course/pr_1177/my/_app/immutable/nodes/4.eb5b4e59.js

import{s as Kt,n as Vt,o as Wt}from"../chunks/scheduler.893fe8c9.js";import{S as Xt,i as Yt,e as s,s as l,c as g,h as Zt,a,d as n,b as r,f as Qt,g as m,j as o,k as Jt,l as te,m as i,n as f,t as u,o as c,p}from"../chunks/index.b1df2166.js";import{C as ee,H as $,E as ne}from"../chunks/MermaidChart.svelte_svelte_type_style_lang.aec4641a.js";import{C as ie}from"../chunks/CourseFloatingBanner.c1c08878.js";function le(bt){let d,V,J,W,T,X,L,Y,x,Z,v,wt="ဒီအခန်းမှာ Transformer မော်ဒယ်တွေ၊ Large Language Models (LLMs) တွေရဲ့ အခြေခံသဘောတရားတွေနဲ့ ၎င်းတို့က Artificial Intelligence (AI) နယ်ပယ်အပြင် အခြားနယ်ပယ်တွေကိုပါ ဘယ်လို တော်လှန်ပြောင်းလဲနေတယ်ဆိုတာကို သင်လေ့လာခဲ့ပြီးပါပြီ။",tt,h,et,M,nt,C,Ht="Natural Language Processing (NLP) ဆိုတာ ဘာလဲ၊ Large Language Models (LLMs) တွေက ဒီနယ်ပယ်ကို ဘယ်လို ပြောင်းလဲပစ်ခဲ့လဲဆိုတာကို ကျွန်တော်တို့ လေ့လာခဲ့ပါတယ်။ သင်လေ့လာခဲ့တဲ့ အချက်တွေကတော့-",it,P,It="<li>NLP ဟာ classification ကနေ generation အထိ လုပ်ငန်းတာဝန်အမျိုးမျိုးကို လွှမ်းခြုံထားပါတယ်။</li> <li>LLMs တွေဟာ ဒေတာအမြောက်အမြားနဲ့ လေ့ကျင့်ထားတဲ့ အစွမ်းထက်တဲ့ မော်ဒယ်တွေ ဖြစ်ပါတယ်။</li> <li>ဒီမော်ဒယ်တွေက architecture တစ်ခုတည်းနဲ့ လုပ်ငန်းတာဝန်မျိုးစုံကို လုပ်ဆောင်နိုင်ပါတယ်။</li> <li>၎င်းတို့ရဲ့ စွမ်းရည်တွေရှိနေပေမယ့်လည်း LLMs တွေမှာ hallucinations နဲ့ bias တွေလို ကန့်သတ်ချက်တွေ ရှိပါတယ်။</li>",lt,y,rt,A,Et="🤗 Transformers library ထဲက <code>pipeline()</code> function က pre-trained model တွေကို လုပ်ငန်းတာဝန်အမျိုးမျိုးအတွက် ဘယ်လိုလွယ်ကူစွာ အသုံးပြုနိုင်လဲဆိုတာကို သင်တွေ့ခဲ့ရပါတယ်-",st,_,qt="<li>Text classification, token classification, နဲ့ question answering</li> <li>Text generation နဲ့ summarization</li> <li>Translation နဲ့ အခြား sequence-to-sequence လုပ်ငန်းတာဝန်များ</li> <li>Speech recognition နဲ့ image classification</li>",at,b,ot,w,Bt="Transformer မော်ဒယ်တွေဟာ အမြင့်ဆုံးအဆင့်မှာ ဘယ်လိုအလုပ်လုပ်တယ်ဆိုတာကို ကျွန်တော်တို့ ဆွေးနွေးခဲ့ပါတယ်-",gt,H,kt="<li>Attention mechanism ရဲ့ အရေးပါမှု</li> <li>Transfer learning က မော်ဒယ်တွေကို သီးခြားလုပ်ငန်းတာဝန်များအတွက် ဘယ်လို လိုက်လျောညီထွေဖြစ်အောင် ကူညီပေးတယ်ဆိုတာ</li> <li>အဓိက architecture ပုံစံသုံးမျိုး- encoder-only, decoder-only, နဲ့ encoder-decoder</li>",mt,I,ft,E,Nt="ဒီအခန်းရဲ့ အဓိကအချက်ကတော့ မတူညီတဲ့ လုပ်ငန်းတာဝန်တွေအတွက် ဘယ် architecture ကို အသုံးပြုရမလဲဆိုတာကို နားလည်ခြင်း ဖြစ်ပါတယ်-",ut,q,Rt="<thead><tr><th>မော်ဒယ်</th> <th>ဥပမာများ</th> <th>လုပ်ငန်းတာဝန်များ</th></tr></thead> <tbody><tr><td>Encoder-only</td> <td>BERT, DistilBERT, ModernBERT</td> <td>စာကြောင်းခွဲခြားသတ်မှတ်ခြင်း (Sentence classification), အမည်သတ်မှတ်ခြင်း (named entity recognition), စာသားမှ အဖြေထုတ်ယူခြင်း (extractive question answering)</td></tr> <tr><td>Decoder-only</td> <td>GPT, LLaMA, Gemma, SmolLM</td> <td>စာသားထုတ်လုပ်ခြင်း (Text generation), conversational AI, ဖန်တီးမှုစာရေးခြင်း (creative writing)</td></tr> <tr><td>Encoder-decoder</td> <td>BART, T5, Marian, mBART</td> <td>အကျဉ်းချုပ်ခြင်း (Summarization), ဘာသာပြန်ခြင်း (translation), ထုတ်လုပ်မှုမေးခွန်းဖြေခြင်း (generative question answering)</td></tr></tbody>",ct,B,pt,k,St="နယ်ပယ်ရဲ့ မကြာသေးခင် ဖွံ့ဖြိုးတိုးတက်မှုတွေအကြောင်းကိုလည်း သင်လေ့လာခဲ့ပါတယ်-",$t,N,Dt="<li>LLMs တွေဟာ အချိန်နဲ့အမျှ အရွယ်အစားနဲ့ စွမ်းရည် ဘယ်လိုတိုးတက်လာခဲ့လဲဆိုတာ</li> <li>Scaling laws သဘောတရားနဲ့ ၎င်းတို့က မော်ဒယ်ဖွံ့ဖြိုးတိုးတက်မှုကို ဘယ်လိုလမ်းညွှန်ပေးတယ်ဆိုတာ</li> <li>မော်ဒယ်တွေကို ပိုမိုရှည်လျားတဲ့ sequences တွေကို လုပ်ဆောင်နိုင်အောင် ကူညီပေးတဲ့ သီးခြား attention mechanism များ</li> <li>Pretraining နဲ့ instruction tuning တို့ရဲ့ နှစ်ဆင့်လေ့ကျင့်မှု ချဉ်းကပ်ပုံ</li>",dt,R,Tt,S,Gt="ဒီအခန်းတစ်လျှောက်လုံးမှာ ဒီမော်ဒယ်တွေကို လက်တွေ့ဘဝပြဿနာတွေမှာ ဘယ်လိုအသုံးချနိုင်လဲဆိုတာကို သင်တွေ့ခဲ့ရပါတယ်-",Lt,D,zt="<li>Hugging Face Hub ကို အသုံးပြုပြီး pre-trained model တွေ ရှာဖွေအသုံးပြုခြင်း</li> <li>Inference API ကို အသုံးပြုပြီး browser ထဲမှာ မော်ဒယ်တွေကို တိုက်ရိုက်စမ်းသပ်ခြင်း</li> <li>သီးခြားလုပ်ငန်းတာဝန်များအတွက် ဘယ်မော်ဒယ်တွေက အသင့်တော်ဆုံးလဲဆိုတာကို နားလည်ခြင်း</li>",xt,G,vt,z,Ft="Transformer မော်ဒယ်တွေဆိုတာ ဘာလဲ၊ ၎င်းတို့က အမြင့်ဆုံးအဆင့်မှာ ဘယ်လိုအလုပ်လုပ်တယ်ဆိုတာကို သင်သေချာနားလည်သွားပြီဆိုတော့၊ ၎င်းတို့ကို ထိထိရောက်ရောက် ဘယ်လိုအသုံးပြုရမလဲဆိုတာကို နက်နက်နဲနဲ လေ့လာဖို့ သင်အဆင်သင့်ဖြစ်ပါပြီ။ နောက်အခန်းတွေမှာ သင်လေ့လာရမယ့်အရာတွေကတော့-",ht,F,Ut="<li>Transformers library ကို အသုံးပြုပြီး မော်ဒယ်တွေ တင်သွင်းခြင်းနဲ့ fine-tune လုပ်ခြင်း</li> <li>မော်ဒယ် input အတွက် မတူညီတဲ့ ဒေတာအမျိုးအစားတွေကို လုပ်ဆောင်ခြင်း</li> <li>Pre-trained model တွေကို သင်ရဲ့ သီးခြားလုပ်ငန်းတာဝန်များအတွက် လိုက်လျောညီထွေဖြစ်အောင် ပြုလုပ်ခြင်း</li> <li>လက်တွေ့အသုံးချမှုများအတွက် မော်ဒယ်များ တပ်ဆင်အသုံးပြုခြင်း (deploy)</li>",Mt,U,jt="ဒီအခန်းမှာ သင်တည်ဆောက်ခဲ့တဲ့ အခြေခံအုတ်မြစ်က လာမယ့်အပိုင်းတွေမှာ ပိုမိုအဆင့်မြင့်တဲ့ အကြောင်းအရာတွေနဲ့ နည်းစနစ်တွေကို သင်လေ့လာတဲ့အခါမှာ အလွန်အသုံးဝင်ပါလိမ့်မယ်။",Ct,j,Pt,O,Ot="<li><strong>Transformer Models</strong>: Natural Language Processing (NLP) မှာ အောင်မြင်မှုများစွာရရှိခဲ့တဲ့ deep learning architecture တစ်မျိုးပါ။ ၎င်းတို့ဟာ စာသားတွေထဲက စကားလုံးတွေရဲ့ ဆက်နွယ်မှုတွေကို “attention mechanism” သုံးပြီး နားလည်အောင် သင်ကြားပေးပါတယ်။</li> <li><strong>Large Language Models (LLMs)</strong>: လူသားဘာသာစကားကို နားလည်ပြီး ထုတ်လုပ်ပေးနိုင်တဲ့ အလွန်ကြီးမားတဲ့ Artificial Intelligence (AI) မော်ဒယ်တွေ ဖြစ်ပါတယ်။ ၎င်းတို့ဟာ ဒေတာအမြောက်အမြားနဲ့ သင်ကြားလေ့ကျင့်ထားပြီး စာရေးတာ၊ မေးခွန်းဖြေတာ စတဲ့ ဘာသာစကားဆိုင်ရာ လုပ်ငန်းမျိုးစုံကို လုပ်ဆောင်နိုင်ပါတယ်။</li> <li><strong>Natural Language Processing (NLP)</strong>: ကွန်ပျူတာတွေ လူသားဘာသာစကားကို နားလည်၊ အဓိပ္ပာယ်ဖော်ပြီး၊ ဖန်တီးနိုင်အောင် လုပ်ဆောင်ပေးတဲ့ Artificial Intelligence (AI) ရဲ့ နယ်ပယ်ခွဲတစ်ခု ဖြစ်ပါတယ်။ ဥပမာအားဖြင့် စာသားခွဲခြမ်းစိတ်ဖြာခြင်း၊ ဘာသာပြန်ခြင်း စသည်တို့ ပါဝင်ပါတယ်။</li> <li><strong>Artificial Intelligence (AI)</strong>: လူသားတွေရဲ့ ဉာဏ်ရည်ဉာဏ်သွေးလိုမျိုး တွေးခေါ်နိုင်စွမ်း၊ သင်ယူနိုင်စွမ်းနဲ့ ပြဿနာဖြေရှင်းနိုင်စွမ်းရှိတဲ့ စက်တွေကို ဖန်တီးတဲ့ သိပ္ပံနယ်ပယ်တစ်ခုပါ။</li> <li><strong>Classification</strong>: ဒေတာအချက်အလက်များကို သတ်မှတ်ထားသော အမျိုးအစားများ သို့မဟုတ် အတန်းများထဲသို့ ခွဲခြားသတ်မှတ်ခြင်း။</li> <li><strong>Generation</strong>: AI မော်ဒယ်များကို အသုံးပြု၍ အချက်အလက်အသစ်များ (ဥပမာ - စာသား၊ ပုံများ) ဖန်တီးခြင်း။</li> <li><strong>Hallucinations</strong>: Artificial Intelligence (AI) မော်ဒယ်များမှ မှန်ကန်မှုမရှိသော သို့မဟုတ် အဓိပ္ပာယ်မရှိသော အချက်အလက်များကို ယုံကြည်မှုရှိရှိ ထုတ်လုပ်ပေးခြင်း။</li> <li><strong>Bias</strong>: ဒေတာအစုအဝေး (dataset) သို့မဟုတ် မော်ဒယ်၏ လေ့ကျင့်မှုပုံစံကြောင့် ဖြစ်ပေါ်လာသော ဘက်လိုက်မှုများ။</li> <li><strong><code>pipeline()</code> function</strong>: Hugging Face Transformers library မှာ ပါဝင်တဲ့ လုပ်ဆောင်ချက်တစ်ခုဖြစ်ပြီး မော်ဒယ်တွေကို သီးခြားလုပ်ငန်းတာဝန်များ (ဥပမာ- စာသားခွဲခြားသတ်မှတ်ခြင်း၊ စာသားထုတ်လုပ်ခြင်း) အတွက် အသုံးပြုရလွယ်ကူအောင် ပြုလုပ်ပေးပါတယ်။</li> <li><strong>🤗 Transformers</strong>: Hugging Face က ထုတ်လုပ်ထားတဲ့ library တစ်ခုဖြစ်ပြီး Transformer မော်ဒယ်တွေကို အသုံးပြုပြီး Natural Language Processing (NLP), computer vision, audio processing စတဲ့ နယ်ပယ်တွေမှာ အဆင့်မြင့် AI မော်ဒယ်တွေကို တည်ဆောက်ပြီး အသုံးပြုနိုင်စေပါတယ်။</li> <li><strong>Pre-trained Models</strong>: ဒေတာအမြောက်အမြားပေါ်တွင် ကြိုတင်လေ့ကျင့်ထားပြီးသား Artificial Intelligence (AI) မော်ဒယ်တစ်ခု။ ၎င်းတို့ကို အခြားလုပ်ငန်းများအတွက် အခြေခံအဖြစ် ပြန်လည်အသုံးပြုနိုင်သည်။</li> <li><strong>Text Classification</strong>: စာသားတစ်ခုကို သတ်မှတ်ထားသော အမျိုးအစားများ သို့မဟုတ် အတန်းများထဲသို့ ခွဲခြားသတ်မှတ်ခြင်း။</li> <li><strong>Token Classification</strong>: စာသားတစ်ခုရှိ token (စကားလုံး သို့မဟုတ် စာလုံးတစ်ပိုင်း) တစ်ခုစီကို အမျိုးအစားခွဲခြားသတ်မှတ်ခြင်း။</li> <li><strong>Question Answering</strong>: မေးခွန်းတစ်ခုကို ပေးထားသော စာသားအကြောင်းအရာမှ အဖြေထုတ်ပေးခြင်း။</li> <li><strong>Text Generation</strong>: AI မော်ဒယ်များကို အသုံးပြု၍ လူသားကဲ့သို့သော စာသားအသစ်များ ဖန်တီးခြင်း။</li> <li><strong>Summarization</strong>: စာသားရှည်ကြီးတစ်ခုကို အဓိကအချက်အလက်များ မပျောက်ပျက်စေဘဲ အကျဉ်းချုံးဖော်ပြခြင်း။</li> <li><strong>Translation</strong>: ဘာသာစကားတစ်ခုမှ အခြားဘာသာစကားတစ်ခုသို့ စာသားဘာသာပြန်ခြင်း။</li> <li><strong>Sequence-to-sequence Tasks</strong>: input sequence တစ်ခုမှ output sequence တစ်ခုကို ထုတ်လုပ်ပေးသော လုပ်ငန်းတာဝန်များ။</li> <li><strong>Speech Recognition</strong>: ပြောဆိုသော ဘာသာစကားကို ကွန်ပျူတာက စာသားအဖြစ် ပြောင်းလဲနားလည်နိုင်သည့် နည်းပညာ။</li> <li><strong>Image Classification</strong>: ရုပ်ပုံတစ်ခုကို သတ်မှတ်ထားသော အမျိုးအစားများထဲသို့ ခွဲခြားသတ်မှတ်ခြင်း။</li> <li><strong>Attention Mechanism</strong>: Transformer မော်ဒယ်များတွင် အသုံးပြုသော နည်းစနစ်တစ်ခုဖြစ်ပြီး input sequence အတွင်းရှိ အရေးပါသော အစိတ်အပိုင်းများကို အာရုံစိုက်ပြီး ဆက်နွယ်မှုများကို သင်ယူစေသည်။</li> <li><strong>Transfer Learning</strong>: ကြိုတင်လေ့ကျင့်ထားပြီးသား မော်ဒယ်တစ်ခုမှ သင်ယူထားသော အသိပညာများကို အခြားဆက်စပ်လုပ်ငန်းတစ်ခုအတွက် အသုံးပြုခြင်း။</li> <li><strong>Encoder-only</strong>: Transformer architecture အမျိုးအစားတစ်ခုဖြစ်ပြီး input ကို နားလည်ပြီး ကိုယ်စားပြုတဲ့ အချက်အလက်ကို ထုတ်ပေးတဲ့ encoder အစိတ်အပိုင်းတစ်ခုတည်း ပါဝင်ပါတယ်။</li> <li><strong>Decoder-only</strong>: Transformer architecture အမျိုးအစားတစ်ခုဖြစ်ပြီး စာသားထုတ်လုပ်ခြင်းအတွက် အသုံးပြုတဲ့ decoder အစိတ်အပိုင်းတစ်ခုတည်း ပါဝင်ပါတယ်။</li> <li><strong>Encoder-decoder</strong>: Transformer architecture အမျိုးအစားတစ်ခုဖြစ်ပြီး input sequence မှ output sequence သို့ ပြောင်းလဲခြင်း လုပ်ငန်းများအတွက် encoder နှင့် decoder နှစ်ခုစလုံး ပါဝင်ပါတယ်။</li> <li><strong>BERT</strong>: Google မှ တီထွင်ထားသော Encoder-only Transformer မော်ဒယ်ဥပမာ။</li> <li><strong>DistilBERT</strong>: BERT ၏ ပိုမိုသေးငယ်ပြီး မြန်ဆန်သော ဗားရှင်း။</li> <li><strong>ModernBERT</strong>: BERT မော်ဒယ်နှင့် ဆင်တူသော နောက်ဆုံးပေါ် ဗားရှင်းတစ်ခု (ဤနေရာတွင် ဥပမာအဖြစ် ရည်ညွှန်းခြင်း)။</li> <li><strong>GPT (Generative Pre-trained Transformer)</strong>: OpenAI မှ တီထွင်ထားသော Decoder-only Transformer မော်ဒယ်ဥပမာ။</li> <li><strong>LLaMA</strong>: Meta မှ တီထွင်ထားသော Decoder-only Transformer မော်ဒယ်ဥပမာ။</li> <li><strong>Gemma</strong>: Google မှ တီထွင်ထားသော Decoder-only Transformer မော်ဒယ်ဥပမာ။</li> <li><strong>SmolLM</strong>: Decoder-only Transformer မော်ဒယ်ဥပမာ (ဤနေရာတွင် ဥပမာအဖြစ် ရည်ညွှန်းခြင်း)။</li> <li><strong>BART</strong>: Facebook (ယခု Meta) မှ တီထွင်ထားသော Encoder-Decoder Transformer မော်ဒယ်ဥပမာ။</li> <li><strong>T5</strong>: Google မှ တီထွင်ထားသော Encoder-Decoder Transformer မော်ဒယ်ဥပမာ။</li> <li><strong>Marian</strong>: Encoder-Decoder Transformer မော်ဒယ်ဥပမာ (အဓိကအားဖြင့် ဘာသာပြန်ခြင်းအတွက်)။</li> <li><strong>mBART</strong>: Facebook (ယခု Meta) မှ တီထွင်ထားသော Encoder-Decoder Transformer မော်ဒယ်ဥပမာ (ဘာသာစကားမျိုးစုံအတွက်)။</li> <li><strong>Scaling Laws</strong>: မော်ဒယ်အရွယ်အစား၊ ဒေတာပမာဏနှင့် ကွန်ပျူတာအရင်းအမြစ်များ တိုးလာသည်နှင့်အမျှ AI မော်ဒယ်များ၏ စွမ်းဆောင်ရည်ကို ခန့်မှန်းဖော်ပြသော ဆက်နွယ်မှုများ။</li> <li><strong>Instruction Tuning</strong>: မော်ဒယ်ကို သီးခြားညွှန်ကြားချက်များ (instructions) ကို နားလည်ပြီး လိုက်နာရန် ထပ်မံလေ့ကျင့်ပေးသော လုပ်ငန်းစဉ်။</li> <li><strong>Hugging Face Hub</strong>: AI မော်ဒယ်တွေ၊ datasets တွေနဲ့ demo တွေကို အခြားသူတွေနဲ့ မျှဝေဖို့၊ ရှာဖွေဖို့နဲ့ ပြန်လည်အသုံးပြုဖို့အတွက် အွန်လိုင်း platform တစ်ခု ဖြစ်ပါတယ်။</li> <li><strong>Inference API</strong>: Hugging Face Hub ပေါ်ရှိ မော်ဒယ်များကို web request များမှတစ်ဆင့် တိုက်ရိုက်အသုံးပြုနိုင်စေသည့် Application Programming Interface (API)။</li> <li><strong>Fine-tune</strong>: ကြိုတင်လေ့ကျင့်ထားပြီးသား (pre-trained) မော်ဒယ်တစ်ခုကို သီးခြားလုပ်ငန်းတစ်ခု (specific task) အတွက် အနည်းငယ်သော ဒေတာနဲ့ ထပ်မံလေ့ကျင့်ပေးခြင်းကို ဆိုလိုပါတယ်။</li> <li><strong>Deploy</strong>: Machine Learning မော်ဒယ်တစ်ခုကို အမှန်တကယ် အသုံးပြုနိုင်သော စနစ် သို့မဟုတ် environment တစ်ခုထဲသို့ ထည့်သွင်းခြင်း။</li>",yt,Q,At,K,_t;return T=new ee({props:{containerStyle:"float: right; margin-left: 10px; display: inline-flex; position: relative; z-index: 10;"}}),L=new $({props:{title:"အနှစ်ချုပ်",local:"summary",headingTag:"h1"}}),x=new ie({props:{chapter:1,classNames:"absolute z-10 right-0 top-0"}}),h=new $({props:{title:"အဓိက သဘောတရားများ",local:"key-concepts-covered",headingTag:"h2"}}),M=new $({props:{title:"Natural Language Processing (NLP) နှင့် LLMs များ",local:"natural-language-processing-nlp-နင-llms-မ",headingTag:"h3"}}),y=new $({props:{title:"Transformer ရဲ့ စွမ်းရည်များ",local:"transformer-capabilities",headingTag:"h3"}}),b=new $({props:{title:"Transformer architecture",local:"transformer-architecture",headingTag:"h3"}}),I=new $({props:{title:"မော်ဒယ် architecture များနှင့် ၎င်းတို့၏ အသုံးချမှုများ",local:"model-architectures-and-their-applications",headingTag:"h3"}}),B=new $({props:{title:"ခေတ်မီ LLM ဖွံ့ဖြိုးတိုးတက်မှုများ",local:"modern-llm-developments",headingTag:"h3"}}),R=new $({props:{title:"လက်တွေ့အသုံးချမှုများ",local:"practical-applications",headingTag:"h3"}}),G=new $({props:{title:"ရှေ့ဆက်မျှော်ကြည့်ခြင်း",local:"looking-ahead",headingTag:"h2"}}),j=new $({props:{title:"ဝေါဟာရ ရှင်းလင်းချက် (Glossary)",local:"ဝဟရ-ရငလငခက-glossary",headingTag:"h2"}}),Q=new ne({props:{source:"https://github.com/huggingface/course/blob/main/chapters/my/chapter1/10.mdx"}}),{c(){d=s("meta"),V=l(),J=s("p"),W=l(),g(T.$$.fragment),X=l(),g(L.$$.fragment),Y=l(),g(x.$$.fragment),Z=l(),v=s("p"),v.textContent=wt,tt=l(),g(h.$$.fragment),et=l(),g(M.$$.fragment),nt=l(),C=s("p"),C.textContent=Ht,it=l(),P=s("ul"),P.innerHTML=It,lt=l(),g(y.$$.fragment),rt=l(),A=s("p"),A.innerHTML=Et,st=l(),_=s("ul"),_.innerHTML=qt,at=l(),g(b.$$.fragment),ot=l(),w=s("p"),w.textContent=Bt,gt=l(),H=s("ul"),H.innerHTML=kt,mt=l(),g(I.$$.fragment),ft=l(),E=s("p"),E.textContent=Nt,ut=l(),q=s("table"),q.innerHTML=Rt,ct=l(),g(B.$$.fragment),pt=l(),k=s("p"),k.textContent=St,$t=l(),N=s("ul"),N.innerHTML=Dt,dt=l(),g(R.$$.fragment),Tt=l(),S=s("p"),S.textContent=Gt,Lt=l(),D=s("ul"),D.innerHTML=zt,xt=l(),g(G.$$.fragment),vt=l(),z=s("p"),z.textContent=Ft,ht=l(),F=s("ul"),F.innerHTML=Ut,Mt=l(),U=s("p"),U.textContent=jt,Ct=l(),g(j.$$.fragment),Pt=l(),O=s("ul"),O.innerHTML=Ot,yt=l(),g(Q.$$.fragment),At=l(),K=s("p"),this.h()},l(t){const e=Zt("svelte-u9bgzb",document.head);d=a(e,"META",{name:!0,content:!0}),e.forEach(n),V=r(t),J=a(t,"P",{}),Qt(J).forEach(n),W=r(t),m(T.$$.fragment,t),X=r(t),m(L.$$.fragment,t),Y=r(t),m(x.$$.fragment,t),Z=r(t),v=a(t,"P",{"data-svelte-h":!0}),o(v)!=="svelte-1851k93"&&(v.textContent=wt),tt=r(t),m(h.$$.fragment,t),et=r(t),m(M.$$.fragment,t),nt=r(t),C=a(t,"P",{"data-svelte-h":!0}),o(C)!=="svelte-cevcio"&&(C.textContent=Ht),it=r(t),P=a(t,"UL",{"data-svelte-h":!0}),o(P)!=="svelte-wlr5r0"&&(P.innerHTML=It),lt=r(t),m(y.$$.fragment,t),rt=r(t),A=a(t,"P",{"data-svelte-h":!0}),o(A)!=="svelte-o0ng3f"&&(A.innerHTML=Et),st=r(t),_=a(t,"UL",{"data-svelte-h":!0}),o(_)!=="svelte-u58fpz"&&(_.innerHTML=qt),at=r(t),m(b.$$.fragment,t),ot=r(t),w=a(t,"P",{"data-svelte-h":!0}),o(w)!=="svelte-161q9fx"&&(w.textContent=Bt),gt=r(t),H=a(t,"UL",{"data-svelte-h":!0}),o(H)!=="svelte-1vhpuul"&&(H.innerHTML=kt),mt=r(t),m(I.$$.fragment,t),ft=r(t),E=a(t,"P",{"data-svelte-h":!0}),o(E)!=="svelte-1x3g43d"&&(E.textContent=Nt),ut=r(t),q=a(t,"TABLE",{"data-svelte-h":!0}),o(q)!=="svelte-1j6hgom"&&(q.innerHTML=Rt),ct=r(t),m(B.$$.fragment,t),pt=r(t),k=a(t,"P",{"data-svelte-h":!0}),o(k)!=="svelte-1i5l6ct"&&(k.textContent=St),$t=r(t),N=a(t,"UL",{"data-svelte-h":!0}),o(N)!=="svelte-8z6dfq"&&(N.innerHTML=Dt),dt=r(t),m(R.$$.fragment,t),Tt=r(t),S=a(t,"P",{"data-svelte-h":!0}),o(S)!=="svelte-hve2ar"&&(S.textContent=Gt),Lt=r(t),D=a(t,"UL",{"data-svelte-h":!0}),o(D)!=="svelte-ktt8pt"&&(D.innerHTML=zt),xt=r(t),m(G.$$.fragment,t),vt=r(t),z=a(t,"P",{"data-svelte-h":!0}),o(z)!=="svelte-wxdbxi"&&(z.textContent=Ft),ht=r(t),F=a(t,"UL",{"data-svelte-h":!0}),o(F)!=="svelte-wfv17z"&&(F.innerHTML=Ut),Mt=r(t),U=a(t,"P",{"data-svelte-h":!0}),o(U)!=="svelte-1mmyb71"&&(U.textContent=jt),Ct=r(t),m(j.$$.fragment,t),Pt=r(t),O=a(t,"UL",{"data-svelte-h":!0}),o(O)!=="svelte-1buxgx7"&&(O.innerHTML=Ot),yt=r(t),m(Q.$$.fragment,t),At=r(t),K=a(t,"P",{}),Qt(K).forEach(n),this.h()},h(){Jt(d,"name","hf:doc:metadata"),Jt(d,"content",re)},m(t,e){te(document.head,d),i(t,V,e),i(t,J,e),i(t,W,e),f(T,t,e),i(t,X,e),f(L,t,e),i(t,Y,e),f(x,t,e),i(t,Z,e),i(t,v,e),i(t,tt,e),f(h,t,e),i(t,et,e),f(M,t,e),i(t,nt,e),i(t,C,e),i(t,it,e),i(t,P,e),i(t,lt,e),f(y,t,e),i(t,rt,e),i(t,A,e),i(t,st,e),i(t,_,e),i(t,at,e),f(b,t,e),i(t,ot,e),i(t,w,e),i(t,gt,e),i(t,H,e),i(t,mt,e),f(I,t,e),i(t,ft,e),i(t,E,e),i(t,ut,e),i(t,q,e),i(t,ct,e),f(B,t,e),i(t,pt,e),i(t,k,e),i(t,$t,e),i(t,N,e),i(t,dt,e),f(R,t,e),i(t,Tt,e),i(t,S,e),i(t,Lt,e),i(t,D,e),i(t,xt,e),f(G,t,e),i(t,vt,e),i(t,z,e),i(t,ht,e),i(t,F,e),i(t,Mt,e),i(t,U,e),i(t,Ct,e),f(j,t,e),i(t,Pt,e),i(t,O,e),i(t,yt,e),f(Q,t,e),i(t,At,e),i(t,K,e),_t=!0},p:Vt,i(t){_t||(u(T.$$.fragment,t),u(L.$$.fragment,t),u(x.$$.fragment,t),u(h.$$.fragment,t),u(M.$$.fragment,t),u(y.$$.fragment,t),u(b.$$.fragment,t),u(I.$$.fragment,t),u(B.$$.fragment,t),u(R.$$.fragment,t),u(G.$$.fragment,t),u(j.$$.fragment,t),u(Q.$$.fragment,t),_t=!0)},o(t){c(T.$$.fragment,t),c(L.$$.fragment,t),c(x.$$.fragment,t),c(h.$$.fragment,t),c(M.$$.fragment,t),c(y.$$.fragment,t),c(b.$$.fragment,t),c(I.$$.fragment,t),c(B.$$.fragment,t),c(R.$$.fragment,t),c(G.$$.fragment,t),c(j.$$.fragment,t),c(Q.$$.fragment,t),_t=!1},d(t){t&&(n(V),n(J),n(W),n(X),n(Y),n(Z),n(v),n(tt),n(et),n(nt),n(C),n(it),n(P),n(lt),n(rt),n(A),n(st),n(_),n(at),n(ot),n(w),n(gt),n(H),n(mt),n(ft),n(E),n(ut),n(q),n(ct),n(pt),n(k),n($t),n(N),n(dt),n(Tt),n(S),n(Lt),n(D),n(xt),n(vt),n(z),n(ht),n(F),n(Mt),n(U),n(Ct),n(Pt),n(O),n(yt),n(At),n(K)),n(d),p(T,t),p(L,t),p(x,t),p(h,t),p(M,t),p(y,t),p(b,t),p(I,t),p(B,t),p(R,t),p(G,t),p(j,t),p(Q,t)}}}const re='{"title":"အနှစ်ချုပ်","local":"summary","sections":[{"title":"အဓိက သဘောတရားများ","local":"key-concepts-covered","sections":[{"title":"Natural Language Processing (NLP) နှင့် LLMs များ","local":"natural-language-processing-nlp-နင-llms-မ","sections":[],"depth":3},{"title":"Transformer ရဲ့ စွမ်းရည်များ","local":"transformer-capabilities","sections":[],"depth":3},{"title":"Transformer architecture","local":"transformer-architecture","sections":[],"depth":3},{"title":"မော်ဒယ် architecture များနှင့် ၎င်းတို့၏ အသုံးချမှုများ","local":"model-architectures-and-their-applications","sections":[],"depth":3},{"title":"ခေတ်မီ LLM ဖွံ့ဖြိုးတိုးတက်မှုများ","local":"modern-llm-developments","sections":[],"depth":3},{"title":"လက်တွေ့အသုံးချမှုများ","local":"practical-applications","sections":[],"depth":3}],"depth":2},{"title":"ရှေ့ဆက်မျှော်ကြည့်ခြင်း","local":"looking-ahead","sections":[],"depth":2},{"title":"ဝေါဟာရ ရှင်းလင်းချက် (Glossary)","local":"ဝဟရ-ရငလငခက-glossary","sections":[],"depth":2}],"depth":1}';function se(bt){return Wt(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class fe extends Xt{constructor(d){super(),Yt(this,d,se,le,Kt,{})}}export{fe as component};