การเรียนรู้ของเครื่อง
การเรียนรู้ของเครื่อง (อังกฤษ: Machine learning) เป็นสาขาหนึ่งของปัญญาประดิษฐ์ ที่เกี่ยวข้องกับการพัฒนาเทคนิควิธี เพื่อให้คอมพิวเตอร์สามารถเรียนรู้ โดยเน้นที่วิธีการเพื่อสร้างโปรแกรมคอมพิวเตอร์จากการวิเคราะห์ชุดข้อมูล การเรียนรู้ของเครื่องจึงเกี่ยวข้องอย่างมากกับสถิติศาสตร์ เนื่องจากทั้งสองสาขาศึกษาการวิเคราะห์ข้อมูลเช่นเดียวกัน
เนื้อหา |
[แก้] เทคนิคการเรียนรู้
เทคนิคการเรียนรู้ของเครื่อง[1] ถูกใช้เพื่อเพิ่มประสิทธิภาพในการแก้ปัญหาด้านต่าง ๆ เช่น การสร้างให้คอมพิวเตอร์สามารถแยกแยะวัตถุ เสียง หรือตัวอักษรได้ หรือจำแนกข้อมูลจำนวนมากที่ไม่สามารถทำได้โดยมนุษย์ ลักษณะทั่วไปของการเรียนรู้ของเครื่องจักรเป็นการสร้างขั้นตอนวิธี (Algorithms) หรือโปรแกรมคอมพิวเตอร์ จากการให้ข้อมูลฝึก (Training data) สำหรับสอนให้คอมพิวเตอร์เรียนรู้ เพื่อให้ได้สมมติฐาน (Hypothesis) ในการนำมาใช้แยกแยะวัตถุอื่นได้ ลักษณะการเรียนรู้ของเครื่องจักรแสดงได้ดังภาพที่ 1 เทคนิคการเรียนรู้ของเครื่องจักร
อัลกอริทึมการเรียนรู้ของเครื่อง จัดแบ่งได้ตามลักษณะผลลัพธ์ โดยทั่วไปแล้วจะแบ่งเป็น
- การเรียนรู้แบบมีผู้สอน (supervised learning) - อัลกอริทึมสร้างฟังก์ชันซึ่งเชื่อมระหว่างข้อมูลเข้ากับผลที่ต้องการ
- การเรียนรู้แบบไม่มีผู้สอน (unsupervised learning) - อัลกอริทึมสร้างโมเดลจากชุดข้อมูลเข้า
- การเรียนรู้แบบเสริมกำลัง (reinforcement learning) - อัลกอริทึมเรียนแผนซึ่งกำหนดการกระทำของระบบจากสิ่งที่สังเกตได้
- transduction - เหมือนกับการเรียนรู้แบบมีผู้สอน แต่ไม่ได้สร้างฟังก์ชันขึ้นมาอย่างชัดเจน โดยเน้นไปที่การพยายามทำนายชุดผลลัพธ์ใหม่ โดยอิงจากชุดข้อมูลเข้าที่เรียน, ชุดผลลัพธ์ที่เรียน, และชุดข้อมูลเข้าใหม่
- การเรียนวิธีการเรียน (learning to learn, meta-learning) - อัลกอริทึมที่เรียนวิธีการเรียนรู้ของตนเอง โดยปรับปรุง inductive bias ที่เป็นข้อสมมติฐานที่อัลกอริทึมใช้ในการเรียนรู้
ยอกจากนี้ การวิเคราะห์ประสิทธิภาพและการคำนวณของอัลกอริทึมการเรียนรู้ เป็นสาขาหนึ่งของวิชาสถิติซึ่งเรียกว่า ทฤษฎีการเรียนรู้
อย่างไรก็ตาม หากแบ่งประเภทเทคนิคการเรียนรู้ของเครื่องจักรตามลักษณะการใช้ข้อมูลฝึกสามารถแบ่งได้เป็น 4 ประเภท ดังต่อไปนี้
[แก้] การเรียนรู้แบบมีครู
การเรียนรู้แบบมีครู (อังกฤษ: Supervised Learning) เทคนิคการเรียนรู้ของเครื่องจักรประเภทนี้ต้องใช้การเรียนรู้จากข้อมูลฝึกที่มีการใส่ฉลาก (Label) ให้กับข้อมูลฝึกไว้แล้ว เพื่อให้คอมพิวเตอร์จดจำรูปแบบและได้สมมติฐานเพื่อทำงานกับข้อมูลในภายหน้าได้ ตัวอย่างเทคนิคประเภทนี้ได้แก่ การเรียนรู้แบบตัวจำแนกแบบเบย์สอย่างง่าย และการเรียนรู้แบบต้นไม้ตัดสินใจ เป็นต้น
[แก้] การเรียนรู้แบบไม่มีครู
การเรียนรู้แบบไม่มีครู (อังกฤษ: Unsupervised Learning) ใช้ข้อมูลฝึกที่ไม่มีการใส่ฉลากให้กับข้อมูล และเรียนรู้โดยการนำข้อมูลไปผ่านกระบวนการหาความคล้ายคลึงของชุดข้อมูล จนกระทั่งได้กลุ่มข้อมูลที่จัดเป็นประเภทอย่างเหมาะสม เทคนิคประเภทนี้ได้แก่ การแบ่งกลุ่ม (Clustering)
[แก้] การเรียนรู้แบบมีครูบางส่วน
การเรียนรู้แบบมีครูบางส่วน (อังกฤษ: Semi Supervised Learning) ใช้การเรียนรู้จากข้อมูลฝึกที่มีการใส่ฉลากเพียงบางส่วนจากข้อมูลฝึกทั้งหมด สำหรับส่วนที่ไม่มีฉลากนั้นจะใช้กระบวนการเรียนรู้เพื่อใส่ฉลากและปรับความถูกต้องให้กับการเรียนรู้ต่อไป เทคนิคประเภทนี้ได้แก่ EM Algorithms
[แก้] อ้างอิง
- ^ Mitchell, T. 1997. Machine Learning. McGraw-Hill.
