การเรียนรู้ค่าแทนลักษณะ
| ส่วนหนึ่งของเนื้อหา |
| การเรียนรู้ของเครื่อง และ การทำเหมืองข้อมูล |
|---|
 |
ในสาขาการเรียนรู้ของเครื่อง การเรียนรู้ค่าแทนลักษณะ (feature learning) หรือ การเรียนรู้ตัวแทน (representation learning)[1] คือชุดของเทคนิคสำหรับการเรียนรู้ค่าแทนลักษณะ กล่าวคือ การแปลงข้อมูลดิบให้อยู่ในรูปแบบที่สามารถใช้ในการคำนวณหรือวิเคราะห์ได้อย่างมีประสิทธิภาพโดยอาศัยเทคนิคการเรียนรู้ของเครื่อง วิธีนี้ทำโดยการให้คอมพิวเตอร์เรียนรู้วิธีสกัดเอาค่าลักษณะที่สำคัญให้ ช่วยให้เราไม่จำเป็นต้องมาสกัดหาค่าลักษณะด้วยตัวเอง
งานที่ใช้เทคนิคการเรียนรู้ของเครื่อง เช่น ปัญหาการแบ่งประเภทข้อมูล มักจะต้องใช้ข้อมูลป้อนเข้าที่ประมวลผลได้ง่ายทางคณิตศาสตร์หรือเชิงคำนวณ ภายใต้สมมติฐานนี้ เทคนิคการเรียนรู้ค่าแทนลักษณะจึงได้เกิดขึ้นมาเพื่อช่วยตรงนี้
อย่างไรก็ตาม ข้อมูลในโลกแห่งความเป็นจริง เช่น รูปภาพ วิดีโอ หรือค่าที่ได้จากการวัดด้วยตัวรับรู้ มีความซับซ้อน เยิ่นเย้อ และมีความแปรผันมาก วิธีสกัดเอาลักษณะต่าง ๆ และแสดงออกมาอย่างมีประสิทธิภาพจึงถือเป็นความท้าทายที่สำคัญ การสกัดเอาข้อมูลลักษณะด้วยตนเองแบบดั้งเดิมต้องใช้กำลังคนจำนวนมากและอาศัยความรู้เฉพาะทางอย่างมาก อีกทั้งยังไม่สามารถทำให้แพร่หลายได้ง่าย ดังนั้นจึงมีความจำเป็นที่จะต้องให้การออกแบบโดยรวมของเทคโนโลยีการเรียนรู้ค่าแทนลักษณะมีประสิทธิภาพ ทำได้โดยอัตโนมัติ และง่ายต่อการทำให้แพร่หลาย
การเรียนรู้ค่าแทนลักษณะสามารถแบ่งออกเป็น 2 ประเภท: ได้แก่แบบมีผู้สอน และแบบไม่มีผู้สอน
- ในการเรียนรู้ค่าแทนลักษณะแบบมีผู้สอนนั้นจะอาศัยข้อมูลที่มีฉลากกำกับในการเรียนรู้ ตัวอย่างเช่น โครงข่ายประสาทเทียม
- ในการเรียนรู้ค่าแทนลักษณะแบบไม่มีผู้สอนจะใช้ข้อมูลที่ไม่มีฉลากกำกับ ตัวอย่างเช่น การวิเคราะห์องค์ประกอบอิสระ ตัวเข้ารหัสอัตโนมัติ การแยกตัวประกอบเมทริกซ์ การแบ่งกลุ่มข้อมูลแบบต่าง ๆ[2]
อ้างอิง
[แก้]- ↑ Y. Bengio; A. Courville; P. Vincent (2013). "Representation Learning: A Review and New Perspectives". IEEE Trans. PAMI, special issue Learning Deep Architectures. 35: 1798–1828. doi:10.1109/tpami.2013.50.
- ↑ Daniel Jurafsky; James H. Martin (2009). Speech and Language Processing. Pearson Education International. pp. 145–146.