Pc / AI သမားတွေ အနေနဲ့ သုတေသန ပြုကြတဲ့ အခါ..
၁) ကိုယ်ပိုင် technique အသစ်ကို တီထွင်တာ.. (ဥပမာ — NN Structure တစ်ခုကို ကိုယ်ပိုင် ဒီဇိုင်းထုတ်ပြီး အသစ်ထုတ်တာ == ကိုးကားရတာတွေတော့ ရှိတာပေ့ါ)
၂) ရှိပြီးသား technique ကို မသုံးရသေးတဲ့ နေရာမှာ သွားသုံးဖို့ အတွက် ပြင်ဆင် တီထွင်တာ.. (ဥပမာ — Particle Swarm Optimization technique ကို နယ်ပယ် အသစ်မှာ အသုံးပြုတာ) .
၃) ရှိပြီးသား technique နှစ်ခု (သို့) နှစ်ခုထက်ပိုတာတွေကို ပေါင်းစည်းပြီး အသစ် တီထွင် တာ .. စသည်ဖြင့် နည်းလမ်း အမျိုးမျိုးကို အသုံးပြုကြပါတယ်။
ကိုယ်တွေ ကျောင်းသားဘ၀တုန်းကတော့ သီအိုရီ ကို အားပေးတဲ့ ဆရာတွေက နံပါတ် (၁) ကိုမှ သုတေသနကောင်းလို့ မြင်ပြီး (၂) နဲ့ (၃) ကို သိပ်မကြိုက်ကြဘူး။ တဖက်က ကိုယ်တို့လေ လက်တွေ့ လုပ်ရတာ အားသန်တဲ့ လိုအပ်ချက်ကို အခြေခံတဲ့ သုတေသနကို ကြိုက်တဲ့သူကျတော့ (၂) နဲ့ (၃) ကို ပိုကြိုက်တယ်။
နံပါတ် (၁)က အချိန်ပေးရတော့.. လူတွေက Parameter လေး ပြင်လိုက် layer mixture လေးတွေပြင်လိုက်နဲ့ ရလဒ်လေး မသိမသာ တိုးတက်အောင် လုပ်လာတာလဲ များတော့ နံပါတ် ၁) ကို အထင်မကြီးဘူး။
အခု ကိုယ်တိုင် ပရော်ဖက်ဆာ တစ်ယောက် ဖြစ်လာတော့ မျှပြီး ကြည့်ပေးဖြစ်တယ်။ အခုခေတ်ကျတော့ ကိုယ်တွေ discipline မှာ နံပါတ် (၁) လို သုတေသန ပြုချက်တွေ တအား နည်းလာတယ်။ လူငယ်တွေက နံပါတ် (၂) နဲ့ (၃) လို ဟာမျိုးကိုပဲ အားသန်တော့တယ်။
မနေ့ကတော့ MIT က လူငယ်တွေက Machine Studying Periodic Stage ဆိုပြီး ML အမျိုး ၂၀ ရဲ့ တစ်ခုနဲ့ တစ်ခု ချိတ်ဆက်ပုံကို ထုတ်ပြန်ကြေငြာပါတယ်။ အောက်က ပုံပါ။
