វគ្គបណ្តុះបណ្តាល AI & ML Engineering — ជំនាន់ទី 3

សូមស្វាគមន៍ ML Engineers នាពេលអនាគត!

ក្នុងរយៈពេល 22 សប្តាហ៍ អ្នកនឹងវិវត្តន៍ពីអ្នកដែល ប្រើប្រាស់ ML Models ទៅជាអ្នកដែល បង្កើត train និង deploy ពួកវានៅក្នុងការផលិតពិតប្រាកដ។ កម្មវិធីសិក្សានេះ រួមបញ្ចូលមូលដ្ឋានគ្រឹះគណិតវិទ្យា Machine Learning បែបប្រពៃណី Deep Learning Transformers និង MLOps ចូលក្នុងដំណើររួមមួយ។

ព័ត៌មានលម្អិតនៃកម្មវិធី

Live teaching session

Panel speaking engagement

Online session — Batch 3

Technology Stack

មាតិកានៃកម្មវិធី

កម្មវិធី​ទី 1 · មូលដ្ឋានគ្រឹះ (៤ សប្តាហ៍)

គ្រឹះគណិតវិទ្យា និងគំនិតសម្រាប់ ML។ សិក្សាស្វែងយល់ពីរបៀបដែលម៉ាស៊ីនរៀននៅពេលមុន ការហ្វឹកហ្វឺន Model ពិតប្រាកដ។

• សប្តាហ៍ 1 — AI/ML/Deep Learning · Supervised vs Unsupervised Learning · ប្រភេទបញ្ហា ML
• សប្តាហ៍ 2 — Vectors & Matrices · Matrix Multiplication · Gradients · Gradient Descent
• សប្តាហ៍ 3 — ការចែកចាយប្រូបាប្លីស្ទេ · Bayes' Theorem · MSE & Cross-Entropy Loss · Bias-Variance Tradeoff
• សប្តាហ៍ 4 — Exploratory Data Analysis · ការដោះស្រាយទិន្នន័យបំផ្លាត · Feature Scaling · ហ្វឹកហ្វឺន Model ដំបូង

🎯 គម្រោងបញ្ចប់ Module: អនុវត្ត Gradient Descent និង Linear Regression ពីដំបូង ដោយប្រើ NumPy តែប៉ុណ្ណោះ។

កម្មវិធី​ទី 2 · Machine Learning បែបប្រពៃណី (៥ សប្តាហ៍)

Scikit-learn Ecosystem និងការស្ទាត់ជំនាញទិន្នន័យ Tabular។ បង្កើត វាស់ស្ទង់ និង Tune Classifiers និង Regressors ពិតប្រាកដ។

• សប្តាហ៍ 5 — Linear Regression · Logistic Regression · Sigmoid Function · Decision Boundaries
• សប្តាហ៍ 6 — Decision Trees (Gini/Entropy) · Random Forests · Bagging · Feature Importance
• សប្តាហ៍ 7 — XGBoost & LightGBM · Metrics (Precision, Recall, F1, AUC-ROC) · Confusion Matrices
• សប្តាហ៍ 8 — K-Fold Cross-Validation · Grid & Bayesian Hyperparameter Search · Feature Engineering · ការការពារ Data Leakage
• សប្តាហ៍ 9 — Kaggle Competition Strategy · sklearn Pipeline · Model Serialization

🎯 គម្រោងបញ្ចប់ Module: ចូលរួម Kaggle Tabular-Data Challenge ហើយបង្កើត sklearn Pipeline ពេញលេញ។

កម្មវិធី​ទី 3 · Deep Learning ជាមួយ PyTorch (៤ សប្តាហ៍)

Neural Networks ពីគ្រឹះដល់ CNNs ដំណើរការ GPU។ ស្វែងយល់ Layer ជ្រៅជ្រះ Gradient Update និងល្បិចហ្វឹកហ្វឺន។

• សប្តាហ៍ 10 — Perceptrons · Multi-Layer Networks · Forward Propagation · Backpropagation & Chain Rule
• សប្តាហ៍ 11 — Activation Functions (ReLU, Softmax) · PyTorch Tensors · Custom Dataset & DataLoader · Data Augmentation
• សប្តាហ៍ 12 — Training Loops · Adam/SGD Optimizers · Early Stopping · Model Checkpointing
• សប្តាហ៍ 13 — Convolutional Layers & Pooling · ResNet/VGG · Transfer Learning · Fine-Tuning Strategies

🎯 គម្រោងបញ្ចប់ Module: បង្កើត Image Classifier ដោយប្រើ Transfer Learning ជាមួយ CNN ដែលបានហ្វឹកហ្វឺនមុន។

កម្មវិធី​ទី 4 · Transformers & Hugging Face (៣ សប្តាហ៍)

យន្តការ Attention ដែលជំរុញ AI សម័យទំនើប។ Fine-tune BERT និង GPT-class Models សម្រាប់ NLP Tasks ពិតប្រាកដ។

• សប្តាហ៍ 14 — Self-Attention · Multi-Head Attention · Transformer Architecture · Tokenization (BPE/WordPiece) · Positional Encoding
• សប្តាហ៍ 15 — Hugging Face Hub & Pipeline API · Fine-Tuning ជាមួយ Trainer API · BERT សម្រាប់ Text Classification & NER
• សប្តាហ៍ 16 — NLP Competition Strategy · ផ្ទុក Models ទៅ Hugging Face Hub · បង្កើត Text Classification Service

🎯 គម្រោងបញ្ចប់ Module: Fine-tune Transformer លើ Kaggle NLP Challenge ហើយបោះផ្សាយ Model ទៅ Hugging Face Hub។

កម្មវិធី​ទី 5 · MLOps & Deployment (៣ សប្តាហ៍)

ពី Jupyter Notebook ទៅ Production API។ រៀន Tools និងការអនុវត្ត ដែល ML Engineers ទាំងអស់ត្រូវការក្នុងឧស្សាហកម្ម។

• សប្តាហ៍ 17 — Model Serialization (pickle / joblib / ONNX) · DVC Versioning · REST Prediction APIs ជាមួយ FastAPI
• សប្តាហ៍ 18 — Docker Images & Containers · Dockerfile Best Practices · MLflow Experiment Tracking & Model Registry
• សប្តាហ៍ 19 — GitHub Actions CI/CD · Automated Testing · Data Drift Detection · Model Monitoring & Alerting

🎯 គម្រោងបញ្ចប់ Module: Deploy ML Model ពេញលេញជាមួយ FastAPI, Docker, និង CI/CD Pipeline។

កម្មវិធី​ទី 6 · គម្រោងបញ្ចប់ (១ សប្តាហ៍)

បង្កើត និង Deploy ប្រព័ន្ធ ML Production ពេញលេញ — ពី Raw Data ទៅ Live API។

• ស្វែងរក Dataset ពិតប្រាកដ (Kaggle ឬបញ្ហាពិតប្រាកដ)
• EDA, Preprocessing, និង Feature Engineering ពេញលេញ
• Train និងប្រៀបធៀប Models ច្រើន ជាមួយ Hyperparameter Tuning ដែលបានចារ
• Deploy REST API (FastAPI) ក្នុង Docker Container
• រៀបចំ CI/CD Pipeline ជាមួយ GitHub Actions
• Demo Presentation 10–15 នាទី

គំនិតគម្រោង: Sentiment Analysis · Medical Image Classification · Real-Estate Price Prediction · Fake News Detection · Customer Churn · Text Summarization API

កម្មវិធីនេះសម្រាប់អ្នកណា?

• Developers ដែលស្គាល់ Python ហើយចង់ចូលក្នុងវិស័យ ML Engineering
• និស្សិតដែលចង់បានការអនុវត្ត ML Projects ពិតប្រាកដ
• អ្នកណាក៏ដោយដែលចង់ស្ទាប់ស្ទង់ ML ដោយការអនុវត្ត

អ្វីដែលអ្នកនឹងបង្កើត

នៅចុងបញ្ចប់នៃ Bootcamp អ្នកនឹងបាន Train និង Deploy ម៉ូដែលពិតប្រាកដ ចូលរួមប្រកួត Kaggle ហើយបន្ហាញ Capstone Project ដែលបង្ហាញ Full-Stack ML Skills។