គណិតវិទ្យាវិទ្យាល័យ និង IT៖ តើខុសគ្នាដូចម្តេច និងគួររៀនអ្វីខ្លះ?

សិស្សវិទ្យាល័យជាច្រើនតែងតែមានក្តីបារម្ភមួយនៅពេលចង់បន្តការសិក្សាលើជំនាញព័ត៌មានវិទ្យា (IT) គឺ៖ «តើទាល់តែពូកែគណិតវិទ្យាទើបអាចរៀន IT បានមែនទេ? តើគណិតវិទ្យាដែលយើងធ្លាប់រៀននៅវិទ្យាល័យ មានការប្រៀបធៀបគ្នាដូចម្តេចខ្លះទៅនឹងគណិតវិទ្យាក្នុងវិស័យកុំព្យូទ័រ?»

ដើម្បីជម្រះមន្ទិលសង្ស័យទាំងនេះ យើងនឹងធ្វើការបកស្រាយលម្អិតពីរវាង «គណិតវិទ្យាវិទ្យាល័យ» និង «គណិតវិទ្យាក្នុង IT» ព្រមទាំងបង្ហាញពីមុខវិជ្ជាគណិតវិទ្យាដែលចាំបាច់បំផុតសម្រាប់អ្នករៀនកូដ។

១. គណិតវិទ្យាក្នុងវិទ្យាល័យ៖ ការគណនាតាមរូបមន្ត និងទ្រឹស្តី

នៅក្នុងកម្រិតវិទ្យាល័យ (ជាពិសេសថ្នាក់ទី ១១-១២) គណិតវិទ្យាផ្ដោតខ្លាំងទៅលើ៖

• ការគណនាដោយដៃ (Manual Calculation)៖ ការដោះស្រាយលំហាត់លីមីត ដេរីវេ អាំងតេក្រាល និងធរណីមាត្រ។
• ការទន្ទិញរូបមន្ត៖ សិស្សត្រូវចងចាំរូបមន្តស្មុគស្មាញជាច្រើន ដើម្បីយកទៅដោះស្រាយលំហាត់ប្រឡង។
• ការផ្តោតលើលទ្ធផលចុងក្រោយ៖ គោលដៅចម្បងគឺរកចម្លើយឱ្យត្រូវ និងទទួលបានពិន្ទុល្អក្នុងពេលប្រឡង។

សម្រាប់សិស្សជាច្រើន មុខវិជ្ជាទាំងនេះហាក់បីដូចជាគ្មានការទាក់ទងនឹងជីវភាពរស់នៅប្រចាំថ្ងៃ ឬការងារជាក់ស្តែងឡើយ ដែលធ្វើឲ្យពួកគេធុញទ្រាន់។

២. គណិតវិទ្យាក្នុង IT៖ តក្កវិទ្យា និងការដោះស្រាយបញ្ហា

នៅក្នុងវិស័យ IT គណិតវិទ្យាមិនមែនជាការអង្គុយគណនាលេខស្មុគស្មាញដោយដៃនោះទេ ព្រោះកុំព្យូទ័រជាអ្នកធ្វើការងារនោះជំនួសយើង។ អ្វីដែលយើងត្រូវការគឺ « logic (តក្កវិទ្យា)» និងការយល់ដឹងពីរបៀបដែលគណិតវិទ្យាដោះស្រាយបញ្ហាជាក់ស្តែង។

គណិតវិទ្យាដែលប្រើប្រាស់ក្នុងវិស័យ IT រួមមាន៖

• គណិតវិទ្យាដាច់ដោយឡែក (Discrete Mathematics)៖ នេះជាបេះដូងនៃ Computer Science។ វាផ្ដោតលើ Logic (តក្កវិទ្យា True/False) សំណុំ (Sets) ក្រាហ្វ (Graphs) និងទ្រឹស្តីលទ្ធភាព។ ឧទាហរណ៍៖ ការសរសេរលក្ខខណ្ឌកូដ if/else គឺប្រើប្រាស់ Boolean Logic ១០០%។
• ពិជគណិតលីនេអ៊ែរ (Linear Algebra)៖ ប្រើប្រាស់ម៉ាទ្រីស (Matrices) និងវ៉ិចទ័រ (Vectors)។ វាត្រូវបានយកទៅប្រើប្រាស់ក្នុងការបង្កើតហ្គេម 3D, ការធ្វើការជាមួយរូបភាព (Computer Vision) និងការអភិវឌ្ឍបញ្ញាសិប្បនិម្មិត (Machine Learning)។
• ប្រូបាប និងស្ថិតិ (Probability & Statistics)៖ សំខាន់បំផុតសម្រាប់អ្នកចង់ធ្វើការផ្នែក Data Science និង AI ដើម្បីធ្វើការទស្សន៍ទាយនិន្នាការ និងវិភាគទិន្នន័យធំៗ (Big Data)។

ជាឧទាហរណ៍ ក្នុងផ្នែកវិទ្យាសាស្ត្រទិន្នន័យ (Data Science) រូបមន្តគណិតវិទ្យាដ៏ល្បីល្បាញមួយគឺ Bayes' Theorem ត្រូវបានប្រើប្រាស់ដើម្បីគណនាប្រូបាប៊ីលីតេនៃព្រឹត្តិការណ៍មួយ៖

នៅក្នុងប្រព័ន្ធកុំព្យូទ័រ រូបមន្តនេះត្រូវបានយកទៅប្រើដើម្បីបង្កើតប្រព័ន្ធចម្រាញ់អ៊ីមែលឥតប្រយោជន៍ (Spam Filter) ដោយស្វ័យប្រវត្តិនូវរាល់អ៊ីមែលដែលបានផ្ញើចូល។

៣. តើគួររៀបចំបែបណា បើចង់រៀន IT តែខ្សោយគណិតវិទ្យា?

ប្រសិនបើប្អូនៗមិនសូវពូកែគណិតវិទ្យាកាលពីវិទ្យាល័យ ក៏កុំទាន់អស់សង្ឃឹម៖

1. កំណត់ទិសដៅការងារ៖ បើប្អូនចង់ធ្វើជា Frontend Web Developer ឬ Mobile App Developer ប្អូនមិនត្រូវការគណិតវិទ្យាកម្រិតខ្ពស់ឡើយ ត្រឹមយល់ដឹងពី Logic និងប្រមាណវិធីមូលដ្ឋានគឺគ្រប់គ្រាន់។ ប៉ុន្តែបើចង់ទៅខាង AI, Game Dev ឬ Cryptography (សន្តិសុខទិន្នន័យ) ប្អូនត្រូវតែបង្ខំចិត្តរៀនគណិតវិទ្យាបន្ថែម។
2. ផ្លាស់ប្តូរវិធីសាស្ត្រគិត៖ កុំព្យាយាមទន្ទិញរូបមន្តគណិតវិទ្យា តែត្រូវសួរខ្លួនឯងថា "តើរូបមន្តនេះអាចយកទៅដោះស្រាយបញ្ហាអ្វីខ្លះក្នុងកម្មវិធីកុំព្យូទ័រ?"
3. រៀនដោះស្រាយលំហាត់បែប Logic៖ ការលេងហ្គេមដោះស្រាយបញ្ហា (Puzzles) ការសរសេរ Algorithm និងការរៀនវិភាគគំនូសបំព្រួញ (Flowcharts) ជួយពង្រឹងខួរក្បាលផ្នែក IT បានយ៉ាងលឿន។

សេចក្តីសន្និដ្ឋាន

គណិតវិទ្យាវិទ្យាល័យ និងគណិតវិទ្យា IT គឺមានចំណុចខុសគ្នាត្រង់ «របៀបយកទៅប្រើប្រាស់»។ គណិតវិទ្យាវិទ្យាល័យផ្ដល់នូវគ្រឹះ និងរបៀបគិតបែបវិទ្យាសាស្ត្រ ចំណែកឯ IT យកគ្រឹះទាំងនោះមកបង្កើតជាដំណោះស្រាយជាក់ស្តែងតាមរយៈការសរសេរកូដ។ ដូច្នេះ មិនបាច់ធ្វើជាសិស្សពូកែគណិតវិទ្យាលំដាប់ប្រទេសក៏ដោយ ឱ្យតែប្អូនមានចិត្តស្រឡាញ់ និងព្យាយាមអភិវឌ្ឍការគិតបែប Logic ប្អូនប្រាកដជាអាចក្លាយជាអ្នកជំនាញ IT ម្នាក់ដ៏ឆ្នើមបាន!