ดูเพิ่มเติม

แบบจำลอง Machine Learning ที่ได้รับความนิยมมากที่สุดในปี 2023

3 mins
โดย Shilpa Lama
แปลแล้ว Akradet Mornthong

ในปัจจุบัน เครื่องจักรนั้นสามารถเรียนรู้ด้วยตัวเองได้ด้วยวิธีการขั้นสูง คอมพิวเตอร์จะทำการตรวจสอบจุดข้อมูลหลายพันล้านจุดเพื่อตรวจจับรูปแบบที่ซับซ้อนอย่างรวดเร็วและใช้มันแก้ปัญหาในโลกแห่งความเป็นจริง มันเกิดขึ้นได้อย่างไร? ก็โดยการใช้ “แบบจำลอง Machine Learning” ยังไงล่ะ!

Machine Learning เป็นสาขาหนึ่งของวิทยาการคอมพิวเตอร์ที่บรรลุหนึ่งในวัตถุประสงค์หลักของปัญญาประดิษฐ์ (AI) มันคือระบบที่ออกแบบมาให้สามารถคิดด้วยตนเองได้พร้อมๆ ไปกับการจำลองและก้าวข้ามสติปัญญาและการเรียนรู้ของมนุษย์ บทความนี้จะเป็นการเจาะลึกเรื่องแบบจำลอง Machine Learning ที่ใช้กันทั่วไปในการฝึกอบรมระบบคอมพิวเตอร์และ AI

💡 เชื่อว่าเครื่องจักรคืออนาคตของเรา? มาเข้าร่วม BeInCrypto Trading Community ของเหล่าสาวก Crypto บน Telegram สิ: เรียนรู้เพิ่มเติมเกี่ยวกับสกุลเงินแห่งอนาคตและระบบกระจายอำนาจ เริ่มการเทรดด้วยหลักสูตรการเทรดขั้นพื้นฐานที่เรียนรู้ได้ฟรีของเรา และพูดคุยเกี่ยวกับแนวโน้มของเหรียญต่างๆ กับนักเทรดมืออาชีพ! เข้าร่วมเลยเดี๋ยวนี้

แบบจำลอง Machine Learning คืออะไร?

แบบจำลอง Machine Learning คือโปรแกรมคอมพิวเตอร์ที่จะค้นหารูปแบบต่างๆ ในข้อมูลการฝึกฝน รูปแบบเหล่านี้ถูกใช้เพื่อการคาดการณ์เกี่ยวกับข้อมูลใหม่ๆ

เพื่อให้แบบจำลองใช้งานได้จริงและแม่นยำ นักวิทยาศาสตร์ข้อมูลจะป้อนชุดข้อมูลขนาดใหญ่ระหว่างการฝึกฝน อัลกอริทึมจะวิเคราะห์ชุดข้อมูลเพื่อค้นหารูปแบบหรือผลลัพธ์บางอย่าง โดยจะขึ้นอยู่กับวัตถุประสงค์ของมัน เมื่อกระบวนการสิ้นสุดลง ผลลัพธ์ของอัลกอริทึมจะถูกปรับแต่งให้เหมาะสมด้วยโปรแกรมคอมพิวเตอร์ นี่คือความหมายจริงๆ ของแบบจำลอง Machine Learning

จากนั้น แบบจำลองจะใช้รูปแบบที่พบในชุดข้อมูลการฝึกฝนเพื่อกำหนดกฎและโครงสร้างข้อมูลเฉพาะทาง จากนั้นจะใช้สิ่งเหล่านั้นเพื่อวิเคราะห์ข้อมูลใหม่ๆ

ตัวอย่างเช่น แบบจำลอง Machine Learning จะสามารถจดจำวัตถุอย่างสัญญาณไฟจราจรหรือคนเดินถนนได้อย่างแม่นยำ สมมติว่าคุณต้องการพัฒนาแอปเพื่อวิเคราะห์การแสดงออกทางสีหน้าของผู้ใช้งานเพื่อจดจำอารมณ์ของพวกเขา เพื่อดำเนินการตามไอเดียเหล่านั้น คุณสามารถฝึกฝนแบบจำลอง Machine Learning ได้โดยการป้อนรูปภาพใบหน้าที่มีอารมณ์ต่างๆ และแปะป้ายกำกับไว้ เมื่อพร้อมแล้ว แอปจะใช้งานข้อมูลของแบบจำลองดังกล่าวเพื่อกำหนดอารมณ์หรือความรู้สึกของผู้ใช้งานได้

ในทำนองเดียวกัน การประมวลผลภาษาธรรมชาติสามารถฝึกแบบจำลองเพื่อแยกวิเคราะห์และรับรู้ถึงเจตนาที่อยู่เบื้องหลังประโยคใดๆ

ข้อสรุปของแบบจำลอง Machine Learning โดยสังเขป:

  • แบบจำลอง Machine Learning ได้รับการฝึกฝนผ่านชุดข้อมูล
  • แบบจำลองนี้จะมีอัลกอริทึมที่ให้เหตุผลเกี่ยวกับข้อมูลที่มีอยู่
  • เมื่อมีการใช้อัลกอริทึม แบบจำลองจะทำการจำแนกรูปแบบบางอย่างจากชุดข้อมูล
  • เมื่อการฝึกอบรมสิ้นสุดลง แบบจำลองจะใช้ “ความรู้” ที่ได้รับระหว่างการฝึกฝนกับชุดข้อมูลที่ไม่เคยเห็นมาก่อนเพื่อทำการคาดการณ์

โปรดทราบไว้ก่อนว่าแบบจำลอง Machine Learning นั้นไม่เหมือนกับอัลกอริทึมของ Machine Learning ถึงแม้ว่านั้นอาจจะฟังดูชัดเจน แต่คำทั้ง 2 คำนี้มักจะใช้แทนกันได้ ซึ่งมักจะสร้างความสับสนให้กับหลายๆ คน

ความแตกต่างระหว่างแบบจำลองและอัลกอริทึม Machine Learning

อัลกอริทึม Machine Learning เป็นวิธีการทางคณิตศาสตร์ในการค้นหารูปแบบในชุดข้อมูล อัลกอริทึมดังกล่าวมักมาจากการคำนวนแบบแคลคูลัส, สถิติ, และพีชคณิตเชิงเส้น ตัวอย่างทั่วไปของอัลกอริทึม Machine Learning ได้แก่:

  • การถดถอยเชิงเส้น (การคำนวณหาความสัมพันธ์ระหว่างตัวแปร 2 ตัวแปร)
  • การถดถอยโลจิสติก (การวิเคราะห์ที่มีเป้าหมายเพื่อทำนายโอกาสที่จะเกิดเหตุการณ์ที่สนใจขึ้น)
  • ต้นไม้แห่งการตัดสินใจ (แบบจำลองที่ช่วยให้วิเคราะห์เหตุการณ์ หรือสถานการณ์เพื่อการตัดสินใจได้อย่างเป็นระบบและรวดเร็ว)
  • k-Nearest Neighbors (k-NN) (เปรียบเทียบความคล้ายคลึงกันของข้อมูลที่สนใจกับข้อมูลอื่นว่ามีความคล้ายคลึงกับชุดข้อมูลมากเพียงใด)
  • K-means (การเรียนรู้แบบไม่ต้องสอนและไม่มีคำตอบตายตัว)

คิดซะว่าอัลกอริทึม Machine Learning นั้นเป็นเหมือนอัลกอริทึมอื่นๆ ในวิทยาการคอมพิวเตอร์

ในทางกลับกัน แบบจำลอง Machine Learning คือผลลัพธ์ของอัลกอริทึมหลังจากที่มันฝึกฝนด้วยชุดข้อมูล หรืออีกนัยหนึ่ง แบบจำลองจะแสดงถึงสิ่งที่เรียนรู้จากอัลกอริทึมพื้นฐาน โดยทั่วไปแล้ว มันจะประกอบไปด้วยชุดข้อมูลของแบบจำลองและขั้นตอนในการค้นหารูปแบบภายในชุดข้อมูลใหม่และทำการคาดคะเน

กล่าวคือ อัลกอริทึม Machine Learning จะช่วยอำนวยความสะดวกในการเขียนโปรแกรมอัตโนมัติประเภทหนึ่ง ในขณะที่แบบจำลอง Machine Learning เป็นตัวแทนของโปรแกรมดังกล่าว

Machine Learning ทั้ง 3 ประเภท

หากอ้างอิงจากวิธีการที่ใช้ อัลกอริทึม Machine Learning สามารถจำแนกได้อีก 3 ประเภทย่อย ได้แก่:

  • Supervised Learning
  • Unsupervised Learning
  • Reinforcement Learning

Supervised Learning (การเรียนรู้โดยมีผู้ฝึกสอน)

Supervised Learning จำเป็นต้องมีการควบคุมดูแลและความช่วยเหลือจากมนุษย์ในระดับหนึ่ง กระบวนการนี้จะขึ้นอยู่กับชุดข้อมูลอินพุตและเอาต์พุต แบบจำลองเรียนรู้ที่จะระบุรูปแบบที่เชื่อมต่อข้อมูลอินพุตและเอาต์พุตเข้าด้วยกัน จากนั้น มันก็จะจำลองรูปแบบเหล่านี้เพื่อทำนายผลลัพธ์จากชุดข้อมูลใหม่

Supervised Learning มีประโยชน์สำหรับกรณีการใช้งานเช่น:

  • การเพิ่มประสิทธิภาพสินค้าคงคลัง
  • การระบุปัจจัยเสี่ยงของโรค
  • การประเมินคำขอสินเชื่อเพื่อดูว่าผู้สมัครมีความเสี่ยงต่ำหรือมีความเสี่ยงสูง
  • การตรวจจับธุรกรรมที่ฉ้อโกง
  • การคาดการณ์ราคาอสังหาริมทรัพย์

Unsupervised Learning (การเรียนรู้โดยไม่มีการสอน)

แตกต่างจาก Supervised Learning (ซึ่งค่อนข้างจะบอกได้อย่างชัดเจนจากชื่อของมัน) Unsupervised Learning ไม่จำเป็นต้องมีการควบคุมดูแลจากมนุษย์ แบบจำลองจะได้รับการฝึกฝนจากข้อมูลดิบและไม่มีป้ายกำกับ อัลกอริทึมจะเรียนรู้ที่จะแยกข้อมูลออกเป็นประเภทต่างๆ แทน ดังนั้นแต่ละประเภทจึงจะประกอบด้วยส่วนหนึ่งของข้อมูลที่มีคุณสมบัติทั่วไป

Unsupervised Learning มีประโยชน์เมื่อใช้ระบุรูปแบบในชุดข้อมูลดิบหรือจัดกลุ่มข้อมูลที่คล้ายกันเป็นกลุ่มๆ กรณีการใช้งานทั่วไป ได้แก่:

  • จำแนกโปรไฟล์ลูกค้าตามพฤติกรรมการซื้อหรือการบริโภค
  • การจัดประเภทรายการสินค้าคงคลังตามสถิติการผลิตและ/หรือการขาย
  • เน้นการเชื่อมโยงในข้อมูลลูกค้า ตัวอย่างเช่น ลูกค้าที่ซื้อเสื้อผ้าบางประเภทอาจจะสนใจรองเท้าประเภทใดประเภทหนึ่ง

Reinforcement Learning (การเรียนรู้แบบเสริมกำลัง)

Reinforcement Learning ค่อนข้างคล้ายกับ Supervised Learning — ทั้ง 2 วิธีนั้นขึ้นอยู่กับการที่แบบจำลองได้รับฟี๊ดแบ็กจากชุดข้อมูล อย่างไรก็ตาม สำหรับ Reinforcement Learning นั้น แบบจำลองจะไม่ได้รับฟี๊ดแบ็ก วิธีการนี้ทำให้แบบจำลองอยู่ในสถานการณ์ที่เหมือนเกม มันจะต้องใช้วิธีการลองผิดลองถูกเพื่อค้นหาผลลัพธ์ที่มันต้องการ

แบบจำลองจะได้รับรางวัลหรือบทลงโทษขึ้นอยู่กับการกระทำของมัน เป้าหมายคือการเพิ่มรางวัลทั้งหมดให้ได้มากที่สุด เมื่อเวลาผ่านไป แบบจำลองจะมีความเชี่ยวชาญมากขึ้นในการตัดสินใจตามลำดับ ถึงแม้จะอยู่ในสภาพแวดล้อมที่ไม่แน่นอนและซับซ้อนก็ตาม

ตัวอย่างของกรณีการใช้งานของแอปพลิเคชั่น Reinforcement Learning นั้นได้แก่:

  • ฝึกยานพาหนะไร้คนขับให้ขับและจอดเองโดยไม่ต้องอาศัยการแทรกแซงของมนุษย์
  • สัญญาณไฟจราจรแบบเปลี่ยนแปลงได้เพื่อช่วยควบคุมการจราจร

แบบจำลอง Machine Learning ยอดนิยมในปี 2022

แบบจำลองของ Machine Learning ที่แตกต่างกันจะใช้อัลกอริทึมและวิธีการเรียนรู้ประเภทที่แตกต่างกันไปด้วย ดังนั้น มันจึงสามารถแบ่งประเภทของแบบจำลองออกเป็นประเภทของการเรียนรู้ที่พวกมันใช้

แบบจำลองของ Supervised Machine Learning

Machine Learning

การจัดหมวดหมู่

การจัดหมวดหมู่เป็นงานการสร้างแบบจำลองเชิงคาดการณ์ มันจะเกี่ยวข้องกับการคาดเดาประเภทหรือคลาสของวัตถุภายในตัวเลือกที่มีจำนวนจำกัด

การจัดหมวดหมู่จะใช้ชุดข้อมูลที่กว้างขวางพร้อมตัวอย่างของอินพุต (ข้อมูลที่นำเข้า) และเอาต์พุต (ข้อมูลที่ได้รับการประมวลผลแล้ว) ที่อัลกอริทึมพื้นฐานใช้เรียนรู้ แบบจำลองนี้จะใช้ชุดข้อมูลการฝึกฝนเพื่อค้นหาวิธีที่เหมาะสมที่สุดในการจับคู่ข้อมูลอินพุตเข้ากับป้ายกำกับคลาสที่เฉพาะเจาะจง

มันจะมี Machine Learning ของการจัดหมวดหมู่อยู่ 2 ประเภท ได้แก่ ไบนารีและมัลติคลาส รูปแบบไบนารีนั้นเหมาะสำหรับปัญหาที่มีเพียง 2 คลาสที่เป็นไปได้ ตัวอย่างเช่น ใช่/ไม่ใช่, เปิด/ปิด เป็นต้น รูปแบบมัลติคลาสนั้นเหมาะที่สุดสำหรับปัญหาที่มีมากกว่า 2 คลาสที่เป็นไปได้

วัตถุประสงค์: การคาดเดาผลแบบไบนารี

กรณีการใช้งาน: การจัดหมวดหมู่เหมาะที่สุดสำหรับงานต่างๆ เช่น การระบุภาษา (เช่น Google Translate), การตรวจจับการฉ้อโกง, การกรองการสแปม, การวิเคราะห์ความรู้สึก, การจดจำอักขระที่เขียนด้วยลายมือ และการค้นหาเอกสาร

ตัวอย่างของอัลกอริทึมที่ใช้กันทั่วไปในแบบจำลองการจัดหมวดหมู่:

  • การถดถอยโลจิสติก: แบบจำลองเชิงเส้นที่มีประโยชน์สำหรับการจำแนกข้อมูลแบบ 2 ตัวแปร
  • ต้นไม้แห่งการตัดสินใจ: อิงตามหลักการ “if/else” และมีความต้านทานต่อค่าผิดปกติมากขึ้น
  • K-Nearest Neighbors (KNN): โมเดลที่เรียบง่ายแต่ใช้เวลามาก ซึ่งอัลกอริทึม KNN จะค้นหาความคล้ายคลึงกันเพื่อจำแนกจุดข้อมูลใหม่
  • Naive Bayes: สร้างขึ้นจากแบบจำลองทางสถิติแบบเบย์
  • ซัพพอร์ตเวกเตอร์: มักจะใช้เพื่อจัดประเภทชุดข้อมูลทั้งแบบไบนารีและแบบมัลติคลาส

การถดถอย

แบบจำลองการถดถอยคือแบบจำลองที่อัลกอริทึมพื้นฐานใช้วิธีทางสถิติเพื่อสร้างแบบจำลองการเชื่อมต่อระหว่างตัวแปรอิสระและตัวแปรตาม (เป้าหมาย) มักจะใช้สำหรับการสร้างแบบจำลองเชิงคาดการณ์ซึ่งอัลกอริทึมจะคาดการณ์ผลลัพธ์ที่มีความต่อเนื่อง

มันอยู่ภายใต้หัวข้อ Supervised Learning ซึ่งอัลกอริทึมจะเรียนรู้ด้วยคุณสมบัติจากอินพุตและป้ายกำกับจากเอาต์พุต วัตถุประสงค์คือเพื่อสร้างความสัมพันธ์ระหว่างตัวแปรโดยการคาดการณ์ว่าการเปลี่ยนแปลงในตัวแปรหนึ่งจะส่งผลกระทบต่ออีกตัวแปรหนึ่งอย่างไร คุณสามารถเรียกมันว่าเป็นวิธีการ “คาดเดาที่ดีที่สุด” เพื่อคาดการณ์จากชุดข้อมูลต่างๆ

วัตถุประสงค์: เพื่อคาดเดาค่าตัวเลข

กรณีการใช้งาน: การคาดการณ์ราคาสกุลเงินดิจิทัลหรือราคาหุ้น การทำนายการเติบโตของรายได้ประจำปี ฯลฯ

ตัวอย่างของอัลกอริธึมการถดถอยที่ใช้กันทั่วไปในปัจจุบัน:

  • การถดถอยเชิงเส้น: แบบจำลองการถดถอยขั้นพื้นฐานที่สุด การถดถอยเชิงเส้นเหมาะที่สุดในกรณีที่ข้อมูลสามารถแยกประเภทได้โดยมีความหลากหลายน้อยหรือไม่มีเลย
  • การถดถอยแบบ Ridge: การถดถอยเชิงเส้นพร้อมด้วยการทำให้เป็นมาตรฐาน L1 เหมาะที่สุดสำหรับการประมาณค่าสัมประสิทธิ์ของแบบจำลองการถดถอยแบบพหุคูณในสถานการณ์ที่ตัวแปรอิสระมีความสัมพันธ์กันสูงมาก
  • การถดถอยแบบ Lasso: การถดถอยเชิงเส้นพร้อมด้วยการทำให้เป็นมาตรฐาน L2 Lasso นั้นย่อมาจาก Least Absolute Shrinkage and Selection Operator มันใช้วิธีการที่จะดำเนินการทั้งการเลือกตัวแปรและการทำให้เป็นมาตรฐาน เป้าหมายคือเพื่อเพิ่มความแม่นยำในการคาดการณ์และความสามารถในการตีความของแบบจำลอง
  • Support Vector Regression (SVR): สร้างขึ้นจากอัลกอริทึม Supervised Learning ที่สามารถคาดเดาค่าที่ไม่ต่อเนื่องได้

แบบจำลองของ Unsupervised Machine Learning

Machine Learning

Artificial Neural Networks (ANNs หรือ โครงข่ายประสาทเทียม)

ขึ้นอยู่กับกรณีการใช้งานของมัน ANNs สามารถจัดอยู่ในหมวดหมู่ Supervised หรือ Unsupervised Learning ได้ ใน Supervised Learning ANN จะอยู่ภายใต้การดูแลของนักการศึกษา (เช่น นักวิทยาศาสตร์ข้อมูลหรือผู้ออกแบบระบบ) นักการศึกษาจะใช้ความรู้เกี่ยวกับระบบเพื่อช่วยโครงข่ายเตรียมชุดข้อมูลที่มีป้ายกำกับ

ใน Unsupervised Learning ANN จะมีประโยชน์มากที่สุดเมื่อการเพิ่มชุดข้อมูลการฝึกฝนด้วย Class IDs (การระบุประเภทของชุดข้อมูล) กลายเป็นเรื่องยากหรือเป็นไปไม่ได้ สถานการณ์ดังกล่าวมักเกิดขึ้นเมื่อเราไม่รู้เรื่องเกี่ยวกับระบบ

โครงข่ายประสาทเทียมนั้นจะจำลองรูปแบบมาจากสมองของมนุษย์อย่างคร่าวๆ พวกเขาสามารถใช้ “Machine Perception” เพื่อทำความเข้าใจข้อมูลขาเข้าจากเซ็นเซอร์ได้ เซลล์ประสาทเทียมแต่ละเซลล์จะเชื่อมต่อกับเซลล์ประสาทอื่นๆ เพื่อสร้างโครงข่ายคล้ายใยแมงมุม เซลล์ประสาทนับล้านในโครงข่ายนี้จะทำงานร่วมกันก่อให้เกิดโครงสร้างการรับรู้

ข้อมูลใดๆ ในโลกแห่งความเป็นจริง เช่น เพลง รูปภาพ ข้อความ ฯลฯ จำเป็นต้องมีการแปลเป็นรูปแบบที่อัลกอริทึมรู้จัก รูปแบบเหล่านี้มักจะแสดงผลเป็นตัวเลขและเข้ารหัสเป็นเวกเตอร์ เมื่อการฝึกฝนสิ้นสุดลง โครงข่ายประสาทเทียมจะสามารถจัดกลุ่มและประมวลผลข้อมูลจำนวนมหาศาล ซึ่งมนุษย์ต้องใช้เวลาหลายสิบปีในการดึงคุณค่าใดๆ ของมันออกมาได้

ตัวอย่างของโครงข่ายประสาทเทียมที่เป็นที่รู้จักกันมากที่สุดคืออัลกอริทึมการค้นหาของ Google

วัตถุประสงค์: การจัดกลุ่มข้อมูล, การจัดหมวดหมู่, การจดจำรูปแบบ

กรณีการใช้งาน: การจดจำใบหน้าโดยใช้ ANN, แอปพลิเคชั่นที่ใช้ข้อมูลจำนวนมาก, ยานพาหนะอัตโนมัติ, เสิร์ชเอ็นจิ้น ฯลฯ

ตัวอย่างของแบบจำลอง Machine Learning ที่ใช้ ANN:

  • Multi-Layer Perceptron (MLP): มันคือประเภทของ ANN แบบ Feedforward (การแนะนำสิ่งที่ควรหรือไม่ควรทำในอนาคต) พวกมันเป็นโครงข่ายประสาทเทียมเชิงลึกแบบพื้นฐานที่สุดและประกอบด้วยชุดของเลเยอร์ที่เชื่อมต่อกัน แบบจำลองของ MLP นั้นเหมาะสำหรับสถาปัตยกรรมการเรียนรู้เชิงลึกที่ใช้ทรัพยากรเป็นจำนวนมาก
  • Convolution Neural Networks (ConvNet หรือ CNN): มันเป็นวิสัยทัศน์ Machine Learning ********ในอุดมคติที่ทำให้ “การมองเห็นของคอมพิวเตอร์” เป็นไปได้ ป้อนชุดข้อมูลแบบภาพให้กับมัน แล้วอัลกอริทึมของ CNN จะแยกอินพุตที่ต้องการออกมาโดยอัตโนมัติเพื่อทำให้งานสำเร็จ (เช่น การจดจำใบหน้า)
  • Recurrent Neural Networks (RNN): เป็นการใช้การป้อนข้อมูลตามลำดับเพื่อแก้ไขปัญหาของข้อมูลอินพุตตามลำดับ แบบจำลอง RNN มักจะถูกใช้มากที่สุดในการประมวลผลภาษาธรรมชาติ เนื่องจากสามารถประมวลผลข้อมูลที่มีความยาวอินพุตที่ไม่แน่นอนได้

จัดกลุ่มข้อมูล

การจัดกลุ่มข้อมูลเป็นวิธีหนึ่งใน Machine Learning ซึ่งแบบจำลองจะได้รับการฝึกฝนให้จัดกลุ่มวัตถุที่คล้ายๆ กันเข้าด้วยกัน กล่าวอีกนัยหนึ่ง มันจะจัดกลุ่มชุดข้อมูลที่ไม่มีป้ายกำกับเข้าด้วยกัน

มันทำได้โดยการค้นหารูปแบบที่คล้ายกันในชุดข้อมูลที่ไม่มีป้ายกำกับ เช่น สี ขนาด รูปร่าง ลักษณะการทำงาน เป็นต้น จากนั้น อัลกอริทึมนี้จะแยกรูปแบบเหล่านั้นออกมาตามรูปแบบที่มีและไม่มี แต่ละกลุ่มหรือคลัสเตอร์จะได้รับคลัสเตอร์ ID เพื่อการระบุข้อมูลที่ง่ายยิ่งขึ้น แบบจำลองนี้จะใช้ ID เหล่านี้เพื่อลดและทำให้การประมวลผลชุดข้อมูลที่ซับซ้อนเป็นเรื่องง่าย

นอกเหนือจากการวิเคราะห์ข้อมูลทางสถิติแล้ว เทคนิคการจัดกลุ่มข้อมูลยังมีประโยชน์กับการแบ่งกลุ่มผู้บริโภคและงานแท็กข้อมูลอีกด้วย

วัตถุประสงค์: เพื่อจัดกลุ่มวัตถุหรือจุดข้อมูลที่คล้ายกันเข้าด้วยกัน

กรณีการใช้งาน: การแบ่งส่วนตลาด, การวิเคราะห์โซเชียลเน็ตเวิร์ก, การตรวจจับความผิดปกติ, การวิเคราะห์ข้อมูลทางสถิติ, การแบ่งส่วนภาพ ฯลฯ เพื่อให้เข้าใจได้ง่ายๆ แพลตฟอร์มอย่าง Amazon และ Netflix อาศัยเทคนิคการจัดกลุ่มบนแอพของพวกเขาเพื่อมอบคำแนะนำผลิตภัณฑ์และเนื้อหาทั้งหมดให้แก่คุณ

ตัวอย่างของแบบจำลอง Machine Learning ที่ใช้การจัดกลุ่มข้อมูล:

  • K-Means: แบบจำลองที่ขับเคลื่อนโดยอัลกอริธึม K-Means มันจะแยกชุดข้อมูลโดยจัดกลุ่มตัวอย่างเป็นกลุ่มที่มีความแปรปรวนเท่ากัน นี่อาจจะเป็นหนึ่งในแบบจำลองการจัดกลุ่มที่เป็นพื้นฐานมากที่สุด แต่อาจจะมีข้อเสียเล็กน้อยจากความแปรปรวนที่สูง
  • K-Means++: แบบจำลองนี้จะใช้อัลกอริทึม K-Means ที่มีการปรับปรุงแล้ว มันอาศัยเทคนิคการเริ่มต้นการรวมจุดตัดของข้อมูลที่ชาญฉลาด อัลกอริทึมที่เหลือจะคล้ายกับ K-Means
  • Agglomerative Clustering: ในแบบจำลองนี้ อัลกอริทึมพื้นฐานจะถือว่าจุดข้อมูลแต่ละจุดเป็นคลัสเตอร์เดียวก่อนที่จะค่อยๆ ผสานเข้าด้วยกัน ลำดับชั้นของคลัสเตอร์จากล่างขึ้นบนจะสามารถแสดงเป็นโครงสร้างแบบต้นไม้ได้
  • DBSCAN: แบบจำลองที่ขับเคลื่อนโดยอัลกอริทึม Density-Based Spatial Clustering of Applications with Noise (DBSCAN) อัลกอริทึมจะแยกพื้นที่ที่มีความหนาแน่นของจุดข้อมูลสูงจากพื้นที่ที่มีความหนาแน่นต่ำ

การลดมิติข้อมูล

ในแบบจำลองการลดมิติของข้อมูล อัลกอริทึมพื้นฐานจะลดจำนวนของตัวแปรสุ่มภายใต้การพิจารณาต่างๆ สิ่งนี้ทำได้โดยการรับชุดของตัวแปรหลัก

“มิติ” หมายถึงจำนวนของตัวแปรการคาดเดาที่แบบจำลอง Machine Learning ใช้ในการคาดเดาตัวแปรอิสระ (เป้าหมาย)

มากกว่าก็ยิ่งดีกว่า? จำนวนตัวแปรในชุดข้อมูลของ “โลกแห่งความจริง” โดยเฉลี่ยนั้นมีมากจนเกินไป ทำให้มันสร้างปัญหาของการ Overfitting (แบบจำลองมีค่าความถูกต้องในการระบุประเภทของเป้าหมายในชุดข้อมูลฝึกฝนมากจนเกินไป แต่เมื่อปรับใช้กับชุดข้อมูลทดสอบกลับได้ค่าความถูกต้องที่ต่ำจนเกินไป จึงทำให้ต้องทำการลด “มิติ” ของตัวแปรลงเพื่อแก้ปัญหาดังกล่าว)

ในกรณีส่วนใหญ่ ตัวแปรบางตัวไม่ได้มีส่วนร่วมที่เท่าเทียมกันในการบรรลุผลลัพธ์ที่ต้องการ อันที่จริง ส่วนใหญ่แล้ว การลดความแปรปรวนด้วยตัวแปรที่น้อยลงนั้นเหมาะสมเป็นอย่างยิ่ง เทคนิคการลดมิติข้อมูลส่วนใหญ่อยู่ในหมวดหมู่ของการกำจัดคุณลักษณะหรือการแยกคุณลักษณะ

วัตถุประสงค์: สรุปข้อมูลและกลั่นกรองข้อมูลที่เกี่ยวข้อง

กรณีการใช้งาน: การตรวจจับความผิดปกติ, ระบบการแนะนำ, แบบจำลองความหมาย, การค้นหาเอกสาร, การสร้างแบบจำลองหัวข้อ และอื่นๆ

ตัวอย่างของแบบจำลอง Machine Learning ที่ใช้การลดมิติข้อมูล:

  • Principal Component Analysis (PCA): PCA เป็นหนึ่งในอัลกอริทึมทั่วไปที่ใช้ในแบบจำลองการลดมิติข้อมูล มันถ่ายทอดข้อมูลมิติที่สูงขึ้น (เช่น สามมิติ) ไปยังพื้นที่ที่เล็กลง (เช่น สองมิติ) ส่งผลให้มิติลดลง กล่าวอีกนัยหนึ่ง PCA จะสร้างตัวแปรใหม่ที่มีมิติน้อยลงจากจำนวนตัวคาดเดาที่มากขึ้น เพื่อให้ตัวแปรใหม่เป็นอิสระจากกัน แต่จะตีความได้น้อยลง
  • t-SNE: ย่อมาจาก t-Distributed Stochastic Neighbor Embedding ในบริบทนี้ คำว่า “Stochastic” จะหมายถึงความน่าจะเป็นที่เจาะจงแต่สุ่ม คำว่า “Neighbor” หมายถึงความกังวลเกี่ยวกับการรักษาความแปรปรวนของจุดข้อมูลใกล้เคียงเท่านั้น “Embedding” เป็นเพียงการลงจุดข้อมูลในมิติที่ต่ำกว่า ดังนั้น t-SNE จึงเป็นอัลกอริทึมที่ให้ผลลัพธ์ที่แตกต่างกันเล็กน้อยในแต่ละครั้งในชุดข้อมูลเดียวกัน วัตถุประสงค์สูงสุดคือการรักษาโครงสร้างของจุดข้อมูลที่อยู่ใกล้เคียง แบบจำลองที่ใช้งาน t-SNE เหมาะที่สุดสำหรับการฝังข้อมูลมิติที่สูงขึ้นสำหรับการแสดงข้อมูลในรูปแบบภาพนิ่ง
  • Singular Value Decomposition (SVD): SVD เป็นหนึ่งในเทคนิคยอดนิยมสำหรับการลดมิติข้อมูลเมื่อข้อมูลนั้นเบาบาง คำว่า “Sparse Data” หมายถึงตัวอย่างของแถวของข้อมูลที่มีหลายค่าเป็น 0 (ศูนย์) ซึ่งเป็นเรื่องปกติในแอปพลิเคชั่น ML อย่าง ระบบการแนะนำ ตัวอย่างเช่น เมื่อผู้ใช้งานให้คะแนนภาพยนตร์หรือเพลงเพียงไม่กี่รายการในฐานข้อมูล

แบบจำลองของ Reinforcement Machine Learning

นอกเหนือจากที่อธิบายไว้ข้างต้นแล้ว มันยังมีแบบจำลอง Machine Learning อีกหลายแบบที่ขับเคลื่อนโดยอัลกอริทึม เช่น:

  • Q-Learning
  • State–Action–Reward–State–Action (SARSA)
  • Deep Q-network (DQN)
  • Asynchronous Advantage Actor Critic (A3C)

แบบเหล่านี้ส่วนใหญ่จะใช้สำหรับการดำเนินงานที่ซับซ้อนโดยไม่มีข้อมูลการฝึกฝนใดๆ กรณีการใช้งานยอดนิยมนั้นได้แก่ การชี้นำการเคลื่อนไหวของหุ่นยนต์, การปรับปรุงนโยบายการรักษาในสถานพยาบาล, การขนส่งอัตโนมัติ, การทำการซื้อขายในด้านการเงิน, การขุดค้นข้อความ และอื่นๆ

แบบจำลอง Machine Learning แบบไหนที่ดีที่สุด?

มันไม่มีสิ่งที่เรียกว่าแบบจำลอง Machine Learning ที่ดีที่สุดเพียงตัวเดียว แบบจำลองต่างๆ ก็มีประโยชน์ในกรณีการใช้งานที่แตกต่างกัน ที่จริงแล้ว ระบบที่ซับซ้อนจำนวนมาก เช่น ยานพาหนะไร้คนขับหรือฮาร์ดแวร์ทางการทหารที่ซับซ้อน อาจจะต้องใช้แบบจำลองหลายๆ ตัวเพื่อให้มันทำงานได้สอดคล้องกันในช่วงเวลาเดียวกัน จากข้อมูลเชิงลึกของ Fortune Insights อุตสาหกรรม Machine Learning เป็นอุตสาหกรรมที่กำลังเติบโต โดยคาดว่าจะมีมูลค่าถึง 209.91 พันล้านดอลลาร์ภายในปี 2029 แบบจำลองเหล่านี้จะมีความสำคัญและถูกนำไปใช้อย่างแพร่หลายมากขึ้นในอีกไม่กี่ปีข้างหน้า

คำศัพท์ทางเทคนิคในบทความ

  • Machine Learning (การเรียนรู้ของเครื่องจักร): การเรียนรู้ของตัวเครื่องจักรเองนั้นจะใช้อัลกอริทึมที่ประมวลผลจากข้อมูลต่างๆ เรียนรู้จากข้อมูลเหล่านั้น และนำไปสู่การตัดสินใจที่มีพื้นฐานมาจากข้อมูลต่างๆ ที่ป้อนเข้าไป
  • AI หรือ Artificial Intelligence (ปัญญาประดิษฐ์): ระบบประมวลผลของคอมพิวเตอร์, หุ่นยนต์, เครื่องจักร หรืออุปกรณ์อิเล็กทรอนิกส์ต่างๆ ที่มีการวิเคราะห์เชิงลึกคล้ายกับความคิดของมนุษย์ และจะก่อให้เกิดผลลัพธ์ต่างๆ ตามรูปแบบการทำงานของมันได้อย่างอัตโนมัติ
  • Machine Perception (การรับรู้ของเครื่องจักร): ความสามารถในการอ่านข้อมูลขาเข้าจากเซนเซอร์ (เช่น กล้อง ไมโครโฟน, เซนเซอร์สัมผัส เป็นต้น)

คำถามที่พบบ่อย

แบบจำลอง Machine Learning คืออะไร?

Machine Learning 3 ประเภทหลักคืออะไรบ้าง?

อัลกอริทึม Machine Learning คืออะไร?

แพลตฟอร์มคริปโตที่ดีที่สุดในไทย | กรกฎาคม 2024
แพลตฟอร์มคริปโตที่ดีที่สุดในไทย | กรกฎาคม 2024
แพลตฟอร์มคริปโตที่ดีที่สุดในไทย | กรกฎาคม 2024

Trusted

ข้อจำกัดความรับผิด

ข้อมูลทั้งหมดที่มีอยู่บนเว็บไซต์ของเราเผยแพร่ด้วยเจตนาที่ดีและเป็นไปเพื่อวัตถุประสงค์ในการให้ข้อมูลทั่วไปเท่านั้น การกระทำใด ๆ ที่ผู้อ่านดำเนินการตามข้อมูลที่พบบนเว็บไซต์ของเราถือเป็นความเสี่ยงของผู้อ่านโดยเฉพาะ Learn ให้ความสำคัญกับข้อมูลคุณภาพสูง เราอุทิศเวลาให้กับการแยกแยะ ค้นคว้า และสร้างเนื้อหาเพื่อการศึกษาซึ่งเป็นประโยชน์กับผู้อ่าน เพื่อเป็นการรักษามาตรฐานนี้และเพื่อสร้างเนื้อหาคุณภาพได้อย่างต่อเนื่อง พาร์ตเนอร์ของเราอาจตอบแทนเราด้วยค่าคอมมิชชั่นสำหรับการจัดวางตำแหน่งต่าง ๆ ในบทความของเรา อย่างไรก็ดี ค่าคอมมิชชั่นนี้ไม่มีผลต่อกระบวนการของเราในการสร้างเนื้อหาที่ไร้อคติ ตรงไปตรงมา และเป็นประโยชน์

Akhradet-Mornthong-Morn.jpg
Akradet Mornthong
อัครเดช หมอนทอง เป็น นักแปล/นักเขียนคอนเทนต์ ผู้เชี่ยวชาญทางด้าน NFT Games, Metaverse, AI, Crypto และเทคโนโลยีใหม่ๆ เขาจบการศึกษาในสาขาอังกฤษเพื่อการสื่อสารสากล และมีประสบการณ์ในการทำงานในวงการเกมมากกว่า 10 ปี เมื่อ NFT Games ได้กลายเป็นกระแสขึ้นมาในช่วงไม่กี่ปีที่ผ่านมา เขาก็ไม่พลาดที่จะก้าวเข้ามาในวงการนี้เพื่อศึกษาข้อมูลในเชิงลึกต่างๆ ของวงการ NFT รวมไปถึงเทคโนโลยีใหม่ๆ ที่เกี่ยวข้องกับ Blockchain และ Crypto อีกด้วย
READ FULL BIO
ได้รับการสนับสนุน
ได้รับการสนับสนุน