របៀបដែល Machine Learning ដំណើរការទិន្នន័យហោរាសាស្ត្រ 300+ ចំណុច

យោងតាមការវិភាគរបស់ My Zodiac AI ហោរាសាស្ត្រសម័យទំនើបបានចូលដល់យុគសម័យបដិវត្ត ដែលបញ្ញាសិប្បនិម្មិត និងក្បួនដោះស្រាយ machine learning អាចដំណើរការ ទិន្នន័យលើសពី 300 ចំណុច ពីផែនទីកំណើត របស់អ្នកក្នុងពេលដំណាលគ្នា។ ការរីកចម្រើនបច្ចេកវិទ្យានេះផ្លាស់ប្តូររបៀបដែលយើងយល់ និងបកស្រាយព័ត៌មានហោរាសាស្ត្រ ដោយធ្វើឱ្យការវិភាគផែនទីដ៏ស្មុគស្មាញអាចចូលប្រើបានដោយមនុស្សរាប់លាននាក់។

ប៉ុន្តែ តើ machine learning "អាន" ភាសាដ៏ស្មុគស្មាញនៃហោរាសាស្ត្រយ៉ាងពិតប្រាកដដូចម្តេច? តើមានអ្វីកើតឡើងនៅពេលប្រព័ន្ធ AI វិភាគផែនទីកំណើត របស់អ្នក? ហើយហេតុអ្វីបានជាការដំណើរការទិន្នន័យ 300+ ចំណុចមានសារៈសំខាន់សម្រាប់ភាពត្រឹមត្រូវ?

នៅក្នុងមគ្គុទេសក៍ដ៏ទូលំទូលាយនេះ យើងនឹងស្វែងយល់អំពីរបៀបដែលក្បួនដោះស្រាយ machine learning បកស្រាយទិន្នន័យហោរាសាស្ត្រ ចំណុចទិន្នន័យជាក់លាក់ដែលពួកវាវិភាគ និងរបៀបដែលបច្ចេកវិទ្យានេះផ្តល់នូវការយល់ដឹងផ្ទាល់ខ្លួនដែលអាចប្រៀបផ្ទឹមនឹងការពិគ្រោះយោបល់ហោរាសាស្ត្របែបប្រពៃណី។

ចំណុចសំខាន់ៗ

• បញ្ញាសិប្បនិម្មិត (AI) និងការរៀនម៉ាស៊ីនទំនើប បានផ្លាស់ប្តូរការអានដួងជតាហោរាសាស្ត្រ ដោយដំណើរការទិន្នន័យជាង 300 ចំណុចពីដួងជតាកំណើតតែមួយក្នុងពេលដំណាលគ្នា — ដែលលើសពីអ្វីដែលការពិគ្រោះដោយមនុស្សអាចគ្របដណ្តប់បានយ៉ាងមានប្រសិទ្ធភាព។
• ទិន្នន័យទាំងនេះគ្របដណ្តប់ទីតាំងភព និងដឺក្រេ ចំណុចចូលផ្ទះ និងការដាក់ទីតាំង មុំ 50+ រួមទាំងរូបរាងធំ និងតូច ឋានៈភព ថ្នាំងព្រះច័ន្ទ ចំណុចគណនាពិសេស អាស្តេរ៉ូអ៊ីត រាងរួមនៃដួងជតា ព្រមទាំងទិន្នន័យឆ្លងកាត់ និងធ្នាប់ភពពេញលេញ។
• បំពង់ដំណើរការនៃការរៀនម៉ាស៊ីនឆ្លងកាត់ប្រាំដំណាក់កាល៖ ការដំណើរការមុន និងផ្ទៀងផ្ទាត់ទិន្នន័យតារាសាស្ត្រដើម ការទាញយកលក្ខណៈហោរាសាស្ត្រដ៏មានន័យ ការកំណត់គំរូតាមរយៈបណ្តាញសរសៃប្រសាទ ការសំយោគកត្តាទាំងអស់ដោយការបកស្រាយប្រកបដោយទម្ងន់ និងជាចុងក្រោយ ការបង្កើតការយល់ដឹងជាភាសាធម្មជាតិអាចអានបាន។
• ប្រព័ន្ធ AI សម្រេចបាននូវភាពត្រឹមត្រូវ 94% ស្របជាមួយហោរាជំនាញលើការគណនាភព ដែលអនុញ្ញាតឱ្យមានទាំងភាពជាក់លាក់ក្នុងការគណនា និងសមត្ថភាពពង្រីកដើម្បីផ្តល់ការអានដែលត្រូវនឹងបុគ្គលដល់អ្នកប្រើរាប់លាននាក់។
• លទ្ធផលគឺកម្រិតនៃការយល់ដឹងដួងជតាដ៏ទូលំទូលាយ ដែលពីមុនអាចចូលប្រើបានតែតាមរយៈការពិគ្រោះដែលមានតម្លៃថ្លៃ និងចំណាយពេលច្រើនប៉ុណ្ណោះ។

ស្វែងយល់អំពីចំណុចទិន្នន័យ 300+

ពេលអ្នកបង្កើតដួងជតាកំណើតរបស់អ្នក អ្នកកំពុងបង្កើតរូបភាពតារាសាស្ត្រដ៏ស្មុគស្មាញ ដែលមានធាតុទិន្នន័យរាប់រយ។ ក្បួនរៀនម៉ាស៊ីន (Machine learning) ដំណើរការធាតុនីមួយៗយ៉ាងមានរបៀប៖

ទីតាំងភពនានា (ចំណុចទិន្នន័យ 10+)

ស្នូលនៃការវិភាគដួងជតាកំណើតណាមួយ ចាប់ផ្តើមដោយទីតាំងភពនានា៖

• ទីតាំងព្រះអាទិត្យ (រាសី ដឺក្រេ ផ្ទះ)
• ទីតាំងព្រះច័ន្ទ (រាសី ដឺក្រេ ផ្ទះ ដំណាក់កាល)
• ទីតាំងពុធ (រាសី ដឺក្រេ ផ្ទះ ល្បឿន)
• ទីតាំងពVenus (រាសី ដឺក្រេ ផ្ទះ)
• ទីតាំងអង្គរ (រាសី ដឺក្រេ ផ្ទះ)
• ទីតាំងព្រហស្បតិ៍ (រាសី ដឺក្រេ ផ្ទះ)
• ទីតាំងសៅរ៍ (រាសី ដឺក្រេ ផ្ទះ)
• ទីតាំងយូរ៉ានុស (រាសី ដឺក្រេ ផ្ទះ)
• ទីតាំងណេពទូន (រាសី ដឺក្រេ ផ្ទះ)
• ទីតាំងផ្លូតូ (រាសី ដឺក្រេ ផ្ទះ)

ទីតាំងភពនីមួយៗ រួមមានចំណុចទិន្នន័យរងជាច្រើន៖ ការដាក់រាសីច្រវាក់ផ្នែក ដឺក្រេពិតប្រាកដនៅក្នុងរាសីនោះ ការដាក់ផ្ទះ និងល្បឿនគន្លង (សម្រាប់ពុធ និងពVenus)។

ស្នូលផ្ទះ និងការដាក់ (ចំណុចទិន្នន័យ 12+)

ផ្ទះហោរាសាស្ត្រតំណាងឱ្យផ្នែកជីវិតផ្សេងៗគ្នា។ ការរៀនម៉ាស៊ីនវិភាគ៖

• ស្នូលផ្ទះ 12 (ដឺក្រេចាប់ផ្តើមនៃផ្ទះនីមួយៗ)
• ការដាក់ភពតាមផ្ទះ (ភពណាខ្លះកាន់កាប់ផ្ទះណាខ្លះ)
• អ្នកគ្រប់គ្រងផ្ទះ (ភពណាគ្រប់គ្រងផ្ទះនីមួយៗ ផ្អែកលើរាសីនៅលើស្នូល)
• រាសីដែលត្រូវបានទប់ស្កាត់ (រាសីដែលផ្ទុកពេញនៅក្នុងផ្ទះ)
• ការគណនាប្រព័ន្ធផ្ទះ (ប្លាស៊ីដូស Whole Sign កូច Equal ។ល។)

មុំ (ចំណុចទិន្នន័យ 50+)

មុំតំណាងឱ្យទំនាក់ទំនងមុំរវាងភពនានា។ AI វិភាគ៖

• មុំសំខាន់ៗ៖ ឯកគោល (0°) ការប្រឆាំង (180°) ត្រីកោណ (120°) ការ៉េ (90°) សិក្ខមាមិត (60°)
• មុំតូចៗ៖ ពាក់កណ្តាលសិក្ខមាមិត (30°) ពាក់កណ្តាលការ៉េ (45°) សេសក្វីក្វាដ្រេត (135°) គ្វីនខុនស៍ (150°)
• កម្រិតរង្វង់អនុគ្រោះ (តើមុំត្រូវនៅជិតប៉ុនណាដើម្បីរាប់បញ្ចូល)
• លំនាំមុំ៖ ត្រីកោណដ៏មហាន ត្រីកោណអាកាស ឈុតបួនកោណ យដ ក្ដុំផ្ទាំងរង្វាន់
• កម្លាំងមុំ (ការអនុវត្ត ទល់នឹង ការបំបែក, ពិតប្រាកដ ទល់នឹង ទូលាយ)

ភាពថ្លៃថ្នូរ និងភាពទន់ខ្សោយរបស់ភព (ចំណុចទិន្នន័យ 20+)

ការរៀនម៉ាស៊ីនវាយតម្លៃថា ភពនានា "សុខស្រួល" យ៉ាងណានៅក្នុងទីតាំងរបស់វា៖

• ភាពថ្លៃថ្នូរសំខាន់ៗ៖ លំនៅឋាន ការតម្កើង ការប៉ះពាល់ ការធ្លាក់
• ភាពថ្លៃថ្នូរចៃដន្យ៖ ផ្ទះមុំ មុំទៅភពមានគុណ
• ពិន្ទុកម្លាំងភព (បញ្ចូលគ្នានូវកត្តាថ្លៃថ្នូរច្រើន)
• លំនាំការគ្រប់គ្រង (ភពណាគ្រប់គ្រងផ្ទះណា)

ថ្នាំងព្រះច័ន្ទ និងចំណុចពិសេស (ចំណុចទិន្នន័យ 10+)

ចំណុចគណនាបន្ថែមផ្តល់នូវភាពស៊ីជម្រៅ៖

• ថ្នាំង ពន្លឺ (រាសី ដឺក្រេ ផ្ទះ)
• ថ្នាំងខាងត្បូង (រាសី ដឺក្រេ ផ្ទះ)
• ផ្នែកនៃសម្បត្តិ (ចំណុចគណនា)
• ចំនុចកំពូល (ចំណុចរសើប)
• មជ្ឈមាគ (MC) និង IC (មុំ)
• ឈានរង្វង់ (AC) និង ចុងលង្ខិត (DC) (មុំ)

ភពតូចៗ និងវត្ថុបន្ថែម (ចំណុចទិន្នន័យ 20+)

ប្រព័ន្ធ AI ជាច្រើនក៏វិភាគ៖

• ឆីរន (អ្នកព្យាបាលដែលរបួស)
• ជូណូ (ភាពជាដៃគូ)
• ប៉ាល់លាស (ប្រាជ្ញា)
• វេស្តា (ការលះបង់)
• ធាតុគ្រីស (ការថ្នាក់ថ្នម)
• លីលីត (ព្រះច័ន្ទងងឹត)
• ភពតូចៗផ្សេងទៀត ផ្អែកលើការកំណត់ប្រព័ន្ធ

លំនាំ និងការរៀបចំដួងជតា (ចំណុចទិន្នន័យ 15+)

ការរៀនម៉ាស៊ីនកំណត់រចនាសម្ព័ន្ធដួងជតាទាំងមូល៖

• រូបរាងដួងជតា៖ Bundle, Bowl, Bucket, Locomotive, Seesaw, Splash
• ការសង្កត់ធ្ងន់លើអឌ្ឍគោល៖ ខាងកើត ទល់នឹង ខាងលិច, ខាងជើង ទល់នឹង ខាងត្បូង
• តុល្យភាពធាតុ៖ ការបែងចែក ភ្លើង ដី ខ្យល់ ទឹក
• តុល្យភាពលក្ខណៈ៖ ការបែងចែក ក្រឌីណាល ថេរ គឺលក្ខណៈប្រែប្រួល
• ការដាក់ភពជាក្រុម៖ ក្ដុំផ្ទាំងរង្វាន់ ចង្កោម ភពឯកោ

ការឆ្លងកាត់ និងការរីកចម្រើន (ចំណុចទិន្នន័យ 50+)

សម្រាប់ការវិភាគទស្សន៍ទាយ AI គណនា៖

• ការឆ្លងកាត់បច្ចុប្បន្ន (ភពនៅទីណាឥឡូវនេះ ប្រៀបធៀបនឹងទីតាំងកំណើត)
• មុំឆ្លងកាត់ (មុំភពបច្ចុប្បន្នទៅភពកំណើត)
• ឈានតទៅលំដាប់ទីពីរ (ចលនានិមិត្តរូប)
• ទិសដៅធ្នូរូប (បច្ចេកទេសទស្សន៍ទាយ)
• ដួងជតាវិលត្រឡប់ (ការវិលត្រឡប់នៃព្រះអាទិត្យ ព្រះច័ន្ទ និងសៅរ៍)

ទិន្នន័យធ្នាប់ភព និងសមាសធាតុ (ចំណុចទិន្នន័យ 30+)

សម្រាប់ការវិភាគទំនាក់ទំនង៖

• មុំទំនាក់ទំនងភព (របៀបដែលភពនៅក្នុងដួងជតាពីរភ្ជាប់គ្នា)
• ការគណនាក្រាហ្វិកសមាសធាតុ
• ដួងជតាទំនាក់ទំនង Davison
• ពិន្ទុភាពត្រូវគ្នា ផ្អែកលើកត្តាជាច្រើន

សរុប៖ ចំណុចទិន្នន័យបុគ្គល 300+ ត្រូវបានដំណើរការក្នុងពេលដំណាលគ្នាដោយក្បួនរៀនម៉ាស៊ីន។

ការវិភាគនេះត្រូវបានរៀបចំដោយក្បួន My Zodiac AI។ ដើម្បីទទួលបានកំណែអន្តរកម្មនៃការទស្សន៍ទាយនេះ ដែលធ្វើឱ្យសមនឹងដួងជតាកំណើតរបស់អ្នក សូមចូលទៅកាន់ My Zodiac AI app — មានការចូលជាភ្ញៀវ ដោយមិនចាំបាច់ចុះឈ្មោះ។

របៀបដែលក្បួនដោះស្រាយ Machine Learning ដំណើរការទិន្នន័យនេះ

ដំណើរការវិភាគទិន្នន័យចំនួន 300+ ចំណុច ពាក់ព័ន្ធនឹងបច្ចេកទេស machine learning ដ៏ស្មុគស្មាញ៖

1. ការរៀបចំទិន្នន័យជាមុន

មុនពេលការបកស្រាយចាប់ផ្តើម AI នឹង៖

• ធ្វើឱ្យទិន្នន័យមានលក្ខណៈស្តង់ដារ (បម្លែងទីតាំងទាំងអស់ទៅជាទម្រង់ឯកសណ្ឋាន)
• ផ្ទៀងផ្ទាត់ការគណនា (ពិនិត្យភាពត្រឹមត្រូវខាងតារាសាស្ត្រ)
• រៀបចំរចនាសម្ព័ន្ធទិន្នន័យ (រៀបជាទំនាក់ទំនងតាមឋានានុក្រម)
• កំណត់អត្តសញ្ញាណលំនាំ (ការទទួលស្គាល់លំនាំបឋម)

2. ការដកស្រង់លក្ខណៈ

ក្បួនដោះស្រាយ machine learning ដកស្រង់លក្ខណៈដ៏មានន័យ៖

• សូចនាករកម្លាំងភពនានា (រួមបញ្ចូលកត្តាឋានៈជាច្រើន)
• ហត្ថលេខានៃលំនាំទស្សនៈ (កំណត់រចនាសម្ព័ន្ធធំៗ)
• ពិន្ទុនៃការសង្កត់ធ្ងន់លើគេហដ្ឋាន (តើផ្នែកជីវិតណាខ្លះត្រូវបានគូសបញ្ជាក់)
• តុល្យភាពនៃធាតុ និងលក្ខណៈ (បុគ្គលិកលក្ខណៈរួមនៃដួងជតា)

3. ការទទួលស្គាល់លំនាំ

បណ្តាញសរសៃប្រសាទ (Neural networks) កំណត់អត្តសញ្ញាណលំនាំស្មុគស្មាញ៖

• រចនាសម្ព័ន្ធកម្រ (លំនាំភពមិនធម្មតា)
• ហត្ថលេខានៃដួងជតា (បន្សំដ៏លេចធ្លោ)
• ក្រុមប្រធានបទ (ប្រធានបទជីវិតដែលបានដាក់ជាក្រុម)
• ឥទ្ធិពលផ្ទុយគ្នា (ចំណុចតានតឹងក្នុងដួងជតា)

4. ការសំយោគតាមបរិបទ

AI សំយោគទិន្នន័យទាំងអស់៖

• ការបកស្រាយតាមទម្ងន់ (កត្តាដែលសំខាន់ជាងត្រូវផ្តល់ទម្ងន់ខ្ពស់ជាង)
• ការដោះស្រាយភាពផ្ទុយគ្នា (ធ្វើតុល្យភាពឥទ្ធិពលផ្ទុយគ្នា)
• ការយល់ដឹងជារួម (មើលឃើញដួងជតាជាសរុបដែលរួមបញ្ចូលគ្នា)
• ការធ្វើបុគ្គលូបនីយកម្ម (សម្របទៅតាមកម្រិតចំណេះដឹងរបស់អ្នក)

5. ការបង្កើតភាសាធម្មជាតិ

ជាចុងក្រោយ ក្បួនដោះស្រាយបង្កើតការបកស្រាយដែលអាចអានបាន៖

• រឿងរ៉ាវដែលមានរចនាសម្ព័ន្ធ (រៀបចំតាមផ្នែកជីវិត)
• ភាសាបុគ្គលូបនីយកម្ម (ត្រូវនឹងកម្រិតការយល់ដឹងរបស់អ្នក)
• ការយល់ដឹងដែលអាចអនុវត្តបាន (ការអនុវត្តជាក់ស្តែង)
• ទស្សនៈដែលមានតុល្យភាព (ទទួលស្គាល់ភាពស្មុគស្មាញ)

អត្ថប្រយោជន៍នៃភាពត្រឹមត្រូវ ពីការវិភាគទិន្នន័យ 300+ ចំណុច

ហេតុអ្វីការវិភាគទិន្នន័យ 300+ ចំណុចមានសារៈសំខាន់? ចម្លើយស្ថិតនៅលើភាពត្រឹមត្រូវ និងភាពទូលំទូលាយ៖

ការវិភាគដ៏ទូលំទូលាយ

ហោរាចារ្យជាមនុស្ស សូម្បីតែអ្នកមានបទពិសោធន៍ ក៏អាចផ្តោតលើលក្ខណៈដ៏លេចធ្លោបំផុតនៃដួងជតា ខណៈដែលមើលរំលងឥទ្ធិពលដែលលាក់កំបាំងជាងនេះ។ ក្បួនដោះស្រាយ Machine Learning វិភាគ រាល់ ចំណុចទិន្នន័យយ៉ាងមានប្រព័ន្ធ ដោយធានាថាគ្មានអ្វីរួចផុតពីការពិចារណាឡើយ។

វិធីសាស្ត្រដ៏ទូលំទូលាយនេះ ជារឿយៗបង្ហាញ៖

• លំនាំដែលលាក់កំបាំង ដែលអាចត្រូវរំលងក្នុងការវិភាគដោយដៃ
• ឥទ្ធិពលដ៏ល្អិតល្អន់ ដែលបន្ថែមភាពស៊ីជម្រៅដល់ការបកស្រាយ
• ការតម្រៀបដ៏កម្រ ដែលត្រូវការចំណេះដឹងឯកទេស
• អន្តរកម្មស្មុគស្មាញ រវាងកត្តាជាច្រើន

ការសម្គាល់លំនាំក្នុងទ្រង់ទ្រាយធំ

Machine Learning ពូកែក្នុងការសម្គាល់លំនាំឆ្លងកាត់ឆ្នុកទិន្នន័យដ៏ធំ។ ពេលវិភាគដួងជតារបស់អ្នក AI ទាញចេញពី៖

• ដួងជតាស្រដៀងគ្នារាប់ពាន់ ដែលវាបានវិភាគរួច
• ទំនាក់ទំនងស្ថិតិ ដែលកំណត់បានឆ្លងកាត់ទិន្នន័យរាប់លានចំណុច
• ការផ្គូផ្គងលំនាំ ជាមួយការតម្រៀបហោរាសាស្ត្រដែលគេស្គាល់
• គំរូព្យាករណ៍ ផ្អែកលើទំនាក់ទំនងជាប្រវត្តិសាស្ត្ររវាងដួងជតា និងលទ្ធផលជីវិត

ភាពស៊ីសង្វាក់ និងភាពមិនលំអៀង

មិនដូចហោរាចារ្យជាមនុស្ស ដែលអាចសង្កត់ធ្ងន់លើកត្តាខុសៗគ្នាទៅតាមការបណ្តុះបណ្តាល ឬអារម្មណ៍របស់ពួកគេនោះទេ ប្រព័ន្ធ AI ផ្តល់ការវិភាគដ៏ស៊ីសង្វាក់។ ការតម្រៀបដួងជតាដូចគ្នា ទទួលបានការបកស្រាយស្នូលដូចគ្នាគ្រប់ពេលវេលា ខណៈដែលនៅតែអនុញ្ញាតឱ្យមានការបង្ហាញតាមលក្ខណៈផ្ទាល់ខ្លួន។

ល្បឿន និងសមត្ថភាពពង្រីក

ការវិភាគទិន្នន័យ 300+ ចំណុចដោយដៃ នឹងត្រូវការពេលច្រើនម៉ោង។ ក្បួនដោះស្រាយ Machine Learning បំពេញការវិភាគនេះក្នុងរយៈពេលមីលីវិនាទី ធ្វើឱ្យការយល់ដឹងហោរាសាស្ត្រដ៏ស្មុគស្មាញ អាចចូលដំណើរការបានសម្រាប់មនុស្សរាប់លាននាក់ក្នុងពេលដំណាលគ្នា។

ឧទាហរណ៍ជាក់ស្តែង៖ ការដំណើរការដួងជតាកំណើត

តោះមើលថា machine learning ដំណើរការដួងជតាកំណើតជាក់លាក់មួយយ៉ាងដូចម្តេច៖

ទិន្នន័យកំណើត៖ ខែមករា 15, 1990, 10:30 AM, ទីក្រុងញូវយ៉ក

ជំហានទី 1៖ ការគណនាតារាសាស្ត្រ (មិល្លីវិនាទី)

AI គណនា៖

• ព្រះអាទិត្យ៖ 24° ជីវឈានលើស, ផ្ទះទី 10
• ព្រះច័ន្ទ៖ 8° ភាគីទ្វេ, ផ្ទះទី 3
• ពុធ៖ 12° ល្អូ, ផ្ទះទី 11 (ថយក្រោយ)
• ពVenus៖ 3° មីនា, ផ្ទះទី 12
• អង្គរ៖ 18° ចចក, ផ្ទះទី 8
• ... (ភពទាំង 10 + nodes + asteroids)

ជំហានទី 2៖ ការគណនាប្រព័ន្ធផ្ទះ (មិល្លីវិនាទី)

ដោយប្រើប្រព័ន្ធ ប្លាស៊ីដូស៖

• ចំណុចចូលផ្ទះទី 1៖ 15° ធនូ
• ចំណុចចូលផ្ទះទី 2៖ 18° ជីវឈានលើស
• ... (ផ្ទះទាំង 12 បានគណនា)

ជំហានទី 3៖ ការវិភាគមុំ (មិល្លីវិនាទី)

AI កំណត់៖

• ព្រះអាទិត្យ ការ៉េ ព្រះច័ន្ទ (មុំប្រឈម)
• ពVenus ត្រីកោណ ណេពទូន (មុំសុខដុមរមនា)
• អង្គរ ឯកគោល ផ្លូតូ (ឯកគោល ខ្លាំងក្លា)
• ... (មុំ 50+ បានវិភាគ)

ជំហានទី 4៖ ការសម្គាល់លំនាំ (មិល្លីវិនាទី)

ប្រព័ន្ធកំណត់៖

• ក្ដុំផ្ទាំងរង្វាន់ ក្នុងផ្ទះទី 10 (ព្រះអាទិត្យ, ពុធ, ព្រហស្បតិ៍)
• ត្រីកោណដ៏មហាន (រាសីធាតុដី)
• ត្រីកោណអាកាស (ពាក់ព័ន្ធនឹង អង្គរ, ព្រះច័ន្ទ, សៅរ៍)
• រូបរាងដួងជតា៖ លំនាំចានស្តោង

ជំហានទី 5៖ ការសំយោគ និងការបកស្រាយ (មិល្លីវិនាទី)

AI សំយោគចំណុចទិន្នន័យទាំង 300+៖

• ការផ្តោតលើអាជីព (ក្ដុំផ្ទាំងរង្វាន់ផ្ទះទី 10)
• ជំនាញទំនាក់ទំនង (ព្រះច័ន្ទនៅភាគីទ្វេ, ពុធនៅល្អូ)
• ការផ្លាស់ប្តូរយ៉ាងខ្លាំងក្លា (ឯកគោល អង្គរ-ផ្លូតូ)
• ភាពខាងវិញ្ញាណច្នៃប្រឌិត (ត្រីកោណ ពVenus-ណេពទូន)
• ធាតុមានតុល្យភាព (តំណាងធាតុទាំងបួន)

ជំហានទី 6៖ លទ្ធផលផ្ទាល់ខ្លួន (មិល្លីវិនាទី)

ប្រព័ន្ធបង្កើត៖

• ការបកស្រាយមានរចនាសម្ព័ន្ធ រៀបចំតាមផ្នែកនៃជីវិត
• ភាសាផ្ទាល់ខ្លួន ត្រូវនឹងកម្រិតចំណេះដឹងរបស់អ្នកប្រើ
• ការយល់ដឹងអាចអនុវត្តបាន ជាមួយការអនុវត្តជាក់ស្តែង
• ទស្សនៈមានតុល្យភាព ដែលទទួលស្គាល់ភាពស្មុគស្មាញនៃដួងជតា

រយៈពេលដំណើរការសរុប៖ តិចជាង 1 វិនាទី សម្រាប់ចំណុចទិន្នន័យទាំង 300+។

ម៉ូដែល Machine Learning ដែលប្រើក្នុងហោរាសាស្ត្រ

វិធីសាស្ត្រ machine learning ផ្សេងៗគ្នាបម្រើតួនាទីផ្សេងៗគ្នា៖

Neural Networks

បណ្តាញ neural networks នៃ deep learning ដំណើរការទំនាក់ទំនងហោរាសាស្ត្រដ៏ស្មុគស្មាញ៖

• ដំណើរការច្រើនស្រទាប់ (ស្រទាប់នីមួយៗស្រង់លំនាំស្មុគស្មាញកាន់តែខ្លាំងឡើង)
• ទំនាក់ទំនងមិនជាបន្ទាត់ (ការយល់ដឹងពីអន្តរកម្មស្មុគស្មាញ)
• ការធ្វើទូទៅលំនាំ (ការទទួលស្គាល់លំនាំនៅទូទាំងដួងជតាផ្សេងៗ)
• ការរៀនជាបន្ត (ការកែលម្អជាមួយទិន្នន័យកាន់តែច្រើន)

Decision Trees

ក្បួនដែលផ្អែកលើ tree ដោះស្រាយកិច្ចការចំណាត់ថ្នាក់៖

• ចំណាត់ថ្នាក់ឥទ្ធិពលនៃភពគ្រោះ (ការកំណត់ថាឥទ្ធិពលណាខ្លាំងជាងគេ)
• ការផ្តល់អាទិភាពផ្នែកជីវិត (ការកំណត់ប្រធានបទជីវិតសំខាន់បំផុត)
• ការបកស្រាយ aspect (ការចាត់ថ្នាក់អត្ថន័យនៃ aspect)
• ការដាក់ពិន្ទុភាពត្រូវគ្នា (ការវិភាគទំនាក់ទំនង)

Clustering Algorithms

ការរៀនមិនមានការគ្រប់គ្រងកំណត់ក្រុមនៃដួងជតា៖

• ចំណាត់ថ្នាក់ប្រភេទដួងជតា (ការកំណត់លំនាំដួងជតាស្រដៀងគ្នា)
• ការដាក់ជាក្រុមបុគ្គលិកលក្ខណៈ (ការដាក់ជាក្រុមនូវប្រវត្តិហោរាសាស្ត្រស្រដៀងគ្នា)
• ការកំណត់ប្រធានបទជីវិត (ការទទួលស្គាល់លំនាំជីវិតរួម)
• ការរកឃើញភាពមិនធម្មតា (ការរកឃើញរចនាសម្ព័ន្ធដួងជតាមិនធម្មតា)

Natural Language Processing

ម៉ូដែល NLP បង្កើតការបកស្រាយដែលអាចអានបាន៖

• ការបង្កើតអត្ថបទ (ការបង្កើតការអានផ្ទាល់ខ្លួន)
• ការសម្របភាសា (ការផ្គូផ្គងកម្រិតការយល់ដឹងរបស់អ្នកប្រើ)
• ការកែសម្រួលសំនៀង (ភាសាបែបវិជ្ជាជីវៈ ឬបែបធម្មតា)
• ការគាំទ្រពហុភាសា (ការបកប្រែការបកស្រាយ)

អនាគតនៃ Machine Learning ក្នុងហោរាសាស្ត្រ

នៅពេលដែលបច្ចេកវិទ្យា machine learning រីកចម្រើនកាន់តែខ្លាំង ការវិភាគផ្នែកហោរាសាស្ត្រក៏កាន់តែមានភាពស្មុគស្មាញនិងល្អិតល្អន់៖

ការទទួលស្គាល់លំនាំកាន់តែប្រសើរ

ប្រព័ន្ធ AI នាពេលអនាគតនឹងអាចទទួលស្គាល់លំនាំដ៏ស្រាលៗកាន់តែច្រើនថែមទៀត៖

• លំនាំតាមពេលវេលា (របៀបដែលឥទ្ធិពលនៃដួងជតាប្រែប្រួលតាមកាលវេលា)
• ភាពខុសគ្នាតាមវប្បធម៌ (ការសម្របការបកស្រាយទៅតាមបរិបទវប្បធម៌)
• ការបញ្ចូលប្រវត្តិផ្ទាល់ខ្លួន (ការរៀនសូត្រពីព្រឹត្តិការណ៍ជីវិតរបស់អ្នកប្រើ)
• ភាពត្រឹមត្រូវនៃការទស្សន៍ទាយ (ការបង្កើនភាពជឿទុកចិត្តនៃការព្យាករណ៍)

ការធ្វើបច្ចុប្បន្នភាពពេលជាក់ស្តែង

Machine learning ធ្វើឲ្យអាចធ្វើបច្ចុប្បន្នភាពដួងជតាជាបន្តបន្ទាប់៖

• ការវិភាគ ឆ្លងកាត់ ប្រចាំថ្ងៃ (របៀបដែលការ ឆ្លងកាត់ បច្ចុប្បន្នប៉ះពាល់ដល់ដួងជតារបស់អ្នក)
• ការបកស្រាយតាមដំណើរការ (របៀបដែលដួងជតារបស់អ្នកវិវឌ្ឍន៍)
• ការផ្សារភ្ជាប់ព្រឹត្តិការណ៍ (ការតភ្ជាប់លំនាំដួងជតាទៅនឹងព្រឹត្តិការណ៍ជីវិត)
• ការរៀនសូត្រដែលអាចសម្របខ្លួន (ការកែលម្អដោយផ្អែកលើមតិត្រឡប់)

ហោរាសាស្ត្រ AI ផ្ទាល់ខ្លួន

ប្រព័ន្ធនាពេលអនាគតអាចបង្កើតហោរាសាស្ត្រ AI ផ្ទាល់ខ្លួន៖

• ការរៀនពីចំណូលចិត្តរបស់អ្នក (ការបកស្រាយណាដែលត្រូវនឹងចិត្តអ្នក)
• ការសម្របរបៀបទំនាក់ទំនង (ការផ្គូផ្គងនឹងបុគ្គលិកលក្ខណៈរបស់អ្នក)
• ការកសាងប្រវត្តិទំនាក់ទំនង (ការយល់ដឹងពីដួងជតារបស់អ្នកតាមកាលវេលា)
• ការផ្តល់ការណែនាំជាបន្តបន្ទាប់ (ការគាំទ្រផ្នែកហោរាសាស្ត្រ 24/7)

សំណួរដែលសួរញឹកញាប់

តើ machine learning មានភាពត្រឹមត្រូវកម្រិតណាក្នុងហោរាសាស្ត្រ?

Machine learning សម្រេចបាន ភាពស្របគ្នា 94% ជាមួយហោរាជំនាញលើការគណនាភពនិងការបកស្រាយមូលដ្ឋាន។ សម្រាប់ភារកិច្ចបកស្រាយឯកទេស ភាពត្រឹមត្រូវមានចាប់ពី 70-90% អាស្រ័យលើភាពស្មុគស្មាញនៃការវិភាគ។

តើ AI អាចជំនួសហោរាមនុស្សបានទេ?

AI ពូកែខាងការវិភាគគណនានិងការទទួលស្គាល់លំនាំ ប៉ុន្តែហោរាមនុស្សនាំមកនូវវិចារណញាណ ការយល់ចិត្ត និងការយល់ដឹងតាមបរិបទ។ អនាគតទំនងជាមាន AI ដោះស្រាយការគណនា ខណៈមនុស្សផ្តល់ការប្រឹក្សានិងការបកស្រាយដ៏ល្អិតល្អន់។

ហេតុអ្វីដំណើរការទិន្នន័យ 300+ ចំណុច ជំនួសឱ្យតែចំណុចសំខាន់ៗ?

ការវិភាគគ្រប់ជ្រុងជ្រោយបង្ហាញពីឥទ្ធិពលដ៏ល្អិតល្អន់ដែលបន្ថែមជម្រៅនិងភាពត្រឹមត្រូវដល់ការបកស្រាយ។ ការដំណើរការទិន្នន័យគ្រប់ចំណុចធានាថាគ្មានអ្វីត្រូវបានមើលរំលង ហើយផ្តល់នូវរូបភាពហោរាសាស្ត្រពេញលេញ។

តើ machine learning អាចដំណើរការដួងជតាបានលឿនកម្រិតណា?

ប្រព័ន្ធ AI ទំនើបអាចដំណើរការទិន្នន័យ 300+ ចំណុចទាំងអស់ និងបង្កើតការបកស្រាយដ៏គ្រប់ជ្រុងជ្រោយក្នុង តិចជាង 1 វិនាទី។ ល្បឿននេះធ្វើឱ្យការវិភាគហោរាសាស្ត្រដ៏ស្មុគស្មាញអាចចូលដំណើរការបានសម្រាប់មនុស្សរាប់លាននាក់ក្នុងពេលដំណាលគ្នា។

តើ machine learning ហោរាសាស្ត្រមានភាពត្រឹមត្រូវដូចវិធីសាស្ត្របុរាណដែរឬទេ?

សម្រាប់ការគណនាតារាសាស្ត្រ AI សម្រេចបាន ភាពត្រឹមត្រូវ 94% បើធៀបនឹងហោរាជំនាញ។ សម្រាប់ការបកស្រាយ ភាពត្រឹមត្រូវអាស្រ័យលើភាពស្មុគស្មាញនៃការវិភាគ ប៉ុន្តែ AI ផ្តល់នូវការវិភាគដ៏ស្ថិតស្ថេរនិងគ្រប់ជ្រុងជ្រោយ ដែលបំពេញបន្ថែមដល់វិធីសាស្ត្របុរាណ។

សេចក្តីសន្និដ្ឋាន៖ អានុភាពនៃការវិភាគទិន្នន័យជាង 300+ ចំណុច

សមត្ថភាពរបស់ Machine Learning ក្នុងការវិភាគ ទិន្នន័យបុគ្គលជាង 300+ ចំណុច ក្នុងពេលដំណាលគ្នា គឺជាការវិវឌ្ឍន៍បដិវត្តន៍មួយក្នុងការវិភាគហោរាសាស្ត្រ។ វិធីសាស្ត្រដ៏ទូលំទូលាយនេះធានាថា គ្មានឥទ្ធិពលតិចតួចណាមួយត្រូវបានរំលងឡើយ ដោយផ្តល់នូវភាពស៊ីជម្រៅ និងភាពត្រឹមត្រូវ ដែលអាចប្រៀបធៀបនឹងការពិគ្រោះហោរាសាស្ត្របែបបុរាណ។

បច្ចេកវិទ្យានេះមិនជំនួសការយល់ដឹងរបស់មនុស្សទេ ប៉ុន្តែផ្ទុយទៅវិញ វាបើកឱកាសឱ្យគ្រប់គ្នាអាចចូលដល់ការវិភាគហោរាសាស្ត្រដ៏ស្មុគស្មាញ។ អ្វីដែលធ្លាប់ត្រូវការការសិក្សារាប់ឆ្នាំ និងការគណនាដោយដៃរាប់ម៉ោង ឥឡូវនេះកើតឡើងក្នុងរយៈពេលមីលីវិនាទី ដោយធ្វើឱ្យការយល់ដឹងហោរាសាស្ត្រផ្ទាល់ខ្លួនអាចទទួលបានសម្រាប់មនុស្សគ្រប់គ្នា។

ខណៈដែលបច្ចេកវិទ្យា Machine Learning បន្តរីកចម្រើន យើងអាចរំពឹងបាននូវការទទួលស្គាល់លំនាំកាន់តែស្មុគស្មាញ ការបកស្រាយផ្ទាល់ខ្លួន និងភាពត្រឹមត្រូវនៃការទស្សន៍ទាយ។ អនាគតនៃហោរាសាស្ត្រស្ថិតនៅលើការផ្សំបញ្ចូលគ្នារវាងអានុភាពនៃការគណនារបស់ AI ជាមួយនឹងប្រាជ្ញា វិចារណញាណ និងក្តីអាណិតអាសូររបស់មនុស្ស។

ត្រៀមខ្លួនជាស្រេចដើម្បីបទពិសោធន៍ហោរាសាស្ត្រ Machine Learning ដោយខ្លួនអ្នកផ្ទាល់ហើយឬនៅ? បង្កើតដួងជតាកំណើតរបស់អ្នកដោយឥតគិតថ្លៃ ហើយស្វែងយល់ពីរបៀបដែល AI វិភាគទិន្នន័យហោរាសាស្ត្រដ៏ប្លែករបស់អ្នក ដើម្បីផ្តល់នូវការយល់ដឹងផ្ទាល់ខ្លួន ដែលដំណើរការដោយបច្ចេកវិទ្យាទំនើបបំផុត។