22 KiB
บทนำสู่การเรียนรู้ของเครื่อง
แบบทดสอบก่อนบรรยาย
🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอสั้นๆ ที่อธิบายบทเรียนนี้
ยินดีต้อนรับสู่หลักสูตรการเรียนรู้ของเครื่องแบบคลาสสิกสำหรับผู้เริ่มต้น! ไม่ว่าคุณจะเป็นมือใหม่กับหัวข้อนี้โดยสิ้นเชิง หรือเป็นผู้ที่มีประสบการณ์ในการใช้งาน ML ที่ต้องการทบทวนในบางด้าน เรายินดีที่คุณเข้าร่วมกับเรา! เราต้องการสร้างจุดเริ่มต้นที่เป็นมิตรสำหรับการศึกษาด้าน ML ของคุณและยินดีรับฟัง ตอบกลับ และนำ ความคิดเห็น ของคุณมาปรับใช้
🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอ: John Guttag จาก MIT แนะนำเกี่ยวกับการเรียนรู้ของเครื่อง
เริ่มต้นกับการเรียนรู้ของเครื่อง
ก่อนเริ่มต้นกับหลักสูตรนี้ คุณต้องเตรียมคอมพิวเตอร์ของคุณให้พร้อมสำหรับการรันโน้ตบุ๊กในเครื่อง
- ตั้งค่าเครื่องของคุณด้วยวิดีโอเหล่านี้ ใช้ลิงก์ต่อไปนี้เพื่อเรียนรู้ วิธีการติดตั้ง Python ในระบบของคุณ และ การตั้งค่าโปรแกรมแก้ไขข้อความ สำหรับการพัฒนา
- เรียนรู้ Python แนะนำให้เข้าใจพื้นฐานของ Python ภาษาโปรแกรมที่มีประโยชน์สำหรับนักวิทยาศาสตร์ข้อมูลที่เราใช้ในหลักสูตรนี้
- เรียนรู้ Node.js และ JavaScript เราใช้ JavaScript บางครั้งในการสร้างเว็บแอป ดังนั้นคุณจำเป็นต้องติดตั้ง node และ npm รวมถึงมี Visual Studio Code สำหรับการพัฒนา Python และ JavaScript
- สร้างบัญชี GitHub เนื่องจากคุณเจอเราใน GitHub แล้ว อาจจะมีบัญชีอยู่แล้ว แต่ถ้าไม่มีก็สร้างขึ้นมาและ Fork หลักสูตรนี้ไปใช้เอง (อย่าลืมกดดาวให้เราด้วยนะ 😊)
- สำรวจ Scikit-learn ทำความคุ้นเคยกับ Scikit-learn ชุดไลบรารี ML ที่เราใช้อ้างอิงในบทเรียนเหล่านี้
การเรียนรู้ของเครื่องคืออะไร?
คำว่า 'machine learning' เป็นคำยอดนิยมและใช้บ่อยมากในปัจจุบัน มีโอกาสสูงมากที่คุณจะได้ยินคำนี้อย่างน้อยครั้งหนึ่งถ้าคุณคุ้นเคยกับเทคโนโลยีในสาขาใดสาขาหนึ่ง แต่กลไกการทำงานของการเรียนรู้ของเครื่องนั้นเป็นเรื่องลึกลับสำหรับคนส่วนใหญ่ สำหรับผู้เริ่มต้นเรียนรู้ของเครื่อง หัวข้อนี้อาจดูท่วมท้น ดังนั้นจึงสำคัญที่จะต้องเข้าใจว่าการเรียนรู้ของเครื่องคืออะไรจริงๆ และเรียนรู้ทีละขั้นตอนผ่านตัวอย่างที่เป็นรูปธรรม
เส้นโค้งความนิยม
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 โดยผิวเผิน เราสามารถเชื่อมโยงแรงบันดาลใจบางประการระหว่างกระบวนการเรียนรู้ของสมองมนุษย์กับแนวคิดของการเรียนรู้ของเครื่อง
สมองมนุษย์
สมองมนุษย์ รับรู้สิ่งต่างๆ จากโลกจริง ประมวลผลข้อมูลที่รับรู้ ตัดสินใจอย่างมีเหตุผล และดำเนินการบางอย่างตามสถานการณ์ นี่คือสิ่งที่เราเรียกว่าการมีพฤติกรรมอย่างชาญฉลาด เมื่อนำกระบวนการพฤติกรรมอัจฉริยะแบบจำลองนี้ไปเขียนโปรแกรมลงในเครื่องจักร เรียกว่า ปัญญาประดิษฐ์ (AI)
คำศัพท์บางคำ
ถึงแม้คำศัพท์เหล่านี้อาจสับสนกัน แต่การเรียนรู้ของเครื่อง (ML) เป็นส่วนย่อยที่สำคัญของปัญญาประดิษฐ์ ML เกี่ยวข้องกับการใช้อัลกอริทึมเฉพาะทางในการค้นหาข้อมูลที่มีความหมายและรูปแบบที่ซ่อนอยู่จากข้อมูลที่รับรู้ เพื่อสนับสนุนกระบวนการตัดสินใจอย่างมีเหตุผล
AI, ML, Deep Learning
แผนภาพแสดงความสัมพันธ์ระหว่าง AI, ML, deep learning และ data science อินโฟกราฟิกโดย Jen Looper ได้แรงบันดาลใจจาก กราฟิกนี้
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 เพื่อแสดงความเข้าใจของคุณเกี่ยวกับความแตกต่างระหว่าง AI, ML, deep learning, และ data science โดยเพิ่มไอเดียของปัญหาที่แต่ละเทคนิคนี้ถนัดในการแก้ไข
แบบทดสอบหลังบรรยาย
ทบทวน & ศึกษาด้วยตนเอง
เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับวิธีทำงานกับอัลกอริทึม ML บนคลาวด์ ให้ทำตาม Learning Path นี้
ทำ Learning Path เกี่ยวกับพื้นฐานของ ML
การบ้าน
ปฏิเสธความรับผิดชอบ: เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator ขณะที่เราพยายามให้ความถูกต้อง โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาต้นทางควรถูกพิจารณาเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้การแปลโดยมนุษย์มืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดที่เกิดขึ้นจากการใช้การแปลนี้