แมชชีนเลิร์นนิงแบบคลาสสิก
ยินดีต้อนรับสู่บทที่ 6 ของรายวิชาแนวคิดปัญญาประดิษฐ์ (COMP5511) บทเรียนนี้ทำหน้าที่เป็นสะพานเชื่อมจากพื้นฐานทางทฤษฎีไปสู่การนำไปใช้จริงในเชิงอัลกอริทึม แม้ว่า AI สมัยใหม่มักเน้นการเรียนรู้เชิงลึก (Deep Learning) แต่ แมชชีนเลิร์นนิงแบบคลาสสิก ยังคงเป็นรากฐานสำคัญของการวิเคราะห์ข้อมูล อัลกอริทึมเหล่านี้มีความ ตีความได้ง่าย และ ประหยัดทรัพยากรการคำนวณจึงเป็นตัวเลือกที่ได้รับการนิยมสำหรับข้อมูลเชิงโครงสร้างและการวิเคราะห์ตามมาตรฐานอุตสาหกรรม
1. การเรียนรู้แบบมีผู้สอน
รูปแบบนี้เป็นการฝึกโมเดลด้วย ชุดข้อมูลที่ติดป้ายกำกับโดยอัลกอริทึมจะเรียนรู้ความสัมพันธ์ระหว่างคุณลักษณะอินพุตกับผลลัพธ์เป้าหมายที่กำหนด ทำให้โมเดลสามารถ คาดการณ์ผลลัพธ์ สำหรับข้อมูลใหม่ที่ยังไม่เคยเห็นได้อย่างแม่นยำ
- ต้นไม้ตัดสินใจ (Decision Trees): โมเดลที่แบ่งข้อมูลออกเป็นกิ่งก้านเพื่อนำไปสู่การจำแนกประเภทหรือการตัดสินใจเชิงตัวเลข
- ซัพพอร์ตเวกเตอร์แมชชีน (SVMs): อัลกอริทึมที่ค้นหา ไฮเปอร์เพลนที่เหมาะสมที่สุด เพื่อเพิ่มระยะห่างระหว่างคลาสข้อมูลที่แตกต่างกันให้มากที่สุด
2. การเรียนรู้แบบไม่มีผู้สอน
อัลกอริทึมเหล่านี้วิเคราะห์ ข้อมูลที่ไม่ได้ติดป้ายกำกับ เพื่อค้นหารูปแบบ โครงสร้าง หรือการจัดกลุ่มที่ซ่อนอยู่ โดยไม่มีคำแนะนำล่วงหน้าว่าผลลัพธ์ควรเป็นอย่างไร เทคนิคสำคัญได้แก่:
- การจัดกลุ่มแบบ K-means: การจัดกลุ่มจุดข้อมูลออกเป็น K กลุ่มที่แตกต่างกันตามความคล้ายคลึงของคุณลักษณะ
- การวิเคราะห์องค์ประกอบหลัก (PCA): เทคนิค การลดมิติของข้อมูล ที่ใช้ลดความซับซ้อนของข้อมูลโดยยังคงความแปรปรวนที่สำคัญไว้