ผลต่างระหว่างรุ่นของ "การเรียนรู้ของเครื่อง"
Luckas-bot (คุย | ส่วนร่วม) ล r2.7.1) (โรบอต เพิ่ม: lv:Mašīnmācīšanās |
Jinapattanah (คุย | ส่วนร่วม) เทคนิคการเรียนรู้ของเครื่องจักร และประเภท |
||
บรรทัด 1: | บรรทัด 1: | ||
== เทคนิคการเรียนรู้ของเครื่องจักร == |
|||
'''การเรียนรู้ของเครื่อง''' ({{lang-en|Machine learning}}) เป็นสาขาหนึ่งของ[[ปัญญาประดิษฐ์]] ที่เกี่ยวข้องกับการพัฒนาเทคนิควิธี เพื่อให้คอมพิวเตอร์สามารถเรียนรู้ |
'''การเรียนรู้ของเครื่อง''' ({{lang-en|Machine learning}}) เป็นสาขาหนึ่งของ[[ปัญญาประดิษฐ์]] ที่เกี่ยวข้องกับการพัฒนาเทคนิควิธี เพื่อให้คอมพิวเตอร์สามารถเรียนรู้ |
||
โดยเน้นที่วิธีการเพื่อสร้าง[[โปรแกรมคอมพิวเตอร์]]จากการวิเคราะห์ชุดข้อมูล |
โดยเน้นที่วิธีการเพื่อสร้าง[[โปรแกรมคอมพิวเตอร์]]จากการวิเคราะห์ชุดข้อมูล |
||
การเรียนรู้ของเครื่องจึงเกี่ยวข้องอย่างมากกับ[[สถิติศาสตร์]] เนื่องจากทั้งสองสาขาศึกษาการวิเคราะห์ข้อมูลเช่นเดียวกัน |
การเรียนรู้ของเครื่องจึงเกี่ยวข้องอย่างมากกับ[[สถิติศาสตร์]] เนื่องจากทั้งสองสาขาศึกษาการวิเคราะห์ข้อมูลเช่นเดียวกัน |
||
'''เทคนิคการเรียนรู้ของเครื่องจักร''' ({{lang-en|Machine Learning Technique}})<ref>Mitchell, T. 1997. Machine Learning. McGraw-Hill.</ref> ถูกใช้เพื่อเพิ่มประสิทธิภาพในการแก้ปัญหาด้านต่าง ๆ เช่น การสร้างให้คอมพิวเตอร์สามารถแยกแยะวัตถุ เสียง หรือตัวอักษรได้ หรือจำแนกข้อมูลจำนวนมากที่ไม่สามารถทำได้โดยมนุษย์ ลักษณะทั่วไปของการเรียนรู้ของเครื่องจักรเป็นการสร้างขั้นตอนวิธี (Algorithms) หรือโปรแกรมคอมพิวเตอร์ จากการให้ข้อมูลฝึก (Training data) สำหรับสอนให้คอมพิวเตอร์เรียนรู้ เพื่อให้ได้สมมติฐาน (Hypothesis) ในการนำมาใช้แยกแยะวัตถุอื่นได้ ลักษณะการเรียนรู้ของเครื่องจักรแสดงได้ดังภาพที่ 1 เทคนิคการเรียนรู้ของเครื่องจักร [[File:Machine Learning Technique..JPG|thumb|ภาพที่ 1 เทคนิคการเรียนรู้ของเครื่องจักร]] |
|||
[[อัลกอริทึม]]การเรียนรู้ของเครื่อง จัดแบ่งได้ตามลักษณะผลลัพธ์ โดยทั่วไปแล้วจะแบ่งเป็น |
[[อัลกอริทึม]]การเรียนรู้ของเครื่อง จัดแบ่งได้ตามลักษณะผลลัพธ์ โดยทั่วไปแล้วจะแบ่งเป็น |
||
บรรทัด 11: | บรรทัด 13: | ||
* [[การเรียนวิธีการเรียน]] (learning to learn, meta-learning) - อัลกอริทึมที่เรียนวิธีการเรียนรู้ของตนเอง โดยปรับปรุง inductive bias ที่เป็นข้อสมมติฐานที่อัลกอริทึมใช้ในการเรียนรู้ |
* [[การเรียนวิธีการเรียน]] (learning to learn, meta-learning) - อัลกอริทึมที่เรียนวิธีการเรียนรู้ของตนเอง โดยปรับปรุง inductive bias ที่เป็นข้อสมมติฐานที่อัลกอริทึมใช้ในการเรียนรู้ |
||
การวิเคราะห์ประสิทธิภาพและการคำนวณของอัลกอริทึมการเรียนรู้ เป็นสาขาหนึ่งของวิชาสถิติซึ่งเรียกว่า [[ทฤษฎีการเรียนรู้]] |
ยอกจากนี้ การวิเคราะห์ประสิทธิภาพและการคำนวณของอัลกอริทึมการเรียนรู้ เป็นสาขาหนึ่งของวิชาสถิติซึ่งเรียกว่า [[ทฤษฎีการเรียนรู้]] |
||
อย่างไรก็ตาม หากแบ่งประเภทเทคนิคการเรียนรู้ของเครื่องจักรตามลักษณะการใช้ข้อมูลฝึกสามารถแบ่งได้เป็น 4 ประเภท ดังต่อไปนี้ |
|||
===การเรียนรู้แบบมีครู === |
|||
การเรียนรู้แบบมีครู ({{lang-en|Supervised Learning}}) เทคนิคการเรียนรู้ของเครื่องจักรประเภทนี้ต้องใช้การเรียนรู้จากข้อมูลฝึกที่มีการใส่ฉลาก (Label) ให้กับข้อมูลฝึกไว้แล้ว เพื่อให้คอมพิวเตอร์จดจำรูปแบบและได้สมมติฐานเพื่อทำงานกับข้อมูลในภายหน้าได้ ตัวอย่างเทคนิคประเภทนี้ได้แก่ การเรียนรู้แบบตัวจำแนกแบบเบย์สอย่างง่าย และการเรียนรู้แบบต้นไม้ตัดสินใจ เป็นต้น |
|||
===การเรียนรู้แบบไม่มีครู === |
|||
การเรียนรู้แบบไม่มีครู ({{lang-en|Unsupervised Learning}}) ใช้ข้อมูลฝึกที่ไม่มีการใส่ฉลากให้กับข้อมูล และเรียนรู้โดยการนำข้อมูลไปผ่านกระบวนการหาความคล้ายคลึงของชุดข้อมูล จนกระทั่งได้กลุ่มข้อมูลที่จัดเป็นประเภทอย่างเหมาะสม เทคนิคประเภทนี้ได้แก่ การแบ่งกลุ่ม (Clustering) |
|||
===การเรียนรู้แบบมีครูบางส่วน === |
|||
การเรียนรู้แบบมีครูบางส่วน ({{lang-en|Semi Supervised Learning}}) ใช้การเรียนรู้จากข้อมูลฝึกที่มีการใส่ฉลากเพียงบางส่วนจากข้อมูลฝึกทั้งหมด สำหรับส่วนที่ไม่มีฉลากนั้นจะใช้กระบวนการเรียนรู้เพื่อใส่ฉลากและปรับความถูกต้องให้กับการเรียนรู้ต่อไป เทคนิคประเภทนี้ได้แก่ EM Algorithms |
|||
[[ผู้ใช้:Jinapattanah|Jinapattanah]] 13:51, 13 มกราคม 2555 (ICT) |
|||
== อ้างอิง == |
|||
<references /> |
|||
[[หมวดหมู่:วิทยาการคอมพิวเตอร์]] |
|||
[[หมวดหมู่:วิศวกรรมคอมพิวเตอร์]] |
|||
[[หมวดหมู่:วิทยาการคอมพิวเตอร์เชิงทฤษฎี]] |
|||
[[หมวดหมู่:การเรียนรู้ของเครื่อง| ]] |
[[หมวดหมู่:การเรียนรู้ของเครื่อง| ]] |
รุ่นแก้ไขเมื่อ 14:23, 13 มกราคม 2555
เทคนิคการเรียนรู้ของเครื่องจักร
การเรียนรู้ของเครื่อง (อังกฤษ: Machine learning) เป็นสาขาหนึ่งของปัญญาประดิษฐ์ ที่เกี่ยวข้องกับการพัฒนาเทคนิควิธี เพื่อให้คอมพิวเตอร์สามารถเรียนรู้ โดยเน้นที่วิธีการเพื่อสร้างโปรแกรมคอมพิวเตอร์จากการวิเคราะห์ชุดข้อมูล การเรียนรู้ของเครื่องจึงเกี่ยวข้องอย่างมากกับสถิติศาสตร์ เนื่องจากทั้งสองสาขาศึกษาการวิเคราะห์ข้อมูลเช่นเดียวกัน
เทคนิคการเรียนรู้ของเครื่องจักร (อังกฤษ: Machine Learning Technique)[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
การเรียนรู้แบบมีครู
การเรียนรู้แบบมีครู (อังกฤษ: Supervised Learning) เทคนิคการเรียนรู้ของเครื่องจักรประเภทนี้ต้องใช้การเรียนรู้จากข้อมูลฝึกที่มีการใส่ฉลาก (Label) ให้กับข้อมูลฝึกไว้แล้ว เพื่อให้คอมพิวเตอร์จดจำรูปแบบและได้สมมติฐานเพื่อทำงานกับข้อมูลในภายหน้าได้ ตัวอย่างเทคนิคประเภทนี้ได้แก่ การเรียนรู้แบบตัวจำแนกแบบเบย์สอย่างง่าย และการเรียนรู้แบบต้นไม้ตัดสินใจ เป็นต้น
การเรียนรู้แบบไม่มีครู
การเรียนรู้แบบไม่มีครู (อังกฤษ: Unsupervised Learning) ใช้ข้อมูลฝึกที่ไม่มีการใส่ฉลากให้กับข้อมูล และเรียนรู้โดยการนำข้อมูลไปผ่านกระบวนการหาความคล้ายคลึงของชุดข้อมูล จนกระทั่งได้กลุ่มข้อมูลที่จัดเป็นประเภทอย่างเหมาะสม เทคนิคประเภทนี้ได้แก่ การแบ่งกลุ่ม (Clustering)
การเรียนรู้แบบมีครูบางส่วน
การเรียนรู้แบบมีครูบางส่วน (อังกฤษ: Semi Supervised Learning) ใช้การเรียนรู้จากข้อมูลฝึกที่มีการใส่ฉลากเพียงบางส่วนจากข้อมูลฝึกทั้งหมด สำหรับส่วนที่ไม่มีฉลากนั้นจะใช้กระบวนการเรียนรู้เพื่อใส่ฉลากและปรับความถูกต้องให้กับการเรียนรู้ต่อไป เทคนิคประเภทนี้ได้แก่ EM Algorithms
Jinapattanah 13:51, 13 มกราคม 2555 (ICT)
อ้างอิง
- ↑ Mitchell, T. 1997. Machine Learning. McGraw-Hill.