เทคนิคการเรียนรู้ของเครื่องนั้นโดยหลักๆแล้วอาจแบ่งตามลักษณะของข้อมูลที่ป้อนให้โปรแกรมใช้เรียนรู้ได้เป็น
- การเรียนรู้แบบมีผู้สอน (监督式学习, supervised learning)
- การเรียนรู้แบบไม่มีผู้สอน (非监督式学习, unsupervised learning)

นอกจากนี้ยังมีการเรียนรู้แบบเสริมกำลัง (强化学习, reinforcement learning) ซึ่งจริงๆลักษณะจะคล้ายกับการเรียนรู้แบบมีผู้สอน แต่มักจะถูกแบ่งเป็นชนิดแยกไว้ ในที่นี้จะยังไม่ขอพูดถึงในรายละเอียด

พอพูดถึงว่ามีผู้สอนกับไม่มีผู้สอนต่างกันยังไง เราอาจนึกภาพว่ามีผู้สอนก็คือเรียนกับอาจารย์ เอาโจทย์มาให้ทำแล้วบอกว่าข้อนี้ต้องทำอย่างนี้ตอบแบบนี้



ไม่มีผู้สอนคืออ่านโจทย์แล้วคิดเอาเองว่าอะไรคืออะไรแล้วก็เข้าใจเอง



"การสอน" ในที่นี้ก็คือการบอกคำตอบที่ถูกต้องให้นั่นเอง

ในการเรียนรู้แบบมีผู้สอน เราจะป้อนข้อมูลขาเข้า ก็คือตัวแปรต้นต่างๆ พร้อมกับป้อนข้อมูลขาออก ก็คือผลลัพธ์ที่เป็นผลจากตัวแปรต้นนั้นๆ

แบบนี้โปรแกรมก็จะไปเรียนรู้สร้างความเชื่อมโยงว่าถ้าได้ข้อมูลเข้ามาลักษณะแบบนี้จะได้ผลลัพธ์ยังไงออกมา

แต่ในการเรียนรู้แบบไม่มีผู้สอน เราจะป้อนแค่ข้อมูลขาเข้า แต่ไม่ป้อนข้อมูลขาออกให้ โปรแกรมจะทำการหาทางเรียนรู้อะไรบางอย่างจากข้อมูลที่ป้อนเข้าไปนี้เอง

ขอยกตัวอย่างเป็นปัญหาการแบ่งกลุ่ม เช่น ต้องการจะแบ่งว่าสีแบบไหนเป็นสีแดงหรือฟ้าโดยดูจากค่าสี

สมมุติว่ามีลูกปัดจำนวนหนึ่ง มีสีต่างกันไป เมื่อนำมาวาดแผนภาพดูการแจกแจงของค่าสีก็ได้ตามนี้

ในภาพนี้แกนตั้งคือค่าความเข้มสีฟ้า (=เขียวและน้ำเงิน) แกนนอนคือความเข้มสีแดง สีของจุดที่แสดงคือสีตามค่านั้นจริงๆ



พอแบ่งแล้วก็อาจแบ่งได้ในลักษณะประมาณนี้



อนึ่ง ภาพตัวอย่างนี้อาจถูกวาดได้โดยโค้ดไพธอนตามนี้

import numpy as np
import matplotlib.pyplot as plt
X = np.abs(np.random.RandomState(0).normal(0,0.22,[200,2]))
X[100:,0] = -X[100:,0]+1
X[:100,1] = -X[:100,1]+1
for i in [0,1]:
    plt.figure(figsize=[5,5])
    plt.axes(aspect=1,xlim=[0,1],ylim=[0,1])
    plt.scatter(X[:,0],X[:,1],c=np.hstack([X,X[:,1:]]),edgecolor='k')
    if(i):
        z = np.hstack([np.ones(100),np.zeros(100)])
        m = np.meshgrid(np.linspace(0,1,100),np.linspace(0,1,100))
        m[0],m[1] = m[0].ravel(),m[1].ravel()
        plt.scatter(m[0],m[1],c=np.vstack([m[0]>m[1],m[1]>m[0],m[1]>m[0]]).T,alpha=0.1,zorder=0)
plt.show()

สำหรับปัญหาการแบ่งกลุ่มแบบนี้ถ้าหากเป็นการเรียนรู้แบบมีผู้สอนเราให้ข้อมูลค่าสีของแต่ละจุด พร้อมกับบอกด้วยว่าจุดนั้นเป็นสีอะไร



จากนั้นโปรแกรมก็จะจำว่าสีประมาณนี้คือสีอะไร



แล้วพอลองให้ดูสีใหม่ที่ไม่เคยเห็นก็จะบอกได้ว่านี่เป็นสีอะไร



แต่ถ้าเป็นการเรียนรู้แบบไม่มีผู้สอนจะให้แค่ข้อมูลค่าสีของแต่ละจุด ไม่ได้บอกว่าจุดนั้นเรียกว่าเป็นสีอะไร แล้วให้โปรแกรมทำการหาความแตกต่างในกลุ่มข้อมูล แล้วแยกข้อมูลเอาเอง



ในที่สุดโปรแกรมจะสามารถแยกได้ว่ากระจุกนี้คือสี 1 กระจุกนี้คือสี 2 แต่ไม่ว่ายังไงก็จะไม่รู้อยู่ดีว่ากระจุกไหนคือเขียวหรือแดง เพราะไม่ได้ให้ข้อมูลไว้ แค่จะรู้แน่ๆว่าสองกลุ่มนี้มันต่างกัน



แล้วพอเราให้ดูสีใหม่ที่ไม่เคยเห็น ก็จะทำนายออกมาว่าเป็นสีในกลุ่มไหนได้ แม้จะไม่รู้ว่ากลุ่มที่แบ่งออกมาได้นี้เรียกว่าเป็นสีอะไร เพราะไม่ได้สอน



เพียงแต่ว่า โดยทั่วไปแล้วงานของการแบ่งกลุ่มแบบไม่มีผู้สอนนั้นมักจะมีเป้าหมายแค่แบ่งกลุ่มข้อมูลที่ใช้เรียนรู้นี้ได้สำเร็จ อาจไม่ได้เอาไปใช้ทำนายกลุ่มข้อมูลอื่นต่อ

ในขณะที่แบบมีผู้สอนนั้น เรารู้อยู่แล้วว่าข้อมูลที่ใช้เรียนรู้นี้จัดอยู่ในกลุ่มไหน เป้าหมายจึงอยู่ที่การสร้างบรรทัดฐานขึ้นเพื่อทำนายว่าข้อมูลอื่นที่ไม่ได้ใช้เรียนรู้นั้นอยู่กลุ่มไหน

ดังนั้นที่จริงแล้วทั้งสองวิธีนี้ต่างกันตั้งแต่จุดประสงค์เป้าหมายการใช้งานแล้ว

และจะเห็นได้ว่าการเรียนรู้แบบไม่มีผู้สอนจะแบ่งกลุ่มได้ลำบากหากข้อมูลมาแบบกระจายสม่ำเสมอต่อเนื่อง เช่นแบบนี้ อาจแยกเป็นกระจุกได้หลายวิธี ไม่มีคำตอบที่ชัดเจนแน่นอน





ตัวอย่างวิธีการแบ่งกลุ่มด้วยการเรียนรู้แบบมีผู้สอนมีมากมายหลายวิธี เช่น
- การถดถอยโลจิสติก (逻辑回归, logistic regression)
- เครื่องเวกเตอร์ค้ำยัน (支持向量机, support vector machine, SVM)
- เพื่อนบ้านใกล้สุด k ตัว (K-近邻算法, k-nearest neighbor, KNN)
- ตัวแบ่งกลุ่มเบย์อย่างง่าย (朴素贝叶斯分类器, naïve Bayes classifier)
- ต้นไม้ตัดสินใจ (决策树, decision tree)
- ป่าสุ่ม (随机森林, random forest)
- ฯลฯ

ส่วนวิธีการแบ่งกลุ่มข้อมูลด้วยการเรียนรู้แบบไม่มีผู้สอนนั้นมีชื่อเรียกว่า การแบ่งกระจุกข้อมูล (聚类分析, data clustering)

ตัวอย่างวิธีการนี้ได้แก่
- การแบ่ง k เฉลี่ย (K-平均算法, k-means)
- การแบ่งเป็นลำดับขั้นแบบจับเป็นกลุ่มก้อน (聚合式阶层演算法, agglomerative hierarchical)
- DBSCAN (Density-based spatial clustering of applications with noise)
- การทำแผนที่โยงก่อร่างตัวเอง (自组织映射, self-organizing map, SOM)
- ฯลฯ



นอกจากนี้แล้วในส่วนของวิธีการจัดการข้อมูลเบื้องต้นเองก็มีการแบ่งเป็นแบบมีผู้สอนกับไม่มีผู้สอนเช่นกัน

แบบไม่มีผู้สอนได้แก่ การวิเคราะห์องค์ประกอบหลัก (主成分分析, principal components analysis, PCA)

แบบมีผู้สอนได้แก่ การวิเคราะห์การจำแนกประเภทเชิงเส้น (线性判别分析, linear discriminant analysis, LDA)



สำหรับรายละเอียดวิธีการต่างๆนั้นส่วนหนึ่งได้มีเขียนแนะนำไว้ อ่านได้ใน https://phyblas.hinaboshi.com/saraban/kanrianrukhongkhrueang



อ้างอิง

~ เกี่ยวกับเรา ~

สารบัญ

รวมคำแปลวลีเด็ดจากญี่ปุ่น

ภาษา python มอดูลต่างๆ -- numpy -- matplotlib -- pandas -- manim -- opencv -- pyqt -- pytorch การเรียนรู้ของเครื่อง -- โครงข่าย      ประสาทเทียม

ภาษา javascript

ภาษา mongol

ภาษาศาสตร์

maya

ความน่าจะเป็น

บันทึกในญี่ปุ่น

บันทึกในจีน -- บันทึกในปักกิ่ง -- บันทึกในฮ่องกง -- บันทึกในมาเก๊า

บันทึกในไต้หวัน

บันทึกในยุโรปเหนือ

บันทึกในประเทศอื่นๆ

qiita

บทความอื่นๆ

บทความแบ่งตามหมวด

==เลือกหมวด== ดาราศาสตร์ คณิตศาสตร์ -ความน่าจะเป็น คอมพิวเตอร์ -เขียนโปรแกรม --python ---numpy ---scipy ---matplotlib ---pandas ---manim ---pyqt ---sklearn ---pytorch ---mayapython --ruby --javascript --dart --sql --regex --opencv -shell -3D --maya --MMD -microsoft_office -pdf -ปัญญาประดิษฐ์ --โครงข่ายประสาทเทียม -การสุ่ม ภาษาศาสตร์ -ตัวอักษร -เรียนภาษา -หลักเกณฑ์การทับศัพท์ -ภาษาจีน --ภาษาจีนกลาง -ภาษาญี่ปุ่น -ภาษามองโกล -ภาษาลาว -ภาษาเขมร ประวัติศาสตร์ -ประวัติศาสตร์จีน -ประวัติศาสตร์ญี่ปุ่น ปรัชญา บันทึก เรื่องแต่ง ประเทศจีน -จีนแผ่นดินใหญ่ --ปักกิ่ง --เทียนจิน --เหลียวหนิง --เหอเป่ย์ --เหอหนาน --ซานตง --ซานซี --อานฮุย --เจ้อเจียง --หูเป่ย์ --หูหนาน --ฝูเจี้ยน --กวางตุ้ง ---แต้จิ๋ว --ยูนนาน --ซินเจียง -ฮ่องกง -มาเก๊า -ไต้หวัน --ไทเป --จีหลง --เถาหยวน --ซินจู๋ --เหมียวลี่ --ไถจง --จางฮว่า --หยวินหลิน --เจียอี้ --ไถหนาน --เกาสยง --ผิงตง --อี๋หลาน ประเทศญี่ปุ่น -ฮกไกโด -อาโอโมริ -อิวาเตะ -มิยางิ -อากิตะ -ยามางาตะ -ฟุกุชิมะ -อิบารากิ -โทจิงิ -กุมมะ -ไซตามะ -จิบะ -โตเกียว -คานางาวะ -นีงาตะ -โทยามะ -อิชิกาวะ -ฟุกุอิ -ยามานาชิ -นางาโนะ -กิฟุ -ชิซึโอกะ -ไอจิ -มิเอะ -ชิงะ -เกียวโต -โอซากะ -เฮียวโงะ -นาระ -วากายามะ -โอกายามะ -ฮิโรชิมะ -ยามางุจิ -ฟุกุโอกะ ต่างแดน -อุษาคเนย์ --กัมพูชา --พม่า --สิงคโปร์ -ยุโรป --สวีเดน --เดนมาร์ก --ฟินแลนด์ ท่องเที่ยว -มหาวิทยาลัย -พิพิธภัณฑ์ --พิพิธภัณฑ์วิทยาศาสตร์ --หอศิลป์ -สวนสัตว์ --พิพิธภัณฑ์สัตว์น้ำ -ท้องฟ้าจำลอง -ตึกระฟ้า -ปราสาท☑ --ปราสาทญี่ปุ่น --ปราสาทขอม --ปราสาทยุโรป -ศาสนสถาน --วัด --ศาลเจ้า --โบสถ์ --มัสยิด -สุสาน -มรดกโลก -ทะเล -ทะเลสาบ -ภูเขา -หิมะ -ดอกซากุระ -แมว -รถไฟ -เรือ -ตลาดกลางคืน -งานเทศกาล -ที่ระลึกภัยพิบัติ -ตามรอย บันเทิง -เกม --อาเตอลีเย --โปเกมอน --caligula --vn -อนิเมะ -มังงะ -นิยาย -เพลง --เพลงอนิเมะ --เพลงเกม

　 ค้นหาบทความ

　 บทความล่าสุด

　 บทความแนะนำ

บทความแต่ละเดือน

ค้นบทความเก่ากว่านั้น

ไทย

日本語

中文