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.
145 lines
28 KiB
145 lines
28 KiB
<!--
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
{
|
|
"original_hash": "83320d6b6994909e35d830cebf214039",
|
|
"translation_date": "2025-09-05T21:31:51+00:00",
|
|
"source_file": "9-Real-World/1-Applications/README.md",
|
|
"language_code": "th"
|
|
}
|
|
-->
|
|
# ปัจฉิมลิขิต: การเรียนรู้ของเครื่องในโลกแห่งความจริง
|
|
|
|
|
|
> สเก็ตโน้ตโดย [Tomomi Imura](https://www.twitter.com/girlie_mac)
|
|
|
|
ในหลักสูตรนี้ คุณได้เรียนรู้วิธีการเตรียมข้อมูลสำหรับการฝึกอบรมและสร้างโมเดลการเรียนรู้ของเครื่อง คุณได้สร้างชุดโมเดลคลาสสิก เช่น การถดถอย การจัดกลุ่ม การจำแนก การประมวลผลภาษาธรรมชาติ และโมเดลอนุกรมเวลา ยินดีด้วย! ตอนนี้คุณอาจสงสัยว่าสิ่งเหล่านี้มีประโยชน์อย่างไรในโลกแห่งความจริง... โมเดลเหล่านี้มีการนำไปใช้จริงในด้านใดบ้าง?
|
|
|
|
แม้ว่าความสนใจในอุตสาหกรรมจะมุ่งไปที่ AI ซึ่งมักใช้การเรียนรู้เชิงลึก แต่โมเดลการเรียนรู้ของเครื่องแบบคลาสสิกยังคงมีการนำไปใช้ที่มีคุณค่า คุณอาจเคยใช้บางแอปพลิเคชันเหล่านี้ในชีวิตประจำวัน! ในบทเรียนนี้ คุณจะได้สำรวจว่าอุตสาหกรรมและโดเมนความรู้ 8 ประเภทใช้โมเดลเหล่านี้อย่างไรเพื่อทำให้แอปพลิเคชันมีประสิทธิภาพ เชื่อถือได้ ฉลาด และมีคุณค่าต่อผู้ใช้งานมากขึ้น
|
|
|
|
## [แบบทดสอบก่อนเรียน](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
## 💰 การเงิน
|
|
|
|
ภาคการเงินมีโอกาสมากมายสำหรับการเรียนรู้ของเครื่อง ปัญหาหลายอย่างในด้านนี้สามารถสร้างแบบจำลองและแก้ไขได้โดยใช้ ML
|
|
|
|
### การตรวจจับการฉ้อโกงบัตรเครดิต
|
|
|
|
เราได้เรียนรู้เกี่ยวกับ [k-means clustering](../../5-Clustering/2-K-Means/README.md) ในหลักสูตรก่อนหน้านี้ แต่จะนำไปใช้แก้ปัญหาการฉ้อโกงบัตรเครดิตได้อย่างไร?
|
|
|
|
k-means clustering มีประโยชน์ในเทคนิคการตรวจจับการฉ้อโกงบัตรเครดิตที่เรียกว่า **การตรวจจับค่าผิดปกติ** ค่าผิดปกติ หรือการเบี่ยงเบนในข้อมูล สามารถบอกเราได้ว่าบัตรเครดิตถูกใช้งานในลักษณะปกติหรือมีสิ่งผิดปกติเกิดขึ้น ตามที่แสดงในเอกสารที่ลิงก์ด้านล่าง คุณสามารถจัดเรียงข้อมูลบัตรเครดิตโดยใช้ k-means clustering และจัดกลุ่มแต่ละธุรกรรมตามระดับความผิดปกติ จากนั้นคุณสามารถประเมินกลุ่มที่มีความเสี่ยงสูงที่สุดเพื่อแยกแยะธุรกรรมที่เป็นการฉ้อโกงหรือถูกต้อง
|
|
[อ้างอิง](https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.680.1195&rep=rep1&type=pdf)
|
|
|
|
### การบริหารความมั่งคั่ง
|
|
|
|
ในด้านการบริหารความมั่งคั่ง บุคคลหรือบริษัทจะจัดการการลงทุนในนามของลูกค้า งานของพวกเขาคือการรักษาและเพิ่มความมั่งคั่งในระยะยาว ดังนั้นจึงจำเป็นต้องเลือกการลงทุนที่มีผลการดำเนินงานดี
|
|
|
|
วิธีหนึ่งในการประเมินผลการดำเนินงานของการลงทุนคือการใช้การถดถอยทางสถิติ [การถดถอยเชิงเส้น](../../2-Regression/1-Tools/README.md) เป็นเครื่องมือที่มีคุณค่าสำหรับการทำความเข้าใจว่ากองทุนมีผลการดำเนินงานอย่างไรเมื่อเทียบกับเกณฑ์มาตรฐาน นอกจากนี้เรายังสามารถสรุปได้ว่าผลลัพธ์ของการถดถอยมีนัยสำคัญทางสถิติหรือไม่ หรือมีผลกระทบต่อการลงทุนของลูกค้าอย่างไร คุณยังสามารถขยายการวิเคราะห์เพิ่มเติมโดยใช้การถดถอยพหุ ซึ่งสามารถนำปัจจัยเสี่ยงเพิ่มเติมมาพิจารณาได้ สำหรับตัวอย่างวิธีการทำงานนี้กับกองทุนเฉพาะ ลองดูเอกสารด้านล่างเกี่ยวกับการประเมินผลการดำเนินงานของกองทุนโดยใช้การถดถอย
|
|
[อ้างอิง](http://www.brightwoodventures.com/evaluating-fund-performance-using-regression/)
|
|
|
|
## 🎓 การศึกษา
|
|
|
|
ภาคการศึกษาก็เป็นอีกพื้นที่ที่น่าสนใจที่ ML สามารถนำไปใช้ได้ มีปัญหาที่น่าสนใจที่ต้องแก้ไข เช่น การตรวจจับการโกงในการสอบหรือเรียงความ หรือการจัดการอคติที่ตั้งใจหรือไม่ตั้งใจในกระบวนการตรวจแก้
|
|
|
|
### การทำนายพฤติกรรมของนักเรียน
|
|
|
|
[Coursera](https://coursera.com) ผู้ให้บริการหลักสูตรออนไลน์แบบเปิด มีบล็อกเทคโนโลยีที่ยอดเยี่ยมซึ่งพวกเขาได้พูดถึงการตัดสินใจทางวิศวกรรมหลายอย่าง ในกรณีศึกษานี้ พวกเขาได้วางเส้นการถดถอยเพื่อสำรวจความสัมพันธ์ระหว่างคะแนน NPS (Net Promoter Score) ต่ำกับการคงอยู่หรือการถอนตัวจากหลักสูตร
|
|
[อ้างอิง](https://medium.com/coursera-engineering/controlled-regression-quantifying-the-impact-of-course-quality-on-learner-retention-31f956bd592a)
|
|
|
|
### การลดอคติ
|
|
|
|
[Grammarly](https://grammarly.com) ผู้ช่วยเขียนที่ตรวจสอบข้อผิดพลาดในการสะกดและไวยากรณ์ ใช้ระบบ [การประมวลผลภาษาธรรมชาติ](../../6-NLP/README.md) ที่ซับซ้อนในผลิตภัณฑ์ของพวกเขา พวกเขาได้เผยแพร่กรณีศึกษาที่น่าสนใจในบล็อกเทคโนโลยีเกี่ยวกับวิธีการจัดการกับอคติทางเพศใน ML ซึ่งคุณได้เรียนรู้ใน [บทเรียนความยุติธรรมเบื้องต้น](../../1-Introduction/3-fairness/README.md)
|
|
[อ้างอิง](https://www.grammarly.com/blog/engineering/mitigating-gender-bias-in-autocorrect/)
|
|
|
|
## 👜 การค้าปลีก
|
|
|
|
ภาคการค้าปลีกสามารถได้รับประโยชน์จากการใช้ ML อย่างแน่นอน ตั้งแต่การสร้างประสบการณ์ลูกค้าที่ดีขึ้นไปจนถึงการจัดการสินค้าคงคลังอย่างเหมาะสม
|
|
|
|
### การปรับแต่งประสบการณ์ลูกค้า
|
|
|
|
ที่ Wayfair บริษัทที่ขายสินค้าภายในบ้าน เช่น เฟอร์นิเจอร์ การช่วยลูกค้าค้นหาสินค้าที่เหมาะกับรสนิยมและความต้องการเป็นสิ่งสำคัญ ในบทความนี้ วิศวกรจากบริษัทได้อธิบายว่าพวกเขาใช้ ML และ NLP เพื่อ "แสดงผลลัพธ์ที่เหมาะสมสำหรับลูกค้า" โดยเฉพาะอย่างยิ่ง Query Intent Engine ของพวกเขาได้รับการออกแบบมาเพื่อใช้การดึงข้อมูลเอนทิตี การฝึกอบรมตัวจำแนก การดึงข้อมูลสินทรัพย์และความคิดเห็น และการติดแท็กความรู้สึกในรีวิวของลูกค้า นี่เป็นกรณีการใช้งานคลาสสิกของ NLP ในการค้าปลีกออนไลน์
|
|
[อ้างอิง](https://www.aboutwayfair.com/tech-innovation/how-we-use-machine-learning-and-natural-language-processing-to-empower-search)
|
|
|
|
### การจัดการสินค้าคงคลัง
|
|
|
|
บริษัทที่มีนวัตกรรมและคล่องตัว เช่น [StitchFix](https://stitchfix.com) บริการกล่องที่จัดส่งเสื้อผ้าให้ผู้บริโภค พึ่งพา ML อย่างมากสำหรับการแนะนำสินค้าและการจัดการสินค้าคงคลัง ทีมสไตลิสต์ของพวกเขาทำงานร่วมกับทีมจัดซื้อสินค้า โดยที่ "นักวิทยาศาสตร์ข้อมูลคนหนึ่งของเราได้ทดลองใช้อัลกอริทึมทางพันธุกรรมและนำไปใช้กับเสื้อผ้าเพื่อทำนายว่าเสื้อผ้าชิ้นใดจะประสบความสำเร็จแม้จะยังไม่มีอยู่ในปัจจุบัน เราได้นำสิ่งนั้นไปให้ทีมจัดซื้อสินค้า และตอนนี้พวกเขาสามารถใช้สิ่งนั้นเป็นเครื่องมือได้"
|
|
[อ้างอิง](https://www.zdnet.com/article/how-stitch-fix-uses-machine-learning-to-master-the-science-of-styling/)
|
|
|
|
## 🏥 การดูแลสุขภาพ
|
|
|
|
ภาคการดูแลสุขภาพสามารถใช้ ML เพื่อเพิ่มประสิทธิภาพงานวิจัยและแก้ปัญหาด้านโลจิสติกส์ เช่น การรับผู้ป่วยกลับเข้ารักษาในโรงพยาบาลหรือการหยุดการแพร่กระจายของโรค
|
|
|
|
### การจัดการการทดลองทางคลินิก
|
|
|
|
ความเป็นพิษในการทดลองทางคลินิกเป็นปัญหาใหญ่สำหรับผู้ผลิตยา ความเป็นพิษที่ยอมรับได้มีมากน้อยแค่ไหน? ในการศึกษานี้ การวิเคราะห์วิธีการทดลองทางคลินิกต่างๆ นำไปสู่การพัฒนาแนวทางใหม่ในการทำนายผลลัพธ์ของการทดลองทางคลินิก โดยเฉพาะอย่างยิ่ง พวกเขาสามารถใช้ random forest เพื่อสร้าง [ตัวจำแนก](../../4-Classification/README.md) ที่สามารถแยกแยะระหว่างกลุ่มยาต่างๆ ได้
|
|
[อ้างอิง](https://www.sciencedirect.com/science/article/pii/S2451945616302914)
|
|
|
|
### การจัดการการรับผู้ป่วยกลับเข้ารักษาในโรงพยาบาล
|
|
|
|
การดูแลในโรงพยาบาลมีค่าใช้จ่ายสูง โดยเฉพาะเมื่อผู้ป่วยต้องกลับเข้ารักษาในโรงพยาบาลอีกครั้ง เอกสารนี้พูดถึงบริษัทที่ใช้ ML เพื่อทำนายความเป็นไปได้ในการรับผู้ป่วยกลับเข้ารักษาโดยใช้ [การจัดกลุ่ม](../../5-Clustering/README.md) อัลกอริทึมเหล่านี้ช่วยให้นักวิเคราะห์ "ค้นพบกลุ่มการรับผู้ป่วยกลับเข้ารักษาที่อาจมีสาเหตุร่วมกัน"
|
|
[อ้างอิง](https://healthmanagement.org/c/healthmanagement/issuearticle/hospital-readmissions-and-machine-learning)
|
|
|
|
### การจัดการโรค
|
|
|
|
การระบาดใหญ่เมื่อเร็วๆ นี้ได้แสดงให้เห็นถึงวิธีที่ ML สามารถช่วยหยุดการแพร่กระจายของโรค ในบทความนี้ คุณจะเห็นการใช้ ARIMA เส้นโค้งลอจิสติก การถดถอยเชิงเส้น และ SARIMA "งานนี้เป็นความพยายามในการคำนวณอัตราการแพร่กระจายของไวรัสนี้ และทำนายจำนวนผู้เสียชีวิต ผู้ที่หายป่วย และผู้ติดเชื้อ เพื่อช่วยให้เราวางแผนและเตรียมตัวได้ดีขึ้น"
|
|
[อ้างอิง](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7979218/)
|
|
|
|
## 🌲 นิเวศวิทยาและเทคโนโลยีสีเขียว
|
|
|
|
ธรรมชาติและนิเวศวิทยาประกอบด้วยระบบที่ละเอียดอ่อนมากมาย ซึ่งการปฏิสัมพันธ์ระหว่างสัตว์และธรรมชาติมีความสำคัญ การวัดระบบเหล่านี้อย่างแม่นยำและการดำเนินการอย่างเหมาะสมเมื่อเกิดเหตุการณ์ เช่น ไฟป่า หรือการลดลงของประชากรสัตว์ เป็นสิ่งสำคัญ
|
|
|
|
### การจัดการป่าไม้
|
|
|
|
คุณได้เรียนรู้เกี่ยวกับ [Reinforcement Learning](../../8-Reinforcement/README.md) ในบทเรียนก่อนหน้านี้ ซึ่งสามารถนำไปใช้ได้ดีเมื่อพยายามทำนายรูปแบบในธรรมชาติ โดยเฉพาะอย่างยิ่ง สามารถใช้ติดตามปัญหานิเวศวิทยา เช่น ไฟป่าและการแพร่กระจายของสายพันธุ์รุกราน ในแคนาดา กลุ่มนักวิจัยใช้ Reinforcement Learning เพื่อสร้างแบบจำลองพลวัตของไฟป่าจากภาพถ่ายดาวเทียม โดยใช้กระบวนการ "spatially spreading process (SSP)" ที่สร้างสรรค์ พวกเขาได้จินตนาการถึงไฟป่าเป็น "ตัวแทนที่ตำแหน่งใดๆ ในภูมิประเทศ" "ชุดของการกระทำที่ไฟสามารถทำได้จากตำแหน่งใดๆ ในเวลาใดๆ รวมถึงการแพร่กระจายไปทางเหนือ ใต้ ตะวันออก หรือตะวันตก หรือไม่แพร่กระจาย"
|
|
|
|
วิธีการนี้กลับด้านการตั้งค่า RL ปกติ เนื่องจากพลวัตของกระบวนการตัดสินใจของมาร์คอฟ (MDP) ที่เกี่ยวข้องเป็นฟังก์ชันที่ทราบสำหรับการแพร่กระจายของไฟป่าในทันที อ่านเพิ่มเติมเกี่ยวกับอัลกอริทึมคลาสสิกที่ใช้โดยกลุ่มนี้ได้ที่ลิงก์ด้านล่าง
|
|
[อ้างอิง](https://www.frontiersin.org/articles/10.3389/fict.2018.00006/full)
|
|
|
|
### การตรวจจับการเคลื่อนไหวของสัตว์
|
|
|
|
แม้ว่าการเรียนรู้เชิงลึกจะสร้างการปฏิวัติในการติดตามการเคลื่อนไหวของสัตว์ด้วยภาพ (คุณสามารถสร้าง [ตัวติดตามหมีขั้วโลก](https://docs.microsoft.com/learn/modules/build-ml-model-with-azure-stream-analytics/?WT.mc_id=academic-77952-leestott) ของคุณเองได้ที่นี่) ML แบบคลาสสิกยังคงมีบทบาทในงานนี้
|
|
|
|
เซ็นเซอร์ที่ใช้ติดตามการเคลื่อนไหวของสัตว์ในฟาร์มและ IoT ใช้การประมวลผลภาพประเภทนี้ แต่เทคนิค ML พื้นฐานมีประโยชน์ในการเตรียมข้อมูลเบื้องต้น ตัวอย่างเช่น ในเอกสารนี้ ท่าทางของแกะถูกตรวจสอบและวิเคราะห์โดยใช้อัลกอริทึมตัวจำแนกต่างๆ คุณอาจจำเส้นโค้ง ROC ในหน้า 335 ได้
|
|
[อ้างอิง](https://druckhaus-hofmann.de/gallery/31-wj-feb-2020.pdf)
|
|
|
|
### ⚡️ การจัดการพลังงาน
|
|
|
|
ในบทเรียนของเราเกี่ยวกับ [การพยากรณ์อนุกรมเวลา](../../7-TimeSeries/README.md) เราได้กล่าวถึงแนวคิดของมิเตอร์จอดรถอัจฉริยะเพื่อสร้างรายได้ให้กับเมืองโดยอิงจากการทำความเข้าใจอุปสงค์และอุปทาน บทความนี้พูดถึงรายละเอียดเกี่ยวกับวิธีการรวมการจัดกลุ่ม การถดถอย และการพยากรณ์อนุกรมเวลาเพื่อช่วยทำนายการใช้พลังงานในอนาคตในไอร์แลนด์ โดยอิงจากการใช้มิเตอร์อัจฉริยะ
|
|
[อ้างอิง](https://www-cdn.knime.com/sites/default/files/inline-images/knime_bigdata_energy_timeseries_whitepaper.pdf)
|
|
|
|
## 💼 การประกันภัย
|
|
|
|
ภาคการประกันภัยเป็นอีกภาคส่วนหนึ่งที่ใช้ ML เพื่อสร้างและเพิ่มประสิทธิภาพโมเดลทางการเงินและคณิตศาสตร์ประกันภัยที่ใช้งานได้
|
|
|
|
### การจัดการความผันผวน
|
|
|
|
MetLife ผู้ให้บริการประกันชีวิต เปิดเผยวิธีที่พวกเขาวิเคราะห์และลดความผันผวนในโมเดลทางการเงินของพวกเขา ในบทความนี้ คุณจะเห็นภาพการจำแนกแบบไบนารีและแบบลำดับ รวมถึงภาพการพยากรณ์
|
|
[อ้างอิง](https://investments.metlife.com/content/dam/metlifecom/us/investments/insights/research-topics/macro-strategy/pdf/MetLifeInvestmentManagement_MachineLearnedRanking_070920.pdf)
|
|
|
|
## 🎨 ศิลปะ วัฒนธรรม และวรรณกรรม
|
|
|
|
ในด้านศิลปะ เช่น วารสารศาสตร์ มีปัญหาที่น่าสนใจมากมาย การตรวจจับข่าวปลอมเป็นปัญหาใหญ่ เนื่องจากได้รับการพิสูจน์แล้วว่ามีอิทธิพลต่อความคิดเห็นของผู้คนและแม้กระทั่งทำลายประชาธิปไตย พิพิธภัณฑ์ยังสามารถได้รับประโยชน์จากการใช้ ML ตั้งแต่การค้นหาความเชื่อมโยงระหว่างสิ่งประดิษฐ์ไปจนถึงการวางแผนทรัพยากร
|
|
|
|
### การตรวจจับข่าวปลอม
|
|
|
|
การตรวจจับข่าวปลอมกลายเป็นเกมแมวไล่จับหนูในสื่อปัจจุบัน ในบทความนี้ นักวิจัยแนะนำว่าระบบที่รวมเทคนิค ML หลายประเภทที่เราได้ศึกษาสามารถนำมาทดสอบและเลือกโมเดลที่ดีที่สุดเพื่อใช้งาน: "ระบบนี้ใช้การประมวลผลภาษาธรรมชาติเพื่อดึงคุณลักษณะจากข้อมูล และคุณลักษณะเหล่านี้จะถูกใช้ในการฝึกอบรมตัวจำแนก ML เช่น Naive Bayes, Support Vector Machine (SVM), Random Forest (RF), Stochastic Gradient Descent (SGD), และ Logistic Regression (LR)"
|
|
[อ้างอิง](https://www.irjet.net/archives/V7/i6/IRJET-V7I6688.pdf)
|
|
|
|
บทความนี้แสดงให้เห็นว่าการรวมโดเมน ML ต่างๆ สามารถสร้างผลลัพธ์ที่น่าสนใจที่ช่วยหยุดการแพร่กระจายของข่าวปลอมและสร้างความเสียหายได้ ในกรณีนี้ แรงจูงใจคือการแพร่กระจายข่าวลือเกี่ยวกับการรักษา COVID ที่กระตุ้นความรุนแรงในสังคม
|
|
|
|
### ML ในพิพิธภัณฑ์
|
|
|
|
พิพิธภัณฑ์อยู่ในจุดเริ่มต้นของการปฏิวัติ AI ซึ่งการจัดหมวดหมู่และการแปลงคอลเลกชันเป็นดิจิทัล รวมถึงการค้นหาค
|
|
## แบบทดสอบหลังการบรรยาย
|
|
|
|
## ทบทวนและศึกษาด้วยตนเอง
|
|
|
|
ทีมวิทยาศาสตร์ข้อมูลของ Wayfair มีวิดีโอที่น่าสนใจหลายรายการเกี่ยวกับวิธีที่พวกเขาใช้ ML ในบริษัทของพวกเขา คุ้มค่าที่จะ [ลองดู](https://www.youtube.com/channel/UCe2PjkQXqOuwkW1gw6Ameuw/videos)!
|
|
|
|
## งานที่ได้รับมอบหมาย
|
|
|
|
[การล่าขุมทรัพย์ ML](assignment.md)
|
|
|
|
---
|
|
|
|
**ข้อจำกัดความรับผิดชอบ**:
|
|
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ แนะนำให้ใช้บริการแปลภาษาจากผู้เชี่ยวชาญ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้ |