Machine Learning 101: Supervised, Unsupervised, Reinforcement, Semi-Supervised คืออะไร?

Supervised Learning (การเรียนรู้แบบมีผู้สอน)

• ใช้ชุดข้อมูลที่มีการกำหนดป้ายกำกับ (label) หรือจัดกลุ่มประเภทไว้แล้วเพื่อฝึกฝนโมเดล

• อัลกอริธึมจะวิเคราะห์ข้อมูลป้อนเข้าและป้ายกำกับที่สัมพันธ์กัน เพื่อสร้างฟังก์ชันการอนุมานที่จะใช้ทำนายผลลัพธ์จากข้อมูลใหม่ที่ยังไม่เคยเห็น

• เปรียบเทียบผลลัพธ์ที่ได้กับคำตอบที่ถูกต้องหรือตั้งใจไว้ เพื่อระบุข้อผิดพลาดและปรับปรุงความแม่นยำในการทำนาย

• ตัวอย่างเช่น โมเดลที่ใช้วิเคราะห์รูปภาพป้ายจราจรซึ่งมีป้ายกำกับบอกความหมายหรือวัตถุประสงค์ของป้ายนั้นๆ

• แบ่งเป็น 2 ประเภทย่อย ได้แก่

1. Classification (การจำแนกประเภท): ให้ผลลัพธ์เป็นการตอบสนองเชิงกลุ่มหรือหมวดหมู่ เช่น ภาพนี้มีลูกสุนัขหรือไม่

2. Regression (การถดถอย): ทำนายค่าต่อเนื่อง เช่น ประมาณราคาหุ้น
   

Unsupervised Learning (การเรียนรู้แบบไม่มีผู้สอน)

• ไม่ต้องใช้ชุดข้อมูลที่มีการกำหนดป้ายกำกับ แต่ออกแบบมาเพื่อค้นหาความแตกต่าง ความคล้ายคลึง หรือรูปแบบอื่นๆ โดยไม่ต้องมีการกำกับดูแลจากมนุษย์

• มีประสิทธิภาพและต้องใช้ความพยายามน้อยกว่า แต่อาจให้ผลลัพธ์ที่มีความแม่นยำต่ำกว่าและแสดงพฤติกรรมที่คาดเดาไม่ได้

• แบ่งเป็น 2 ประเภท คือ

1. Clustering (การแบ่งกลุ่ม): รวมกลุ่มจุดข้อมูลที่มีลักษณะหรือคุณสมบัติเหมือนหรือคล้ายกันโดยอัตโนมัติ เช่น ตัวอย่าง DNA ที่มีความคล้ายคลึงหรือรูปแบบที่เหมือนกัน

2. Association (การหาความสัมพันธ์): ระบุความสัมพันธ์และความเชื่อมโยงระหว่างจุดข้อมูล เช่น เข้าใจพฤติกรรมการซื้อของผู้บริโภค
   

Reinforcement Learning (การเรียนรู้แบบเสริมแรง)

• ใช้หลักการให้รางวัลและการลงโทษเพื่อกำหนดผลลัพธ์ที่ถูกต้องหรือดีที่สุด

• เรียนรู้ผ่านการลองผิดลองถูกว่าควรทำอะไรหรือไม่ควรทำอะไร โดยจะได้รับการให้รางวัลหรือลงโทษตามผลการกระทำ ไม่จำเป็นต้องมีชุดข้อมูลกำกับไว้ล่วงหน้า

• การกระทำและการตัดสินใจที่นำไปสู่รางวัลจะเสริมแรงพฤติกรรมนั้นๆ (จูงใจให้โมเดลใช้กลยุทธ์เดียวกันในอนาคต) ส่วนความผิดพลาดจะทำให้ถูกปรับ ลดรางวัลตามสัดส่วนของความผิดพลาด

• ตัวอย่างเช่น หุ่นยนต์ที่ต้องหาทางออกจากเขาวงกตหรือจัดเรียงสินค้าในคลังสินค้าขนาดใหญ่
  

Semi-Supervised Learning (การเรียนรู้แบบกึ่งมีผู้สอน)

• เป็นการผสมผสานระหว่าง Supervised และ Unsupervised Learning โดยใช้ข้อมูลที่มีป้ายกำกับเล็กน้อยร่วมกับข้อมูลไม่มีป้ายกำกับจำนวนมาก

• ต้องการใช้ประโยชน์จากจุดแข็งของทั้งสองแบบ คือปรับปรุงความน่าเชื่อถือในขณะที่ลดต้นทุน เหมาะสำหรับสถานการณ์ที่หาหรือสร้างชุดข้อมูลที่มีป้ายกำกับขนาดใหญ่ได้ยาก

• ตัวอย่างการใช้งาน เช่น การวิเคราะห์ภาพและเสียง, การจัดหมวดหมู่และจัดอันดับผลการค้นหาเว็บเพจ

📱 โทร: 093-789-4544

💬 Inbox: m.me/AlphaSecTH

📧 อีเมล: contact@alphasec.co.th

🔗 เว็บไซต์: https://www.alphasec.co.th

📲 ไลน์: https://line.me/ti/p/%40347dhwii