មាតិកា[លាក់][បង្ហាញ]
ប្រសិនបើអ្នកជាអ្នកសរសេរកម្មវិធី Python ឬប្រសិនបើអ្នកកំពុងស្វែងរកកញ្ចប់ឧបករណ៍ដ៏មានអានុភាពដើម្បីប្រើប្រាស់ដើម្បីណែនាំការរៀនម៉ាស៊ីនទៅក្នុងប្រព័ន្ធផលិតកម្ម Scikit-learn គឺជាបណ្ណាល័យដែលអ្នកត្រូវពិនិត្យមើល។
Scikit-learn ត្រូវបានរៀបចំយ៉ាងត្រឹមត្រូវ និងសាមញ្ញក្នុងការប្រើប្រាស់ មិនថាអ្នកទើបរៀនប្រើម៉ាស៊ីន ចង់ក្រោកឡើង និងដំណើរការលឿន ឬចង់ប្រើឧបករណ៍ស្រាវជ្រាវ ML ទាន់សម័យបំផុត។
វាអនុញ្ញាតឱ្យអ្នកបង្កើតគំរូទិន្នន័យព្យាករណ៍ក្នុងកូដពីរបីបន្ទាត់ ហើយបន្ទាប់មកប្រើគំរូនោះដើម្បីឱ្យសមនឹងទិន្នន័យរបស់អ្នកជាបណ្ណាល័យកម្រិតខ្ពស់។ វាបត់បែន និងដំណើរការល្អជាមួយអ្នកដទៃ បណ្ណាល័យ Python ដូចជា Matplotlib សម្រាប់គំនូសតាង NumPy សម្រាប់ array vectorization និង pandas សម្រាប់ការមើលឃើញទិន្នន័យ។
នៅក្នុងមគ្គុទ្ទេសក៍នេះ អ្នកនឹងស្វែងយល់ទាំងអស់គ្នាអំពីអ្វីដែលវាគឺជា របៀបដែលអ្នកអាចប្រើវា រួមជាមួយនឹងគុណសម្បត្តិ និងគុណវិបត្តិរបស់វា។
តើអ្វីជា Scikit- រៀន?
Scikit-learn (ត្រូវបានគេស្គាល់ផងដែរថាជា sklearn) ផ្តល់នូវសំណុំនៃគំរូស្ថិតិ និងការរៀនម៉ាស៊ីនចម្រុះ។ មិនដូចម៉ូឌុលភាគច្រើនទេ sklearn ត្រូវបានបង្កើតឡើងនៅក្នុង Python ជាជាង C. ទោះបីជាត្រូវបានបង្កើតឡើងនៅក្នុង Python ក៏ដោយ ប្រសិទ្ធភាពនៃ sklearn ត្រូវបានសន្មតថាជាការប្រើប្រាស់ NumPy សម្រាប់ប្រតិបត្តិការពិជគណិតលីនេអ៊ែរ និងអារេដែលមានប្រសិទ្ធភាពខ្ពស់។
Scikit-Learn ត្រូវបានបង្កើតឡើងជាផ្នែកមួយនៃគម្រោង Summer of Code របស់ Google ហើយចាប់តាំងពីពេលនោះមក ជីវិតរបស់អ្នកវិទ្យាសាស្ត្រទិន្នន័យ Python រាប់លាននាក់នៅទូទាំងពិភពលោកកាន់តែសាមញ្ញ។ ផ្នែកនៃស៊េរីនេះផ្តោតលើការបង្ហាញបណ្ណាល័យ និងផ្តោតលើធាតុមួយ - ការបំប្លែងសំណុំទិន្នន័យ ដែលជាជំហានសំខាន់ និងសំខាន់ដែលត្រូវអនុវត្ត មុនពេលបង្កើតគំរូទស្សន៍ទាយ។
បណ្ណាល័យគឺផ្អែកលើ SciPy (Scientific Python) ដែលត្រូវតែដំឡើងមុនពេលអ្នកអាចប្រើ scikit-learn ។ ជង់នេះមានធាតុដូចខាងក្រោមៈ
- NumPy៖ កញ្ចប់អារេ n-dimensional ស្តង់ដាររបស់ Python
- SciPy៖ វាជាកញ្ចប់មូលដ្ឋានសម្រាប់ការគណនាបែបវិទ្យាសាស្ត្រ
- Pandas: រចនាសម្ព័ន្ធទិន្នន័យ និងការវិភាគ
- Matplotlib៖ វាជាបណ្ណាល័យ 2D/3D ដែលមានអនុភាព
- Sympy: និមិត្តសញ្ញាគណិតវិទ្យា
- IPython៖ កែលម្អកុងសូលអន្តរកម្ម
កម្មវិធីនៃបណ្ណាល័យ Scikit-Learn
Scikit-learn គឺជាកញ្ចប់ប្រភពបើកចំហរ Python ដែលមានការវិភាគទិន្នន័យស្មុគ្រស្មាញ និងមុខងាររុករករ៉ែ។ វាភ្ជាប់មកជាមួយនូវក្បួនដោះស្រាយដែលមានស្រាប់ជាច្រើន ដើម្បីជួយអ្នកទទួលបានអត្ថប្រយោជន៍ច្រើនបំផុតពីគម្រោងវិទ្យាសាស្ត្រទិន្នន័យរបស់អ្នក។ បណ្ណាល័យ Scikit-learn ត្រូវបានប្រើតាមវិធីខាងក្រោម។
1. តំរែតំរង់
ការវិភាគតំរែតំរង់គឺជាបច្ចេកទេសស្ថិតិសម្រាប់ការវិភាគ និងស្វែងយល់ពីទំនាក់ទំនងរវាងអថេរពីរ ឬច្រើន។ វិធីសាស្រ្តដែលប្រើដើម្បីធ្វើការវិភាគតំរែតំរង់ជួយក្នុងការកំណត់ថាតើធាតុណាដែលពាក់ព័ន្ធ ដែលអាចត្រូវបានគេមិនអើពើ និងរបៀបដែលពួកវាមានអន្តរកម្ម។ ជាឧទាហរណ៍ បច្ចេកទេសតំរែតំរង់អាចត្រូវបានប្រើប្រាស់ដើម្បីយល់កាន់តែច្បាស់ពីឥរិយាបទនៃតម្លៃភាគហ៊ុន។
ក្បួនដោះស្រាយការតំរែតំរង់រួមមាន:
- តំរែតំរង់លីនេអ៊ែរ
- តំរែតំរង់ជួរភ្នំ
- Lasso តំរែតំរង់
- ការតំរែតំរង់ដើមឈើការសម្រេចចិត្ត
- ព្រៃចៃដន្យ
- គាំទ្រម៉ាស៊ីនវ៉ិចទ័រ (SVM)
ចំណាត់ថ្នាក់
វិធីសាស្រ្តចាត់ថ្នាក់គឺជាវិធីសាស្រ្តសិក្សាដែលត្រូវបានត្រួតពិនិត្យដែលប្រើទិន្នន័យបណ្តុះបណ្តាលដើម្បីកំណត់ប្រភេទនៃការសង្កេតថ្មីៗ។ ក្បួនដោះស្រាយនៅក្នុងចំណាត់ថ្នាក់រៀនពីអ្វីដែលផ្តល់ឱ្យ សំណុំទិន្នន័យ ឬការសង្កេត ហើយបន្ទាប់មកចាត់ថ្នាក់ការសង្កេតបន្ថែមទៅក្នុងថ្នាក់មួយ ឬក្រុមជាច្រើន។ ជាឧទាហរណ៍ ពួកវាអាចប្រើដើម្បីចាត់ថ្នាក់ទំនាក់ទំនងតាមអ៊ីមែលថាជាសារឥតបានការ ឬអត់។
ក្បួនដោះស្រាយចំណាត់ថ្នាក់រួមមានដូចខាងក្រោមៈ
- តំរែតំរង់ឡូជីខល។
- K-អ្នកជិតខាងដែលនៅជិតបំផុត។
- គាំទ្រម៉ាស៊ីនវ៉ិចទ័រ
- មែកធាងសម្រេចចិត្ត
- ព្រៃចៃដន្យ
3. ចង្កោម
ក្បួនដោះស្រាយចង្កោមនៅក្នុង Scikit-learn ត្រូវបានប្រើដើម្បីរៀបចំទិន្នន័យដោយស្វ័យប្រវត្តិជាមួយនឹងលក្ខណៈសម្បត្តិស្រដៀងគ្នាទៅជាសំណុំ។ Clustering គឺជាដំណើរការនៃការដាក់ជាក្រុមមួយឈុត ដើម្បីឱ្យវត្ថុនៅក្នុងក្រុមដូចគ្នាមានភាពស្រដៀងគ្នាទៅនឹងក្រុមផ្សេងទៀត ។ ជាឧទាហរណ៍ ទិន្នន័យអតិថិជនអាចត្រូវបានបំបែកដោយផ្អែកតាមទីតាំងរបស់ពួកគេ។
ក្បួនដោះស្រាយចង្កោមរួមមានដូចខាងក្រោម៖
- DB-SCAN
- ខេ - មធ្យោបាយ
- Mini-Batch K-Means
- ចង្កោម Spectral
4. ការជ្រើសរើសគំរូ
ក្បួនដោះស្រាយការជ្រើសរើសគំរូផ្តល់នូវវិធីសាស្រ្តសម្រាប់ការប្រៀបធៀប សុពលភាព និងជ្រើសរើសប៉ារ៉ាម៉ែត្រ និងគំរូដ៏ល្អប្រសើរសម្រាប់ប្រើប្រាស់ក្នុងគំនិតផ្តួចផ្តើមវិទ្យាសាស្ត្រទិន្នន័យ។ តាមរយៈទិន្នន័យ ការជ្រើសរើសគំរូគឺជាបញ្ហានៃការជ្រើសរើសគំរូស្ថិតិពីក្រុមគំរូបេក្ខជន។ នៅក្នុងកាលៈទេសៈជាមូលដ្ឋានបំផុត ការប្រមូលទិន្នន័យដែលមានស្រាប់ត្រូវបានយកមកពិចារណា។ ទោះជាយ៉ាងណាក៏ដោយ ភារកិច្ចក៏អាចរួមបញ្ចូលការរចនានៃការពិសោធន៍ផងដែរ ដើម្បីឱ្យទិន្នន័យដែលទទួលបានគឺសមស្របនឹងបញ្ហាការជ្រើសរើសគំរូ។
ម៉ូឌុលជ្រើសរើសគំរូដែលអាចធ្វើឱ្យប្រសើរឡើងនូវភាពត្រឹមត្រូវដោយការកែតម្រូវប៉ារ៉ាម៉ែត្ររួមមាន:
- សុពលភាពឆ្លង
- ស្វែងរកក្រឡាចត្រង្គ
- ម៉ែត្រ
5. ការកាត់បន្ថយវិមាត្រ
ការផ្ទេរទិន្នន័យពីលំហវិមាត្រខ្ពស់ទៅលំហវិមាត្រទាប ដូច្នេះតំណាងនៃវិមាត្រទាបរក្សាទិដ្ឋភាពសំខាន់ៗមួយចំនួននៃទិន្នន័យដើម តាមឧត្ដមគតិនៅជិតវិមាត្ររបស់វា ត្រូវបានគេស្គាល់ថាជាការកាត់បន្ថយវិមាត្រ។ ចំនួនអថេរចៃដន្យសម្រាប់ការវិភាគត្រូវបានកាត់បន្ថយនៅពេលដែលវិមាត្រត្រូវបានកាត់បន្ថយ។ ជាឧទាហរណ៍ ទិន្នន័យដែលនៅឆ្ងាយ ប្រហែលជាមិនត្រូវបានពិចារណាដើម្បីកែលម្អប្រសិទ្ធភាពនៃការមើលឃើញនោះទេ។
ក្បួនដោះស្រាយការកាត់បន្ថយវិមាត្ររួមមានដូចខាងក្រោម៖
- ជម្រើសលក្ខណៈពិសេស
- ការវិភាគសមាសធាតុសំខាន់ (ភី។ ភី។ អេ។ អេស)
ការដំឡើង Scikit-learn
NumPy, SciPy, Matplotlib, IPython, Sympy, និង Pandas តម្រូវឱ្យដំឡើងមុនពេលប្រើ Scikit-learn ។ តោះដំឡើងពួកវាដោយប្រើ pip ពីកុងសូល (ដំណើរការសម្រាប់តែ Windows ប៉ុណ្ណោះ)។
តោះដំឡើង Scikit-learn ឥឡូវនេះ យើងបានដំឡើងបណ្ណាល័យដែលត្រូវការ។
លក្ខណៈពិសេស
Scikit-learn ដែលជួនកាលគេស្គាល់ថាជា sklearn គឺជាកញ្ចប់ឧបករណ៍ Python សម្រាប់អនុវត្តគំរូរៀនម៉ាស៊ីន និងគំរូស្ថិតិ។ យើងអាចប្រើវាដើម្បីបង្កើតគំរូសិក្សាម៉ាស៊ីនជាច្រើនសម្រាប់ការតំរែតំរង់ ចំណាត់ថ្នាក់ និងចង្កោម ក៏ដូចជាឧបករណ៍ស្ថិតិសម្រាប់វាយតម្លៃគំរូទាំងនេះ។ វាក៏រួមបញ្ចូលផងដែរនូវការកាត់បន្ថយវិមាត្រ ការជ្រើសរើសលក្ខណៈពិសេស ការទាញយកលក្ខណៈពិសេស វិធីសាស្រ្តប្រមូលផ្តុំ និងសំណុំទិន្នន័យដែលភ្ជាប់មកជាមួយ។ យើងនឹងពិនិត្យមើលគុណភាពនីមួយៗម្តងមួយៗ។
1. ការនាំចូលសំណុំទិន្នន័យ
Scikit-learn រួមបញ្ចូលសំណុំទិន្នន័យដែលបានបង្កើតជាមុនមួយចំនួន ដូចជាសំណុំទិន្នន័យ iris សំណុំទិន្នន័យតម្លៃផ្ទះ សំណុំទិន្នន័យទីតានិចជាដើម។ អត្ថប្រយោជន៍សំខាន់ៗនៃសំណុំទិន្នន័យទាំងនេះគឺថា ពួកវាសាមញ្ញក្នុងការចាប់យក ហើយអាចប្រើដើម្បីបង្កើតគំរូ ML ភ្លាមៗ។ សំណុំទិន្នន័យទាំងនេះគឺសមរម្យសម្រាប់អ្នកទើបចាប់ផ្តើម។ ដូចគ្នានេះដែរ អ្នកអាចប្រើ sklearn ដើម្បីនាំចូលសំណុំទិន្នន័យបន្ថែម។ ដូចគ្នានេះដែរ អ្នកអាចប្រើវាដើម្បីនាំចូលសំណុំទិន្នន័យបន្ថែម។
2. ការបំបែកសំណុំទិន្នន័យសម្រាប់ការបណ្តុះបណ្តាល និងការធ្វើតេស្ត
Sklearn រួមបញ្ចូលសមត្ថភាពក្នុងការបែងចែកសំណុំទិន្នន័យទៅជាផ្នែកបណ្តុះបណ្តាល និងការធ្វើតេស្ត។ ការបំបែកសំណុំទិន្នន័យគឺត្រូវបានទាមទារសម្រាប់ការវាយតម្លៃដោយមិនលំអៀងនៃការអនុវត្តការព្យាករណ៍។ យើងអាចបញ្ជាក់ថាតើទិន្នន័យរបស់យើងគួរបញ្ចូលក្នុងរថភ្លើង និងសំណុំទិន្នន័យសាកល្បងប៉ុន្មាន។ យើងបានបែងចែកសំណុំទិន្នន័យដោយប្រើការធ្វើតេស្តរថភ្លើងបំបែក ថាសំណុំរថភ្លើងមាន 80% នៃទិន្នន័យ ហើយសំណុំតេស្តមាន 20% ។ សំណុំទិន្នន័យអាចត្រូវបានបែងចែកដូចខាងក្រោមៈ
3. តំរែតំរង់លីនេអ៊ែរ
តំរែតំរង់លីនេអ៊ែរគឺជាបច្ចេកទេសរៀនតាមម៉ាស៊ីនដែលផ្អែកលើការតាមដាន។ វាអនុវត្តការងារតំរែតំរង់។ ដោយផ្អែកលើអថេរឯករាជ្យ តំរែតំរង់គំរូជាតម្លៃព្យាករណ៍គោលដៅ។ វាភាគច្រើនត្រូវបានប្រើដើម្បីកំណត់ទំនាក់ទំនងរវាងអថេរ និងការទស្សន៍ទាយ។ គំរូតំរែតំរង់ផ្សេងៗគ្នាមានភាពខុសប្លែកគ្នានៅក្នុងលក្ខខណ្ឌនៃប្រភេទនៃការតភ្ជាប់ដែលពួកគេវាយតម្លៃរវាងអថេរអាស្រ័យ និងឯករាជ្យ ព្រមទាំងចំនួនអថេរឯករាជ្យដែលបានប្រើប្រាស់។ យើងអាចបង្កើតគំរូតំរែតំរង់លីនេអ៊ែរដោយប្រើ sklearn ដូចខាងក្រោម៖
4. តំរែតំរង់ផ្នែកដឹកជញ្ជូន
វិធីសាស្រ្តចាត់ថ្នាក់ទូទៅមួយគឺការតំរែតំរង់ភស្តុភារ។ វាស្ថិតនៅក្នុងគ្រួសារតែមួយជាមួយពហុនាម និងតំរែតំរង់លីនេអ៊ែរ ហើយជាកម្មសិទ្ធិរបស់គ្រួសារអ្នកចាត់ថ្នាក់លីនេអ៊ែរ។ ការរកឃើញនៃការតំរែតំរង់ផ្នែកភស្តុភារគឺសាមញ្ញក្នុងការយល់ហើយឆាប់គណនា។ នៅក្នុងវិធីដូចគ្នានឹងតំរែតំរង់លីនេអ៊ែរ តំរែតំរង់តក្កកម្មគឺជាបច្ចេកទេសតំរែតំរង់ដែលត្រូវបានត្រួតពិនិត្យ។ អថេរលទ្ធផលគឺជាប្រភេទ ដូច្នេះវាជាភាពខុសគ្នាតែមួយ។ វាអាចកំណត់ថាតើអ្នកជំងឺមានជំងឺបេះដូងឬអត់។
បញ្ហាចាត់ថ្នាក់ផ្សេងៗ ដូចជាការរកឃើញសារឥតបានការ អាចត្រូវបានដោះស្រាយដោយប្រើការតំរែតំរង់ផ្នែកដឹកជញ្ជូន។ ការព្យាករណ៍អំពីជំងឺទឹកនោមផ្អែម ការកំណត់ថាតើអ្នកប្រើប្រាស់នឹងទិញផលិតផលជាក់លាក់មួយឬក៏ប្តូរទៅគូប្រជែង ដោយកំណត់ថាតើអ្នកប្រើប្រាស់នឹងចុចលើតំណទីផ្សារជាក់លាក់មួយ ហើយសេណារីយ៉ូជាច្រើនទៀតគ្រាន់តែជាឧទាហរណ៍មួយចំនួនប៉ុណ្ណោះ។
5. មែកធាងការសម្រេចចិត្ត
បច្ចេកទេសចាត់ថ្នាក់ និងការទស្សន៍ទាយដ៏មានឥទ្ធិពល និងប្រើយ៉ាងទូលំទូលាយបំផុត គឺជាមែកធាងនៃការសម្រេចចិត្ត។ មែកធាងការសម្រេចចិត្តគឺជារចនាសម្ព័ន្ធមែកធាងដែលមើលទៅដូចជាតារាងលំហូរ ដោយថ្នាំងខាងក្នុងនីមួយៗតំណាងឱ្យការធ្វើតេស្តលើគុណលក្ខណៈ សាខានីមួយៗតំណាងឱ្យការសន្និដ្ឋានរបស់ការធ្វើតេស្ត ហើយថ្នាំងស្លឹកនីមួយៗ (ថ្នាំងស្ថានីយ) មានស្លាកថ្នាក់។
នៅពេលដែលអថេរអាស្រ័យមិនមានទំនាក់ទំនងលីនេអ៊ែរជាមួយអថេរឯករាជ្យ ពោលគឺនៅពេលដែលការតំរែតំរង់លីនេអ៊ែរមិនបង្កើតការរកឃើញត្រឹមត្រូវ ដើមឈើការសម្រេចចិត្តមានប្រយោជន៍។ វត្ថុ DecisionTreeRegression() អាចត្រូវបានប្រើក្នុងវិធីស្រដៀងគ្នានេះដើម្បីប្រើមែកធាងការសម្រេចចិត្តសម្រាប់ការតំរែតំរង់។
6. ព្រៃចៃដន្យ
ព្រៃចៃដន្យគឺ ក ការរៀនម៉ាស៊ីន វិធីសាស្រ្តក្នុងការដោះស្រាយបញ្ហាតំរែតំរង់ និងចំណាត់ថ្នាក់។ វាប្រើការរៀនបណ្តុំ ដែលជាបច្ចេកទេសដែលរួមបញ្ចូលគ្នានូវចំណាត់ថ្នាក់ច្រើន ដើម្បីដោះស្រាយបញ្ហាស្មុគស្មាញ។ វិធីសាស្រ្តព្រៃឈើចៃដន្យត្រូវបានបង្កើតឡើងដោយដើមឈើសម្រេចចិត្តមួយចំនួនធំ។ វាអាចត្រូវបានប្រើដើម្បីចាត់ប្រភេទកម្មវិធីកម្ចី រកឃើញអាកប្បកិរិយាក្លែងបន្លំ និងប្រមើលមើលការផ្ទុះជំងឺ។
7. ម៉ាទ្រីសច្របូកច្របល់
ម៉ាទ្រីសច្របូកច្របល់គឺជាតារាងដែលប្រើដើម្បីពិពណ៌នាអំពីដំណើរការនៃគំរូចំណាត់ថ្នាក់។ ពាក្យទាំងបួនខាងក្រោមត្រូវបានប្រើដើម្បីពិនិត្យមើលម៉ាទ្រីសច្របូកច្របល់៖
- វិជ្ជមានពិត៖ វាបង្ហាញថាគំរូបានព្យាករណ៍ពីលទ្ធផលអំណោយផល ហើយវាត្រឹមត្រូវ។
- អវិជ្ជមានពិត៖ វាបង្ហាញថាគំរូបានព្យាករនូវលទ្ធផលមិនល្អ ហើយវាត្រឹមត្រូវ។
- វិជ្ជមានមិនពិត៖ វាបង្ហាញថាគំរូរំពឹងថានឹងមានលទ្ធផលអំណោយផល ប៉ុន្តែវាពិតជាអវិជ្ជមាន។
- អវិជ្ជមានមិនពិត៖ វាបង្ហាញថាគំរូរំពឹងថានឹងមានលទ្ធផលអវិជ្ជមាន ខណៈពេលដែលលទ្ធផលគឺពិតជាវិជ្ជមាន។
ការអនុវត្តម៉ាទ្រីសច្របូកច្របល់៖
គុណសម្បត្តិ
- វាងាយស្រួលប្រើ។
- កញ្ចប់ Scikit-learn គឺអាចសម្របខ្លួនបាន និងមានប្រយោជន៍បំផុត ដោយបម្រើគោលដៅក្នុងពិភពពិត ដូចជាការទស្សន៍ទាយអាកប្បកិរិយារបស់អ្នកប្រើប្រាស់ ការអភិវឌ្ឍន៍ neuroimage ជាដើម។
- អ្នកប្រើប្រាស់ដែលមានបំណងភ្ជាប់ក្បួនដោះស្រាយជាមួយវេទិការបស់ពួកគេនឹងស្វែងរកឯកសារ API លម្អិតនៅលើគេហទំព័រ Scikit-learn ។
- អ្នកនិពន្ធ សហការី និងសហគមន៍អនឡាញដ៏ធំមួយនៅទូទាំងពិភពលោកគាំទ្រ និងរក្សា Scikit-learn ឱ្យទាន់សម័យ។
គុណវិបត្តិ
- វាមិនមែនជាជម្រើសដ៏ល្អសម្រាប់ការសិក្សាស៊ីជម្រៅនោះទេ។
សន្និដ្ឋាន
Scikit-learn គឺជាកញ្ចប់ដ៏សំខាន់មួយសម្រាប់អ្នកវិទ្យាសាស្ត្រទិន្នន័យទាំងអស់ដើម្បីឱ្យមានការយល់ច្បាស់ និងបទពិសោធន៍ខ្លះជាមួយ។ មគ្គុទ្ទេសក៍នេះគួរតែជួយអ្នកក្នុងការរៀបចំទិន្នន័យដោយប្រើ sklearn ។ មានសមត្ថភាពជាច្រើនទៀតនៃ Scikit-learn ដែលអ្នកនឹងរកឃើញនៅពេលអ្នករីកចម្រើនតាមរយៈការផ្សងព្រេងវិទ្យាសាស្ត្រទិន្នន័យរបស់អ្នក។ ចែករំលែកគំនិតរបស់អ្នកនៅក្នុងមតិយោបល់។
សូមផ្ដល់យោបល់