course/pr_1148/my/_app/immutable/nodes/58.70fbdfd0.js

import{s as Z,n as tt,o as et}from"../chunks/scheduler.893fe8c9.js";import{S as at,i as nt,e as r,s as i,c as v,h as it,a as o,d as a,b as s,f as W,g as x,j as H,k as X,l as st,m as n,n as C,t as L,o as P,p as T}from"../chunks/index.b1df2166.js";import{C as lt,H as Y,E as rt}from"../chunks/MermaidChart.svelte_svelte_type_style_lang.0f3c1dad.js";import{C as ot}from"../chunks/CourseFloatingBanner.c1c08878.js";function mt(B){let l,w,M,A,m,z,p,D,u,k,g,N='<a href="/course/chapter3">Chapter 3</a> မှာ သင်ဟာ 🤗 Datasets library ရဲ့ ပထမဆုံး အတွေ့အကြုံကို ရရှိခဲ့ပြီး model တစ်ခုကို fine-tuning လုပ်တဲ့အခါ အဓိကအဆင့်သုံးဆင့်ရှိတယ်ဆိုတာကို တွေ့မြင်ခဲ့ရပါတယ်။',F,c,O=`၁။ Hugging Face Hub ကနေ dataset တစ်ခုကို load လုပ်ပါ။
၂။ <code>Dataset.map()</code> နဲ့ data ကို preprocess လုပ်ပါ။
၃။ metrics တွေကို load လုပ်ပြီး တွက်ချက်ပါ။`,I,f,J="ဒါပေမယ့် ဒါတွေဟာ 🤗 Datasets လုပ်နိုင်တဲ့အရာတွေရဲ့ အပေါ်ယံမျှသာ ရှိပါသေးတယ်။ ဒီအခန်းမှာ၊ ကျွန်တော်တို့ library ကို နက်နက်နဲနဲ လေ့လာသွားမှာပါ။ ဒီလိုလုပ်ရင်း၊ အောက်ပါမေးခွန်းတွေရဲ့ အဖြေတွေကို ရှာဖွေသွားမှာပါ။",E,d,K="<li>သင်၏ dataset က Hub ပေါ်မှာ မရှိရင် ဘာလုပ်ရမလဲ။</li> <li>dataset တစ်ခုကို ဘယ်လို slice and dice လုပ်မလဲ။ (ပြီးတော့ Pandas ကို <em>တကယ်</em> အသုံးပြုဖို့ လိုအပ်ရင် ဘယ်လိုလုပ်မလဲ။)</li> <li>သင်၏ dataset က ကြီးမားလွန်းပြီး သင့် laptop ရဲ့ RAM ကို အရည်ပျော်သွားစေနိုင်ရင် ဘာလုပ်ရမလဲ။</li> <li>“memory mapping” နဲ့ Apache Arrow ဆိုတာ ဘာတွေလဲ။</li> <li>သင့်ကိုယ်ပိုင် dataset ကို ဘယ်လိုဖန်တီးပြီး Hub ကို push လုပ်မလဲ။</li>",S,$,Q='ဒီနေရာမှာ သင်ယူရမယ့် နည်းလမ်းတွေက <a href="/course/chapter6">Chapter 6</a> နဲ့ <a href="/course/chapter7">Chapter 7</a> မှာ ပါဝင်မယ့် အဆင့်မြင့် tokenization နဲ့ fine-tuning လုပ်ငန်းတွေအတွက် သင့်ကို ပြင်ဆင်ပေးပါလိမ့်မယ်၊ ဒါကြောင့် ကော်ဖီတစ်ခွက်သောက်ပြီး စလိုက်ရအောင်!',R,h,G,y,V="<li><strong>🤗 Datasets Library</strong>: Hugging Face က ထုတ်လုပ်ထားတဲ့ library တစ်ခုဖြစ်ပြီး AI မော်ဒယ်တွေ လေ့ကျင့်ဖို့အတွက် ဒေတာအစုအဝေး (datasets) တွေကို လွယ်လွယ်ကူကူ ဝင်ရောက်ရယူ၊ စီမံခန့်ခွဲပြီး အသုံးပြုနိုင်စေပါတယ်။</li> <li><strong>Fine-tuning</strong>: ကြိုတင်လေ့ကျင့်ထားပြီးသား (pre-trained) မော်ဒယ်တစ်ခုကို သီးခြားလုပ်ငန်းတစ်ခု (specific task) အတွက် အနည်းငယ်သော ဒေတာနဲ့ ထပ်မံလေ့ကျင့်ပေးခြင်းကို ဆိုလိုပါတယ်။</li> <li><strong>Model</strong>: Artificial Intelligence (AI) နယ်ပယ်တွင် အချက်အလက်များကို လေ့လာပြီး ခန့်မှန်းချက်များ ပြုလုပ်ရန် ဒီဇိုင်းထုတ်ထားသော သင်္ချာဆိုင်ရာဖွဲ့စည်းပုံများ။</li> <li><strong>Hugging Face Hub</strong>: AI မော်ဒယ်တွေ၊ datasets တွေနဲ့ demo တွေကို အခြားသူတွေနဲ့ မျှဝေဖို့၊ ရှာဖွေဖို့နဲ့ ပြန်လည်အသုံးပြုဖို့အတွက် အွန်လိုင်း platform တစ်ခု ဖြစ်ပါတယ်။</li> <li><strong>Dataset</strong>: AI မော်ဒယ်တွေ လေ့ကျင့်ဖို့အတွက် အသုံးပြုတဲ့ ဒေတာအစုအဝေးတစ်ခုပါ။</li> <li><strong>Preprocess</strong>: ဒေတာများကို model က နားလည်ပြီး လုပ်ဆောင်နိုင်တဲ့ ပုံစံအဖြစ် ပြောင်းလဲပြင်ဆင်ခြင်း လုပ်ငန်းစဉ်။</li> <li><strong><code>Dataset.map()</code></strong>: 🤗 Datasets library မှာ ပါဝင်တဲ့ method တစ်ခုဖြစ်ပြီး dataset ရဲ့ element တစ်ခုစီ ဒါမှမဟုတ် batch တစ်ခုစီပေါ်မှာ function တစ်ခုကို အသုံးပြုနိုင်စေသည်။</li> <li><strong>Metrics</strong>: Model ၏ စွမ်းဆောင်ရည်ကို တိုင်းတာရန် အသုံးပြုသော တန်ဖိုးများ (ဥပမာ- accuracy, F1 score)။</li> <li><strong>Slice and Dice</strong>: ဒေတာအစုအဝေး (dataset) ကို လိုအပ်သလို အစိတ်စိတ်အမြွှာမြွှာ ပိုင်းဖြတ်ခြင်းနှင့် ပုံစံပြောင်းလဲခြင်း။</li> <li><strong>Pandas</strong>: Python programming language အတွက် data analysis နှင့် manipulation အတွက် အသုံးပြုသော open-source library။</li> <li><strong>RAM (Random Access Memory)</strong>: ကွန်ပျူတာ၏ ယာယီမှတ်ဉာဏ်သိုလှောင်ရာနေရာ။</li> <li><strong>Memory Mapping</strong>: ဖိုင်တစ်ခု၏ အကြောင်းအရာများကို ကွန်ပျူတာ၏ virtual memory နေရာသို့ တိုက်ရိုက်ချိတ်ဆက်ပေးသည့် နည်းလမ်း။ ၎င်းသည် ကြီးမားသောဖိုင်များကို disk ပေါ်ကနေ လိုအပ်သလောက်သာ memory ထဲသို့ load လုပ်စေပြီး memory အသုံးပြုမှုကို လျှော့ချသည်။</li> <li><strong>Apache Arrow</strong>: In-memory data format တစ်ခုဖြစ်ပြီး data analytics applications တွေကြား ဒေတာဖလှယ်မှုကို မြန်ဆန်စေပြီး ထိရောက်စေသည်။</li> <li><strong>Push to the Hub</strong>: Hugging Face Hub သို့ model, dataset သို့မဟုတ် အခြား artifacts များကို upload လုပ်ခြင်း။</li> <li><strong>Tokenization</strong>: စာသား (သို့မဟုတ် အခြားဒေတာ) ကို AI မော်ဒယ်များ စီမံဆောင်ရွက်နိုင်ရန် tokens တွေအဖြစ် ပိုင်းခြားပေးသည့် လုပ်ငန်းစဉ်။</li>",U,b,j,_,q;return m=new lt({props:{containerStyle:"float: right; margin-left: 10px; display: inline-flex; position: relative; z-index: 10;"}}),p=new Y({props:{title:"နိဒါန်း",local:"introduction",headingTag:"h1"}}),u=new ot({props:{chapter:5,classNames:"absolute z-10 right-0 top-0"}}),h=new Y({props:{title:"ဝေါဟာရ ရှင်းလင်းချက် (Glossary)",local:"ဝဟရ-ရငလငခက-glossary",headingTag:"h2"}}),b=new rt({props:{source:"https://github.com/huggingface/course/blob/main/chapters/my/chapter5/1.mdx"}}),{c(){l=r("meta"),w=i(),M=r("p"),A=i(),v(m.$$.fragment),z=i(),v(p.$$.fragment),D=i(),v(u.$$.fragment),k=i(),g=r("p"),g.innerHTML=N,F=i(),c=r("p"),c.innerHTML=O,I=i(),f=r("p"),f.textContent=J,E=i(),d=r("ul"),d.innerHTML=K,S=i(),$=r("p"),$.innerHTML=Q,R=i(),v(h.$$.fragment),G=i(),y=r("ul"),y.innerHTML=V,U=i(),v(b.$$.fragment),j=i(),_=r("p"),this.h()},l(t){const e=it("svelte-u9bgzb",document.head);l=o(e,"META",{name:!0,content:!0}),e.forEach(a),w=s(t),M=o(t,"P",{}),W(M).forEach(a),A=s(t),x(m.$$.fragment,t),z=s(t),x(p.$$.fragment,t),D=s(t),x(u.$$.fragment,t),k=s(t),g=o(t,"P",{"data-svelte-h":!0}),H(g)!=="svelte-1ksrltu"&&(g.innerHTML=N),F=s(t),c=o(t,"P",{"data-svelte-h":!0}),H(c)!=="svelte-19i4olf"&&(c.innerHTML=O),I=s(t),f=o(t,"P",{"data-svelte-h":!0}),H(f)!=="svelte-4p2w34"&&(f.textContent=J),E=s(t),d=o(t,"UL",{"data-svelte-h":!0}),H(d)!=="svelte-1jwyruv"&&(d.innerHTML=K),S=s(t),$=o(t,"P",{"data-svelte-h":!0}),H($)!=="svelte-1wc5gce"&&($.innerHTML=Q),R=s(t),x(h.$$.fragment,t),G=s(t),y=o(t,"UL",{"data-svelte-h":!0}),H(y)!=="svelte-vzurzz"&&(y.innerHTML=V),U=s(t),x(b.$$.fragment,t),j=s(t),_=o(t,"P",{}),W(_).forEach(a),this.h()},h(){X(l,"name","hf:doc:metadata"),X(l,"content",pt)},m(t,e){st(document.head,l),n(t,w,e),n(t,M,e),n(t,A,e),C(m,t,e),n(t,z,e),C(p,t,e),n(t,D,e),C(u,t,e),n(t,k,e),n(t,g,e),n(t,F,e),n(t,c,e),n(t,I,e),n(t,f,e),n(t,E,e),n(t,d,e),n(t,S,e),n(t,$,e),n(t,R,e),C(h,t,e),n(t,G,e),n(t,y,e),n(t,U,e),C(b,t,e),n(t,j,e),n(t,_,e),q=!0},p:tt,i(t){q||(L(m.$$.fragment,t),L(p.$$.fragment,t),L(u.$$.fragment,t),L(h.$$.fragment,t),L(b.$$.fragment,t),q=!0)},o(t){P(m.$$.fragment,t),P(p.$$.fragment,t),P(u.$$.fragment,t),P(h.$$.fragment,t),P(b.$$.fragment,t),q=!1},d(t){t&&(a(w),a(M),a(A),a(z),a(D),a(k),a(g),a(F),a(c),a(I),a(f),a(E),a(d),a(S),a($),a(R),a(G),a(y),a(U),a(j),a(_)),a(l),T(m,t),T(p,t),T(u,t),T(h,t),T(b,t)}}}const pt='{"title":"နိဒါန်း","local":"introduction","sections":[{"title":"ဝေါဟာရ ရှင်းလင်းချက် (Glossary)","local":"ဝဟရ-ရငလငခက-glossary","sections":[],"depth":2}],"depth":1}';function ut(B){return et(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class $t extends at{constructor(l){super(),nt(this,l,ut,mt,Z,{})}}export{$t as component};