การเรียนรู้ของเครื่อง

จากวิกิพีเดีย สารานุกรมเสรี

การเรียนรู้ของเครื่อง (อังกฤษ: machine learning) เป็นสาขาหนึ่งของปัญญาประดิษฐ์ ที่เกี่ยวข้องกับการพัฒนาเทคนิควิธี เพื่อให้คอมพิวเตอร์สามารถเรียนรู้ โดยเน้นที่วิธีการเพื่อสร้างโปรแกรมคอมพิวเตอร์จากการวิเคราะห์ชุดข้อมูล การเรียนรู้ของเครื่องจึงเกี่ยวข้องอย่างมากกับสถิติศาสตร์ เนื่องจากทั้งสองสาขาศึกษาการวิเคราะห์ข้อมูลเช่นเดียวกัน

เทคนิคการเรียนรู้[แก้]

เทคนิคการเรียนรู้ของเครื่อง[1] ถูกใช้เพื่อเพิ่มประสิทธิภาพในการแก้ปัญหาด้านต่าง ๆ เช่น การสร้างให้คอมพิวเตอร์สามารถแยกแยะวัตถุ เสียง หรือตัวอักษรได้ หรือจำแนกข้อมูลจำนวนมากที่ไม่สามารถทำได้โดยมนุษย์ ลักษณะทั่วไปของการเรียนรู้ของเครื่องจักรเป็นการสร้างอัลกอริธึมหรือโปรแกรมคอมพิวเตอร์ จากการให้ข้อมูลฝึก (training data) สำหรับสอนให้คอมพิวเตอร์เรียนรู้ เพื่อให้ได้สมมติฐานในการนำมาใช้แยกแยะวัตถุอื่นได้ ลักษณะการเรียนรู้ของเครื่องจักรแสดงได้ดังภาพที่ 1 เทคนิคการเรียนรู้ของเครื่องจักร

ภาพที่ 1 เทคนิคการเรียนรู้ของเครื่องจักร

ขั้นตอนวิธีการเรียนรู้ของเครื่อง จัดแบ่งได้ตามลักษณะผลลัพธ์ โดยทั่วไปแล้วจะแบ่งเป็น

นอกจากนี้ การวิเคราะห์ประสิทธิภาพและการคำนวณของขั้นตอนวิธีการเรียนรู้ เป็นสาขาหนึ่งของวิชาสถิติซึ่งเรียกว่า ทฤษฎีการเรียนรู้

อย่างไรก็ตาม หากแบ่งประเภทเทคนิคการเรียนรู้ของเครื่องจักรตามลักษณะการใช้ข้อมูลฝึกสามารถแบ่งได้ดังนี้

การเรียนรู้แบบมีผู้สอน[แก้]

การเรียนรู้แบบมีผู้สอน (อังกฤษ: supervised Learning) เทคนิคการเรียนรู้ของเครื่องจักรประเภทนี้ต้องใช้การเรียนรู้จากข้อมูลฝึกที่มีการใส่ฉลาก (label) ให้กับข้อมูลฝึกไว้แล้ว เพื่อให้คอมพิวเตอร์เข้าใจรูปแบบและได้สมมติฐานเพื่อทำงานกับข้อมูลในภายหน้าได้ ตัวอย่างเทคนิคประเภทนี้ได้แก่ การเรียนรู้แบบตัวจำแนกแบบเบย์สอย่างง่าย และการเรียนรู้แบบต้นไม้ตัดสินใจ เป็นต้น

การเรียนรู้แบบไม่มีผู้สอน[แก้]

การเรียนรู้แบบไม่มีผู้สอน (อังกฤษ: unsupervised Learning) ใช้ข้อมูลฝึกหรือชุดตัวอย่างที่ไม่มีการใส่ฉลากให้กับข้อมูล และเรียนรู้โดยการนำข้อมูลไปผ่านกระบวนการหาความคล้ายคลึงของตัวอย่าง จนกระทั่งได้กลุ่มตัวอย่างที่จัดเป็นประเภทอย่างเหมาะสม เทคนิคประเภทนี้ได้แก่ การแบ่งกลุ่ม (clustering)

การเรียนรู้แบบกึ่งมีผู้สอน[แก้]

การเรียนรู้แบบกึ่งมีผู้สอน (อังกฤษ: semi supervised Learning) ใช้ข้อมูลฝึกที่มีการใส่ฉลากเพียงบางส่วนของข้อมูลฝึกทั้งหมด การเรียนรู้ลักษณะนี้มีความคล้ายคลึงกับการเรียนรู้แบบมีผู้สอนแต่ใช้ข้อมูลที่ไม่มีฉลากประกอบเพื่อช่วยให้เรียนรู้ได้ดีขึ้น สิ่งที่ได้จากการเรียนรู้แบบกึ่งมีผู้สอนจะเหมือนกับการเรียนรู้แบบมีผู้สอนคือได้แบบจำลอง

  • transduction - เป็นกรณีพิเศษของการเรียนรู้แบบกึ่งมีผู้สอนคือใช้ชุดตัวอย่างที่มีทั้งฉลากและไม่มีฉลากในการเรียนรู้ แต่จุดประสงค์ไม่ใช่การสร้างแบบจำลอง แต่เป็นการใส่ฉลากให้กับตัวอย่างที่ไม่มีฉลากที่ใช้ในการฝึกสอน เนื่องจากการเรียนรู้แบบ transduction ไม่มีแบบจำลอง ผลการเรียนรู้จึงไม่สามารถนำไปใช้กับข้อมูลชุดใหม่ได้โดยตรง

อ้างอิง[แก้]

  1. Mitchell, T. 1997. Machine Learning. McGraw-Hill.