You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
159 lines
22 KiB
159 lines
22 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "69389392fa6346e0dfa30f664b7b6fec",
|
|
"translation_date": "2025-09-05T21:42:12+00:00",
|
|
"source_file": "1-Introduction/1-intro-to-ML/README.md",
|
|
"language_code": "th"
|
|
}
|
|
-->
|
|
# บทนำสู่การเรียนรู้ของเครื่อง
|
|
|
|
## [แบบทดสอบก่อนเริ่มบทเรียน](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
|
|
[](https://youtu.be/6mSx_KJxcHI "ML for beginners - Introduction to Machine Learning for Beginners")
|
|
|
|
> 🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอสั้น ๆ เกี่ยวกับบทเรียนนี้
|
|
|
|
ยินดีต้อนรับสู่คอร์สเรียนรู้ของเครื่องแบบคลาสสิกสำหรับผู้เริ่มต้น! ไม่ว่าคุณจะเป็นมือใหม่ในหัวข้อนี้ หรือเป็นผู้เชี่ยวชาญด้าน ML ที่ต้องการทบทวนความรู้ เราดีใจที่คุณมาร่วมกับเรา! เราต้องการสร้างจุดเริ่มต้นที่เป็นมิตรสำหรับการศึกษาด้าน ML ของคุณ และยินดีที่จะประเมิน ตอบสนอง และนำ [ความคิดเห็น](https://github.com/microsoft/ML-For-Beginners/discussions) ของคุณมาปรับปรุง
|
|
|
|
[](https://youtu.be/h0e2HAPTGF4 "Introduction to ML")
|
|
|
|
> 🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอ: John Guttag จาก MIT แนะนำการเรียนรู้ของเครื่อง
|
|
|
|
---
|
|
## เริ่มต้นกับการเรียนรู้ของเครื่อง
|
|
|
|
ก่อนเริ่มต้นกับหลักสูตรนี้ คุณจำเป็นต้องตั้งค่าคอมพิวเตอร์ของคุณให้พร้อมสำหรับการใช้งานโน้ตบุ๊กในเครื่อง
|
|
|
|
- **ตั้งค่าคอมพิวเตอร์ของคุณด้วยวิดีโอเหล่านี้** ใช้ลิงก์ต่อไปนี้เพื่อเรียนรู้ [วิธีติดตั้ง Python](https://youtu.be/CXZYvNRIAKM) ในระบบของคุณ และ [ตั้งค่าตัวแก้ไขข้อความ](https://youtu.be/EU8eayHWoZg) สำหรับการพัฒนา
|
|
- **เรียนรู้ Python** ขอแนะนำให้มีความเข้าใจพื้นฐานเกี่ยวกับ [Python](https://docs.microsoft.com/learn/paths/python-language/?WT.mc_id=academic-77952-leestott) ซึ่งเป็นภาษาการเขียนโปรแกรมที่มีประโยชน์สำหรับนักวิทยาศาสตร์ข้อมูลที่เราใช้ในคอร์สนี้
|
|
- **เรียนรู้ Node.js และ JavaScript** เราใช้ JavaScript ในบางครั้งในคอร์สนี้เมื่อสร้างเว็บแอป ดังนั้นคุณจะต้องมี [node](https://nodejs.org) และ [npm](https://www.npmjs.com/) ติดตั้ง รวมถึง [Visual Studio Code](https://code.visualstudio.com/) สำหรับการพัฒนา Python และ JavaScript
|
|
- **สร้างบัญชี GitHub** เนื่องจากคุณพบเราใน [GitHub](https://github.com) คุณอาจมีบัญชีอยู่แล้ว แต่ถ้ายังไม่มี ให้สร้างบัญชีและ fork หลักสูตรนี้เพื่อใช้งานเอง (อย่าลืมให้ดาวเราด้วย 😊)
|
|
- **สำรวจ Scikit-learn** ทำความคุ้นเคยกับ [Scikit-learn](https://scikit-learn.org/stable/user_guide.html) 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](https://www.simplypsychology.org/brain-plasticity.html) ในเชิงพื้นฐาน เราสามารถดึงแรงบันดาลใจบางอย่างจากกระบวนการเรียนรู้ของสมองมนุษย์และแนวคิดของการเรียนรู้ของเครื่อง
|
|
|
|
---
|
|
## สมองมนุษย์
|
|
|
|
[สมองมนุษย์](https://www.livescience.com/29365-human-brain.html) 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](https://twitter.com/jenlooper) ได้แรงบันดาลใจจาก [กราฟิกนี้](https://softwareengineering.stackexchange.com/questions/366996/distinction-between-ai-ml-neural-networks-deep-learning-and-data-mining)
|
|
|
|
---
|
|
## 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](https://excalidraw.com/) เพื่อแสดงความเข้าใจของคุณเกี่ยวกับความแตกต่างระหว่าง AI, ML, deep learning และ data science เพิ่มแนวคิดเกี่ยวกับปัญหาที่แต่ละเทคนิคเหล่านี้เหมาะสมในการแก้ไข
|
|
|
|
# [แบบทดสอบหลังบทเรียน](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
---
|
|
# ทบทวนและศึกษาด้วยตนเอง
|
|
|
|
เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับวิธีที่คุณสามารถทำงานกับอัลกอริทึม ML ในคลาวด์ ให้ติดตาม [Learning Path](https://docs.microsoft.com/learn/paths/create-no-code-predictive-models-azure-machine-learning/?WT.mc_id=academic-77952-leestott) นี้
|
|
|
|
เข้าร่วม [Learning Path](https://docs.microsoft.com/learn/modules/introduction-to-machine-learning/?WT.mc_id=academic-77952-leestott) เกี่ยวกับพื้นฐานของ ML
|
|
|
|
---
|
|
# งานที่ได้รับมอบหมาย
|
|
|
|
[เริ่มต้นใช้งาน](assignment.md)
|
|
|
|
---
|
|
|
|
**ข้อจำกัดความรับผิดชอบ**:
|
|
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามนุษย์ที่มีความเชี่ยวชาญ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้ |