ข้อมูลพื้นฐานเกี่ยวกับการเรียนรู้ของเครื่อง: สิ่งที่คุณต้องรู้

คุณอาจไม่เข้าใจ แต่แมชชีนเลิร์นนิงมีอยู่ในชีวิตประจำวันของเรา ตั้งแต่ความสามารถในการจดจำเสียงของผู้ช่วยเสมือนบนโทรศัพท์และอุปกรณ์อื่นๆ ของเรา ไปจนถึงรายการที่เรารับชมบน Netflix หรือวิดีโอที่เราแนะนำบน YouTube

การ ตลาด ยังใช้สิ่งนี้อย่างกว้างขวางในขณะที่ข้อมูลขนาดใหญ่เติบโตขึ้น และนักวิทยาศาสตร์ด้านข้อมูลจำนวนมากขึ้นเรื่อยๆ ทำงานกับอัลกอริทึมเหล่านี้ บางอย่างอาจฟังดูคล้ายกับภาษากรีกสำหรับคุณ แต่ไม่ต้องกังวล เราจะแนะนำคุณตลอดพื้นฐานการเรียนรู้ของเครื่อง

ความหมายของแมชชีนเลิร์นนิง

การเรียนรู้ของเครื่องเป็นสาขาหนึ่งของปัญญาประดิษฐ์ (AI) และวิทยาการคอมพิวเตอร์ที่ช่วยให้เครื่องสามารถ "เรียนรู้" จากข้อมูลได้ การเรียนรู้ในบริบทนี้หมายถึงการระบุรูปแบบที่ซับซ้อนในจุดข้อมูลนับล้าน เปรียบเทียบ และพยายามทำซ้ำวิธีที่มนุษย์ได้รับความรู้และแก้ปัญหา กระบวนการนี้ดำเนินการโดยอัลกอริทึมที่ตรวจสอบข้อมูลและสามารถคาดการณ์พฤติกรรมในอนาคตได้ เมื่อเวลาผ่านไป อัลกอริธึมและระบบเหล่านี้จะเรียนรู้และปรับปรุงด้วยตนเอง

วิธีการทำงานของอัลกอริธึมการเรียนรู้ของเครื่องมีดังนี้: หลังจากป้อนข้อมูลเริ่มต้น อัลกอริธึมจะจัดประเภทข้อมูลและสร้างการประมาณเกี่ยวกับรูปแบบที่เป็นไปได้ในข้อมูล การคาดการณ์เหล่านี้จะได้รับการประเมินโดยอัลกอริทึมผ่านฟังก์ชันข้อผิดพลาดที่ตรวจสอบความถูกต้องของแบบจำลอง ในการทำเช่นนี้ อัลกอริธึมจะเปรียบเทียบตัวอย่างต่างๆ จากนั้นจึงดำเนินการประเมินและปรับกระบวนการให้เหมาะสมเพื่อปรับปรุงความแม่นยำของการคาดคะเน

แมชชีนเลิร์นนิงกับ AI

แมชชีนเลิร์นนิงและ AI มีความสัมพันธ์ที่แน่นแฟ้นมาก แต่ก็มีความรับผิดชอบต่างกัน AI มีเป้าหมายเพื่อสร้างระบบคอมพิวเตอร์อัจฉริยะเพื่อจำลองพฤติกรรมของมนุษย์และแก้ปัญหาที่ซับซ้อน ในขณะที่การเรียนรู้ของเครื่องเป็นสาขาหนึ่งของ AI ที่ช่วยให้เครื่องเรียนรู้จากการประมวลผลข้อมูลเพื่อให้สามารถให้ผลลัพธ์ที่แม่นยำ AI กำลังทำงานเพื่อสร้างระบบอัจฉริยะที่สามารถทำงานที่ซับซ้อนได้หลากหลาย ในทางกลับกัน แมชชีนเลิร์นนิงพยายามสร้างเครื่องจักรที่สามารถทำงานได้เฉพาะที่ได้รับการฝึกอบรมเท่านั้น

สิ่งสำคัญคือต้องคำนึงถึง Deep Learning และ Neural Network ในที่นี้ เนื่องจากเป็นประเด็นสำคัญสองประการในการเรียนรู้ของเครื่อง โดยพื้นฐานแล้ว การเรียนรู้เชิงลึกเป็นหมวดหมู่ย่อยของโครงข่ายประสาทเทียม ซึ่งเป็นหมวดหมู่ย่อยของการเรียนรู้ของเครื่อง การเรียนรู้เชิงลึกทำให้การดึงข้อมูลส่วนใหญ่เป็นไปโดยอัตโนมัติ ในขณะที่โครงข่ายประสาทเทียมคือชุดของอัลกอริทึมที่สร้างแบบจำลองตามสมองของมนุษย์ที่มีจุดมุ่งหมายเพื่อเลียนแบบการใช้เหตุผลของมนุษย์ กล่าวโดยย่อ โครงข่ายประสาทเทียมช่วยให้คอมพิวเตอร์สร้าง AI ผ่านการเรียนรู้เชิงลึก

ความสามารถของ AI และแมชชีนเลิร์นนิงนั้นมีมากมาย แต่มาเน้นที่ความสามารถบางอย่างที่เชื่อมโยงกับชีวิตประจำวันของเรา

• การ คาดคะเนแนวโน้มและรูปแบบ แนะนำผลิตภัณฑ์หรือแสดงโฆษณาตามการค้นหา การชอบ และการโต้ตอบของบุคคล
• การรู้จำเสียงพูดและความเข้าใจภาษา เช่น เมื่อเราขอให้อุปกรณ์เล่นเพลงหรือโทรออก
• การประมวลผลวิดีโอและภาพ ตัวอย่างเช่น เมื่อ Facebook ระบุใบหน้าในรูปภาพโดยอัตโนมัติและแนะนำให้ผู้อื่นแท็ก
• การวิเคราะห์ความรู้สึก ซึ่งหมายถึงการวิเคราะห์ความคิดเห็นของผู้คนเกี่ยวกับผลิตภัณฑ์และการให้ข้อมูลเชิงลึกแก่ผู้ให้บริการ

3 ประเภทของแมชชีนเลิร์นนิง

เราสามารถแบ่งแมชชีนเลิร์นนิงออกเป็นสามประเภท ได้แก่ การเรียนรู้แบบมีผู้ดูแล การเรียนรู้แบบไม่มีผู้ดูแล และการเรียนรู้แบบเสริมกำลัง

การเรียนรู้ภายใต้การดูแล

นี่เป็นแอปพลิเคชั่นที่ใช้บ่อยที่สุดสำหรับแมชชีนเลิร์นนิง อัลกอริธึมการเรียนรู้ภายใต้การดูแลจะยึดการเรียนรู้ตามชุดข้อมูลการฝึกอบรมที่ติดป้ายกำกับไว้ก่อนหน้านี้ การติดฉลากที่นี่หมายความว่าสำหรับแต่ละจุดของชุดข้อมูลการฝึกอบรม เราทราบค่าของแอตทริบิวต์เป้าหมาย ซึ่งช่วยให้อัลกอริทึม "เรียนรู้" ฟังก์ชันที่สามารถคาดการณ์แอตทริบิวต์เป้าหมายสำหรับชุดข้อมูลใหม่ได้

ตัวอย่างที่มีป้ายกำกับจะถูกนำเสนอต่ออัลกอรึทึมทีละครั้ง จากนั้นอัลกอริธึมจะต้องทำการทำนาย จากนั้นผู้ควบคุมที่เป็นมนุษย์จะตรวจสอบการทำนายแต่ละครั้งโดยอัลกอริทึมและตัดสินว่าถูกต้องหรือไม่ กระบวนการนี้ทำซ้ำหลายครั้งจนกระทั่งอัลกอริทึมสามารถทำนายความสัมพันธ์ระหว่างตัวอย่างกับป้ายกำกับได้ด้วยตัวเอง เมื่อเสร็จแล้ว อัลกอริทึมจะสามารถทำงานกับตัวอย่างใหม่และคาดการณ์ป้ายกำกับสำหรับพวกเขา

ตัวอย่างที่ง่ายที่สุดคือการจัดประเภทสแปม/ไม่ใช่สแปมในอีเมล ประการแรก เครื่องจะได้รับชุดตัวอย่างของเมลขยะคืออะไร อะไรไม่ใช่ และวิธีแยกความแตกต่างเพื่อประโยชน์ของผู้ใช้ ในที่สุด จะสามารถจัดเรียงอีเมลในสองโฟลเดอร์ได้ด้วยตนเอง

การเรียนรู้แบบไม่มีผู้ดูแล

การเรียนรู้แบบไม่มีผู้ดูแลเป็นสิ่งที่ตรงกันข้ามกับการเรียนรู้ภายใต้การดูแล ในที่นี้ อัลกอริธึมจะยึดกระบวนการฝึกอบรมตามชุดข้อมูลที่ไม่มีป้ายกำกับที่กำหนดไว้ก่อนหน้านี้ การเรียนรู้แบบไม่มีผู้ดูแลนั้นขึ้นอยู่กับงานการจัดกลุ่มหรือที่เรียกว่าการจัดกลุ่ม โดยมีวัตถุประสงค์เพื่อค้นหากลุ่มที่คล้ายกันในชุดข้อมูล กล่าวอีกนัยหนึ่ง ชุดของข้อมูลและเครื่องมือถูกกำหนดให้กับอัลกอริธึมเพื่อระบุคุณสมบัติของข้อมูลด้วยตัวมันเองและจัดเรียงในลักษณะที่มนุษย์หรือเครื่องอื่นสามารถเข้าใจได้

ตัวอย่างคือรายการที่แนะนำบนแพลตฟอร์มเช่น HBO, Amazon หรือ Netflix เมื่อคุณดูรายการหรือภาพยนตร์ แพลตฟอร์มจะรวบรวมข้อมูลและคุณลักษณะดังกล่าวเพื่อค้นหารายการและภาพยนตร์ที่คล้ายคลึงกันอื่นๆ ที่คุณอาจสนใจ

การเรียนรู้การเสริมแรง

วิธีนี้แตกต่างกันมาก ไม่ใช้ป้ายกำกับเลย—แต่อัลกอริทึมจะเรียนรู้จากการลองผิดลองถูกในขณะที่พัฒนา ซอฟต์แวร์จะเรียนรู้จากความผิดพลาดในการดำเนินการแต่ละครั้ง ซึ่งจะช่วยปรับปรุงคุณภาพของวิธีการ การเรียนรู้การเสริมกำลังมีองค์ประกอบสำคัญสี่ประการ: ตัวแทน (โปรแกรมที่กำลังฝึกอบรม) สภาพแวดล้อม (ระบบนิเวศ) การ กระทำ (ชุดของการกระทำโดยตัวแทน) และ รางวัล (การประเมินการกระทำ บวกหรือลบ) วิดีโอเกมใช้ระบบการลองผิดลองถูกบ่อยครั้ง และเป็นตัวอย่างที่ดีของการเรียนรู้แบบเสริมกำลัง

เราหวังว่าการแนะนำสั้นๆ เกี่ยวกับแมชชีนเลิร์นนิงจะเป็นประโยชน์ในการอธิบายพื้นฐานและให้ภาพที่ชัดเจนขึ้นของหัวข้อนี้ แม้ว่ามันอาจจะซับซ้อน แต่ก็มีความสำคัญในปัจจุบันเช่นกัน เนื่องจากมันมีบทบาทสำคัญในโลกของการตลาด หากคุณไม่เชื่อเรา ให้ถาม Alexa!