สำหรับ Blog นี้เป็นการสรุปจากที่ได้ฟัง ได้อ่านมาจากหลายๆที่นะครับ และเนื่องด้วย ผมไม่เก่ง Math ฉะนั้นบางอย่างจะมีอธิบายผิดพลาดได้ครับ
คำว่า Artificial Intelligence(AI) และ Machine Learning(ML) มันเหมือน หรือต่างกันอย่างไร
- Artificial Intelligence(AL) - ระบบอะไรก็ได้ที่มันดูฉลาด ตอบสนองได้ตรงความความต้องการ ไม่ได้มองว่ามันฉลาดมาจากอะไร ฉลาด เพราะ มีการเก็บช้อมูลดี พอ Search มา Query where แล้วเจอ มีตรรกะตรงไป ตรงมา หรือ มันฉลาดจากการให้เครื่องเรียนรู้ข้อมูลที่ส่งเข้าไป (AI - ดูเป็นคำว่ากว้างๆเน้อ)
- Machine Learning(ML) - มองว่าเป็น Subset ของ Artificial Intelligence(AL) เป็นที่มาของความฉลาดของตัว AI
แล้ว Programming กับ Machine Learning(ML)
- Programming - เขียนคำสั่งให้มันทำงาน ทำความต้องการ (Requirement) ที่ได้รับ เช่น ทำหน้าจอ Function คำนวณภาษีมูลค่าเพิ่ม 7% ผมส่ง Input เข้าไปกี่ครั้ง มันทำงานแบบเดิมแหละ
- Machine Learning - เขียนให้มันเรียนรู้จากข้อมูล และสร้างกฏขึ้นมา จาก Model ที่เราปั้นออกมา
และตัวสุดท้าย พอดีถามอากู๋แล้วคนถามเยอะ Data Mining(DM) กับ Machine Learning(ML)
- Data Mining - ทำเหมืองข้อมูล เพื่อสกัดสิ่งที่ซ่อนอยู่ (Insight) ฝั่ง Marketing ชอบเน้นคำนี้นะ โดยตัวแนวคิด หรือ Algorithm ผมมองว่ามันเป็นผลผลิต (Product) ที่ได้มาจาก Machine Learning(ML)
- ตารางเปรีบเทียบรูปแบบของ Data Mining กับ Machine Learning(ML) ตามความเข้าใจผมนะ ไม่ได้ทำพวก Data Mining หลังจากเรียนจบไปแล้ว 2 ปี งานทับซ้อนกัน แต่จุดประสงค์ไม่เหมือนกัน
| Data Mining | Machine Learning |
|---|---|
| Association rules | Supervised Learning |
| Clustering | Unsupervised Learning |
| Classification | Reinforcement Learning |
| Sequencial Pattern | |
| Sequence Similarity |
Machine Learning(ML) มัน คือ อะไร
- มีหลายคนนิยามไว้ ผมขอยกที่เด่นๆมาจากที่ไปฟังหลายๆที่นะครับ
"A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience”
Tom Mitchell (1988)
- ในมุมของผมหละ - Machine Learning คือ การให้คอมพิวเตอร์เรียนรู้จากข้อมูล โดยต้องหาจุดเด่น (Features) ส่งให้มัน และระบบมี feedback กลับมา จนเป็นผ่านการประเมิน (จริงๆจะใส่ว่า "จนพอใจ" แต่มันดูแปลกๆ ดู Abstract ใช้คำว่า "ประเมิน"ดูน่าเชื่อถือกว่า)
รูปแบบหลักๆของ Machine Learning(ML) มีอะไรบ้าง
Supervised Learning : y = f(x)
- รู้ Output ให้เครื่องช่วยแยกแยะ
- รูปแบบงาน
- Regression
- Classification - k-Nearest Neighbors
- Template Matching - Perceptron
- Probability - Decision Tree, Naïve Bayes
Unsupervised Learning : f(x)
- ไม่รู้ Output ให้เครื่องมันหาให้
- รูปแบบงาน Clustering - ไม่รู้ว่าได้กี่กลุ่ม ตัวอย่าง Algorithm k-Means Clustering
Reinforcement Learning : y = f(x) และ มี z เป็นตัวเร่ง
- อันนี้ผมไม่รู้ว่าตัวเองเข้าใจถูก หรือป่าวนะ ผมมักไปนึกถึงเรื่องที่เรียนในวิชาชีววิทยา ตอนมัธยม ที่มีการทดสอบเกี่ยวกับสุนัขน้ำลายไหล เมื่อเจออาหาร และปรับใหม่สั่นกระดิ่ง(เป็น z ตัวเร่ง) และให้อาหาร เรียนไปเรื่อยๆพบว่า เมื่อได้ยินเสียงกระดิ่ง สุนัขน้ำลายไหล พอไปถามอากู๋ได้คำตอบ ทฤษฎีการเรียนรู้ของพาฟลอฟ ( Ivan Petrovich Pavlov ) ครับ
การนำไปใช้จริงหละ - มันอยู่รอบตัวเราเลยแหละ
- Search Engines
- Financial Analysis
- Image Processing - Object Recognition, Detection
- Fraud Detection
- Speech Recognition
- Recommendation System - โดยมองจาก User Based, Item Based หรือ ปัจจัยแฝงอีกๆ เช่น มองจากโทนของหนัง หรือสภาพอากาศ เป็นต้น
- Expert System - Medical Diagnosis
สำหรับผมหลังจากที่ไปฟังๆหลายๆงาน คือ ผมมองว่าตัวเองเป็นแนว Super User มากกว่า รู้ว่ามี และใช้ให้เหมาะกับงาน แต่คงไม่ได้สร้าง Algorithm ใหม่ๆ ขึ้นมาครับ อ่อนแอด้าน Math
Discover more from naiwaen@DebuggingSoft
Subscribe to get the latest posts sent to your email.
