22 KiB
บทนำสู่การเรียนรู้ของเครื่อง
แบบทดสอบก่อนเริ่มบทเรียน
🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอสั้น ๆ เกี่ยวกับบทเรียนนี้
ยินดีต้อนรับสู่คอร์สเรียนรู้ของเครื่องแบบคลาสสิกสำหรับผู้เริ่มต้น! ไม่ว่าคุณจะเป็นมือใหม่ในหัวข้อนี้ หรือเป็นผู้เชี่ยวชาญด้าน ML ที่ต้องการทบทวนความรู้ เราดีใจที่คุณมาร่วมกับเรา! เราต้องการสร้างจุดเริ่มต้นที่เป็นมิตรสำหรับการศึกษาด้าน ML ของคุณ และยินดีที่จะประเมิน ตอบสนอง และนำ ความคิดเห็น ของคุณมาปรับปรุง
🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอ: John Guttag จาก MIT แนะนำการเรียนรู้ของเครื่อง
เริ่มต้นกับการเรียนรู้ของเครื่อง
ก่อนเริ่มต้นกับหลักสูตรนี้ คุณจำเป็นต้องตั้งค่าคอมพิวเตอร์ของคุณให้พร้อมสำหรับการใช้งานโน้ตบุ๊กในเครื่อง
- ตั้งค่าคอมพิวเตอร์ของคุณด้วยวิดีโอเหล่านี้ ใช้ลิงก์ต่อไปนี้เพื่อเรียนรู้ วิธีติดตั้ง Python ในระบบของคุณ และ ตั้งค่าตัวแก้ไขข้อความ สำหรับการพัฒนา
- เรียนรู้ Python ขอแนะนำให้มีความเข้าใจพื้นฐานเกี่ยวกับ Python ซึ่งเป็นภาษาการเขียนโปรแกรมที่มีประโยชน์สำหรับนักวิทยาศาสตร์ข้อมูลที่เราใช้ในคอร์สนี้
- เรียนรู้ Node.js และ JavaScript เราใช้ JavaScript ในบางครั้งในคอร์สนี้เมื่อสร้างเว็บแอป ดังนั้นคุณจะต้องมี node และ npm ติดตั้ง รวมถึง Visual Studio Code สำหรับการพัฒนา Python และ JavaScript
- สร้างบัญชี GitHub เนื่องจากคุณพบเราใน GitHub คุณอาจมีบัญชีอยู่แล้ว แต่ถ้ายังไม่มี ให้สร้างบัญชีและ fork หลักสูตรนี้เพื่อใช้งานเอง (อย่าลืมให้ดาวเราด้วย 😊)
- สำรวจ Scikit-learn ทำความคุ้นเคยกับ Scikit-learn ซึ่งเป็นชุดไลบรารี ML ที่เราอ้างอิงในบทเรียนเหล่านี้
การเรียนรู้ของเครื่องคืออะไร?
คำว่า 'การเรียนรู้ของเครื่อง' เป็นหนึ่งในคำที่ได้รับความนิยมและถูกใช้งานบ่อยที่สุดในปัจจุบัน มีความเป็นไปได้สูงที่คุณจะเคยได้ยินคำนี้อย่างน้อยหนึ่งครั้ง หากคุณมีความคุ้นเคยกับเทคโนโลยี ไม่ว่าคุณจะทำงานในสาขาใดก็ตาม อย่างไรก็ตาม กลไกของการเรียนรู้ของเครื่องยังคงเป็นปริศนาสำหรับคนส่วนใหญ่ สำหรับผู้เริ่มต้น การเรียนรู้ของเครื่องอาจดูเหมือนเป็นเรื่องที่ซับซ้อน ดังนั้นจึงเป็นสิ่งสำคัญที่จะต้องเข้าใจว่าการเรียนรู้ของเครื่องคืออะไร และเรียนรู้เกี่ยวกับมันทีละขั้นตอนผ่านตัวอย่างที่เป็นรูปธรรม
เส้นโค้งความนิยม
Google Trends แสดง 'เส้นโค้งความนิยม' ล่าสุดของคำว่า 'การเรียนรู้ของเครื่อง'
จักรวาลที่ลึกลับ
เราอาศัยอยู่ในจักรวาลที่เต็มไปด้วยความลึกลับที่น่าหลงใหล นักวิทยาศาสตร์ผู้ยิ่งใหญ่ เช่น Stephen Hawking, Albert Einstein และอีกมากมาย ได้อุทิศชีวิตของพวกเขาเพื่อค้นหาข้อมูลที่มีความหมายซึ่งเปิดเผยความลึกลับของโลกที่อยู่รอบตัวเรา นี่คือสภาพของมนุษย์ในการเรียนรู้: เด็กมนุษย์เรียนรู้สิ่งใหม่ ๆ และค้นพบโครงสร้างของโลกของพวกเขาปีต่อปีเมื่อพวกเขาเติบโตเป็นผู้ใหญ่
สมองของเด็ก
สมองและประสาทสัมผัสของเด็กรับรู้ข้อเท็จจริงของสิ่งแวดล้อม และค่อย ๆ เรียนรู้รูปแบบที่ซ่อนอยู่ของชีวิต ซึ่งช่วยให้เด็กสร้างกฎเกณฑ์เชิงตรรกะเพื่อระบุรูปแบบที่เรียนรู้ได้ กระบวนการเรียนรู้ของสมองมนุษย์ทำให้มนุษย์เป็นสิ่งมีชีวิตที่ซับซ้อนที่สุดในโลกนี้ การเรียนรู้อย่างต่อเนื่องโดยการค้นพบรูปแบบที่ซ่อนอยู่และนวัตกรรมบนรูปแบบเหล่านั้นช่วยให้เราพัฒนาตนเองให้ดีขึ้นเรื่อย ๆ ตลอดชีวิต ความสามารถในการเรียนรู้และพัฒนานี้เกี่ยวข้องกับแนวคิดที่เรียกว่า brain plasticity ในเชิงพื้นฐาน เราสามารถดึงแรงบันดาลใจบางอย่างจากกระบวนการเรียนรู้ของสมองมนุษย์และแนวคิดของการเรียนรู้ของเครื่อง
สมองมนุษย์
สมองมนุษย์ รับรู้สิ่งต่าง ๆ จากโลกจริง ประมวลผลข้อมูลที่รับรู้ ทำการตัดสินใจอย่างมีเหตุผล และดำเนินการบางอย่างตามสถานการณ์ นี่คือสิ่งที่เราเรียกว่าการประพฤติอย่างชาญฉลาด เมื่อเราสร้างโปรแกรมที่เลียนแบบกระบวนการพฤติกรรมที่ชาญฉลาดให้กับเครื่องจักร เราเรียกมันว่า ปัญญาประดิษฐ์ (AI)
คำศัพท์บางคำ
แม้ว่าคำศัพท์เหล่านี้อาจสร้างความสับสน แต่การเรียนรู้ของเครื่อง (ML) เป็นส่วนสำคัญของปัญญาประดิษฐ์ ML เกี่ยวข้องกับการใช้อัลกอริทึมเฉพาะทางเพื่อค้นหาข้อมูลที่มีความหมายและค้นหารูปแบบที่ซ่อนอยู่จากข้อมูลที่รับรู้เพื่อสนับสนุนกระบวนการตัดสินใจอย่างมีเหตุผล
AI, ML, Deep Learning
แผนภาพแสดงความสัมพันธ์ระหว่าง AI, ML, deep learning และ data science อินโฟกราฟิกโดย Jen Looper ได้แรงบันดาลใจจาก กราฟิกนี้
แนวคิดที่ครอบคลุม
ในหลักสูตรนี้ เราจะครอบคลุมเฉพาะแนวคิดหลักของการเรียนรู้ของเครื่องที่ผู้เริ่มต้นต้องรู้ เราจะเน้นที่ 'การเรียนรู้ของเครื่องแบบคลาสสิก' โดยใช้ Scikit-learn ซึ่งเป็นไลบรารีที่ยอดเยี่ยมที่นักเรียนหลายคนใช้เพื่อเรียนรู้พื้นฐาน เพื่อให้เข้าใจแนวคิดที่กว้างขึ้นของปัญญาประดิษฐ์หรือ deep learning ความรู้พื้นฐานที่แข็งแกร่งเกี่ยวกับการเรียนรู้ของเครื่องเป็นสิ่งสำคัญ และเราต้องการนำเสนอสิ่งนี้ที่นี่
ในคอร์สนี้คุณจะได้เรียนรู้:
- แนวคิดหลักของการเรียนรู้ของเครื่อง
- ประวัติศาสตร์ของ ML
- ML และความเป็นธรรม
- เทคนิคการถดถอยใน ML
- เทคนิคการจำแนกประเภทใน ML
- เทคนิคการจัดกลุ่มใน ML
- เทคนิคการประมวลผลภาษาธรรมชาติใน ML
- เทคนิคการพยากรณ์อนุกรมเวลาใน ML
- การเรียนรู้แบบเสริมกำลัง
- การประยุกต์ใช้ ML ในโลกจริง
สิ่งที่เราจะไม่ครอบคลุม
- deep learning
- neural networks
- AI
เพื่อให้การเรียนรู้มีประสิทธิภาพมากขึ้น เราจะหลีกเลี่ยงความซับซ้อนของ neural networks, 'deep learning' - การสร้างโมเดลหลายชั้นโดยใช้ neural networks - และ AI ซึ่งเราจะพูดถึงในหลักสูตรอื่น นอกจากนี้เรายังจะนำเสนอหลักสูตรวิทยาศาสตร์ข้อมูลในอนาคตเพื่อมุ่งเน้นด้านนี้ของสาขาที่กว้างขึ้น
ทำไมต้องศึกษาการเรียนรู้ของเครื่อง?
การเรียนรู้ของเครื่องในมุมมองของระบบ ถูกกำหนดให้เป็นการสร้างระบบอัตโนมัติที่สามารถเรียนรู้รูปแบบที่ซ่อนอยู่จากข้อมูลเพื่อช่วยในการตัดสินใจอย่างชาญฉลาด
แรงบันดาลใจนี้ได้รับแรงบันดาลใจอย่างหลวม ๆ จากวิธีที่สมองมนุษย์เรียนรู้สิ่งต่าง ๆ ตามข้อมูลที่รับรู้จากโลกภายนอก
✅ ลองคิดสักครู่ว่าทำไมธุรกิจถึงต้องการใช้กลยุทธ์การเรียนรู้ของเครื่องแทนการสร้างระบบที่ใช้กฎที่เขียนโค้ดไว้ล่วงหน้า
การประยุกต์ใช้การเรียนรู้ของเครื่อง
การประยุกต์ใช้การเรียนรู้ของเครื่องมีอยู่แทบทุกที่ และแพร่หลายเหมือนกับข้อมูลที่ไหลเวียนอยู่ในสังคมของเรา ซึ่งเกิดจากสมาร์ทโฟน อุปกรณ์ที่เชื่อมต่อ และระบบอื่น ๆ เมื่อพิจารณาถึงศักยภาพอันมหาศาลของอัลกอริทึมการเรียนรู้ของเครื่องที่ล้ำสมัย นักวิจัยได้สำรวจความสามารถของมันในการแก้ปัญหาชีวิตจริงที่มีหลายมิติและหลายสาขาด้วยผลลัพธ์ที่ดีเยี่ยม
ตัวอย่างการใช้ ML
คุณสามารถใช้การเรียนรู้ของเครื่องในหลายวิธี:
- เพื่อทำนายความเป็นไปได้ของโรคจากประวัติทางการแพทย์หรือรายงานของผู้ป่วย
- เพื่อใช้ข้อมูลสภาพอากาศในการทำนายเหตุการณ์ทางสภาพอากาศ
- เพื่อทำความเข้าใจความรู้สึกของข้อความ
- เพื่อตรวจจับข่าวปลอมเพื่อหยุดการแพร่กระจายของโฆษณาชวนเชื่อ
การเงิน เศรษฐศาสตร์ วิทยาศาสตร์โลก การสำรวจอวกาศ วิศวกรรมชีวการแพทย์ วิทยาศาสตร์การรับรู้ และแม้แต่สาขามนุษยศาสตร์ได้ปรับใช้การเรียนรู้ของเครื่องเพื่อแก้ปัญหาที่หนักหน่วงและต้องการการประมวลผลข้อมูลในสาขาของพวกเขา
สรุป
การเรียนรู้ของเครื่องทำให้กระบวนการค้นหารูปแบบเป็นไปโดยอัตโนมัติ โดยการค้นหาข้อมูลเชิงลึกที่มีความหมายจากข้อมูลจริงหรือข้อมูลที่สร้างขึ้น มันได้พิสูจน์ตัวเองว่าเป็นสิ่งที่มีคุณค่ามากในธุรกิจ สุขภาพ และการเงิน รวมถึงการประยุกต์ใช้ในด้านอื่น ๆ
ในอนาคตอันใกล้ การเข้าใจพื้นฐานของการเรียนรู้ของเครื่องจะกลายเป็นสิ่งจำเป็นสำหรับผู้คนในทุกสาขา เนื่องจากการนำไปใช้ที่แพร่หลาย
🚀 ความท้าทาย
วาดภาพบนกระดาษหรือใช้แอปออนไลน์ เช่น Excalidraw เพื่อแสดงความเข้าใจของคุณเกี่ยวกับความแตกต่างระหว่าง AI, ML, deep learning และ data science เพิ่มแนวคิดเกี่ยวกับปัญหาที่แต่ละเทคนิคเหล่านี้เหมาะสมในการแก้ไข
แบบทดสอบหลังบทเรียน
ทบทวนและศึกษาด้วยตนเอง
เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับวิธีที่คุณสามารถทำงานกับอัลกอริทึม ML ในคลาวด์ ให้ติดตาม Learning Path นี้
เข้าร่วม Learning Path เกี่ยวกับพื้นฐานของ ML
งานที่ได้รับมอบหมาย
ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามนุษย์ที่มีความเชี่ยวชาญ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้