ဇွန်းမရှိ။ demystified ML အတွက် ဆော့ဖ်ဝဲလ်အင်ဂျင်နီယာများသည် ပရီမီယာဖြစ်သည်။

ဇွန်းမရှိပါ- Demystified ML အတွက် ဆော့ဖ်ဝဲလ်အင်ဂျင်နီယာ၏ ပရိုမိုးရှင်းတစ်ခု

သင်သည် Machine Learning (ML) လောကကို စူးစမ်းလေ့လာနေသော ဆော့ဖ်ဝဲလ်အင်ဂျင်နီယာတစ်ယောက်ဖြစ်ပါက၊ *The Matrix* မှ မြင်ကွင်းတစ်ခုကို ကြည့်ရသကဲ့သို့ ခံစားရနိုင်ပါသည်။ ရှုပ်ထွေးသော မော်ဒယ်များသည် ၎င်းတို့၏ဆန္ဒအတိုင်း လက်တွေ့ဘဝသို့ ကွေးညွှတ်နေသည့် မှော်အတတ်ကို စွမ်းဆောင်နေသည့် ရှုပ်ထွေးသော မော်ဒယ်များကို သင်မြင်ရသည်။ "ဤစာကြည့်တိုက်ကိုသုံးပါ" သို့မဟုတ် "လေ့ကျင့်ရေးလုပ်ငန်းစဉ်ကို ယုံကြည်ပါ။" ဒါပေမယ့် သင့် developer ရဲ့စိတ်ထဲမှာ တစ်ခုခုတော့ သူပုန်ပါပဲ။ ကိုင်းညွှတ်မှုကို နားလည်စေချင်သည်။ စည်းကမ်းချက်တွေကို ဘယ်မှာရေးထားလဲ သိဖို့လိုတယ်။ လွတ်မြောက်ခြင်းအမှန်တရား၊ ML ၏ သိမြင်နိုင်သော မှော်ဆန်မှုသည် တွက်ချက်မှုပုံစံတစ်ခုသာဖြစ်သည်— သင်လေ့လာနိုင်၊ ဖျက်ထုတ်နိုင်ပြီး သင့်ကိုယ်ပိုင်စနစ်များတွင် ပေါင်းစည်းနိုင်သည့် ကိရိယာများနှင့် ပုံစံများအစုံဖြစ်သည်။

Deterministic Logic မှ Probabilistic Patterns သို့

သင်၏ ပင်မကျွမ်းကျင်မှုသည် အဆုံးအဖြတ်ယုတ္တိကို ရေးသားခြင်းဖြစ်သည်- X ဆိုလျှင် Y. ML သည် ၎င်းကို ပြောင်းပြန်လှန်သည်။ ၎င်းသည် X နှင့် Y ၏ မရေမတွက်နိုင်သော ဥပမာများဖြင့် စတင်ပြီး ၎င်းတို့ကို ချိတ်ဆက်ပေးသည့် လုပ်ဆောင်ချက်ကို ကိုးကားသည်။ အဖြေတစ်ခုကို ပရိုဂရမ်ရေးဆွဲခြင်းကဲ့သို့မဟုတ်ဘဲ *အဖြေကိုရှာဖွေရန်* ပရိုဂရမ်တစ်ခုလုပ်ဆောင်ခြင်းကဲ့သို့ တွေးကြည့်ပါ။ `def တွက်ချက်_စျေးနှုန်း(...):` အစား `def train_to_predict_price(...):` ဟု ရေးပါ။ သင်ရေးသော လေ့ကျင့်ရေးကုဒ်သည် ဗိသုကာပညာတစ်ခု (အာရုံကြောကွန်ရက်ကဲ့သို့) ပန်းတိုင်တစ်ခု (ပျမ်းမျှနှစ်ထပ်အမှားအမှားကဲ့သို့ "ဆုံးရှုံးမှုလုပ်ဆောင်ချက်" ကို သတ်မှတ်သည်)၊ နှင့် သန်းပေါင်းများစွာသော အတွင်းပိုင်းကန့်သတ်ချက်များကို ပြင်ဆင်သတ်မှတ်ရန် ပိုမိုကောင်းမွန်အောင်လုပ်ဆောင်မှုတစ်ခု (gradient descent ကဲ့သို့) ကိုအသုံးပြုသည်။ သင့်အခန်းကဏ္ဍသည် တိကျပြတ်သားသော စည်းမျဉ်းများကို ဖန်တီးခြင်းမှ စည်းကမ်းရှာဖွေတွေ့ရှိမှုအတွက် အကောင်းဆုံးပတ်ဝန်းကျင်ကို ဖန်တီးခြင်းသို့ ပြောင်းလဲသွားပါသည်။

"မော်ဒယ်ကို ကွေးဖို့မကြိုးစားနဲ့၊ အဲဒါက မဖြစ်နိုင်ပါဘူး။ အဲဒီအစား အမှန်တရားကို သိဖို့သာ ကြိုးစားပါ၊ မှော်အတတ်မရှိဘူး၊ အဲဒါက ကွေးနေတဲ့ မော်ဒယ်မဟုတ်ဘူး၊ ဒါဟာ သင်ကိုယ်တိုင်ပဲ ဖြစ်ပါတယ်၊ ဘယ်လို ပရိုဂရမ်းမင်းဖြစ်နိုင်လဲဆိုတာကို မင်းနားလည်လာလိမ့်မယ်။"

Jargon ကို တည်ဆောက်ခြင်း- သင်၏ လက်ရှိ အသိပညာမြေပုံများ ပြီးဆုံးသည်

အသုံးအနှုန်းများသည် ခြိမ်းခြောက်သော်လည်း သဘောတရားများကို ရင်းနှီးသည်။ "မော်ဒယ်" သည် အလွန်ကြီးမားပြီး လေ့ကျင့်ထားသော ဖွဲ့စည်းမှုပုံစံဖိုင်တစ်ခုဖြစ်ပြီး နံပါတ်စဉ်စီထားသော ဒေတာတည်ဆောက်မှုတစ်ခုမျှသာဖြစ်သည်။ "လေ့ကျင့်ရေး" သည် ဤပစ္စည်းကို ထုတ်ပေးသည့် ကွန်ပြူတာစနစ်ဖြင့် အထူးအလေးပေးထားသော အလုပ်တစ်ခုဖြစ်သည်။ "Inference" သည် ထိုပစ္စည်းကို အသုံးပြု၍ နိုင်ငံမဲ့ (သို့မဟုတ်) နိုင်ငံမဲ့ API ခေါ်ဆိုမှုတစ်ခုဖြစ်သည်။ ၎င်းသည် ကြိုတင်တွက်ချက်ထားသော၊ ရှုပ်ထွေးသော အတွင်းပိုင်းမြေပုံဖြင့် လုပ်ဆောင်သည့် ခေါ်ဆိုမှုတစ်ခုဖြစ်သည်။ "မြှုပ်နှံမှုများ" သည် ဆန်းပြားသောအင်္ဂါရပ်များဖြစ်သည်။ "Hyperparameters" များသည် သင်၏လေ့ကျင့်ရေးအလုပ်အတွက် ရိုးရှင်းသော configuration knob များဖြစ်သည်။ ဤစည်းကမ်းချက်များရှိ ML ဘောင်သွင်းခြင်းသည် ပဟေဠိဆန်မှုကို ဖျက်သိမ်းစေပြီး API များ၊ ဒေတာပိုက်လိုင်းများနှင့် စနစ်ဒီဇိုင်းများအကြောင်း သင့်အင်ဂျင်နီယာဆိုင်ရာ ပင်ကိုယ်ဥာဏ်ကို အသုံးချနိုင်စေပါသည်။

ဖွံ့ဖြိုးတိုးတက်ရေးကွင်းအသစ်- ဒေတာပထမ၊ ကုဒ်ဒုတိယ

အကြီးမားဆုံးသော ပါရာဒိုင်းအပြောင်းအရွှေ့မှာ ဒေတာ၏ ဦးစားပေးဖြစ်သည်။ သမားရိုးကျ ဖွံ့ဖြိုးတိုးတက်မှုတွင် သင်သည် ကုဒ်ကိုရေးပြီး ၎င်းကို ဒေတာကျွေးပါ။ ML တွင် သင်သည် ဒေတာကို စီမံပေးပြီးနောက် ၎င်းသည် ကုဒ်ကို "ရေးသည်" (မော်ဒယ်အလေးများ)။ သင့်လုပ်ငန်းအသွားအလာ အပြောင်းအလဲများ-

• Problem Framing- X (input) နှင့် Y (prediction) တို့ကို တိကျစွာသတ်မှတ်ခြင်း။
• ဒေတာစုဆောင်းခြင်းနှင့် တံဆိပ်တပ်ခြင်း- သင်၏ကြီးမားသန့်ရှင်းသော လေ့ကျင့်မှုအစုံကို စုစည်းခြင်း။
• အင်္ဂါရပ်အင်ဂျင်နီယာ- အများဆုံးအချက်ပြမှုအတွက် သင်၏ထည့်သွင်းဒေတာကို ဖွဲ့စည်းတည်ဆောက်ခြင်း။
• မော်ဒယ်သင်တန်းနှင့် အကဲဖြတ်ခြင်း- မမြင်ရသောဒေတာရှိ မက်ထရစ်များဖြင့် တိုင်းတာသော ထပ်ခါတလဲလဲ စမ်းသပ်မှု ကွင်းဆက်။
• ဝန်ဆောင်မှုနှင့် စောင့်ကြည့်ခြင်း- မော်ဒယ်ကို ဖြန့်ကျက်ခြင်းနှင့် ထုတ်လုပ်မှုတွင် စွမ်းဆောင်ရည် လွင့်မျောခြင်းအတွက် စောင့်ကြည့်ခြင်း။

ဤကွင်းဆက်သည် Mewayz ကဲ့သို့သော ပလပ်ဖောင်းများသည် တန်ဖိုးမဖြတ်နိုင်သော နေရာဖြစ်သည်။ ပရောဂျက်တစ်ခုတည်းအတွက် ဖရိုဖရဲဖြစ်နေသောဒေတာ၊ ကုဒ်၊ စမ်းသပ်မှုဘောင်များနှင့် မော်ဒယ်ဗားရှင်းများကို စီမံခန့်ခွဲခြင်းသည် ကြီးလေးသောအလုပ်ဖြစ်သည်။ မော်ဂျူလာလုပ်ငန်း OS သည် ဒေတာအတွဲများကို ဗားရှင်းဗားရှင်းများ၊ ရာနှင့်ချီသော လေ့ကျင့်ရေးစမ်းသပ်မှုများကို ခြေရာခံရန်၊ စံနမူနာပြပစ္စည်းများကို စီမံခန့်ခွဲရန်နှင့် လက်တွေ့အသုံးချမှုပိုက်လိုင်းများကို စုစည်းကာ—သုတေသန နမူနာပုံစံကို ယုံကြည်စိတ်ချရသော ထုတ်လုပ်ရေးဝန်ဆောင်မှုအဖြစ် ပြောင်းလဲပေးပါသည်။

ပေါင်းစပ်ခြင်း၊ အစားထိုးခြင်းမဟုတ်ပါ- ML သည် အစွမ်းထက်သော မော်ဂျူးတစ်ခုအဖြစ်

သင်၏ stack တစ်ခုလုံးကို ပြန်လည်တည်ဆောက်ရန် မလိုအပ်ပါ။ ML ကို အထူးပြုအစိတ်အပိုင်းတစ်ခုအဖြစ် ကြည့်ရှုခြင်းဖြင့် စတင်ပါ။ ၎င်းသည် သင်၏ မိုက်ခရိုဆားဗစ်ဗိသုကာတွင် တစ်ခုတည်းသော ဝန်ဆောင်မှုတစ်ခုဖြစ်ပြီး၊ သင်၏ ပိုကြီးသော လုပ်ငန်းယုတ္တိအတွင်း ဆုံးဖြတ်ချက်ချသည့် သင်ခန်းစာတစ်ခုဖြစ်သည်။ ဥပမာအားဖြင့်၊ သင်၏အဓိကအသုံးပြုသူစီမံခန့်ခွဲမှုစနစ်သည် စစ်မှန်ကြောင်းအထောက်အထားပြခြင်းကို ကိုင်တွယ်ဆောင်ရွက်သော်လည်း ML module တစ်ခုသည် ၎င်းတို့၏ dashboard ကို စိတ်ကြိုက်ပြင်ဆင်နိုင်သည်။ သင်၏ ထောက်ပံ့ပို့ဆောင်ရေးပလပ်ဖောင်းသည် ကုန်ပစ္စည်းစာရင်းကို စီမံခန့်ခွဲသည်၊ ML module တစ်ခုသည် ဝယ်လိုအားကို ခန့်မှန်းပေးပါသည်။ ၎င်းသည် ၎င်း၏အဓိကတွင်ရှိသော မော်ဒူလာဒဿနဖြစ်သည်- မှန်ကန်သောအလုပ်အတွက် မှန်ကန်သောကိရိယာ၊ သန့်ရှင်းစွာပေါင်းစပ်ထားသည်။ Mewayz သည် သင့်အား ပိုမိုကျယ်ပြန့်သော လုပ်ငန်း OS အတွင်း ပေါင်းစပ်နိုင်သော ယူနစ်များအဖြစ် လေ့ကျင့်ထားသော မော်ဒယ်များအဖြစ် သဘောထားကာ ၎င်းတို့၏ ခန့်မှန်းချက်များကို အလုပ်အသွားအလာ အလိုအလျောက်စနစ်များ၊ ဒေတာသိုလှောင်ရုံများနှင့် အသုံးပြုသူမျက်နှာစာအက်ပ်လီကေးရှင်းများသို့ ချောမွေ့စွာ ချိတ်ဆက်ပေးခြင်းဖြင့် ၎င်းကို ပေါင်းစပ်ထည့်သွင်းထားပါသည်။

ဇွန်းသည် မှော်မဟုတ်ပါ။ ၎င်းသည် သင်ယခုနားလည်နိုင်သော ဂုဏ်သတ္တိရှိသော ကိရိယာတစ်ခုဖြစ်သည်။ သင်၏ဆော့ဖ်ဝဲလ်အင်ဂျင်နီယာမှန်ဘီလူးမှတဆင့် ML သို့ချဉ်းကပ်ခြင်းဖြင့်—စနစ်များ၊ အင်တာဖေ့စ်များ၊ ဒေတာစီးဆင်းမှုနှင့် မော်ဂျူလာဒီဇိုင်း—တို့ကို အလေးပေးခြင်းဖြင့် သင်သည် ၎င်းကို မယုံကြည်နိုင်ပါ။ သင်သည် အလင်းမှော်ကို ကွေးရန်ကြိုးစားနေခြင်းကို ရပ်လိုက်ပြီး အစွမ်းထက်သော ပရိုဂရမ်မာကိရိယာအစုံလိုက်အသစ်ဖြင့် စတင်တည်ဆောက်လိုက်ပါ။ လက်တွေ့ကမ္ဘာမှကြိုဆိုပါသည်။

အမေးများသောမေးခွန်းများ

ဇွန်းမရှိပါ- Demystified ML အတွက် ဆော့ဖ်ဝဲလ်အင်ဂျင်နီယာ၏ ပရိုမိုးရှင်းတစ်ခု

သင်သည် Machine Learning (ML) လောကကို စူးစမ်းလေ့လာနေသော ဆော့ဖ်ဝဲလ်အင်ဂျင်နီယာတစ်ယောက်ဖြစ်ပါက၊ *The Matrix* မှ မြင်ကွင်းတစ်ခုကို ကြည့်ရသကဲ့သို့ ခံစားရနိုင်ပါသည်။ ရှုပ်ထွေးသော မော်ဒယ်များသည် ၎င်းတို့၏ဆန္ဒအတိုင်း လက်တွေ့ဘဝသို့ ကွေးညွှတ်နေသည့် မှော်အတတ်ကို စွမ်းဆောင်နေသည့် ရှုပ်ထွေးသော မော်ဒယ်များကို သင်မြင်ရသည်။ "ဤစာကြည့်တိုက်ကိုသုံးပါ" သို့မဟုတ် "လေ့ကျင့်ရေးလုပ်ငန်းစဉ်ကို ယုံကြည်ပါ။" ဒါပေမယ့် သင့် developer ရဲ့စိတ်ထဲမှာ တစ်ခုခုတော့ သူပုန်ပါပဲ။ ကိုင်းညွှတ်မှုကို နားလည်စေချင်သည်။ စည်းကမ်းချက်တွေကို ဘယ်မှာရေးထားလဲ သိဖို့လိုတယ်။ လွတ်မြောက်ခြင်းအမှန်တရား၊ ML ၏ သိမြင်နိုင်သော မှော်ဆန်မှုသည် တွက်ချက်မှုပုံစံတစ်ခုသာဖြစ်သည်— သင်လေ့လာနိုင်၊ ဖျက်ထုတ်နိုင်ပြီး သင့်ကိုယ်ပိုင်စနစ်များတွင် ပေါင်းစည်းနိုင်သည့် ကိရိယာများနှင့် ပုံစံများအစုံဖြစ်သည်။

Deterministic Logic မှ Probabilistic Patterns သို့

သင်၏ ပင်မကျွမ်းကျင်မှုသည် အဆုံးအဖြတ်ယုတ္တိကို ရေးသားခြင်းဖြစ်သည်- X ဆိုလျှင် Y. ML သည် ၎င်းကို ပြောင်းပြန်လှန်သည်။ ၎င်းသည် X နှင့် Y ၏ မရေမတွက်နိုင်သော ဥပမာများဖြင့် စတင်ပြီး ၎င်းတို့ကို ချိတ်ဆက်ပေးသည့် လုပ်ဆောင်ချက်ကို ကိုးကားသည်။ အဖြေတစ်ခုကို ပရိုဂရမ်ရေးဆွဲခြင်းကဲ့သို့မဟုတ်ဘဲ *အဖြေကိုရှာဖွေရန်* ပရိုဂရမ်တစ်ခုလုပ်ဆောင်ခြင်းကဲ့သို့ တွေးကြည့်ပါ။ `def တွက်ချက်_စျေးနှုန်း(...):` အစား `def train_to_predict_price(...):` ဟု ရေးပါ။ သင်ရေးသော လေ့ကျင့်ရေးကုဒ်သည် ဗိသုကာပညာတစ်ခု (အာရုံကြောကွန်ရက်ကဲ့သို့) ပန်းတိုင်တစ်ခု (ပျမ်းမျှနှစ်ထပ်အမှားအမှားကဲ့သို့ "ဆုံးရှုံးမှုလုပ်ဆောင်ချက်" ကို သတ်မှတ်သည်)၊ နှင့် သန်းပေါင်းများစွာသော အတွင်းပိုင်းကန့်သတ်ချက်များကို ပြင်ဆင်သတ်မှတ်ရန် ပိုမိုကောင်းမွန်အောင်လုပ်ဆောင်မှုတစ်ခု (gradient descent ကဲ့သို့) ကိုအသုံးပြုသည်။ သင့်အခန်းကဏ္ဍသည် တိကျပြတ်သားသော စည်းမျဉ်းများကို ဖန်တီးခြင်းမှ စည်းကမ်းရှာဖွေတွေ့ရှိမှုအတွက် အကောင်းဆုံးပတ်ဝန်းကျင်ကို ဖန်တီးခြင်းသို့ ပြောင်းလဲသွားပါသည်။

Jargon ကို တည်ဆောက်ခြင်း- သင်၏ လက်ရှိ အသိပညာမြေပုံများ ပြီးဆုံးပြီ

အသုံးအနှုန်းများသည် ခြိမ်းခြောက်သော်လည်း သဘောတရားများကို ရင်းနှီးသည်။ "မော်ဒယ်" သည် အလွန်ကြီးမားပြီး လေ့ကျင့်ထားသော ဖွဲ့စည်းမှုပုံစံဖိုင်တစ်ခုဖြစ်ပြီး နံပါတ်စဉ်စီထားသော ဒေတာတည်ဆောက်မှုတစ်ခုမျှသာဖြစ်သည်။ "လေ့ကျင့်ရေး" သည် ဤပစ္စည်းကို ထုတ်ပေးသည့် ကွန်ပြူတာစနစ်ဖြင့် အထူးအလေးပေးထားသော အလုပ်တစ်ခုဖြစ်သည်။ "Inference" သည် ထိုပစ္စည်းကို အသုံးပြု၍ နိုင်ငံမဲ့ (သို့မဟုတ်) နိုင်ငံမဲ့ API ခေါ်ဆိုမှုတစ်ခုဖြစ်သည်။ ၎င်းသည် ကြိုတင်တွက်ချက်ထားသော၊ ရှုပ်ထွေးသော အတွင်းပိုင်းမြေပုံဖြင့် လုပ်ဆောင်သည့် ခေါ်ဆိုမှုတစ်ခုဖြစ်သည်။ "မြှုပ်နှံမှုများ" သည် ဆန်းပြားသောအင်္ဂါရပ်များဖြစ်သည်။ "Hyperparameters" များသည် သင်၏လေ့ကျင့်ရေးအလုပ်အတွက် ရိုးရှင်းသော configuration knob များဖြစ်သည်။ ဤစည်းကမ်းချက်များရှိ ML ဘောင်သွင်းခြင်းသည် ပဟေဠိဆန်မှုကို ဖျက်သိမ်းစေပြီး API များ၊ ဒေတာပိုက်လိုင်းများနှင့် စနစ်ဒီဇိုင်းများအကြောင်း သင့်အင်ဂျင်နီယာဆိုင်ရာ ပင်ကိုယ်ဥာဏ်ကို အသုံးချနိုင်စေပါသည်။

ဖွံ့ဖြိုးတိုးတက်ရေးကွင်းအသစ်- ဒေတာပထမ၊ ကုဒ်ဒုတိယ

အကြီးမားဆုံးသော ပါရာဒိုင်းအပြောင်းအရွှေ့မှာ ဒေတာ၏ ဦးစားပေးဖြစ်သည်။ သမားရိုးကျ ဖွံ့ဖြိုးတိုးတက်မှုတွင် သင်သည် ကုဒ်ကိုရေးပြီး ၎င်းကို ဒေတာကျွေးပါ။ ML တွင် သင်သည် ဒေတာကို စီမံပေးပြီးနောက် ၎င်းသည် ကုဒ်ကို "ရေးသည်" (မော်ဒယ်အလေးများ)။ သင့်လုပ်ငန်းအသွားအလာ အပြောင်းအလဲများ-

ပေါင်းစပ်ခြင်း၊ အစားထိုးခြင်းမဟုတ်ပါ- ML သည် အစွမ်းထက်သော မော်ဂျူးတစ်ခုအဖြစ်

သင်၏ stack တစ်ခုလုံးကို ပြန်လည်တည်ဆောက်ရန် မလိုအပ်ပါ။ ML ကို အထူးပြုအစိတ်အပိုင်းတစ်ခုအဖြစ် ကြည့်ရှုခြင်းဖြင့် စတင်ပါ။ ၎င်းသည် သင်၏ မိုက်ခရိုဆားဗစ်ဗိသုကာတွင် တစ်ခုတည်းသော ဝန်ဆောင်မှုတစ်ခုဖြစ်ပြီး၊ သင်၏ ပိုကြီးသော လုပ်ငန်းယုတ္တိအတွင်း ဆုံးဖြတ်ချက်ချသည့် သင်ခန်းစာတစ်ခုဖြစ်သည်။ ဥပမာအားဖြင့်၊ သင်၏အဓိကအသုံးပြုသူစီမံခန့်ခွဲမှုစနစ်သည် စစ်မှန်ကြောင်းအထောက်အထားပြခြင်းကို ကိုင်တွယ်ဆောင်ရွက်သော်လည်း ML module တစ်ခုသည် ၎င်းတို့၏ dashboard ကို စိတ်ကြိုက်ပြင်ဆင်နိုင်သည်။ သင်၏ ထောက်ပံ့ပို့ဆောင်ရေးပလပ်ဖောင်းသည် ကုန်ပစ္စည်းစာရင်းကို စီမံခန့်ခွဲသည်၊ ML module တစ်ခုသည် ဝယ်လိုအားကို ခန့်မှန်းပေးပါသည်။ ၎င်းသည် ၎င်း၏အဓိကတွင်ရှိသော မော်ဒူလာဒဿနဖြစ်သည်- မှန်ကန်သောအလုပ်အတွက် မှန်ကန်သောကိရိယာ၊ သန့်ရှင်းစွာပေါင်းစပ်ထားသည်။ Mewayz သည် သင့်အား ပိုမိုကျယ်ပြန့်သော လုပ်ငန်း OS အတွင်း ပေါင်းစပ်နိုင်သော ယူနစ်များအဖြစ် ဆက်ဆံရန် ခွင့်ပြုခြင်းဖြင့် ၎င်းကို ပေါင်းစပ်ထည့်သွင်းကာ ၎င်းတို့၏ ခန့်မှန်းချက်များကို အလုပ်အသွားအလာ အလိုအလျောက်စနစ်များ၊ ဒေတာသိုလှောင်ရုံများနှင့် သုံးစွဲသူများရင်ဆိုင်နေရသော အက်ပ်လီကေးရှင်းများနှင့် ချောမွေ့စွာ ချိတ်ဆက်ပေးခြင်းဖြင့် ၎င်းကို ပေါင်းစပ်ထားသည်။