော်တို့ရဲ့ data ထဲမှာ ဖိနပ်ပုံတွေတင်မကပဲ အခြားဝတ္ထုတွေလည်းပါနိုင်ပါတယ်။ အဲ့ဖိနပ်တွေထဲကမှ ဖိနပ်အနက်ဆိုရင် ပိုစစ်ထုတ်ရပါမယ်။ တကယ်လို့သာ Nike ဖိနပ်အနက်တွေပဲတောင်းရင်တော့ ပိုစစ်ထုတ်ရနိုင်ပါတယ်။ ဒီလိုမျိုး နားလည်ဖို့ဆိုရင်တော့ data တွေကို သိုလှောင်တဲ့နေရာမှာကတည်းကိုက နားလည်ရလွယ်တဲ့ပုံစံအနေနဲ့ သိမ်းထားဖို့လိုအပ်လာပါပြီ။ ပြီးတော့ အပေါ်ကအခြေအနေမျိုးမှာဆိုရင်လည်း data က တခု၂ခုမဟုတ်ပဲ သန်းနဲ့ချီတဲ့ပမာဏတခုကို ကိုင်တွယ်ရတဲ့အခြေအနေဆိုတာကိုလည်း ထည့်စဉ်းစားဖို့လိုပါမယ်။

Data ထဲမှာပါတဲ့အဓိပ္ပါယ်တွေကိုနားလည်ဖို့အတွက်ဆိုရင် machine learning နယ်ပယ်မှာတော့ data တွေကို ဂဏန်းတွေအနေနဲ့ ပြောင်းလဲပေးရပါတယ်။ ကွန်ပျူတာသည် "က" ဆိုတဲ့ စကားလုံးကို "က" ဖြစ်ကြောင်းမသိပါဘူး။ "က" စကားလုံးကို ကိုယ်စားပြုတဲ့ binary number အနေနဲ့ပဲ သိုလှောင်ထားတာဖြစ်ပါတယ်။ အဲ့ဒီ binary number အတွဲကြီးသည်လည်း "က" ဖြစ်ကြောင်း ကွန်ပျူတာကနားမလည်ပါဘူး။ အသုံးပြုတွေကသာ ဒီစကားလုံးက "က"ဖြစ်ကြောင်းနားလည်တာပါ။

ကွန်ပျူတာကို တူညီကြောင်းတွက်ချက်ဖို့အတွက်ဆိုရင် စကားလုံးတွေ၊ ဓာတ်ပုံတွေကို vector embedding အဖြစ်ပြောင်းလဲရပါတယ်။ ရရှိလာတဲ့ vector တွေကို vector space ထဲမှာ တခုနဲ့တခုဘယ်လောက်အကွာအဝေးနီးစပ်လဲဆိုတာကို တွက်ပြီးတော့ နီးစပ်တဲ့ vector တွေသည် similar ဖြစ်တဲ့ data တွေဖြစ်ကြောင်းပြန်သိနိုင်ပါတယ်။

ဒါဆိုရင် စာသားတွေ၊ ပုံတွေကို vector space ထဲမှာနေရာချဖို့ embedding တွက်ထုတ်ပေးတဲ့ program တွေသည် ဘယ်လောက်တိတိကျကျတွက်ထုတ်ပေးနိုင်လဲဆိုတာ အရေးပါတယ်။ လက်ရှိမှာတော့ Word2Vec, Universal Sentence Encoder(USE), GLoVE လို model တွေသည် စာသားတန်ဖိုးတွေကို vector representation (embedding) တွေအနေနဲ့ ပြောင်းလဲပေးဖို့သုံးပါတယ်။ VGG, Inception လို model တွေကိုတော့ ပုံတွေကနေ embedding ပြောင်းဖို့အသုံးများပါတယ်။ အတိုချုံးရရင်တော့ ပုံတခု၊ စာသားတခုကို vector တန်ဖိုးတွေအနေနှင့် ပြောင်းလဲပေးတဲ့ Machine learning program တွေ‌လိုအပ်ပါတယ်။

ရလာတဲ့ vector တန်ဖိုးတွေသည် vector space ပေါ်မှာ တခုနှင့်တခု ဘယ်လောက်နီးစပ်လဲဆိုတာကို မှန်မှန်ကန်ကန်နှင့် မြန်မြန်ဆန်ဆန်တွက်ထုတ်ပေးနိုင်မယ့် program တွေလည်း လိုအပ်ပါတယ်။ ဒီ program တွေသည် vector တခုနှင့်တခုနီးစပ်ကြောင်း တွက်ချက်မလဲဆိုတဲ့ အတိုင်းအတာ metrics တွေလည်း စဉ်းစားရပါမယ်။

Machine learning မှာ အသုံးအများဆုံး distance metrics တွေသည် Euclidean, Manhattan, Cosine, နှင့် Chebyshev metrics တွေဖြစ်ပါတယ်။ ဒါတွေက Geometry တွေရဲ့ distance တွက်ထုတ်တဲ့ အခြေခံဖော်မြူလာတွေဖြစ်ပါတယ်။ ဘယ် distance metrics ကိုသုံးမလဲဆိုတာကတော့ ကိုယ့်ရဲ့အသုံးပြုမယ့်နေရာပေါ်မူတည်ပါတယ်။

အပေါ်က၂ခုကိုအနှစ်ပြန်ချုပ်ရရင် ကျွန်တော်တို့မှာ ကိုယ့်ရဲ့ Data ကိုကိုယ်စားပြုတဲ့ vector embedding တွေလည်းရှိလာပါပြီ။ အဲ့ vector embedding တခုနဲ့တခုကြား distance တွေကိုတိုင်းတာမယ့် Metrics တွေလည်း ရှိလာပါပြီ။ ဒါဆိုရင် similar search စလုပ်လို့ရပါပြီ။

ဒီနေရာမှာ K Nearest Neighbors algorithm ဝင်လာပါတယ်။ KNN သည် vector embedding တွေတခုနဲ့တခုကြားမှာ ဘယ်လောက်နီးစပ်ဆိုတာကိုတွက်ပြီးတော့ အနီးဆုံး vector တွေကိုပြန်ထုတ်ပေးပါတယ်။ K သည် အနီးစပ်ဆုံးvector ဘယ်နှစ်ခုလိုချင်လဲဆိုတဲ့ hyperparameter ကို ကိုယ်စားပြုပါတယ်။ KNN ရဲ့ အားနည်းချက်သည် အနီးစပ်ဆုံး vector ကိုရှာဖို့အတွက် Database ထဲမှာရှိသမျှ vector တွေကိုလိုက်တွက်ပါတယ်။ ဒီတော့ data ပမာဏများလာလေလေ၊ calculation ပိုများလေလေဖြစ်တဲ့အတွက် ပိုကြာပြီးတော့ လျှပ်စစ်ပမာဏပိုကုန်ပါတယ်။

ဒီအတွက်ကြောင့် Approximate Nearest Neighbors algorithm ကိုပြောင်းသုံးကြပါတယ်။ ANN မှာလည်း ပုံစံကွဲတွေအများကြီးရှိပါသေးတယ်။ ANN သည် နီးစပ်တဲ့ vector embedding တွေကိုအတိအကျလိုက်ရှာမယ့်အစား နီးစပ်တယ်ဆိုတဲ့အခြေအနေမှာရှိတဲ့ vector embedding တွေကို ပြန်ထုတ်ပေးပါတယ်။ ဒီအတွက်ကြောင့် ANN ကိုအတိအကျနီးစပ်တဲ့ vector embedding တွေရှာတဲ့နေရာထက် နီးစပ်တဲ့ vector embedding တွေကို မြန်မြန်ဆန်ဆန်ရှာဖို့လိုအပ်တဲ့နေရာတွေမှာ သုံးပါတယ်။ machine learning မှာတော့ဒါကို accuracy နဲ့ efficiency ကို tradeoff လုပ်တယ်လို့ခေါ်ပါတယ်။

Similar Searching ကို ဓာတ်ပုံနဲ့စာသား ပုံစံတူတာတွေရှာတာ၊ ကွဲထွက်နေတဲ့ data တွေကိုရှာတာ၊ recommendation system တွေမှာ အသုံးများပါတယ်။

08/11/2023

အခုရက်ပိုင်း ai နဲ့ပတ်သတ်တဲ့ project တခုလုပ်ဖြစ်တိုင်း စာတပုဒ်ရေးဖြစ်တာ အခုဆို ဧပြီကတည်းကနေ တကယ်လည်းဖတ်လို့အဆင်ပြေမယ်ထင်တာ ၇ပုဒ်တောငိရှိပြီ။

Blogspot ပဲလုပ်ပြီးတင်ထားရမလား။
Portfolio website ပဲပြန်ပြင်ရေးပြီး blog feature ထည့်ထားရမလားမသိဘူး။

အခုကတော့ medium မှာတော်တော်များများတင်ထားပါတယ်။ ခဏခဏလာမေးနေလို့ community လား၊ organization လား အဲ့တာလည်း စလုပ်ဖို့စီစဉ်နေပါကြောင်း။

အခုတော့ medium မှာဖတ်နိုင်ကြောင်း အောက်ကလင့်။
https://medium.com/

05/11/2023

Transfer learning

ကလေးတယောက်ကို စက်ဘီးစီးသင်ပေးတယ်ဆိုပါစို့။
ဘေးက လူကြီးတယောက်က ကလေးရဲ့စက်ဘီးကိုထိန်းပေးတယ်။ ကလေးကို ကိုယ်တိုင်နင်းခိုင်းတယ်။ ကလေးက နင်းရင်းနဲ့ စက်ဘီးကို ဟန်ချက်ညီညီနင်းတတ်အောင် လူကြီးက ကလေးမသိအောင် နည်းနည်းစီလွှတ်ပြီးတော့ သူ့ဟာသူနင်းစေရတယ်။ နောက်တော့ ကလေးကတဖြည်းဖြည်းနဲ့ စက်ဘီးကို ဟန်ချက်ညီညီကောင်းကောင်းနင်းတတ်သွားတယ်။ ဒါဆိုရင် ကလေးကစက်ဘီးစီးတတ်သွားပြီလို့ ပြောလို့ရတယ်။

ဒီကလေးကိုပဲ အရွယ်ရောက်လာလို့ ဆိုင်ကယ်စီးသင်ပေးတယ်ဆိုပါစို့။ သူသည် စက်ဘီးကိုကောင်းကောင်းစီးတတ်ပြီးသားဖြစ်တဲ့အတွက် ဆိုင်ကယ်ကိုလည်း ဘယ်လိုဟန်ချက်ညီအောင်ထိန်းရမယ်ဆိုတာ သိနေပြီ။ တနည်းပြောရရင် စက်ဘီးစီးတုန်းက ရခဲ့တဲ့ knowledge base ကြီးကို ဆိုင်ကယ်စီးတဲ့နေရာမှာ ကောင်းကောင်းအသုံးချလို့ရတယ်။ ဒီလိုဖြစ်ရပ်ကို Transfer learning လုပ်တယ်လို့ပြောလို့ရတယ်။

ဒါပေမဲ့ ဆိုင်ကယ်သည် စက်ဘီးမဟုတ်ပါဘူး။ စက်ဘီးလို နင်းရတာမျိုးလည်းမဟုတ်သလို စက်ဘီးနဲ့လုပ်ငန်းစဉ်ကွာတာတွေ အများကြီးရှိတယ်။ ဂီယာထိုးရမယ်၊ လီဗာနင်းရမယ်၊ စက်နိုးရမယ်စသည်ဖြင့်ပေါ့။ ဂီယာထိုးရင်လည်း ဂီယာအကြီးအသေးစသည်ဖြင့် ခွဲခြားသင်ယူရတယ်။ လုပ်ငန်းစဉ်၂ခုက တူသလိုလိုနှင့် မတူတာတွေအများကြီးရှိတယ်။

ဒါပေမယ့် စက်ဘီးစီးမတတ်လည်း ဆိုင်ကယ်စီးသင်လို့ရတယ်။
ဒါပေမယ့် ဟန်ချက်ထိန်းတာတွေက အစပြန်သင်ယူဖို့ အချိန်ပိုလိုမယ်။ ပိုပင်ပန်းမယ်။ စသည်ဖြင့်ရှိမယ်။

Deep learning model တွေသည်လည်း ဒီလိုပုံစံမျိုးအလုပ်လုပ်လို့ရတယ်။ Transfer learning လို့ခေါ်တာပေါ့။ object အမျိုးအစားတထောင်ကို အမျိုးအစားခွဲပေးနိုင်တဲ့ ‌model A ရှိတယ်ဆိုပါစို့။ ကိုယ်လုပ်ချင်တာက ကားနှင့်ဆိုင်ကယ်အမျိုးအစား၂မျိုးခွဲခြားပြတဲ့ model B တည်ဆောက်ချင်တယ်ဆိုရင် model A ကနေ Transfer learning လုပ်လို့ရတယ်။

Model A သည် ရှေ့က object တထောင်ကို အမျိုးအစားခွဲတဲ့နေရာမှာ object တွေရဲ့ထောင့်စွန်းတွေ၊ အနားသတ်တွေနှင့် ပါဝင်နိုင်မယ့် feature တွေကို ကောင်းကောင်းသိခဲ့ပြီးပြီ။

အဲ့ထဲမှာရှိတဲ့ feature တွေကိုထုတ်နုတ်ပေးတဲ့ အလွှာသည် အလုပ်ကောင်းကောင်းလုပ်နိုင်နေပြီ။ ဒီအလွှာကို feature extractor အနေနဲ့သုံးလို့ရတယ်။ အဲ့ဒီကရတဲ့ feature တွေကိုမှ ကိုယ်လိုချင်တဲ့ fully connected neurons architecture ထဲကိုထည့်ပြီး model B ကို တည်ဆောက်လို့ရတယ်။

ဒီလိုပုံစံနဲ့ဆိုရင်ကို ကောင်းကောင်းအလုပ်လုပ်နိုင်ပြီ။ ဒါပေမယ့် အဲ့အလွှာကိုပါ ကိုယ်အလုပ်လုပ်မယ့် dataset နဲ့ ပိုလိုက်လျောညီထွေဖြစ်အောင် fine tuning လုပ်လို့ရပါသေးတယ်။ အဲ့ဒါကတော့ အဲ့ဒီအလွှာကိုပါထည့်ပြီး model B ထဲမှာ အကြိမ်ရေနည်းနည်းနှင့် train ပေးလိုက်တာပဲ။

Transfer learning လုပ်တာသည် model B တည်ဆောက်ဖို့အတွက် ပိုမြန်တယ်။ resources အစားသက်သာတယ်။ model B တည်ဆောက်ဖို့အတွက် data လိုအပ်ချက်နည်းတယ်။

အနှစ်ချုပ်ရမယ်ဆိုရင် Transfer learning မှာ feature extraction နှင့် fine tuning ပါဝင်တယ်။ အရင်နာမည်ကြီးတဲ့ performance ကောင်းတဲ့မော်ဒယ်တွေရဲ့ knowledge တွေကို ကိုယ်လုပ်ချင်တဲ့လုပ်ငန်းတွေမှာ ထည့်သုံးလိုက်တဲ့သဘောဖြစ်ပါတယ်။ Stable diffusion လို ကိုယ်ကစာရိုက်ထည့်လိုက်ရင် ဓာတ်ပုံ Generate လုပ်ပေးတဲ့ model တွေကိုလည်း transfer learning လုပ်ပြီးတော့ ကိုယ်ကြိုက်တဲ့ art style ကို ဦးစားပေးတဲ့ ai တွေထုတ်လို့ရပါတယ်။ Generative Pretained Transformer လို GPT model တွေကိုလည်း ကိုယ့် dataset နဲ့ကိုယ် ပြန် Transfer learning လုပ်ပြီးတော့ ကိုယ်လိုအပ်သလိုတည်ဆောက်လို့ရတယ်။

လက်ရှိဒီစာရေးနေတဲ့အချိန်မှာ နာမည်ကြီးတဲ့ open model တွေအနေနဲ့
Text အတွက်ဆိုရင် GPT2, BERT, LLAMA
Text to Image အတွက်ဆိုရင် Stable Diffusion
Image Classification အတွက်ဆိုရင် MobileNet, VGG19, EfficientNet
Object Recognition အတွက်ဆိုရင် Yolo
Audio အတွက်ဆိုရင် Wavenet
Pose estimation အတွက် PoseNet

စတာတွေရှိပါတယ်။ Transfer learning မှမဟုတ်ပါဘူး။ ပုံမှန်နေ့စဉ်အသုံးအတွက်လည်း model ကိုမပြောင်းပဲ ကိုယ်လိုသလိုသုံးနိုင်ပါတယ်။

02/11/2023

အေအိုင်တွေ ML တွေတကယ်လုပ်ချင်ပါတယ်၊ skillset တက်လာချင်ပါတယ်ဆိုရင် လုပ်ကိုလုပ်သင့်တာတခုရှိပါတယ်။

ဘာလဲဆိုတော့

https://www.kaggle.com/competitions

က ပြိုင်ပွဲတွေကိုဝင်ပြိုင်ပါ။ Knowledge ရရုံအဆင့်ပြိုင်ပွဲတွေလည်းရှိသလို community အဆင့်ပြိုင်ပွဲတွေလည်းရှိပါတယ်။ ဆရာကျတယ်ဆိုရင် Professional ပြိုင်ပွဲတွေဝင်ပြိုင်လို့ရပါတယ်။

ဆုကြေးကလည်း ယူအက်စ်တသိန်းလောက်ထိကို ပေးပါတယ်။ ဆုရခြင်း၊ မရခြင်းကတော့ အရေးမကြီးပါဘူး။ အတွေ့အကြုံကတကယ်စကားပြောပါတယ်။

ကျွန်တော်ဆို ဝင်ပြိုင်တာ၃ပွဲရှိပါပြီ။ တပွဲပြီးတပွဲ skillset တော်တော်ကြီးကို တက်လာပါတယ်။ ထိပ်ဆုံးကမနိုင်တောင် top 20% လောက်ထဲဝင်ရင်ကို အတော်ကျေနပ်စရာကောင်းနေပါပြီ။

စိတ်ဝင်စားတဲ့သူများရင် knowledge sharing session လေးတွေလုပ်ချင်ပါတယ်။

02/11/2023

လူတယောက်ရဲ့ ကိုယ်အလေးအချိန်အတိုင်းအတာနှင့် သွေးဖောက်စစ်တဲ့ရလာဒ်တွေကို ကြည့်ရင်သူက ဆေးလိပ်သောက်လား၊ မသောက်လား သိနိုင်လားပေါ့။

တနည်းပြောရရင် သူ့ရဲ့ biosignals တွေကို ကြည့်ပြီး Smoker ဖြစ်နိုင်ချေဘယ်လောက်ရှိလဲ? တွက်မယ်ပေါ့။

ဒီနေရာမှာ တကယ်တိုင်းထားတဲ့အချက်အလက်ထက် ပိုအရေးပါတဲ့အချက်အလက်တွေရှိတယ်။

ကိုယ်အလေးချိန်နှင့်အရပ်ကို လက်တွေ့တိုင်းလို့ရတယ်။
ဒါပေမဲ့ BMI(Body Mass Index) က တကယ်တွက်ချက်တဲ့အခါမှာ ပိုအရေးကြီးတယ်။ ဒါ့ကြောင့်မို့ တိုင်းတာတဲ့ရလာဒ်ထဲမှာ မပါပေမဲ့ BMI ကလည်း အရေးပါတဲ့ အချက်အလက်တခုဖြစ်လာတယ်။

လူ့ခန္ဓာကိုယ်ထဲမှာ အဆီမျိုးစုံရှိတယ်။
Triglycerides, HDL, LDL စသည်ဖြင့်ပေါ့။ တခုချင်းစီတန်ဖိုးက ဆေးလိပ်သောက်မသောက် ခန့်မှန်းတဲ့နေရာမှာအရေးမကြီးဘူးထင်ရပေမဲ့ HDL-Triglycerides, HDL-LDL, အချိုးတွေသည် ပိုအရေးပါတဲ့ ဂဏန်းတွေဖြစ်တယ်။

နောက်တခုက ဆေးလိပ်သောက်တဲ့လူဟုတ်၊မဟုတ် ဆုံးဖြတ်တဲ့နေရာမှာ triglycerides သည်အရေးပါတဲ့အချက်အလက်ဖြစ်တယ်။ triglycerides ဆိုတဲ့ သွေးတွင်းအဆီဓာတ်တမျိုးသည် ဆေးလိပ်သောက်တဲ့လူမှာပိုတတ်တယ်။ ဒါကကျ သက်သေပြပြီးသား ဆေးပညာအချက်အလက်တခုဖြစ်တယ်။

နောက် အသည်းကထွက်တဲ့ အင်ဇိုင်း၂ခုကလည်း စကားပြောတယ်။ AST, ALT အင်ဇိုင်းပမာဏအချိုးသည် ဆေးလိပ်သောက်မသောက်ဆုံးဖြတ်တဲ့နေရာမှာ အရေးပါတယ်။ ဘာလို့ဆို non alcoholic liver diseases တွေသည် ဆေးလိပ်ကြောင့်ဖြစ်တာမျိုး ဖြစ်ဖို့များတယ်။

နောက် GTP လို့ခေါ်တဲ့ Gamma Glutamyl Transferase သည် ဆေးလိပ်သောက်တဲ့သူမှာတတ်တယ်။ ဒါပေမဲ့ ဆေးလိပ်သောက်တဲ့သူတွေမှာ ဆီးထဲကို ပရိုတိန်းဓာတ်ပါတယ်ဆိုတာ သိပ်တော့မဆိုင်ဘူးလို့ယူဆလို့ရတယ်။

နောက်တခုက ဟင်မိုဂလိုဘင်ပမာဏသည် ဆေးလိပ်သောက်တဲ့သူမှာ အများကြီးပိုတက်တယ်။ ဒါသည်လည်း proven fact တခုဖြစ်တယ်။

ဒီနေရာဆိုရင် proven fact တွေနဲ့ကို ဆေးလိပ်သောက်မသောက် ခွဲခြားသိနိုင်တယ်လို့ ရှုမြင်လို့ရတယ်။ နောက်တခုက သွေးစစ်လို့ရလာတဲ့ရလာဒ်ကနေ ထပ်ဆင့်တွက်ချက်ထားတဲ့ အညွှန်းကိန်းတွေကလည်း အရေးကြီးတယ်။ ဒါပေမဲ့ လက်တွေ့ဘဝမှာ ဆေးလိပ်မသောက်ပဲနဲ့ကို အဲ့ biosignals တွေတက်နေတဲ့လူတွေလည်းရှိတယ်။ ဒါတွေကိုကျ မှားပြီးတော့ ဆေးလိပ်သောက်တယ်လို့ ကောက်ချက်ချထုတ်မိသွားနိုင်တယ်။ အဲ့လိုထုတ်မိတာကိုကျ False postive လို့ခေါ်တယ်။ အဲ့တာကြောင့်မို့လို့ အရေးမပါဘူးလို့ထင်ရတဲ့၊ မသက်ဆိုင်ဘူးလို့ထင်ရတဲ့အချက်အလက်တွေသည်လည်း ဖြုတ်ချင်တိုင်းဖြုတ်ချထားခဲ့လို့မရဘူး။

Machine learning မှာ Domain Knowledge သည် အရေးပါတယ်။ ကိုယ်က dataset တခုကို ကိုင်တွယ်မယ်ဆိုရင် model တွေကိုင်တွယ်ဖို့ထက် data understanding ဖြစ်အောင် အရင်လုပ်ရတယ်။

Data understanding ဆိုတာဘာလဲဆိုရင် dataset ထဲမှာ ပါဝင်တဲ့အညွှန်းကိန်းတခုက ဘာကိုရည်ညွှန်းလဲဆိုတာ သေချာသိခြင်းဖြစ်ပါတယ်။ ဒီတိုင်း data ကို ကိုင်တွယ်ဖြေရှင်းမယ်၊ model ထဲတန်းထည့်မယ်ဆိုရင် accuracy ကောင်းဖို့သိပ်မသေချာဘူး။ model ကို hyperparameter တွေပြင်လိုက်သည့်တိုင်အောင် 1% လောက်ပဲ accuracy တက်လာတာဖြစ်နိုင်တယ်။ ကိုယ့်ကိုပေးထားတဲ့ data တွေကို ပိုပြီးအရေးပါတဲ့ feature တွေအဖြစ်ပြောင်းပေးတာကို feature engineering လို့ခေါ်တယ်။

တနည်းပြောရရင်တော့ feature engineering လုပ်ဖို့အတွက် domain Knowledge နဲ့ data understanding အများကြီးလိုအပ်တယ်။

31/10/2023

Google Bard ကို Search Engine Optimization လုပ်ဖို့ plan ရေးခိုင်းတာတော်တော်အဆင်ပြေတယ်။

တကယ်ဆိုရင် တနေ့ကို ကိုယ်မသိတဲ့မေးခွန်းတခုကို တခါရှင်းပြခိုင်းပြီးတော့ knowledge building လုပ်လို့ရတယ်။ အထူးတလည်ရှာဖတ်စရာတောင် မလိုဘူး။

မှန်၊မမှန် ဘယ်လိုဆုံးဖြတ်မလဲဆိုရင် နည်းပညာနဲ့သတ်မှတ်တာတွေက မှန်တာများတယ်။ သူ့ကို မေးလို့ကောင်းတယ်။ သူက မြန်မြန်ဖြေပေးနိုင်တယ်။

ဆေးပညာတို့ သမိုင်းတို့ကျ မမေးတာကောင်းတယ်။
အဲ့လိုလေးတွေတော့ ခွဲခြားသုံးတာအဆင်ပြေတယ်။

28/10/2023

အေအိုင်အညွှန်းကိန်းနှင့် မြန်မာ့နိုင်ငံရေး

အေအိုင်အညွှန်းကိန်းဆိုတာ ‌ဉာဏ်ရည်တုနည်းပညာနဲ့ပတ်သတ်တဲ့ trend တွေကိုဖော်ပြတဲ့ နှစ်စဉ် report တခုပါ။
Standard Ford တက္ကသိုလ်ကထုတ်ပါတယ်။

လက်ရှိမှာတော့ အမေရိကန်၊ တရုတ်နှင့် ယူကေ ၃နိုင်ငံက ကမ္ဘာ့ artificial intelligence လောကကို ဦးဆောင်ထားပါတယ်။ သူတို့နောက်မှာကပ်ပါလာတဲ့ နိုင်ငံဆိုရင်တော့ စိတ်ဝင်စားစရာကောင်းတယ်။ အစ္စရေးမို့လို့ပဲ။ ဘာလို့ဆို စစ်ရေးဆိုင်ရာနှင့် စိုက်ပျိုးစီးပွားရေးအတွက် အစ္စရေးက အေအိုင်နည်းပညာတွေနှင့်ဆိုင်တဲ့လုပ်ငန်းတွေမှာ အများကြီးရင်းနှီးမြုပ်နှံထားတယ်။

အဲ့နောက်မှာတော့ အိန္ဒိယက တောင်ကိုရီးယား၊ ဩ‌စတေးလျ၊ ဂျာမဏီ၊ ကနေဒါတွေကို ကျော်ပြီးတော့ အေအိုင်မှာ ရင်းနှီးမြုပ်နှံမှုတွေလုပ်နေပြီ။

မြန်မာမှာ အေအိုင်အညွှန်းကိန်းကရော ဘယ်လိုရှိမလဲ။
အချက်အလက်စာရင်းဇယားတော့ မရှိပါဘူး။

ဒါပေမဲ့ မြန်မာလည်းအေအိုင်အညွှန်းကိန်းကတက်လာတယ်။
တက်လာရုံတင်မကဘူး။ အာရှသားတွေ (မြန်မာအပါအဝင်)က အေအိုင်နဲ့ပတ်သတ်ပြီး အကောင်းမြင်စိတ်ပိုရှိကြတယ်။ အမေရိကန်တွေက ဒီနေရာမှာ အေအိုင်ကို အဲ့လောက်သဘောကျတဲ့အထဲမပါကြဘူး။ ဟောလိးဝုဒ်ရုပ်ရှင်တွေကြောင့်လည်းဖြစ်နိုင်ပါတယ်။

ဘာ့ကြောင့်မြန်မာမှာ အညွှန်းကိန်းတက်လာရလဲဆိုရင်
လူမှုကွန်ရက်ပေါ်မှာ mentioned လုပ်တဲ့နှုန်းက အရင်ကနဲ့မတူဘူး။ တအားကိုထောင်တက်လာတယ်။ ဒါကိုတော့ အသေအချာစစ်ဆေးလို့ရပါတယ်။

မြန်မာနိုင်ငံရေးမှာတော့ အေအိုင်က သက်ရောက်မှုရှိလားဆိုရင်ရှိတယ်။ ဥပမာ။ မြို့ဧရိယာတွေမှာ CcTV tracking တွေက အေအိုင်အကူအညီနဲ့ ချက်ချင်းလူရှာတဲ့နေရာမှာ အရမ်းမြန်တယ်။ ဒီတခုက မြန့်မာနိုင်ငံရေးအခြေအနေပေါ်ကို အများကြီးလွှမ်းမိုးမှုရှိတယ်။

နောက်တချက်က အတိုက်အခံအင်အားစုတွေဘက်က အေအိုင်အသုံးချမှုနည်းနေသေးတယ်ဆိုပေမဲ့ မကြာခင်များလာနိုင်တဲ့အနေအထားတွေ ရှိလာနိုင်တယ်။

အေအိုင်အခြေပြု Propaganda တွေ၊ အေအိုင်အခြေပြုလက်နက်တွေကလည်း ခေတ်သစ်စစ်ပွဲတွေမှာ ရှောင်လို့မရတော့ဘူး။

မြန်မာဟာ ၂၀၂၄မှာ ပြည်တွင်းစစ်ကို နိုင်ငံအနှံ့မြို့ကြီးတွေပေါ်မှာ ခံစားရတော့မယ်။ အေအိုင်အညွှန်းကိန်းကလည်း မြန်မာမှာတက်လာဖို့အရမ်းများတယ်။ ခေတ်သစ်စစ်ပွဲတွေက အင်အားကြီးခြင်း၊ မကြီးခြင်းဆိုတာထက် နည်းပညာကိုဘယ်လောက်မြန်မြန်မွေးစားနိုင်လဲဆိုတာပေါ် မူတည်ပြီး အဆုံးအဖြတ်ကပါလာမယ်။

အခုတောင် သိသာတဲ့ပြောင်းလဲမှုတွေက ဒရုန်းနည်းပညာတွေကို အလျင်အမြန်လိုက်လျောညီထွေဖြစ်မှုတွေကြောင့်ပါတယ်။

ကျွန်တော်တို့အတပ်ပြောနိုင်တာကတော့ ၂၀၂၄ဟာ ‌မြန်မာ့နိုင်ငံရေးကိုရော မြန်မာနဲ့ပတ်သတ်တဲ့အေအိုင်တွေရော ၂ခုလုံးအတွက် ရင်ခုန်စရာကောင်းတဲ့အပြောင်းအလဲကာလတခုဖြစ်လာနိုင်တယ်။

(Just reporting)

27/10/2023

UX သမားတွေအတွက် website ကောင်းတခု။

https://lawsofux.com/

27/10/2023

AI ကို ဘယ်လိုလေ့လာမလဲ။

အခုနာမည်ကြီးနေတဲ့ ChatGPT လို GPT နည်းပညာတွေကို ကိုယ်တိုင်ဖန်တီးဖို့ လေ့လာတဲ့အခါ ဒီလိုမေးခွန်းပုံစံမျိုးမေးပြီး လေ့လာရပါတယ်။

There is a pizza. The pizza was baked in the oven. It is very nice to eat.

အထက်ပါ စာကြောင်းမှ It ဆိုတဲ့ နာမ်စားသည် pizza ကိုရည်ညွှန်းကြောင်း သက်သေပြပါ။

အဖြေရေးရင်လည်း အတော်ကိုရှည်တဲ့ သင်္ချာပုစ္ဆာတပုဒ်ပါ။
အေအိုင်‌ကိုလေ့လာသင်ယူမယ်ဆိုရင် ဒီလိုမေးခွန်းမျိုးကို အဖြေရဖို့ချဉ်းကပ်ပြီးတော့ လေ့လာတာက အသင့်တော်ဆုံးပါ။

API တွေက တလ၂လရှင်းပြရင် တတ်ပါတယ်။
ဒီလိုမျိုး သင်ယူလေ့ကျင့်ပေးဖို့က အခြေခံကနေစပြီး လိုအပ်ပါတယ်။ အထက်ပါမေးခွန်းကိုဖြေဖို့ Calculus, linear algebra, statistics ကိုအဓိကသိရပါမယ်။

26/10/2023

ဗမာအသံနှင့် voice commands ပေးလို့ရတဲ့ JS library သုံးပြီး website , webapp တွေဆောက်လို့ရပါပြီ။

https://youtu.be/b0SVaYKD594?si=fs3altvkoxeIDhIi

22/10/2023

အေအိုင်နဲ့ ပတ်သတ်ပြီး ပြည်တွင်းမှာလုပ်မယ်ဆိုရင် ၂ခုရှိပါတယ်။

ပထမတခုက end user ကို တွန်းပို့ပေးတဲ့ service လုပ်လို့ရပါတယ်။
end user ဆိုတဲ့အထဲမှာ business တွေ, public end user တွေပါပါတယ်။ end user ကိုတွန်းပို့ဖို့အတွက် အခက်ခဲဆုံးကတော့ infrastructure ပါ။

နောက်တခုကတော့ developer တွေဘက်ကိုတွန်းပို့ပေးတာပါ။
ဒီတခုကတော့ ခက်သယောင်ရှိပေမယ့် အမြန်ဆုံးနည်းလမ်းဖြစ်ပါတယ်။
Developer တွေအနေနှင့် အေအိုင်နှင့်ပတ်သတ်တဲ့ သင်္ချာတွေ, စာရင်းအင်းတွေ,လိုက်လေ့လာစရာမလိုပဲ end developer api တွေထုတ်ပေးဖို့ပါ။ အကုန်လိုက်လေ့လာရအောင်လည်း field ချင်းကွာခြားမှုများသလို အကုန်အစအဆုံးလိုက်သိနေဖို့လည်း မလိုဘူးလို့မြင်ပါတယ်။ ပူးပေါင်းလုပ်လို့တော့ ရတာတွေအများကြီးပါ။

အေအိုင်ရဲ့ ပြဿနာတခုကလည်း api သုံးတဲ့အဆင့်မှာကို လေ့လာရမလွယ်ကူတာပါ။ DX - Developer Experience ကိစ္စကိုလည်းထည့်တွက်ရပါတယ်။

အခု မြန်မာdeveloperတွေလက်ထဲ မကြာခင် ai api တခုထည့်ပေးဖို့ လုပ်နေပါတယ်။ ဒီတခုက အစလည်းဖြစ်သွားနိုင်ပါတယ်။ ကျွန်တော်အကူအညီတွေအများကြီးလိုအပ်နိုင်ပါတယ်။

နိုင်ငံရေးမကောင်းတဲ့ စုတ်တီးစုတ်ပြတ်နိုင်ငံကလူငယ်တွေဟာ ဖုန်ဆိုးမြေမှာပွင့်တဲ့ပန်းတွေဆိုတာ ကျွန်တော်တို့လုပ်ရမယ့်ဟာထင်ပါတယ်။ ရေမြေမကောင်းလည်း ပွင့်မယ့်ပန်းတွေအများကြီးရှိသေးကြောင်း။

20/10/2023

Audio project တခုလုပ်မလို့ မြန်မာပြည်ကအသံတွေလိုက်ဖမ်းရင်း noise(မလိုလားအပ်တဲ့အသံ)dataset တခု publish လုပ်လိုက်ပါတယ်။

မတူညီတဲ့ Noise ၁၀မျိုးကို အသံဖိုင် dataset လုပ်ပေးထားပါတယ်။ မည်သူမဆို လွတ်လပ်စွာအသုံးချနိုင်ပါတယ်။

https://www.kaggle.com/datasets/minsithu/audio-noise-dataset/

19/10/2023

တယောက်တည်းနဲ့ ကျောက်တုံးအကြီးကြီးဖြစ်ဖို့ဆိုတာထက် ကျောက်တုံးလေးတွေအများကြီးစုပြီး အဆောက်အဦးတည်ဆောက်ဖို့ ပိုလိုအပ်တယ်။

17/10/2023

Programming for Beginners
HTML သုံးပြီး Website ရေးမယ် - Part 4, Table Element

https://www.youtube.com/watch?v=-4wH123kYl8

HTML နှင့် Table တည်ဆောက်ပုံကို သေချာရှင်းပြထားပါတယ်။

12/10/2023

Programming for Beginners
HTML သုံးပြီး Website ရေးမယ် - Part 3, Image & Video

HTML သုံးပြီး Website ရေးသွားမှာဖြစ်ပါတယ်။HTML ရဲ့ image, video tag attributes တွေကိုရှင်းပြထားပါတယ်။Youtube video တခုကို web page မှာ embed လုပ်တာလည်း ဖ....

09/10/2023

Kaggle ဆိုတာ AI, ML သမားတွေ လက်မလွတ်သင့်တဲ့နေရာပါ။ Kaggle trending dataset ရဲ့ ၈ခုမြောက်မှာ ကျွန်တော့် dataset ပါနေပါပြီ။



https://www.kaggle.com/datasets?topic=trendingDataset

08/10/2023

Programming for Beginners (HTML သုံးပြီး Website ရေးမယ် - Part 2, Input Types)

HTML သုံးပြီး Website ရေးသွားမှာဖြစ်ပါတယ်။HTML ရဲ့ input tag attributes တွေကိုရှင်းပြထားပါတယ်။

06/10/2023

Programming for Beginners
(HTML သုံးပြီး Website ရေးမယ် - Part 1)
https://youtu.be/MVdFAJ9AgOI

HTML သုံးပြီး Website ရေးသွားမှာဖြစ်ပါတယ်။HTML ရဲ့ အခြေခံ tag တွေကိုရှင်းပြထားပါတယ်။

30/09/2023

Python Programming ဆိုတာဘာလဲ သိချင်တဲ့ Beginner တွေအတွက်

Python ဆိုတာဘာလဲ?What is python programming?

29/09/2023

Beginner တွေအတွက် Command Line Interface ဆိုတာဘာလဲ။
Commands လေးတွေကိုရှင်းပြထားပါတယ်။

Command Line Interface ဆိုတာဘာလဲ?

29/09/2023

What is code editor for beginners

What is a code editor?Code Editor ဆိုတာဘာလဲ?

27/09/2023

AI ကိုသုံးပြီး မျက်နှာတွေကိုဖမ်းယူမယ်။

Face Detection in Python OpenCV

26/09/2023

Python သုံးပြီးတော့ Image ကနေ Color palette တွေကို ဘယ်လိုဆွဲထုတ်ကြမလဲ?

Python ကိုအသုံးပြုပြီး Image ကနေ Color palette နှင့် Dominant Color ကို ဆွဲထုတ်ပြထားတာပဲဖြစ်ပါတယ်။Libraries Used- colorthief- matplotlibCode Link - https://g...

03/09/2023

"အကိုရေ ပတ်ဝန်းကျင်အကျိုးပြုတဲ့ Project တခုလောက်တော့ လုပ်ချင်တယ်။ idea လည်းမရှိဘူး။ ရှိတော့လည်း ဘယ်လိုလုပ်ရမလဲ"ဆိုပြီး မေးလာသူတွေအတွက်

ပတ်ဝန်းကျင်ရေရှည်တည်တံ့ရေးနဲ့ဆိုင်တဲ့ renewable energy, clean water, weather, carbon emissions နဲ့ပတ်သတ်တဲ့ပြဿနာတွေကို ဖြေရှင်းဖို့ design, software , hardware, library တွေကို အောက်က website မှာ တစုတစည်းထဲ ဖော်ပြထားပါတယ်။

အကုန်လုံးကို free and open source ပေးသုံးထားပါတယ်။

https://opensustain.tech/

25/08/2023

ကိုယ့်ထမင်းကိုယ်စား ဘကြီးနွားကျောင်းခဲ့ချင်ပုံ

Developer ပေါက်စဘဝက Project တခု NGO ပေါက်စနလေးအတွက် အခမဲ့ရေးပေးမယ်ဆိုပြီး စေတနာထက်သန်စွာနဲ့ လိုက်သွားခဲ့ဖူးတယ်။

အဲ့အချိန်တုန်းက Angular, React, Ember, Vue နဲ့ Meteor.js တို့ခေတ်ပြိုင်ဖြစ်တုန်းကအချိန်ပေါ့။ Next.js တောင် version 7 ပဲရှိသေးတယ်။ Ember နဲ့ Meteor ဆို အခုနောက်ပိုင်းကြားဖူးကြမယ်တောင်မထင်ဘူး။

အဲ့လိုနဲ့ project ကိစ္စဆွေးနွေးမယ်ဆိုပြီး ခေါ်ရာလိုက်သွားတော့ ဟိုရောက်တော့ သူတို့ရဲ့ leader (ဝါ) ဆရာကြီးဆိုသူရှိတယ်။

ဒီဘဲက ကိုယ့်ကြည့်ပြီးတော့ ဘာအထာလဲတော့မသိ။
သူတို့အချင်းချင်းဘာတွေပြောထားလဲမသိ။
ကိုယ်လာတာက ရှင်းရှင်းလေး။ သူတို့ project ကူညီပေးဖို့။

ကျွန်တော် web app ကို ဘာနဲ့ရေးပေးမယ်၊ ဘယ်လိုရေးပေးမယ်ဆိုတာပြောတယ်။ requirements တွေကိုလည်းမေးတယ်။ အဲ့မှာ ကျွန်တော့်ကို "React နဲ့ရေးရကောင်းလား၊ ငါတို့သုံးတာတွေက ဘာကွညာကွ"ဆိုပြီးတော့ ဖိဟောက်တော့တာပဲ။ ကိုယ့်ထမင်းကိုယ်စားပြီး မဆီမဆိုင်ကြီးနော်။

ကျွန်တော်လည်း စကားရောဖွဲရောနဲ့ အလိုက်သင့်နေရတာပေါ့။ ပြီးတော့ ကျွန်တော့်ကိုလုံးဝအဖက်မလုပ်တော့ဘူး။
အခြားသူတွေကို ဟိုဟာတွေကမိုက်တယ်၊ ဒီဟာတွေကမိုက်တယ် ဇွတ်တွေကြွယ်တော့တာပဲ။ သူဆရာကြီးပါပေါ့။

ကျွန်တော်နည်းနည်းစိတ်ထဲလစ်သွားတယ်။
ကျွန်တော်က app တွေ၊ website တွေရေးစားတဲ့ ကြေးစားတယောက်ပါ။ နေရင်းထိုင်ရင်း ပြင်ပက ကျွန်တော်နဲ့မဆိုင်တဲ့ လုပ်ငန်းကိစ္စတွေ၊ ပညာရပ်ကို ကျွန်တော်က သူတို့လိုသိပ့မလား။ ဒီလူက ဆိုင်ရာပညာရပ်မှာအရမ်းတော်တဲ့ ဆရာ့ဆရာကြီးတယောက်ဖြစ်ရင်ဖြစ်မှာပါ။ အဲ့တာကျွန်တော့်ကိစ္စတော့ မဟုတ်ပါဘူး။ ကျွန်တော်လည်း အဲ့ကိစ္စတွေ တလုံးတပါဒမှ ဝင်မပြောခဲ့ပါဘူး။

နောက်တော့ အလုပ်အသစ်ပြောင်းတာနဲ့ဆိုတော့ မအားတော့ဘူးပဲ ပြောလိုက်ပါတယ်။ အကိုက ဘာနဲ့ရေးတာလဲဆိုတော့ "______ ဆိုတာကြားဖူးလား" ဆိုတာနဲ့တင် ကျွန်တော်လုံလောက်ခဲ့ပါပြီ။ (_____ ကိုသိချင် cb လာမေး)

တလသိန်းငါးဆယ်လောက်ရလို့ အဆူခံရလည်းတော်ပါသေးရတယ်။ ကိုယ့်ထမင်းကိုယ်စား ဘကြီးနွားကျောင်းပေးမယ်ဆိုတာတောင် ရှယ်ဖြဲခံရပါသေးတယ်။

သင်ခန်းစာပါပဲ။ အခုချိန်ပြန်တွေးကြည့်ရင် ကျွန်တော်လည်း အတတ်နိုင်ဆုံး humble ဖြစ်အောင်နေဖို့နဲ့ ငြင်းရမှာကိုမကြောက်တတ်ဖို့ သင်ခန်းစာရခဲ့ပါတယ်။ အတတ်နိုင်ဆုံးအတ္တကိုခဝါချဖို့ပဲ ကြိုးစားနေပါတော့တယ်။

ထိုအဖြစ်အပျက်များသည်
လွန်ခဲ့သော ၄ ၅နှစ်ခန့်က တကယ်ဖြစ်ခဲ့သည်။

21/08/2023

နည်းပညာနဲ့ပတ်သတ်ပြီး ဘာမှတော့ပြောစရာမရှိပါဘူး။
ကျွန်တော့်အနေအထားကြီးနဲ့လည်း ကုဒ်ရေးစရာမဟုတ်ဘူးလို့ထင်တယ်ဗျာ။

19/08/2023

Video တပုဒ်ကို script ရေးတာ၊ editingလုပ်တာ လူမပါပဲ AI တွေချည်းနဲ့ပဲ ထုတ်ခိုင်းမယ်။

AI တွေကို ဘယ်လိုမြင်လဲ။ မိမိအမြင်ကို comment မှာရေးထားခဲ့လို့ရပါတယ်။

18/08/2023

How AI generated an Image

AI ကနေ ပုံတခုထုတ်ပေးတဲ့လုပ်ငန်းစဉ်

18/08/2023

Marketing နဲ့ Finance သမားတွေအတွက် AI applications for marketing and finance သင်တန်း

https://www.coursera.org/learn/wharton-ai-applications-marketing-finance?action=enroll&specialization=ai-for-business-wharton

17/08/2023

ဘာအကြောင်းတွေတင်ရမလဲဗျ။
ကျွန်တော်က video editing လုပ်တာ သိပ်မသိတော့ video content တွေက နည်းနည်းပျင်းစရာကောင်းမယ်ထင်တယ်။

16/08/2023

Adobe AI ကို ပုံဆွဲခိုင်းမယ်။

Adobe Firefly ကို review သုံးပြထားတာဖြစ်ပါတယ်။
Image Generation နဲ့ ပတ်သတ်ပြီးတော့ အတော်လေးသဘောကျစရာကောင်းပါတယ်။

(နားကြပ်လေးတပ်ပြီး ကြည့်ပေးတာအဆင်ပြေဆုံးပါ)

https://firefly.adobe.com/

15/08/2023

Reviewing Adobe Firefly

Adobe Firefly beta version ကို စမ်းကြည့်ထားတာဖြစ်ပါတယ်။
နောက်ရက်ကျရင် ဒီပုံတွေထုတ်ဖြစ်တဲ့ review video ကိုတင်ပေးပါအုန်းမယ်။

14/08/2023

Online Courses

Udemy, EdX, Udacity, Coursera တို့မှာ သင်ရတာ ရိုးနေပြီလား။ သူတို့က အဓိကက interactive ဖြစ်တာ နည်းတယ်လို့ထင်တယ်။ ကျွန်တော်လည်း ခဏခဏသုံးပါတယ်။ ဒါပေမဲ့ နည်းနည်းငြီးငွေ့တယ်။ ပြီးတော့ certificate ရဖို့ ပိုက်ဆံပေးရတာလည်း ပါတာမျိုးပေါ့။ အချို့ဟာတွေကတော့ ပေးပြီးယူသင့်တယ်။ ဒါပေမဲ့ ကျွန်တော်အတွက် ငွေချေရတာ အဆင်ပြေတောင် မြန်မာပြည်က တော်တော်များများအတွက် ငွေချေရတာ ခက်ခဲပါလိမ့်မယ်။

YouTube မှာကလည်း တကယ့် premium video တွေက paid user ဖြစ်မှရတာ။ ဒီတော့ developer တွေအတွက် ပိုက်ဆံမကုန်ဘဲ အလကားသင်လို့ရတဲ့ site အချို့ share ပေးမယ်။ programming မှမဟုတ်။ အခြား business, data science, design, အမျိုးစုံကြိုးခုန်တွေပါ သင်ယူလို့ရတယ်။

https://scrimba.com/allcourses
Scrimba က interactive တအားဖြစ်တယ်။ beginner တွေအတွက် တအားသင့်တော်တယ်။

https://openclassrooms.com/
Open Classrooms က course တွေကပိုမိုက်တယ်။ diploma ပေးတာတွေလည်းရှိတယ်။ ပိုက်ဆံပေးရတာလည်းရှိတယ်။ ‌

https://www.freecodecamp.org/
သူကတော့ နာမည်ကြီးပဲ။ သင်ပေးတာတော့ မဟုတ်ဘူး။ self study ဘက်ပိုဆန်တယ်။ problem တွေပေးထားတယ်။ ဘေးမှာ အဲ့ဟာကိုမေးခွန်းနဲ့ဖြေရှင်းဖို့ idea အချို့ပေးထားတယ်။ မသိရင် hint ကြည့်လို့ရတယ်။ ဖြေပြီးရင် သူ့မှာရှိတဲ့ test case ကစစ်ပေးမယ်။ မှန်ရင်နောက်တခုဆက်သွားရုံပဲ။ လုပ်ရင်းတက်သွားတာမျိုးပဲ။

https://learndigital.withgoogle.com/digitalgarage
ဒါကတော့ သူ့ကိုယ်ပိုင်သင်တန်းတွေလည်းရှိတယ်။ အခြား udemy, udacity, edx တို့က သင်တန်းတွေကို ညွန်းထားတာလည်းရှိတယ်။ ဒီကတော်တော်များများတော့ သုံးကြတယ်။

https://www.khanacademy.org/
ဒါကတော့ မသုံးဖြစ်တာကြာပြီ။ ကျွန်တော်တို့ပေါက်စတုန်းက သုံးဖြစ်တာများတယ်။ အခုရက်ပိုင်းပြန်ကြည့်တော့ သူလည်း course အသစ်တွေ အများကြီးတိုးထားတာတွေ့တယ်။ ကောင်းလည်းကောင်းတယ်။ သီအိုရီလည်းပြည့်စုံတယ်။ ကလေးလူကြီးအကြိုက်သုံးပဲ။

‌https://www.sololearn.com/
သူကတော့ မြန်မာတော်တော်များများသိကြမှာရယ်။ ဘာလို့ဆို သူနဲ့မှ မကင်းခဲ့ကြတာကိုး။ အဲ့က certificate တွေလည်း ယူခဲ့ဖူးကြမှာပဲ။ ကျွန်တော်လည်းယူခဲ့ဖူးတာပဲ။ တဘက်နဲ့တဘက် challenge တွေလည်းခေါ်ခဲ့ဖူးတယ်။

https://www.saylor.org/
Saylor မှာ Computer Science သင်တာ တော် တော် ကောင်းပါတယ်ဗျ။
စာ တွေချည်း အသားကုန် ဖတ်ရတာပါ။

ဒီလောက်ပါပဲ။ ကျန်တာတော့ သုံးနေတာရှိရင် comment မှာ ဆက်ဖြည့်ပေးကြအုန်း။ ကောင်းတဲ့ site လေးတွေဆိုရင် ကျွန်တော်လည်း edit လုပ်ပြီး ဒီမှာထည့်ပေးပါမယ်။

13/08/2023

Video အသစ်တွေမှာ noise ပါလာမှာ မစိုးရိမ်ပါနဲ့တော့။
အခုဆိုရင် အေးဆေး chill လို့ရပါပြီ။

12/08/2023

Python နှင့်ပတ်သတ်ပြီး လေ့လာစရာ Website တခု

https://realpython.com/
Real python မှာ python နဲ့ပတ်သတ်သမျှ tutorial တွေရှင်းပြတာတွေ စုံပါတယ်။ web development, desktop development ကနေ computer vision နဲ့ Natural Language Processing အထိစုံပါတယ်။ ကိုယ်လိုတာရှာကြည့်လို့ရပါတယ်။

12/08/2023

အိုင်ဒီယာတွေထွက်ပြီး မလုပ်ရဲဘူးဆိုရင်
လုပ်ရဲတဲ့ကောင်တွေပဲ အောင်မြင်သွားလိမ့်မယ်။

အိုင်ဒီယာကောင်းတွေကိုမှ အကောင်အထည်မဖော်ဖြစ်ရင် ဘာမှဖြစ်မလာတော့ဘူး။

အားလုံးပြီးပြည့်စုံမှလုပ်မယ်ဆိုတာမျိုး မ‌တွေးနဲ့။
သေးသေးလေးကနေပဲ အားလုံးစလုပ်ရဝာာပဲ။

Apple Microsoft, IBM အကုန်လုံး အိမ်နောက်ဖေးကားဂိုဒေါင်ကစခဲ့ရတာ။ ကိုယ်လည်း အိမ်ကျဉ်းကျဉ်းလေးကနေ စလို့ရတာပဲမဟုတ်လား။

ဘာလို့ ကိုယ်လည်း သေးသေးလေးကမစနိုင်ရမှာလဲ?

11/08/2023

Beginner တွေအတွက် AI နှင့်ပတ်သတ်တဲ့အသုံးနှုန်းလေးတွေကို A to Z သိသင့်သမျှ website လေးတခုကို မျှဝေထားပါတယ်။
(Noise လေးတွေပါနေလို့ နည်းနည်းအသံတိုးကြည့်ပေးရင် ပိုအဆင်ပြေပါတယ်)

https://atozofai.withgoogle.com/

11/08/2023

Machine learning ၁မိနစ်စာ ဖတ်စရာ

Artificial intelligence လုပ်ချင်တယ်ဆိုတဲ့သူတွေအနေနဲ့ ရွေးချယ်စရာ subfields တွေအများကြီးရှိပါတယ်။

အဲ့ထဲက ရှောင်မရတာကတော့ machine learning ပဲဖြစ်ပါတယ်။ machine learning ဆိုတာ ဘာလဲလို့မေးရင် computer ကို ဖြေရှင်းစေချင်တဲ့ပြဿနာတခုကို နားလည်အောင် သင်ယူခိုင်းတာဖြစ်ပါတယ်။

ဥပမာ။ ခွေးပုံနဲ့ကြောင်ပုံကို ခွဲစေချင်တဲ့အခါ ဒီပုံကတော့ဖြင့်ခွေး ဒီပုံကတော့ကြောင်စသည်ဖြင့် ထပ်ခါထပ်ခါပြပြီးတော့ သင်ပေးပါတယ်။ သူကိုယ်တိုင်လည်း ခွဲခြားကြည့်ခိုင်းပါတယ်။ ဒီလိုခွဲခြားကြည့်တဲ့အခါမှာ မှားတာတွေလည်းရှိပါတယ်။ မှားတာတွေကို မှန်လာအောင် ထပ်ခါထပ်ခါလေ့ကျင့်ပေးပြီးတော့ ကိုယ်လိုချင်လောက်အောင် မှန်တဲ့အခြေအနေထိရောက်ပြီဆိုရင် ခွေးနဲ့ကြောင်ကို ခွဲခြားနိုင်တဲ့ ai model တခုရရှိပြီဖြစ်ပါတယ်။ ဒီလိုလုပ်တာကို machine learning ရဲ့ supervised learning လို့ခေါ်ပါတယ်။