เทคนิคของ Machine learning (การเรียนรู้ของเครื่อง) ซึ่งมีเทคนิคหลักอยู่ 3 ประการ ที่ผู้คนใช้ใน Machine learning ดังนี้ 5. 1 การเรียนรู้ภายใต้การดูแล เป็นการจัดการกับชุดข้อมูลด้วยป้ายชื่อ หรือโครงสร้างข้อมูล จะทำหน้าที่เป็นผู้ควบคุม และ "ฝึก" เครื่องช่วยเพิ่มความสามารถในการทำนาย หรือตัดสินใจ 5. 2 การเรียนรู้ที่ไม่มีผู้ดูแล เป็นการกำหนดแอดเดรสชุดข้อมูล โดยไม่มีป้าย หรือโครงสร้างใด ๆ สามารถค้นหารูปแบบ และความสัมพันธ์โดยการจัดกลุ่มข้อมูลเป็นคลัสเตอร์ 5. 3 การเรียนรู้แบบเสริมกำลัง เป็นการแทนที่ตัวดำเนินการที่เป็นมนุษย์ตัวแทน โปรแกรมคอมพิวเตอร์ที่ทำหน้าที่แทนใครบางคน หรือบางสิ่งบางอย่าง จะช่วยกำหนดผลลัพธ์ตามลูปข้อเสนอแนะ 6.
กระบวนการทดสอบ เราจะนำแบบจำลองนี้ ทดสอบกับข้อมูล ข้อมูลที่ใช้ในการทดสอบต่างๆ เพื่อฝึกฝนให้คอมพิวเตอร์ และทดสอบดูความแม่นยำในการทดสอบแต่ละครั้งของผลทดสอบ โดยเปรียบเทียบกับการนำข้อมูลที่โหลดเข้าใหม่ ที่คอมพิวเตอร์ยังไม่เคยได้ประมวลผลมาก่อน หรือใช้ข้อมูลชุดต่างๆ กัน เพื่อสังเกตผลลัพธ์ที่ได้ 5. พัฒนาปรับปรุง หากพบจุดผิดพลาด ก็ทำการแก้ไข ลดความผิดพลาดต่างๆ ด้วยการพัฒนา ปรับปรุง เพื่อทำให้แบบจำลองมีความแม่นยำมากขึ้น ซึ่งหากยิ่งหากมีการเพิ่มเติม หรือโหลดข้อมูล เข้าไป ก็จะเกิดการรียนรู้และพัฒนาให้ระบบมีความแม่นยำมากขึ้น Machine Learning แบบต่างๆ 1. Supervised Learning (input-training-output) เป็นการเรียนรู้แบบทั่วๆ ไป โดยเตรียมข้อมูลตัวอย่าง ซึ่งถือกว่าถูกต้องและเป็นแบบอย่างเหมือนกับการบอกคอมพิวเตอร์ว่าอะไรคือคำตอบที่ถูกต้อง เสมือนเป็นครูผู้บอกคำตอบกับของคอมพิวเตอร์ 2. Unsupervised Learning (input-output) เป็นการเรียนรู้แบบที่เราเองก็ไม่ทราบชัดเจน ว่าโครงสร้างหรือรูปแบบของข้อมูลนั้นเป็นเช่นไร ซึ่งคอมพิวเตอร์จะค้นหาเองว่ารูปแบบของข้อมูลที่มีความเหมือน ความต่าง ด้วยการสร้างกลุ่มหรือรูปแบบขึ้นมา 3.
5) ("Elliptic Envelope") () จะเห็นว่า Elliptic envelope ได้จำแนกข้อมูล 10% ที่อยู่นอกการกระจายตัวแบบวงรีออกจากข้อมูลทั้งหมด Isolation forest Isolation forest ใช้เทคนิคแบบ Random forest โดยสุ่มเลือกจุดบนข้อมูล และสร้าง Tree แยกข้อมูลเป็นสาขา โดยมีสมมุติฐานว่า ข้อมูลปกติจะสามารถแตกกิ่งสาขาเป็นจำนวนพอๆ กัน ดังนั้น หากพบ Node ที่แตกสาขาน้อยกว่าค่าเฉลี่ยอย่างมีนัยสำคัญ ก็จะถือว่าเป็นข้อมูลที่ผิดปกติ # Call and fit the Isolation Forest detector if_detector = IsolationForest(n_estimators=10, contamination=0. 1)(X) if_detect = edict(X) สังเกตว่า Hyperparameter ที่กำหนดได้ คือจำนวนต้นไม้ที่จะมาช่วยกันสุ่ม ซึ่งก็คือ Argument n_estimators ภาพที่ได้ออกมาดังนี้: เราสามารถเรียกใช้ Isolation forest จาก Class IsolationForest ในโมดูล sklearn. ensemble Local Outlier Factor (LOF) Local Outlier Factor หรือ LOF เปรียบเทียบความหนาแน่นของข้อมูลจุดต่างๆ แล้วแยกจุดที่มีความหนาแน่นน้อยออกเป็น Anomaly โดยความหนาแน่นจะคำนวนจาก K-Nearest neighbors ซึ่งก็คือระยะห่างระหว่างจุดที่เราสนใจ กับจุด "เพื่อนบ้าน" ที่ใกล้ที่สุดจำนวน K จุดตามที่เรากำหนด # Call and fit the Local Outlier Factor detector lof_detector = LocalOutlierFactor(n_neighbors=20, contamination=0.
5 kg, สูง 0.
การเรียนรู้ของเครื่อง (Machine learning) เกี่ยวข้องกับ AI อย่างไร การเรียนรู้ของเครื่อง ถือเป็นส่วนย่อยของ AI คอมพิวเตอร์ "อัจฉริยะ" ที่คิดได้เหมือนมนุษย์ และทำงานได้ด้วยตัวเอง เป็นวิธีหนึ่งในการฝึกคอมพิวเตอร์ให้เลียนแบบการใช้เหตุผลของมนุษย์ คือ การใช้เครือข่ายประสาท ซึ่งเป็นชุดของอัลกอริทึมที่จำลองมาจากสมองของมนุษย์ 2. การเรียนรู้ของเครื่อง (Machine learning) เกี่ยวข้องกับการวิเคราะห์เชิงคาดการณ์อย่างไร แม้ว่า Machine learning จะเป็นการวิเคราะห์เชิงคาดการณ์ประเภทหนึ่ง แต่ความแตกต่างที่น่าสังเกต คือ Machine learning สามารถใช้งานได้ง่ายกว่าอย่างมาก ด้วยการอัปเดตแบบเรียลไทม์ เนื่องจากได้รับข้อมูลมากขึ้น ซึ่งการวิเคราะห์เชิงคาดการณ์มักจะทำงานร่วมกับชุดข้อมูลแบบคงที่ และต้องรีเฟรชเพื่ออัปเดต 3. การเรียนรู้ของเครื่อง (Machine learning) เกี่ยวข้องกับการเรียนรู้เชิงลึกอย่างไร การเรียนรู้เชิงลึกเป็นรูปแบบเฉพาะของการเรียนรู้ของเครื่อง โดยใช้เครือข่ายประสาทเทียม (NN) เพื่อให้คำตอบ สามารถกำหนดความถูกต้องได้ด้วยตัวเอง ซึ่งการเรียนรู้เชิงลึกจะจัดประเภทข้อมูลเช่นเดียวกับสมองของมนุษย์ และขับเคลื่อน AI ที่มีลักษณะคล้ายมนุษย์มากที่สุด 4.