មាតិកា[លាក់][បង្ហាញ]
លក្ខណៈវិនិច្ឆ័យចម្បងមួយសម្រាប់ប្រភេទនៃសកម្មភាពសាជីវកម្មណាមួយគឺការប្រើប្រាស់ព័ត៌មានប្រកបដោយប្រសិទ្ធភាព។ នៅចំណុចខ្លះបរិមាណនៃទិន្នន័យដែលបានបង្កើតលើសពីសមត្ថភាពដំណើរការមូលដ្ឋាន។
នោះហើយជាកន្លែងដែលក្បួនដោះស្រាយការរៀនម៉ាស៊ីនចូលមកលេង។ ទោះជាយ៉ាងណាក៏ដោយ មុននឹងអាចកើតមានឡើង ព័ត៌មានត្រូវតែសិក្សា និងបកស្រាយ។ សរុបមក វាគឺជាអ្វីដែលម៉ាស៊ីនរៀនដែលគ្មានការត្រួតពិនិត្យត្រូវបានប្រើប្រាស់សម្រាប់។
នៅក្នុងអត្ថបទនេះ យើងនឹងពិនិត្យមើលការរៀនម៉ាស៊ីនដែលមិនមានការត្រួតពិនិត្យយ៉ាងស៊ីជម្រៅ រួមទាំងក្បួនដោះស្រាយរបស់វា ករណីប្រើប្រាស់ និងច្រើនទៀត។
តើអ្វីជា Unsupervised Machine Learning?
ក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដែលមិនមានការត្រួតពិនិត្យកំណត់លំនាំនៅក្នុងសំណុំទិន្នន័យដែលមិនមានលទ្ធផលដែលគេស្គាល់ ឬដាក់ស្លាក។ ត្រួតពិនិត្យ ក្បួនដោះស្រាយការរៀនម៉ាស៊ីន មានស្លាកលទ្ធផល។
ការដឹងពីភាពខុសគ្នានេះជួយអ្នកឱ្យយល់ពីមូលហេតុដែលវិធីសាស្ត្ររៀនម៉ាស៊ីនដែលមិនមានការត្រួតពិនិត្យមិនអាចប្រើដើម្បីដោះស្រាយបញ្ហាតំរែតំរង់ ឬចំណាត់ថ្នាក់បានទេ ដោយសារអ្នកមិនដឹងថាតម្លៃ/ចម្លើយសម្រាប់ទិន្នន័យលទ្ធផលអាចជាអ្វី។ អ្នកមិនអាចហ្វឹកហាត់ក្បួនដោះស្រាយជាធម្មតាបានទេ ប្រសិនបើអ្នកមិនដឹងតម្លៃ/ចម្លើយ។
ជាងនេះទៅទៀត ការរៀនដែលគ្មានការត្រួតពិនិត្យអាចត្រូវបានប្រើដើម្បីកំណត់រចនាសម្ព័ន្ធមូលដ្ឋានរបស់ទិន្នន័យ។ ក្បួនដោះស្រាយទាំងនេះរកឃើញលំនាំលាក់ ឬការដាក់ជាក្រុមទិន្នន័យដោយមិនចាំបាច់មានអន្តរកម្មរបស់មនុស្ស។
សមត្ថភាពរបស់វាក្នុងការរកឃើញភាពស្រដៀងគ្នា និងភាពផ្ទុយគ្នានៅក្នុងព័ត៌មាន ធ្វើឱ្យវាក្លាយជាជម្រើសដ៏ល្អសម្រាប់ការវិភាគទិន្នន័យ ការរុករក បច្ចេកទេសលក់ទំនិញ ការបែងចែកអ្នកប្រើប្រាស់ និងការកំណត់រូបភាព។
ពិចារណាពីសេណារីយ៉ូខាងក្រោម៖ អ្នកនៅក្នុងហាងលក់គ្រឿងទេស ហើយឃើញផ្លែឈើមិនស្គាល់អត្តសញ្ញាណមួយ ដែលអ្នកមិនធ្លាប់ឃើញពីមុនមក។ អ្នកអាចបែងចែកផ្លែឈើដែលមិនស្គាល់ខុសពីផ្លែឈើផ្សេងទៀតដោយផ្អែកលើការសង្កេតរបស់អ្នកអំពីទម្រង់ទំហំ ឬពណ៌របស់វា។
ក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដែលមិនមានការត្រួតពិនិត្យ
ចង្កោម
ការធ្វើចង្កោមគឺដោយគ្មានការសង្ស័យជាវិធីសាស្រ្តសិក្សាដែលគ្មានការត្រួតពិនិត្យដែលត្រូវបានប្រើប្រាស់យ៉ាងទូលំទូលាយបំផុត។ វិធីសាស្រ្តនេះដាក់ធាតុទិន្នន័យពាក់ព័ន្ធទៅក្នុងចង្កោមដែលបង្កើតដោយចៃដន្យ។
ដោយខ្លួនវាផ្ទាល់ គំរូ ML រកឃើញលំនាំ ភាពស្រដៀងគ្នា និង/ឬភាពខុសគ្នានៅក្នុងរចនាសម្ព័ន្ធទិន្នន័យដែលមិនបានចាត់ថ្នាក់។ គំរូមួយនឹងអាចរកឃើញក្រុម ឬថ្នាក់ធម្មជាតិណាមួយនៅក្នុងទិន្នន័យ។
ប្រភេទ
មានទម្រង់ជាច្រើននៃការចង្កោមដែលអាចប្រើបាន។ សូមក្រឡេកមើលអ្វីដែលសំខាន់បំផុតជាមុនសិន។
- ការដាក់ចង្កោមផ្តាច់មុខ ជួនកាលគេស្គាល់ថាជាចង្កោម "រឹង" គឺជាប្រភេទនៃការដាក់ជាក្រុមដែលទិន្នន័យតែមួយជាកម្មសិទ្ធិរបស់ចង្កោមតែមួយ។
- ការដាក់ចង្កោមត្រួតស៊ីគ្នា ដែលជារឿយៗគេស្គាល់ថាជាចង្កោម "ទន់" អនុញ្ញាតឱ្យវត្ថុទិន្នន័យជាកម្មសិទ្ធិរបស់ចង្កោមច្រើនជាងមួយទៅកម្រិតផ្សេងៗគ្នា។ លើសពីនេះ ការដាក់ចង្កោមប្រូបាប៊ីលីកអាចត្រូវបានប្រើដើម្បីដោះស្រាយបញ្ហានៃការប៉ាន់ប្រមាណថាជាចង្កោម "ទន់" ក៏ដូចជាដើម្បីវាយតម្លៃប្រូបាប៊ីលីតេ ឬលទ្ធភាពនៃចំណុចទិន្នន័យដែលជាកម្មសិទ្ធិរបស់ចង្កោមជាក់លាក់។
- ការបង្កើតឋានានុក្រមនៃធាតុទិន្នន័យដែលបានដាក់ជាក្រុមគឺជាគោលដៅនៃការរៀបចំក្រុមតាមឋានានុក្រម ដូចដែលឈ្មោះបានបង្ហាញ។ ធាតុទិន្នន័យត្រូវបានបង្កើត ឬរួមបញ្ចូលគ្នាដោយផ្អែកលើឋានានុក្រមដើម្បីបង្កើតចង្កោម។
ប្រើករណី៖
- ការរកឃើញភាពមិនប្រក្រតី៖
ប្រភេទណាមួយនៃ outlier នៅក្នុងទិន្នន័យអាចត្រូវបានរកឃើញដោយប្រើចង្កោម។ ជាឧទាហរណ៍ ក្រុមហ៊ុនក្នុងការដឹកជញ្ជូន និងភស្តុភារ អាចប្រើប្រាស់ការរកឃើញភាពមិនប្រក្រតី ដើម្បីស្វែងរកឧបសគ្គផ្នែកដឹកជញ្ជូន ឬបង្ហាញផ្នែកមេកានិចដែលខូច (ការថែទាំតាមព្យាករណ៍)។
ស្ថាប័នហិរញ្ញវត្ថុអាចប្រើប្រាស់បច្ចេកវិទ្យាដើម្បីរកមើលប្រតិបត្តិការក្លែងបន្លំ និងឆ្លើយតបបានយ៉ាងឆាប់រហ័ស ដែលអាចសន្សំប្រាក់បានច្រើន។ ស្វែងយល់បន្ថែមអំពីការរកឃើញភាពមិនប្រក្រតី និងការក្លែងបន្លំដោយមើលវីដេអូរបស់យើង។
- ការបែងចែកអតិថិជន និងទីផ្សារ៖
ក្បួនដោះស្រាយចង្កោមអាចជួយក្នុងការដាក់ក្រុមមនុស្សដែលមានលក្ខណៈស្រដៀងគ្នា និងបង្កើតបុគ្គលិកលក្ខណៈអ្នកប្រើប្រាស់សម្រាប់ទីផ្សារកាន់តែមានប្រសិទ្ធភាព និងគំនិតផ្តួចផ្តើមគោលដៅ។
ខេ - មធ្យោបាយ
K-means គឺជាវិធីសាស្ត្រចង្កោម ដែលត្រូវបានគេស្គាល់ថាជាការបែងចែក ឬការបែងចែក។ វាបែងចែកចំណុចទិន្នន័យទៅជាចំនួនចង្កោមដែលបានកំណត់ទុកជាមុនដែលគេស្គាល់ថា K ។
នៅក្នុងវិធី K-means K គឺជាការបញ្ចូលចាប់តាំងពីអ្នកប្រាប់កុំព្យូទ័រអំពីចំនួនចង្កោមដែលអ្នកចង់កំណត់អត្តសញ្ញាណនៅក្នុងទិន្នន័យរបស់អ្នក។ ធាតុទិន្នន័យនីមួយៗត្រូវបានដាក់ជាបន្តបន្ទាប់ទៅមជ្ឈមណ្ឌលចង្កោមដែលនៅជិតបំផុត ដែលគេស្គាល់ថាជាចំណុចកណ្តាល (ចំណុចខ្មៅក្នុងរូបភាព)។
ក្រោយមកទៀតបម្រើជាកន្លែងផ្ទុកទិន្នន័យ។ បច្ចេកទេសនៃការដាក់ចង្កោមអាចត្រូវបានធ្វើច្រើនដងរហូតដល់ចង្កោមត្រូវបានកំណត់យ៉ាងល្អ។
Fuzzy K-មានន័យថា
Fuzzy K-means គឺជាផ្នែកបន្ថែមនៃបច្ចេកទេស K-means ដែលត្រូវបានប្រើដើម្បីធ្វើការដាក់ចង្កោមជាន់គ្នា។ មិនដូចបច្ចេកទេស K-means ទេ K-means fuzzy បង្ហាញថាចំណុចទិន្នន័យអាចជារបស់ចង្កោមជាច្រើនដែលមានកម្រិតខុសគ្នានៃភាពជិតគ្នា។
ចម្ងាយរវាងចំណុចទិន្នន័យ និងចំណុចកណ្តាលរបស់ចង្កោមត្រូវបានប្រើដើម្បីគណនាភាពជិត។ ជាលទ្ធផល វាអាចមានឱកាសនៅពេលដែលចង្កោមផ្សេងៗត្រួតគ្នា។
ម៉ូដែលល្បាយ Gaussian
Gaussian Mixture Models (GMMs) គឺជាវិធីសាស្រ្តមួយដែលត្រូវបានប្រើប្រាស់ក្នុងការចង្កោមប្រូបាប៊ីលីក។ ដោយសារតែមធ្យមនិងភាពខុសគ្នាមិនត្រូវបានគេស្គាល់ ម៉ូដែលសន្មតថាមានចំនួនថេរនៃការចែកចាយ Gaussian ដែលនីមួយៗតំណាងឱ្យចង្កោមដោយឡែកពីគ្នា។
ដើម្បីកំណត់ថាចង្កោមណាមួយដែលជាកម្មសិទ្ធិរបស់ចំណុចទិន្នន័យ វិធីសាស្ត្រត្រូវបានប្រើប្រាស់យ៉ាងសំខាន់។
ការចង្កោមតាមឋានានុក្រម
យុទ្ធសាស្ត្រចង្កោមតាមឋានានុក្រមអាចចាប់ផ្តើមដោយចំណុចទិន្នន័យនីមួយៗដែលត្រូវបានកំណត់ទៅចង្កោមផ្សេងគ្នា។ បន្ទាប់មក ចង្កោមទាំងពីរដែលនៅជិតគ្នាបំផុត ត្រូវបានបញ្ចូលគ្នាជាចង្កោមតែមួយ។ ការបញ្ចូលគ្នាដដែលៗបន្តរហូតដល់មានតែចង្កោមមួយនៅតែនៅខាងលើ។
វិធីសាស្រ្តនេះត្រូវបានគេស្គាល់ថាជាបាតឡើង ឬ agglomeration ។ ប្រសិនបើអ្នកចាប់ផ្តើមជាមួយធាតុទិន្នន័យទាំងអស់ដែលចងភ្ជាប់ជាមួយចង្កោមតែមួយ ហើយបន្ទាប់មកធ្វើការបំបែករហូតដល់ធាតុទិន្នន័យនីមួយៗត្រូវបានចាត់តាំងជាចង្កោមដាច់ដោយឡែក នោះវិធីសាស្ត្រត្រូវបានគេស្គាល់ថាជាចង្កោមឋានានុក្រមពីលើចុះក្រោម ឬការបែងចែកតាមលំដាប់លំដោយ។
ក្បួនដោះស្រាយ Apriori
ការវិភាគលើកញ្ចប់ទីផ្សារបានធ្វើឱ្យពេញនិយមនូវក្បួនដោះស្រាយ apriori ដែលជាលទ្ធផលនៅក្នុងម៉ាស៊ីនណែនាំផ្សេងៗសម្រាប់វេទិកាតន្ត្រី និងហាងអនឡាញ។
ពួកវាត្រូវបានប្រើនៅក្នុងសំណុំទិន្នន័យប្រតិបត្តិការ ដើម្បីស្វែងរកធាតុញឹកញាប់ ឬការដាក់ជាក្រុមនៃធាតុ ដើម្បីទស្សន៍ទាយពីលទ្ធភាពនៃការប្រើប្រាស់ផលិតផលមួយដោយផ្អែកលើការប្រើប្រាស់មួយផ្សេងទៀត។
ជាឧទាហរណ៍ ប្រសិនបើខ្ញុំចាប់ផ្តើមចាក់វិទ្យុរបស់ OneRepublic នៅលើ Spotify ជាមួយបទ "Counting Stars" នោះបទចម្រៀងមួយក្នុងចំណោមបទចម្រៀងផ្សេងទៀតនៅលើប៉ុស្តិ៍នេះពិតជានឹងជាបទចម្រៀង Imagine Dragon ដូចជា "Bad Liar" ជាដើម។
នេះគឺផ្អែកលើទម្លាប់ស្តាប់ពីមុនរបស់ខ្ញុំ ក៏ដូចជាគំរូនៃការស្តាប់របស់អ្នកដទៃ។ វិធីសាស្ត្រ Apriori រាប់ធាតុដោយប្រើប្រាស់មែកធាង hash ដោយឆ្លងកាត់ទំហំទិន្នន័យដំបូង។
ការកាត់បន្ថយវិមាត្រ
ការកាត់បន្ថយវិមាត្រគឺជាប្រភេទនៃការរៀនដែលគ្មានការត្រួតពិនិត្យដែលប្រើបណ្តុំនៃយុទ្ធសាស្ត្រដើម្បីកាត់បន្ថយចំនួនមុខងារ ឬវិមាត្រនៅក្នុងសំណុំទិន្នន័យ។ អនុញ្ញាតឱ្យយើងពន្យល់។
វាអាចទាក់ទាញការបញ្ចូលទិន្នន័យឱ្យបានច្រើនតាមដែលអាចធ្វើទៅបាន ខណៈពេលដែលបង្កើតរបស់អ្នក។ សំណុំទិន្នន័យសម្រាប់ការរៀនម៉ាស៊ីន. កុំយល់ច្រឡំ៖ យុទ្ធសាស្ត្រនេះដំណើរការល្អ ដោយសារទិន្នន័យកាន់តែច្រើនជាធម្មតាផ្តល់លទ្ធផលត្រឹមត្រូវជាង។
សន្មត់ថាទិន្នន័យត្រូវបានរក្សាទុកក្នុងទំហំ N-dimensional ដោយលក្ខណៈពិសេសនីមួយៗតំណាងឱ្យវិមាត្រផ្សេងគ្នា។ វាអាចមានវិមាត្ររាប់រយប្រសិនបើមានទិន្នន័យច្រើន។
ពិចារណាសៀវភៅបញ្ជី Excel ដែលមានជួរឈរតំណាងឱ្យលក្ខណៈ និងជួរដែលតំណាងឱ្យធាតុទិន្នន័យ។ នៅពេលដែលមានវិមាត្រច្រើនពេក ក្បួនដោះស្រាយ ML អាចដំណើរការមិនល្អ ការមើលឃើញទិន្នន័យ។ អាចក្លាយជាការលំបាក។
ដូច្នេះវាធ្វើឱ្យវាសមហេតុផលក្នុងការកំណត់លក្ខណៈ ឬវិមាត្រ ហើយបញ្ជូនព័ត៌មានដែលពាក់ព័ន្ធ។ ការកាត់បន្ថយវិមាត្រគឺគ្រាន់តែថា។ វាអនុញ្ញាតឱ្យមានបរិមាណដែលអាចគ្រប់គ្រងបាននៃការបញ្ចូលទិន្នន័យដោយមិនធ្វើឱ្យខូចដល់ភាពត្រឹមត្រូវនៃសំណុំទិន្នន័យ។
ការវិភាគសមាសធាតុសំខាន់ (ភី។ ភី។ អេ។ អេស)
ការវិភាគសមាសធាតុចម្បងគឺជាវិធីសាស្រ្តកាត់បន្ថយវិមាត្រ។ វាត្រូវបានប្រើដើម្បីកាត់បន្ថយចំនួននៃលក្ខណៈពិសេសនៅក្នុងសំណុំទិន្នន័យដ៏ធំ ដែលបណ្តាលឱ្យមានភាពសាមញ្ញនៃទិន្នន័យកាន់តែច្រើនដោយមិនមានការលះបង់ភាពត្រឹមត្រូវ។
ការបង្ហាប់សំណុំទិន្នន័យត្រូវបានសម្រេចដោយវិធីសាស្ត្រដែលគេស្គាល់ថាជាការទាញយកលក្ខណៈពិសេស។ វាបង្ហាញថាធាតុពីសំណុំដើមត្រូវបានបញ្ចូលគ្នាទៅជាថ្មីមួយតូចជាង។ លក្ខណៈថ្មីទាំងនេះត្រូវបានគេស្គាល់ថាជាសមាសធាតុចម្បង។
ជាការពិតណាស់ មានក្បួនដោះស្រាយបន្ថែមដែលអ្នកអាចប្រើនៅក្នុងកម្មវិធីសិក្សាដែលគ្មានការត្រួតពិនិត្យរបស់អ្នក។ អ្វីដែលបានរាយខាងលើគឺគ្រាន់តែជាប្រេវ៉ាឡង់បំផុត ដែលជាមូលហេតុដែលពួកគេត្រូវបានពិភាក្សាលម្អិតបន្ថែមទៀត។
ការអនុវត្តការសិក្សាដែលគ្មានការត្រួតពិនិត្យ
- វិធីសាស្រ្តសិក្សាដែលមិនមានការត្រួតពិនិត្យត្រូវបានប្រើប្រាស់សម្រាប់កិច្ចការនៃការយល់ឃើញដែលមើលឃើញ ដូចជាការទទួលស្គាល់វត្ថុជាដើម។
- ការរៀនម៉ាស៊ីនដែលមិនមានការត្រួតពិនិត្យផ្តល់នូវទិដ្ឋភាពសំខាន់ៗដល់ប្រព័ន្ធរូបភាពវេជ្ជសាស្ត្រ ដូចជាការកំណត់អត្តសញ្ញាណរូបភាព ចំណាត់ថ្នាក់ និងការបែងចែក ដែលត្រូវបានប្រើប្រាស់ក្នុងផ្នែកវិទ្យុសកម្ម និងរោគសាស្ត្រ ដើម្បីធ្វើរោគវិនិច្ឆ័យអ្នកជំងឺយ៉ាងឆាប់រហ័ស និងអាចទុកចិត្តបាន។
- ការរៀនដោយគ្មានការត្រួតពិនិត្យអាចជួយកំណត់និន្នាការទិន្នន័យដែលអាចត្រូវបានប្រើដើម្បីបង្កើតយុទ្ធសាស្រ្តលក់ឆ្លងដែលមានប្រសិទ្ធភាពជាងមុនដោយប្រើប្រាស់ទិន្នន័យពីមុនស្តីពីអាកប្បកិរិយាអ្នកប្រើប្រាស់។ ក្នុងអំឡុងពេលដំណើរការទូទាត់ នេះត្រូវបានប្រើដោយអាជីវកម្មអនឡាញ ដើម្បីណែនាំកម្មវិធីបន្ថែមត្រឹមត្រូវដល់អតិថិជន។
- វិធីសាស្រ្តសិក្សាដែលមិនមានការត្រួតពិនិត្យអាចរុះរើតាមបរិមាណទិន្នន័យដ៏ធំសម្បើមដើម្បីស្វែងរកផ្នែកខាងក្រៅ។ ភាពមិនប្រក្រតីទាំងនេះអាចបង្កើនការជូនដំណឹងអំពីឧបករណ៍មិនដំណើរការ កំហុសរបស់មនុស្ស ឬការរំលោភលើសុវត្ថិភាព។
បញ្ហាជាមួយការរៀនដែលគ្មានការត្រួតពិនិត្យ
ការរៀនសូត្រដែលមិនមានការត្រួតពិនិត្យគឺមានភាពទាក់ទាញតាមវិធីផ្សេងៗគ្នា ពីសក្តានុពលក្នុងការស្វែងរកការយល់ដឹងសំខាន់ៗ ទិន្នន័យ ដើម្បីចៀសវាងការដាក់ស្លាកទិន្នន័យដែលមានតម្លៃថ្លៃ ប្រតិបត្តិការ។ ទោះយ៉ាងណាក៏ដោយ មានគុណវិបត្តិមួយចំនួនក្នុងការប្រើប្រាស់យុទ្ធសាស្ត្រនេះដើម្បីហ្វឹកហាត់ ម៉ូដែលរៀនម៉ាស៊ីន ដែលអ្នកគួរយល់ដឹង។ នេះគឺជាឧទាហរណ៍មួយចំនួន។
- ដោយសារទិន្នន័យបញ្ចូលខ្វះស្លាកដែលបម្រើជាសោឆ្លើយតប លទ្ធផលនៃគំរូសិក្សាដែលមិនមានការត្រួតពិនិត្យអាចមានភាពច្បាស់លាស់តិចជាង។
- ការរៀនដែលគ្មានការត្រួតពិនិត្យជារឿយៗដំណើរការជាមួយសំណុំទិន្នន័យដ៏ធំ ដែលអាចបង្កើនភាពស្មុគស្មាញក្នុងការគណនា។
- វិធីសាស្រ្តត្រូវការការបញ្ជាក់លទ្ធផលដោយមនុស្ស ទាំងអ្នកឯកទេសខាងក្នុង ឬខាងក្រៅក្នុងប្រធានបទនៃការសាកសួរ។
- ក្បួនដោះស្រាយត្រូវតែពិនិត្យ និងគណនារាល់សេណារីយ៉ូដែលអាចធ្វើបានពេញមួយវគ្គបណ្តុះបណ្តាល ដែលចំណាយពេលខ្លះ។
សន្និដ្ឋាន
ការប្រើប្រាស់ទិន្នន័យប្រកបដោយប្រសិទ្ធភាព គឺជាគន្លឹះក្នុងការបង្កើតការប្រកួតប្រជែងនៅក្នុងទីផ្សារជាក់លាក់មួយ។
អ្នកអាចបែងចែកទិន្នន័យដោយប្រើក្បួនដោះស្រាយការរៀនម៉ាស៊ីនដែលមិនមានការត្រួតពិនិត្យ ដើម្បីពិនិត្យមើលចំណូលចិត្តនៃទស្សនិកជនគោលដៅរបស់អ្នក ឬដើម្បីកំណត់ពីរបៀបដែលការឆ្លងមេរោគជាក់លាក់ឆ្លើយតបទៅនឹងការព្យាបាលជាក់លាក់ណាមួយ។
មានការអនុវត្តជាក់ស្តែងជាច្រើន និង អ្នកវិទ្យាសាស្ត្រទិន្នន័យ។វិស្វករ និងស្ថាបត្យករអាចជួយអ្នកក្នុងការកំណត់គោលដៅរបស់អ្នក និងបង្កើតដំណោះស្រាយ ML តែមួយគត់សម្រាប់ក្រុមហ៊ុនរបស់អ្នក។
សូមផ្ដល់យោបល់