# บทนำสู่การเรียนรู้ของเครื่อง

## [แบบทดสอบก่อนบรรยาย](https://ff-quizzes.netlify.app/en/ml/)

---

[![ML for beginners - Introduction to Machine Learning for Beginners](https://img.youtube.com/vi/6mSx_KJxcHI/0.jpg)](https://youtu.be/6mSx_KJxcHI "ML for beginners - Introduction to Machine Learning for Beginners")

> 🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอสั้นๆ ที่อธิบายบทเรียนนี้

ยินดีต้อนรับสู่หลักสูตรการเรียนรู้ของเครื่องแบบคลาสสิกสำหรับผู้เริ่มต้น! ไม่ว่าคุณจะเป็นมือใหม่กับหัวข้อนี้โดยสิ้นเชิง หรือเป็นผู้ที่มีประสบการณ์ในการใช้งาน ML ที่ต้องการทบทวนในบางด้าน เรายินดีที่คุณเข้าร่วมกับเรา! เราต้องการสร้างจุดเริ่มต้นที่เป็นมิตรสำหรับการศึกษาด้าน ML ของคุณและยินดีรับฟัง ตอบกลับ และนำ [ความคิดเห็น](https://github.com/microsoft/ML-For-Beginners/discussions) ของคุณมาปรับใช้

[![Introduction to ML](https://img.youtube.com/vi/h0e2HAPTGF4/0.jpg)](https://youtu.be/h0e2HAPTGF4 "Introduction to ML")

> 🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอ: John Guttag จาก MIT แนะนำเกี่ยวกับการเรียนรู้ของเครื่อง

---
## เริ่มต้นกับการเรียนรู้ของเครื่อง

ก่อนเริ่มต้นกับหลักสูตรนี้ คุณต้องเตรียมคอมพิวเตอร์ของคุณให้พร้อมสำหรับการรันโน้ตบุ๊กในเครื่อง

- **ตั้งค่าเครื่องของคุณด้วยวิดีโอเหล่านี้** ใช้ลิงก์ต่อไปนี้เพื่อเรียนรู้ [วิธีการติดตั้ง Python](https://youtu.be/CXZYvNRIAKM) ในระบบของคุณ และ [การตั้งค่าโปรแกรมแก้ไขข้อความ](https://youtu.be/EU8eayHWoZg) สำหรับการพัฒนา
- **เรียนรู้ Python** แนะนำให้เข้าใจพื้นฐานของ [Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott) ภาษาโปรแกรมที่มีประโยชน์สำหรับนักวิทยาศาสตร์ข้อมูลที่เราใช้ในหลักสูตรนี้
- **เรียนรู้ Node.js และ JavaScript** เราใช้ JavaScript บางครั้งในการสร้างเว็บแอป ดังนั้นคุณจำเป็นต้องติดตั้ง [node](https://nodejs.org) และ [npm](https://www.npmjs.com/) รวมถึงมี [Visual Studio Code](https://code.visualstudio.com/) สำหรับการพัฒนา Python และ JavaScript
- **สร้างบัญชี GitHub** เนื่องจากคุณเจอเราใน [GitHub](https://github.com) แล้ว อาจจะมีบัญชีอยู่แล้ว แต่ถ้าไม่มีก็สร้างขึ้นมาและ Fork หลักสูตรนี้ไปใช้เอง (อย่าลืมกดดาวให้เราด้วยนะ 😊)
- **สำรวจ Scikit-learn** ทำความคุ้นเคยกับ [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) ชุดไลบรารี ML ที่เราใช้อ้างอิงในบทเรียนเหล่านี้

---
## การเรียนรู้ของเครื่องคืออะไร?

คำว่า 'machine learning' เป็นคำยอดนิยมและใช้บ่อยมากในปัจจุบัน มีโอกาสสูงมากที่คุณจะได้ยินคำนี้อย่างน้อยครั้งหนึ่งถ้าคุณคุ้นเคยกับเทคโนโลยีในสาขาใดสาขาหนึ่ง แต่กลไกการทำงานของการเรียนรู้ของเครื่องนั้นเป็นเรื่องลึกลับสำหรับคนส่วนใหญ่ สำหรับผู้เริ่มต้นเรียนรู้ของเครื่อง หัวข้อนี้อาจดูท่วมท้น ดังนั้นจึงสำคัญที่จะต้องเข้าใจว่าการเรียนรู้ของเครื่องคืออะไรจริงๆ และเรียนรู้ทีละขั้นตอนผ่านตัวอย่างที่เป็นรูปธรรม

---
## เส้นโค้งความนิยม

![ml hype curve](../../../../translated_images/th/hype.07183d711a17aafe.webp)

> Google Trends แสดง 'เส้นโค้งความนิยม' ล่าสุดของคำว่า 'machine learning'

---
## จักรวาลที่ลึกลับ

เรากำลังอยู่ในจักรวาลที่เต็มไปด้วยความลี้ลับที่น่าหลงใหล นักวิทยาศาสตร์ผู้ยิ่งใหญ่เช่น Stephen Hawking, Albert Einstein และคนอื่นๆ อีกมากมายได้อุทิศชีวิตเพื่อค้นหาข้อมูลที่มีความหมายซึ่งช่วยเปิดเผยความลับของโลกที่อยู่รอบตัวเรา นี่คือเงื่อนไขของมนุษย์ในการเรียนรู้: เด็กมนุษย์เรียนรู้สิ่งใหม่ๆ และเปิดเผยโครงสร้างของโลกของตนทีละปีเมื่อเติบโตขึ้นเป็นผู้ใหญ่

---
## สมองของเด็ก

สมองและประสาทสัมผัสของเด็กรับรู้ข้อเท็จจริงในสิ่งแวดล้อมและค่อยๆ เรียนรู้รูปแบบที่ซ่อนอยู่ในชีวิตซึ่งช่วยให้เด็กสร้างกฎเกณฑ์ที่มีเหตุผลเพื่อจดจำรูปแบบที่เรียนรู้ได้ กระบวนการเรียนรู้ของสมองมนุษย์ทำให้มนุษย์เป็นสิ่งมีชีวิตที่ซับซ้อนที่สุดในโลก การเรียนรู้อย่างต่อเนื่องโดยค้นหารูปแบบที่ซ่อนอยู่และสร้างนวัตกรรมบนรูปแบบเหล่านั้นช่วยให้เราพัฒนาตัวเองอย่างต่อเนื่องตลอดชีวิต ความสามารถในการเรียนรู้นี้และความสามารถในการพัฒนานั้นเกี่ยวข้องกับแนวคิดที่เรียกว่า [brain plasticity](https://www.simplypsychology.org/brain-plasticity.html) โดยผิวเผิน เราสามารถเชื่อมโยงแรงบันดาลใจบางประการระหว่างกระบวนการเรียนรู้ของสมองมนุษย์กับแนวคิดของการเรียนรู้ของเครื่อง

---
## สมองมนุษย์

[สมองมนุษย์](https://www.livescience.com/29365-human-brain.html) รับรู้สิ่งต่างๆ จากโลกจริง ประมวลผลข้อมูลที่รับรู้ ตัดสินใจอย่างมีเหตุผล และดำเนินการบางอย่างตามสถานการณ์ นี่คือสิ่งที่เราเรียกว่าการมีพฤติกรรมอย่างชาญฉลาด เมื่อนำกระบวนการพฤติกรรมอัจฉริยะแบบจำลองนี้ไปเขียนโปรแกรมลงในเครื่องจักร เรียกว่า ปัญญาประดิษฐ์ (AI)

---
## คำศัพท์บางคำ

ถึงแม้คำศัพท์เหล่านี้อาจสับสนกัน แต่การเรียนรู้ของเครื่อง (ML) เป็นส่วนย่อยที่สำคัญของปัญญาประดิษฐ์ **ML เกี่ยวข้องกับการใช้อัลกอริทึมเฉพาะทางในการค้นหาข้อมูลที่มีความหมายและรูปแบบที่ซ่อนอยู่จากข้อมูลที่รับรู้ เพื่อสนับสนุนกระบวนการตัดสินใจอย่างมีเหตุผล**

---
## AI, ML, Deep Learning

![AI, ML, deep learning, data science](../../../../translated_images/th/ai-ml-ds.537ea441b124ebf6.webp)

> แผนภาพแสดงความสัมพันธ์ระหว่าง AI, ML, deep learning และ data science อินโฟกราฟิกโดย [Jen Looper](https://twitter.com/jenlooper) ได้แรงบันดาลใจจาก [กราฟิกนี้](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining)

---
## แนวคิดที่ต้องครอบคลุม

ในหลักสูตรนี้ เราจะครอบคลุมเฉพาะแนวคิดหลักของการเรียนรู้ของเครื่องที่ผู้เริ่มต้นต้องรู้ เราจะเน้นที่สิ่งที่เรียกว่า 'การเรียนรู้ของเครื่องแบบคลาสสิก'เป็นหลักโดยใช้ Scikit-learn ซึ่งเป็นไลบรารีที่ยอดเยี่ยมที่นักเรียนจำนวนมากใช้เรียนรู้พื้นฐาน เพื่อที่จะเข้าใจแนวคิดที่กว้างขึ้นของปัญญาประดิษฐ์หรือการเรียนรู้เชิงลึก ความรู้พื้นฐานที่แข็งแกร่งของการเรียนรู้ของเครื่องเป็นสิ่งจำเป็น และเราต้องการนำเสนอสิ่งนี้ที่นี่

---
## ในหลักสูตรนี้คุณจะได้เรียนรู้:

- แนวคิดหลักของการเรียนรู้ของเครื่อง
- ประวัติของ ML
- ML และความยุติธรรม
- เทคนิคการถดถอย (regression) ใน ML
- เทคนิคการจัดประเภท (classification) ใน ML
- เทคนิคการจัดกลุ่ม (clustering) ใน ML
- เทคนิคการประมวลผลภาษาธรรมชาติใน ML
- เทคนิคการพยากรณ์อนุกรมเวลาใน ML
- การเรียนรู้แบบเสริมกำลัง (reinforcement learning)
- การประยุกต์ใช้งานจริงของ ML

---
## สิ่งที่เราไม่ครอบคลุม

- deep learning
- เครือข่ายประสาทเทียม (neural networks)
- AI

เพื่อให้ได้ประสบการณ์การเรียนรู้ที่ดีขึ้น เราจะหลีกเลี่ยงความซับซ้อนของเครือข่ายประสาทเทียม, 'deep learning' ซึ่งเป็นการสร้างโมเดลหลายชั้นโดยใช้เครือข่ายประสาท และ AI ซึ่งเราจะพูดถึงในหลักสูตรแยกต่างหาก นอกจากนี้ เรายังจะมีหลักสูตร data science ที่จะเน้นในด้านนี้ของสาขาที่กว้างขึ้นในอนาคต

---
## ทำไมต้องศึกษา machine learning?

การเรียนรู้ของเครื่อง หากดูจากมุมมองของระบบ ถูกกำหนดให้เป็นการสร้างระบบอัตโนมัติที่สามารถเรียนรู้รูปแบบที่ซ่อนอยู่จากข้อมูลเพื่อช่วยในการตัดสินใจอย่างชาญฉลาด

แรงจูงใจนี้ได้รับแรงบันดาลใจคร่าวๆ จากวิธีที่สมองมนุษย์เรียนรู้บางสิ่งบางอย่างจากข้อมูลที่รับรู้จากโลกภายนอก

✅ คิดสักนิดว่าทำไมธุรกิจจึงอยากใช้กลยุทธ์การเรียนรู้ของเครื่อง แทนที่จะสร้างเครื่องมือที่ใช้กฎเกณฑ์แบบเขียนโปรแกรมตายตัว

---
## ทำไมคุณภาพข้อมูลจึงสำคัญ

ข้อมูลที่มีคุณภาพสูงช่วยให้โมเดลทำงานได้ดีขึ้น ข้อมูลที่ไม่ดีหรือมีเสียงรบกวนอาจทำให้การทำนายผิดพลาด แม้จะใช้เทคนิคการเรียนรู้ของเครื่องที่ก้าวหน้า

---
## การประยุกต์ของการเรียนรู้ของเครื่อง

การประยุกต์ของการเรียนรู้ของเครื่องมีอยู่ทั่วไปแทบทุกที่ และแพร่หลายเหมือนกับข้อมูลที่ไหลเวียนในสังคมของเรา ซึ่งสร้างขึ้นโดยสมาร์ทโฟน, อุปกรณ์ที่เชื่อมต่อ และระบบอื่นๆ เมื่อพิจารณาศักยภาพอันมหาศาลของอัลกอริทึมการเรียนรู้ของเครื่องสมัยใหม่ นักวิจัยได้สำรวจศักยภาพของพวกเขาในการแก้ปัญหาจริงที่ซับซ้อนและหลายด้านด้วยผลลัพธ์ที่ดีมาก

---
## ตัวอย่างการประยุกต์ใช้ ML

**คุณสามารถใช้การเรียนรู้ของเครื่องได้หลากหลายวิธี**:

- ทำนายความน่าจะเป็นของโรคจากประวัติหรือรายงานทางการแพทย์ของผู้ป่วย
- ใช้ข้อมูลสภาพอากาศในการทำนายเหตุการณ์ทางสภาพอากาศ
- เข้าใจความรู้สึกหรือเจตนาของข้อความ
- ตรวจสอบข่าวปลอมเพื่อลดการแพร่กระจายของโฆษณาชวนเชื่อ

สาขาการเงิน เศรษฐศาสตร์ วิทยาศาสตร์โลก การสำรวจอวกาศ วิศวกรรมชีวการแพทย์ วิทยาศาสตร์ความรู้ความเข้าใจ และแม้แต่ศาสตร์มนุษยศาสตร์ต่างได้นำการเรียนรู้ของเครื่องมาใช้แก้ปัญหาที่ซับซ้อนและต้องประมวลผลข้อมูลจำนวนมากในสาขาของตน

---
## บทสรุป

การเรียนรู้ของเครื่องช่วยทำให้กระบวนการค้นหารูปแบบเป็นอัตโนมัติด้วยการค้นหาข้อมูลที่มีความหมายจากข้อมูลโลกจริงหรือตัวข้อมูลที่สร้างขึ้น มันได้พิสูจน์แล้วว่ามีคุณค่าอย่างมากในธุรกิจ สุขภาพ และการเงิน รวมถึงด้านอื่นๆ

ในอนาคตอันใกล้ การเข้าใจพื้นฐานของการเรียนรู้ของเครื่องจะเป็นสิ่งจำเป็นสำหรับทุกคนในทุกสาขาเนื่องจากการนำไปใช้อย่างกว้างขวาง

---
# 🚀 ท้าทาย

ร่างแผนผังบนกระดาษหรือใช้แอปออนไลน์เช่น [Excalidraw](https://excalidraw.com/) เพื่อแสดงความเข้าใจของคุณเกี่ยวกับความแตกต่างระหว่าง AI, ML, deep learning, และ data science โดยเพิ่มไอเดียของปัญหาที่แต่ละเทคนิคนี้ถนัดในการแก้ไข

# [แบบทดสอบหลังบรรยาย](https://ff-quizzes.netlify.app/en/ml/)

---
# ทบทวน & ศึกษาด้วยตนเอง

เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับวิธีทำงานกับอัลกอริทึม ML บนคลาวด์ ให้ทำตาม [Learning Path นี้](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-77952-leestott)

ทำ [Learning Path](https://docs.microsoft.com/learn/modules/introduction-to-machine-learning/?WT.mc_id=academic-77952-leestott) เกี่ยวกับพื้นฐานของ ML

---
# การบ้าน

[เริ่มต้นและใช้งาน](assignment.md)

---

<!-- CO-OP TRANSLATOR DISCLAIMER START -->
**ปฏิเสธความรับผิดชอบ**:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) ขณะที่เราพยายามให้ความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้
<!-- CO-OP TRANSLATOR DISCLAIMER END -->