အာရုံကြောကွန်ရက်များနှင့် အလုပ်လုပ်ခြင်း- အမှားရှာပြင်ခြင်းအတွက် စစ်ဆေးရန်စာရင်း

စက်သင်ယူခြင်း ဆော့ဖ်ဝဲထုတ်ကုန်များ၏ ကုဒ်သည် မကြာခဏ ရှုပ်ထွေးပြီး အတော်လေး ရှုပ်ထွေးသည်။ ၎င်းတွင်ရှိသော bug များကို ရှာဖွေခြင်းနှင့် ဖယ်ရှားခြင်းမှာ အရင်းအမြစ်များ အဓိကလုပ်ဆောင်သော အလုပ်ဖြစ်သည်။ အရိုးရှင်းဆုံးပင် feedforward အာရုံကြောကွန်ရက်များ ကွန်ရက်တည်ဆောက်ပုံ၊ အလေးများစတင်ခြင်းနှင့် ကွန်ရက်ကို ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်းအတွက် လေးနက်သောချဉ်းကပ်မှု လိုအပ်သည်။ သေးငယ်တဲ့အမှားတစ်ခုက မနှစ်မြို့ဖွယ်ပြဿနာတွေကို ဖြစ်ပေါ်စေနိုင်ပါတယ်။

ဤဆောင်းပါးသည် သင့်အာရုံကြောကွန်ရက်များကို အမှားရှာခြင်းအတွက် အယ်လဂိုရီသမ်တစ်ခုအကြောင်းဖြစ်သည်။

Skillbox မှ အကြံပြုထားသည်- လက်တွေ့သင်တန်း Python developer သည် အစမှစ.

ငါတို့မင်းကိုသတိပေးတယ် "Habr" ၏စာဖတ်သူအားလုံးအတွက် - "Habr" ပရိုမိုးရှင်းကုဒ်ကို အသုံးပြု၍ မည်သည့် Skillbox သင်တန်းတွင်စာရင်းသွင်းသည့်အခါ 10 ရူဘယ်လျှော့စျေး။

algorithm တွင် အဆင့်ငါးဆင့် ပါဝင်သည်။

• လွယ်ကူသောစတင်;
• ဆုံးရှုံးမှုအတည်ပြုချက်
• အလယ်အလတ်ရလဒ်များနှင့် ချိတ်ဆက်မှုများကို စစ်ဆေးခြင်း၊
• ကန့်သတ်ချက်ရှာဖွေရေး;
• အလုပ်ထိန်းချုပ်မှု။

ကျန်တာထက် သင့်အတွက် ပိုစိတ်ဝင်စားစရာကောင်းပုံရပါက၊ ဤကဏ္ဍများသို့ ချက်ချင်းကျော်သွားနိုင်ပါသည်။

စတင်ရန်လွယ်ကူသည်။

ရှုပ်ထွေးသော ဗိသုကာပညာ၊ ပုံမှန်ပြုလုပ်ခြင်းနှင့် သင်ယူမှုနှုန်းဇယားပါရှိသော အာရုံကြောကွန်ရက်တစ်ခုသည် ပုံမှန်တစ်ခုထက် အမှားရှာရန် ပိုခက်ခဲသည်။ အချက်ကိုယ်တိုင်က အမှားရှာပြင်ခြင်းနှင့် သွယ်ဝိုက်သောနည်းဖြင့် ဆက်စပ်နေသောကြောင့် ဤနေရာတွင် ကျွန်ုပ်တို့ အနည်းငယ် ရှုပ်ထွေးနေပါသည်။ သို့သော် ၎င်းသည် အရေးကြီးသော အကြံပြုချက်တစ်ခု ဖြစ်နေဆဲဖြစ်သည်။

ရိုးရှင်းသောအစပြုမှုမှာ ရိုးရှင်းသောပုံစံတစ်ခုကို ဖန်တီးပြီး ဒေတာအစုံ (အချက်) တစ်ခုပေါ်တွင် လေ့ကျင့်ရန်ဖြစ်သည်။

ပထမဦးစွာ ကျွန်ုပ်တို့သည် ရိုးရှင်းသောပုံစံတစ်ခုကို ဖန်တီးပါ။

လျင်မြန်စွာစတင်ရန်၊ ကျွန်ုပ်တို့သည် လျှို့ဝှက်အလွှာတစ်ခုဖြင့် ကွန်ရက်ငယ်တစ်ခုကို ဖန်တီးပြီး အရာအားလုံးမှန်ကန်ကြောင်း စစ်ဆေးပါ။ ထို့နောက် ကျွန်ုပ်တို့သည် မော်ဒယ်ကို ဖြည်းဖြည်းချင်း ရှုပ်ထွေးစေပြီး ၎င်း၏ဖွဲ့စည်းပုံ (အပိုအလွှာ၊ ကန့်သတ်ချက်စသည်) ကို စစ်ဆေးကာ ဆက်လက်လုပ်ဆောင်ပါ။

ကျွန်ုပ်တို့သည် ဒေတာအစု (အချက်) တစ်ခုပေါ်တွင် မော်ဒယ်ကို လေ့ကျင့်ပေးသည်။

သင့်ပရောဂျက်အတွက် စိတ်ကြည်လင်မှု အမြန်စစ်ဆေးခြင်းဖြင့်၊ စနစ်မှန်ကန်မှုရှိမရှိ အတည်ပြုရန် လေ့ကျင့်မှုအတွက် ဒေတာအချက်တစ်ခု သို့မဟုတ် နှစ်ခုကို အသုံးပြုနိုင်သည်။ အာရုံကြောကွန်ရက်သည် လေ့ကျင့်မှုနှင့် စမ်းသပ်မှုတွင် 100% တိကျမှုကို ပြသရပါမည်။ ထိုသို့မဟုတ်ပါက မော်ဒယ်သည် သေးငယ်လွန်းသည် သို့မဟုတ် သင့်တွင် ချို့ယွင်းချက်ရှိနေပါသည်။

အားလုံးကောင်းနေလျှင်တောင်မှ ရှေ့ဆက်မသွားမီ တစ်ခု သို့မဟုတ် တစ်ခုထက်ပိုသော ခေတ်အတွက် မော်ဒယ်ကို ပြင်ဆင်ပါ။

ဆုံးရှုံးမှုအကဲဖြတ်ခြင်း။

ဆုံးရှုံးမှု ခန့်မှန်းချက်သည် မော်ဒယ်၏ စွမ်းဆောင်ရည်ကို ပြုပြင်ရန် အဓိက နည်းလမ်းဖြစ်သည်။ ဆုံးရှုံးမှုသည် ပြဿနာအတွက် သင့်လျော်ကြောင်းနှင့် ဆုံးရှုံးမှုလုပ်ဆောင်ချက်များကို မှန်ကန်သောစကေးပေါ်တွင် အဆင့်သတ်မှတ်ထားကြောင်း သေချာရန် လိုအပ်သည်။ ဆုံးရှုံးမှုအမျိုးအစားတစ်ခုထက်ပို၍ အသုံးပြုပါက ၎င်းတို့အားလုံးသည် တူညီသောအမှာစာများဖြစ်ပြီး မှန်ကန်စွာ ချိန်ညှိထားကြောင်း သေချာပါစေ။

ကနဦးဆုံးရှုံးမှုများကို သတိထားရန် အရေးကြီးပါသည်။ မော်ဒယ်သည် ကျပန်းခန့်မှန်းချက်ဖြင့် စတင်ပါက အမှန်တကယ်ရလဒ်သည် မျှော်လင့်ထားသည့်ရလဒ်နှင့် မည်မျှနီးစပ်သည်ကို စစ်ဆေးပါ။ IN Andrey Karpathy ၏အလုပ်သည် အောက်ပါတို့ကို အကြံပြုထားသည်။: "ဘောင်အနည်းငယ်ဖြင့် စတင်သောအခါ သင်မျှော်လင့်ထားသည့် ရလဒ်ကို ရရှိကြောင်း သေချာပါစေ။ ဒေတာဆုံးရှုံးမှုကို ချက်ခြင်းစစ်ဆေးခြင်း (ပုံမှန်ပြုလုပ်ခြင်းအဆင့်ကို သုညဟုသတ်မှတ်ထားသည်)။ ဥပမာအားဖြင့်၊ Softmax အမျိုးအစားခွဲသည့် CIFAR-10 အတွက်၊ မျှော်မှန်းထားသော diffuse probability သည် class တစ်ခုစီအတွက် 2.302 ဖြစ်သောကြောင့် (အတန်း 0,1 ခုရှိသောကြောင့်) နှင့် Softmax ဆုံးရှုံးမှုသည် မှန်ကန်သော class ၏ အနုတ်လက္ခဏာဖြစ်နိုင်ခြေဖြစ်သောကြောင့်၊ အဖြစ် −ln (10) = 0.1။

binary ဥပမာအတွက်၊ အတန်းတစ်ခုစီအတွက် အလားတူတွက်ချက်မှုကို ရိုးရိုးရှင်းရှင်းပြုလုပ်ထားသည်။ ဥပမာအားဖြင့်၊ ဤတွင် ဒေတာသည် 20% 0's နှင့် 80% 1's ဖြစ်သည်။ မျှော်လင့်ထားသော ကနဦးဆုံးရှုံးမှုသည် –0,2ln (0,5) –0,8ln (0,5) = 0,693147 အထိ ဖြစ်လိမ့်မည်။ ရလဒ်သည် 1 ထက် ကြီးပါက၊ အာရုံကြောကွန်ရက် အလေးချိန်များ မှန်ကန်စွာ မမျှတပါက သို့မဟုတ် ဒေတာကို ပုံမှန်မဖြစ်အောင် ညွှန်ပြနိုင်သည်။

အလယ်အလတ်ရလဒ်များနှင့် ချိတ်ဆက်မှုများကို စစ်ဆေးခြင်း။

အာရုံကြောကွန်ရက်တစ်ခုကို အမှားရှာရန်၊ ကွန်ရက်အတွင်း လုပ်ငန်းစဉ်များ၏ ဒိုင်းနမစ်နှင့် ချိတ်ဆက်ထားသောကြောင့် အလယ်အလတ်အလွှာများ၏ အခန်းကဏ္ဍကို နားလည်ရန် လိုအပ်သည်။ ဤသည်မှာ သင်ကြုံတွေ့ရနိုင်သော ဘုံအမှားများဖြစ်သည်-

• အဆင့်မြှင့်တင်မှုများအတွက် မှားယွင်းသောအသုံးအနှုန်းများ၊
• ကိုယ်အလေးချိန် အပ်ဒိတ်များကို အသုံးမပြုပါ။
• gradients များပေါက်ကွဲခြင်း။

gradient တန်ဖိုးများသည် သုညဖြစ်ပါက၊ ဆိုလိုသည်မှာ optimizer တွင် သင်ယူမှုနှုန်းသည် အလွန်နှေးကွေးနေခြင်း၊ သို့မဟုတ် gradient ကို အပ်ဒိတ်လုပ်ရန်အတွက် မမှန်ကန်သောအသုံးအနှုန်းကို သင်ကြုံတွေ့နေရသည်ဟု ဆိုလိုသည်။

ထို့အပြင်၊ အလွှာတစ်ခုစီ၏ activation လုပ်ဆောင်ချက်များ၊ အလေးများနှင့်မွမ်းမံမှုများ၏တန်ဖိုးများကိုစောင့်ကြည့်ရန်လိုအပ်သည်။ ဥပမာ၊ ဘောင်မွမ်းမံမှုများ၏ ပြင်းအား (အလေးချိန်နှင့် ဘက်လိုက်မှုများ) 1-e3 ဖြစ်သင့်သည်။.

“Dying ReLU” ဟုခေါ်သော ဖြစ်စဉ်တစ်ခု ရှိပါသည်။ "ပျောက်ကွယ်သွားသော gradient ပြဿနာ"ReLU နျူရွန်များသည် ၎င်း၏အလေးချိန်အတွက် ကြီးမားသော အနုတ်ဘက်လိုက်မှုတန်ဖိုးကို လေ့လာပြီးနောက် သုညကို ထုတ်ပေးသည့်အခါ၊ ဒေတာရှိ မည်သည့်နေရာ၌မဆို ဤနျူရွန်များကို ဘယ်တော့မှ ပစ်ပယ်မည်မဟုတ်ပါ။

ကိန်းဂဏာန်းချဉ်းကပ်နည်းကို အသုံးပြု၍ gradient ကို အနီးစပ်ဆုံး ခန့်မှန်းခြင်းဖြင့် ဤအမှားများကို ဖော်ထုတ်ရန် gradient checking ကို သုံးနိုင်သည်။ တွက်ချက်ထားသော gradients များနှင့် နီးစပ်ပါက backpropagation ကို မှန်ကန်စွာ လုပ်ဆောင်ပါသည်။ gradient check တစ်ခုဖန်တီးရန် CS231 မှ ဤကောင်းမွန်သောအရင်းအမြစ်များကို စစ်ဆေးကြည့်ပါ။ ဒီမှာ и ဒီမှာနှင့်အတူ သင်ခန်းစာ Andrew Nga က ဒီခေါင်းစဉ်နဲ့ ပတ်သက်ပြီး ပြောပါတယ်။

Faizan Sheikh အာရုံကြောကွန်ရက်ကို မြင်ယောင်ရန် အဓိကနည်းလမ်းသုံးခုကို ညွှန်ပြသည်-

• ပဏာမများသည် လေ့ကျင့်သင်ကြားထားသော မော်ဒယ်၏ ယေဘူယျဖွဲ့စည်းပုံကို ပြသသည့် ရိုးရှင်းသောနည်းလမ်းများဖြစ်သည်။ ၎င်းတို့တွင် အာရုံကြောကွန်ရက်၏ အလွှာတစ်ခုစီ၏ ပုံသဏ္ဍာန်များ သို့မဟုတ် စစ်ထုတ်မှုများ နှင့် အလွှာတစ်ခုစီရှိ ကန့်သတ်ချက်များ ပါဝင်သည်။
• အသက်သွင်းခြင်းအခြေခံ။ ၎င်းတို့တွင်၊ ကျွန်ုပ်တို့သည် ၎င်းတို့၏ လုပ်ဆောင်ချက်များကို နားလည်ရန် တစ်ဦးချင်းစီ နျူရွန်များ သို့မဟုတ် နျူရွန်အုပ်စုများ၏ လှုပ်ရှားမှုများကို ပုံဖော်ပါသည်။
• gradients များကို အခြေခံထားသည်။ ဤနည်းလမ်းများသည် စံပြလေ့ကျင့်မှု၏ ရှေ့နှင့်နောက်သို့ ဖြတ်သန်းမှုများ (saliency maps နှင့် class activation maps အပါအဝင်) မှ ဖြစ်ပေါ်လာသော gradient များကို ခြယ်လှယ်လေ့ရှိသည်။

အလွှာတစ်ခုချင်းစီ၏ လှုပ်ရှားဆောင်ရွက်မှုများနှင့် ချိတ်ဆက်မှုများကို မြင်ယောင်ရန် အသုံးဝင်သောကိရိယာများစွာရှိသည်၊ ဥပမာ။ ConX и Tensorboard.

ကန့်သတ်ချက်ရှာဖွေရေး

အာရုံကြောကွန်ရက်များတွင် တစ်ခုနှင့်တစ်ခု အပြန်အလှန် အကျိုးသက်ရောက်စေသည့် ကန့်သတ်ချက်များ အများအပြားရှိပြီး ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်းကို ရှုပ်ထွေးစေသည်။ အမှန်တော့၊ ဤကဏ္ဍသည် ကျွမ်းကျင်သူများ၏ တက်ကြွစွာ သုတေသနပြုမှု၏ ဘာသာရပ်ဖြစ်သည်၊ ထို့ကြောင့် အောက်ပါ အကြံပြုချက်များကို အကြံဉာဏ်အဖြစ်သာ ထည့်သွင်းစဉ်းစားသင့်ပြီး မည်သည့်အရာမှ စတင်တည်ဆောက်ရမည် ဖြစ်သည်။

အထုပ်အရွယ်အစား (batch အရွယ်အစား) - အကယ်၍ သင်သည် batch အရွယ်အစားကို တိကျသော error gradient ခန့်မှန်းချက်များကို ရယူရန် လုံလောက်သော ကြီးမားလိုပါက၊ သို့သော် stochastic gradient descent (SGD) သည် သင့်ကွန်ရက်ကို ပုံမှန်ဖြစ်စေရန်အတွက် သေးငယ်လုံလောက်ပါသည်။ သေးငယ်သောအသုတ်အရွယ်အစားများသည် လေ့ကျင့်ရေးလုပ်ငန်းစဉ်အတွင်း ဆူညံသံများနှင့် နောက်ထပ် ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ရန် အခက်အခဲများကြောင့် လျင်မြန်စွာပေါင်းစည်းမှုကို ဦးတည်သွားမည်ဖြစ်သည်။ ဤသည်ကို ပိုမိုအသေးစိတ် ဖော်ပြထားပါသည်။ ဒီမှာ.

သင်ယူမှုနှုန်း - အလွန်နိမ့်ကျသော ပေါင်းဆုံမှု နှေးကွေးခြင်း သို့မဟုတ် ဒေသတွင်း မီနီမာတွင် ပိတ်မိနိုင်ခြေကို ဖြစ်ပေါ်စေသည်။ တစ်ချိန်တည်းမှာပင်၊ မြင့်မားသောသင်ယူမှုနှုန်းသည် ဆုံးရှုံးမှုလုပ်ဆောင်မှု၏ နက်နဲသော်လည်း ကျဉ်းမြောင်းသောအပိုင်းကို ဖြတ်ကျော်ရန် အန္တရာယ်ရှိသောကြောင့် ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ခြင်းကွဲပြားမှုကို ဖြစ်စေသည်။ အာရုံကြောကွန်ရက်ကို လေ့ကျင့်နေစဉ် ၎င်းကိုလျှော့ချရန် အမြန်နှုန်းဇယားကို အသုံးပြုကြည့်ပါ။ CS231n ဖြင့် နောက်ဆုံးပေါ် ဒီပြဿနာအတွက် ကဏ္ဍကြီးတစ်ခုရှိတယ်။.

Gradient ညှပ်ခြင်း။  - အမြင့်ဆုံးတန်ဖိုး သို့မဟုတ် အနားသတ်စံနှုန်းဖြင့် backpropagation ပြုလုပ်စဉ်အတွင်း ဘောင်တန်းများကို ဖြတ်တောက်ခြင်း။ အချက်သုံးချက်တွင် သင်ကြုံတွေ့ရနိုင်သည့် ပေါက်ကွဲနေသော gradient များကို ဖြေရှင်းရာတွင် အသုံးဝင်သည်။

Batch normalization - အတွင်းပိုင်း covariate အပြောင်းအလဲပြဿနာကိုဖြေရှင်းနိုင်စေသည့်အလွှာတစ်ခုစီ၏ထည့်သွင်းမှုဒေတာကိုပုံမှန်ဖြစ်စေရန်အသုံးပြုသည်။ အကယ်၍ သင်သည် Dropout နှင့် Batch Norma ကို တွဲသုံးပါက၊ ဤဆောင်းပါးကိုစစ်ဆေးပါ.

Stochastic gradient ဆင်းသက်ခြင်း (SGD) — အရှိန်အဟုန်၊ လိုက်လျောညီထွေရှိသော သင်ယူမှုနှုန်းများနှင့် Nesterov နည်းလမ်းကို အသုံးပြုသည့် SGD အမျိုးအစားများစွာရှိသည်။ သို့ရာတွင်၊ ၎င်းတို့အနက်မှ တစ်ခုမှ သင်ယူမှု ထိရောက်မှုနှင့် ယေဘူယျအားဖြင့် ရှင်းရှင်းလင်းလင်း အားသာချက် မရှိပါ (အသေးစိတ်ကို ဒီမှာ).

ကြီးကြီးကျယ်ကျယ် - မော်ဒယ်ရှုပ်ထွေးမှု သို့မဟုတ် လွန်ကဲသော ကန့်သတ်ဘောင်တန်ဖိုးများကို ပြစ်ဒဏ်ထပ်လောင်းပေးသောကြောင့် ယေဘူယျဖြစ်နိုင်သော မော်ဒယ်တစ်ခုကို တည်ဆောက်ရန်အတွက် အရေးကြီးပါသည်။ ၎င်းသည် ၎င်း၏ဘက်လိုက်မှုကို သိသိသာသာ မတိုးစေဘဲ မော်ဒယ်ကွဲလွဲမှုကို လျှော့ချရန် နည်းလမ်းတစ်ခုဖြစ်သည်။ နောက်ထပ် အသေးစိတ်အချက်အလက် - ဒီမှာ.

အရာအားလုံးကို ကိုယ်တိုင်အကဲဖြတ်ရန်၊ ပုံမှန်ပြုလုပ်ခြင်းကို ပိတ်ရန်နှင့် ဒေတာဆုံးရှုံးမှု gradient ကို ကိုယ်တိုင်စစ်ဆေးရန် လိုအပ်သည်။

ဖြုတ်ချလိုက်သည် ပိတ်ဆို့မှုများကို ကာကွယ်ရန် သင့်ကွန်ရက်ကို ချောမွေ့စေမည့် အခြားနည်းလမ်းတစ်ခုဖြစ်သည်။ လေ့ကျင့်နေစဉ်အတွင်း၊ ဖြစ်နိုင်ခြေတိကျသော p (hyperparameter) ဖြင့် နျူရွန်၏ လုပ်ဆောင်ချက်ကို ထိန်းသိမ်းခြင်း သို့မဟုတ် ဆန့်ကျင်ဘက်ကိစ္စတွင် သုညအဖြစ် သတ်မှတ်ခြင်းဖြင့်သာ ကျောင်းထွက်ခြင်းကို လုပ်ဆောင်ပါသည်။ ထို့ကြောင့်၊ ကွန်ရက်သည် လေ့ကျင့်ရေးအသုတ်တစ်ခုစီအတွက် မတူညီသော ကန့်သတ်ဘောင်များကို အသုံးပြုရမည်ဖြစ်ပြီး အချို့သော ကန့်သတ်ဘောင်များတွင် ပြောင်းလဲမှုများကို လျှော့ချပေးရမည်ဖြစ်သည်။

အရေးကြီးသည်- အကယ်၍ သင်သည် ကျောင်းထွက်ခြင်းနှင့် အစုလိုက်ပုံမှန်ပြုလုပ်ခြင်း နှစ်မျိုးလုံးကို အသုံးပြုပါက၊ ဤလုပ်ငန်းဆောင်တာများ၏ အစီအစဥ်ကို ဂရုစိုက်ပါ သို့မဟုတ် ၎င်းတို့ကို တွဲသုံးခြင်းပင်။ ဤအရာအားလုံးကို တက်ကြွစွာ ဆွေးနွေးပြီး ဖြည့်စွက်နေဆဲဖြစ်သည်။ ဤအကြောင်းအရာနှင့် ပတ်သက်၍ အရေးကြီးသော ဆွေးနွေးမှု နှစ်ခုရှိသည်။ Stackoverflow ပေါ်တွင် и တင်ထားပါတယ်။.

အလုပ်၏ထိန်းချုပ်မှု

အလုပ်အသွားအလာများနှင့် စမ်းသပ်မှုများကို မှတ်တမ်းတင်ခြင်းအကြောင်းဖြစ်သည်။ ဘာကိုမှ မရေးထားဘူးဆိုရင် ဥပမာ၊ သင်ယူမှုနှုန်း ဒါမှမဟုတ် အတန်းအလေးတွေကို အသုံးပြုတာကို မေ့သွားနိုင်တယ်။ ထိန်းချုပ်မှုကြောင့် သင်သည် ယခင်စမ်းသပ်မှုများကို အလွယ်တကူကြည့်ရှုနိုင်ပြီး ပြန်လည်ထုတ်လုပ်နိုင်ပါသည်။ ၎င်းသည် သင့်အား ထပ်နေသောစမ်းသပ်မှုအရေအတွက်ကို လျှော့ချနိုင်စေပါသည်။

သို့သော်၊ အလုပ်ပမာဏ ကြီးမားသောကိစ္စတွင် လက်စွဲစာတမ်းပြုစုခြင်းသည် ခက်ခဲသောအလုပ်ဖြစ်လာနိုင်သည်။ Comet.ml ကဲ့သို့သော ကိရိယာများသည် သင့်မော်ဒယ်လ်အကြောင်း အဓိကအချက်အလတ်များ (hyperparameters, model performance metrics, and environmental information) အပါအဝင် ဒေတာအတွဲများ၊ ကုဒ်ပြောင်းလဲမှုများ၊ စမ်းသပ်မှတ်တမ်းနှင့် ထုတ်လုပ်မှုမော်ဒယ်များကို အလိုအလျောက်ကူညီပေးရန် ရောက်ရှိလာပါသည်။

အာရုံကြောကွန်ရက်တစ်ခုသည် သေးငယ်သောပြောင်းလဲမှုများအတွက် အလွန်အကဲဆတ်နိုင်ပြီး၊ ၎င်းသည် မော်ဒယ်စွမ်းဆောင်ရည်ကို ကျဆင်းစေသည်။ သင့်အလုပ်အား ခြေရာခံခြင်းနှင့် မှတ်တမ်းပြုစုခြင်းသည် သင့်ပတ်ဝန်းကျင်နှင့် မော်ဒယ်ကို စံနှုန်းသတ်မှတ်ရန် သင်လုပ်ဆောင်နိုင်သည့် ပထမဆုံးခြေလှမ်းဖြစ်သည်။

ဒီပို့စ်က မင်းရဲ့ neural network ကို အမှားရှာပြင်ဖို့ အစပြုဖို့ အစပြုနိုင်မယ်လို့ မျှော်လင့်ပါတယ်။

Skillbox မှ အကြံပြုထားသည်-

• နှစ်နှစ်စာလက်တွေ့သင်တန်း "ကျွန်တော်က PRO ဝဘ် developer တစ်ယောက်ပါ".
• အွန်လိုင်းသင်တန်း "0 မှ C# developer".
• လက်တွေ့ တစ်နှစ်သင်တန်း "PHP developer 0 မှ PRO".

source: www.habr.com