Show
การเรียนรู้ของเครื่อง (machine learning)นิยามและความสำคัญการเรียนรู้ของเครื่องหรือ machine learning นั้น เป็นรูปแบบหนึ่งของการวิเคราะห์ข้อมูล ที่ดำเนินการวิเคราะห์ด้วยแบบจำลองอย่างเป็นอัตโนมัติ ซึ่งเป็นสาขาหนึ่งของเทคโนโลยีด้าน AI (artificial intelligence) ซึ่งตั้งอยู่บนรากฐานแนวคิดที่ว่า ระบบต่าง ๆ นั้น สามารถที่จะเรียนรู้และมีปฏิสัมพันธ์กับชุดข้อมูลต่าง ๆ รวมถึงสามารถระบุ และทราบรูปแบบต่าง ๆ ที่เกิดขึ้น และนำไปสู่การตัดสินใจได้เองโดยไม่จำเป็นต้องพึ่งพามนุษย์อีกต่อไป วิวัฒนาการของ machine learningวิทยาการด้านการคำนวณและคอมพิวเตอร์นั้นมีพัฒนาการอย่างต่อเนื่องอยู่เสมอ ซึ่งส่งผลให้ความก้าวหน้าของเทคโนโลยี machine learning ในปัจจุบันนี้รุดหน้ากว่าในอดีตอย่างมาก
วิทยาการด้านการเรียนรู้ของเครื่องนี้เริ่มต้นขึ้นจากการวิเคราะห์รูปแบบหรือ pattern recognition และทฤษฎีที่ว่า คอมพิวเตอร์อาจสามารถเรียนรู้และค่อย ๆ พัฒนาการทำงานต่าง ๆ ด้วยตนเองได้ โดยมิต้องอาศัยการตั้งโปรแกรมอยู่ตลอดเวลา ซึ่งนี่เป็นต้นกำเนิดที่ทำให้นักวิจัยด้าน AI เกิดความสนใจว่า คอมพิวเตอร์และระบบนั้น สามารถที่จะเรียนรู้จากการมีปฏิสัมพันธ์กับข้อมูลได้หรือไม่ ทั้งนี้ คุณลักษณะสำคัญของวิทยาการนี้คือการทำงานแบบซ้ำ (iterative process) ซึ่งเป็นหัวใจของการพัฒนาขีดความสามารถ
เนื่องจากระบบและแบบจำลองการวิเคราะห์จะมีโอกาสปรับตัวตามชุดข้อมูลที่ได้พบ และนำไปสู่การพัฒนาการทำงานด้วยตนเอง ระบบจะเรียนรู้และปรับแก้ไขความคลาดเคลื่อนจากการทำงานที่ผ่าน ๆ มา จนกระทั่งสามารถสร้างผลลัพธ์ที่เชื่อถือได้และทำซ้ำได้อย่างสม่ำเสมอ เป็นที่น่าสนใจว่า นี่ไม่ใช่วิทยาการที่เพิ่งเกิดขึ้นมาใหม่ หากแต่เป็นวิทยาการที่กำลังเกิดการพัฒนาอย่างก้าวกระโดด และมีพลวัตอย่างต่อเนื่อง แม้ว่าอัลกอริทึมสำหรับการเรียนรู้ของเครื่องจำนวนมากจะมีอยู่มานานแล้ว แต่พัฒนาการที่สำคัญยิ่งในปัจจุบันคือการเกิดขึ้นของขีดความสามารถในการนำการคำนวณทางคณิตศาสตร์ที่มีความซับซ้อนสูงยิ่งมาใช้งานสำหรับ big data ในการทำงานแบบซ้ำที่ต่อเนื่อง ซึ่งตัวอย่างของการนำเทคโนโลยี machine learning มาใช้งานที่โดดเด่นและแพร่หลายซึ่งคุณอาจรู้จักหรือคุ้นเคยดีนั้น มีดังต่อไปนี้:
ความเชื่อมโยงระหว่าง Machine Learning และ Artificial Intelligenceข้อแตกต่างสำคัญประการหนึ่งของเทคโนโลยีทั้งสอง คือ AI นั้น เป็นวิทยาการในเชิงกว้างที่มุ่งเน้นการให้คอมพิวเตอร์พัฒนาขีดความสามารถในการทำงานเลียนแบบมนุษย์ ในขณะที่ machine learning คือการใช้ขีดความสามารถเฉพาะบางด้านของเทคโนโลยี AI เพื่อฝึกทักษะการเรียนรู้แก่ระบบและอุปกรณ์
เราขอเชิญคุณรับชมวิดีโอนี้เพื่อช่วยให้คุณเข้าใจถึงความสัมพันธ์ของเทคโนโลยีทั้งสองนี้ได้ดียิ่งขึ้น วิดีโอของเราจะทำการอธิบายรายละเอียดในภาพรวมของทั้งสองสาขาผ่านตัวอย่างและเกร็ดความรู้ที่สนุกสนาน วิธีการด้าน Machine Learning ที่เป็นที่นิยมในปัจจุบันในทุกวันนี้ วิธีการเกี่ยวกับการเรียนรู้ของเครื่องที่เป็นที่แพร่หลายที่สุดสองกระบวนการได้แก่วิธี supervised learning และ unsupervised learning แต่แน่นอนว่า มีวิธีการและเทคนิคอื่น ๆ อีกมากมาย และนี่คือภาพรวมของเทคนิคที่ได้รับความนิยมมากที่สุดในปัจจุบัน Supervised learning นั้น คือเมื่ออัลกอริทึมได้รับการ "ฝึกฝน" ด้วยการใช้ตัวอย่างแบบมีเป้าหมายหรือ labeled example เช่น การให้ข้อมูลขาเข้า (inputs) โดยระบุถึงผลลัพธ์ขาออก (outputs) ที่ต้องการให้ทราบ ตัวอย่างเช่น อุปกรณ์ชิ้นหนึ่งอาจเรียนรู้โดยกำหนดผลลัพธ์เป็นสองทางคือ "F = failed" และ "R = runs" โดยอัลกอริทึมการฝึกฝนดังกล่าวจะได้รับข้อมูลขาเข้าจำนวนหนึ่ง พร้อมกับผลลัพธ์ขาออกที่ถูกต้อง และให้ระบบเรียนรู้ด้วยการเปรียบเทียบผลลัพธ์ที่ตนประเมินออกมาได้ เปรียบเทียบกับ "เฉลย" เพื่อหาความแตกต่างและจุดที่ผิดพลาด จากนั้น ระบบจึงปรับแก้แบบจำลองการวิเคราะห์ของตนเองตามข้อมูลนั้น โอยอาศัยเทคนิคหลากหลายประเภท ไม่ว่าจะเป็นการจำแนกแยกแยะข้อมูล การทำสมการถดถอย การคาดการณ์ หรือเทคนิค gradient boosting ซึ่งเป็นการที่กระบวนการ supervised learning นี้ ใช้รูปแบบต่าง ๆ ที่ตนพบเพื่อคาดการณ์ "ค่า" ของตัวแปรหรือ labels ต่าง ๆ เมื่อใดก็ตามที่พบกับข้อมูลที่ยังไม่มีการเฉลยชุดต่อ ๆ ไปในอนาคต โดยกระบวนการ supervised learning นี้ เป็นที่นิยมใช้กันในสถานการณ์ที่ข้อมูลในอดีตสามารถเป็นเครื่องทำนายเหตุการณ์ในอนาคตได้อย่างมีประสิทธิภาพ เช่น ระบบที่ฝึกฝนอย่างดีแล้วจะสามารถคาดการณ์ล่วงหน้าได้ว่าธุรกรรมทางบัตรเครดิตใดบ้างที่มีแนวโน้มจะเป็นการทุจริต หรือคาดการณ์ได้ว่า ผู้เอาประกันภัยรายใดมีโอกาสที่จะเบิกค่าประกันภัยมากกว่ารายอื่น ๆ เป็นต้น การเรียนรู้แบบ Unsupervised learning นั้น ใช้กับข้อมูลที่ไม่มี label สำหรับข้อมูลในอดีตมาก่อน ระบบจะไม่ได้รับการบอก "เฉลย" และต้องทำการเรียนรู้ หาคำตอบด้วยตัวของมันเอง เป้าหมายของการทำเช่นนี้ คือการสำรวจชุดข้อมูล และค้นหารูปแบบหรือโครงสร้างบางอย่างที่ซ่อนอยู่ภายใน การเรียนรู้แบบ unsupervised learning นั้น ทำงานได้ดีสำหรับการจัดการข้อมูลการทำธุรกรรม ตัวอย่างเช่น ระบบสามารถทำการระบุกลุ่มลูกค้าที่มีพฤติกรรมหรือคุณลักษณะคล้าย ๆ กัน ซึ่งจะนำไปสู่การตอบสนองที่คล้ายคลึงกันสำหรับลูกค้าที่มีลักษณะใกล้เคียงกัน เมื่อมีการทำโครงการด้านการตลาด เป็นต้น หรือระบบสามารถทำการค้นหาลักษณะสำคัญที่เป็นตัวแบ่งแยกลูกค้าแต่ละกลุ่มออกจากกันก็ได้เช่นกัน เทคนิคที่เป็นที่นิยมใช้ในการเรียนรู้ประเภทนี้ เช่น การทำ self-organizing maps, nearest-neighbor mapping, k-means clustering และเทคนิค singular value decomposition เป็นต้น โดยอัลกอริทึมเหล่านี้นั้นยังถูกนำมาใช้เพื่อแบ่งแยกหัวเรื่องของข้อความต่าง ๆ ทำการแนะนำรายการหรือสิ่งต่าง ๆ และตรวจหาข้อมูลที่ผิดปกติได้อีกด้วย การเรียนรู้แบบ Semisupervised learning นั้น ใช้ในสถานการณ์เดียวกันกับ supervised learning แต่ความแตกต่างคือ มีการใช้ข้อมูลทั้งแบบ labeled data และ unlabeled data
เพื่อการฝึกฝนระบบ โดยทั่วไปแล้วจะใช้ข้อมูลแบบ labeled จำนวนน้อย ผสมกับข้อมูลแบบ unlabeled จำนวนมาก (ทั้งนี้เนื่องจากข้อมูลแบบ unlabeled มักมีต้นทุนถูกกว่าและได้มาด้วยความง่ายดายมากกว่า) การเรียนรู้ของเครื่องในรูปแบบดังกล่าวนี้ สามารถใช้ร่วมกับเทคนิคอื่น ๆ เช่น การจำแนกประเภทข้อมูล การใช้งานสมการถดถอย หรือการคาดการณ์และพยากรณ์ โดย semisupervised learning นั้น มีประโยชน์เมื่อต้นทุนของการทำ labeling ให้แก่ข้อมูลนั้นสูงเกินกว่าที่จะทำการฝึกฝนระบบด้วยกระบวนการแบบ labeled เต็มรูปแบบ ตัวอย่างแรก ๆ
ของการใช้วิธีนี้ เช่น การระบุและจดจำใบหน้าของบุคคลด้วยกล้อง webcam ส่วนวิธี Reinforcement learning นั้น มักนำมาใช้กับด้านหุ่นยนต์ การเล่นเกมต่าง ๆ และการนำทางและการเคลื่อนที่ ด้วยการเรียนรู้ชนิดนี้ อัลกอริทึมจะลองผิดลองถูกและเรียนรู้ว่าเส้นทางการทำงานแบบใดที่ให้ผลตอบแทนดีที่สุด การเรียนรู้ประเภทนี้จะแบ่งองค์ประกอบออกเป็นสามส่วน คือ agent (ผู้เรียนรู้หรือตัดสินใจ นั่นคือระบบ), environment (ทุกสิ่งที่ agent มีปฏิสัมพันธ์ด้วย) และ actions (สิ่งที่ agent สามารถเลือกปฏิบัติได้) เป้าหมายของกระบวนการนี้ คือการให้ agent เลือกหนทางการปฏิบัติที่ให้รางวัลหรือผลตอบแทนสูงที่สุดในช่วงเวลาที่กำหนด โดย agent หรือตัวระบบนั้นจะสามารถบรรลุเป้าหมายได้รวดเร็วขึ้นมากหากมันมีแนวทางการทำงานที่มีประสิทธิภาพ ดังนั้น เป้าหมายของเทคนิค reinforcement learning คือการสอนให้ระบบเรียนรู้วิถีทางไปสู่เป้าหมายที่ดีที่สุด ผู้เชี่ยวชาญที่เป็นมนุษย์ สามารถผลิตแบบจำลองเพื่อการวิเคราะห์ที่มีคุณภาพได้โดยเฉลี่ยประมาณ 1-2 ชุด ต่อสัปดาห์ แต่ระบบที่ผ่านการเรียนรู้ของเครื่องอย่างดีแล้ว อาจสร้างแบบจำลองได้เป็นหลักพันในแต่ละสัปดาห์ทีเดียว Thomas H. Davenport, ผู้นำทางความคิดด้านการวิเคราะห์ อ่านรายละเอียดเพิ่มเติมเกี่ยวกับหัวข้อนี้
สิ่งใดสำคัญที่สุดในการเตรียมตัวก่อนการสมัครงานผู้สมัครงานจะต้องเตรียมหลักฐานการสมัครงานต่าง ๆ เช่น ใบรับรองผลการศึกษา, ใบสุทธิ รูปถ่าย, บัตรประจ าตัวประชาชนพร้อมส าเนา, ส าเนาทะเบียนบ้าน, ใบปลด รด.,และหลักหลักฐานอื่น ๆ (ถ้ามี) หนังสือรับรองการฝึกงานจากผู้ที่เคยจ้างงาน หรือรับรองจากอาจารย์ที่ปรึกษา นอกจากหลักฐานการดังกล่าวแล้ว ผู้สมัครงานควรเตรียมเครื่องเขียนปากกา ...
คุณสมบัติข้อใดสำคัญที่สุดในการประกอบอาชีพคุณสมบัติ 10 ประการ ของผู้ประกอบการที่ดี. 1. กระหายสู่ความสำเร็จ (Need for Achievement) ... . 2. มีลักษณะนิสัยชอบเสี่ยง (Risk Taking) ... . 3. คิดอย่างสร้างสรรค์ และ สร้างฝันให้ยิ่งใหญ่ (To Walk again) ... . 4. ยึดมั่นไม่ย่อท้อ ... . 5. เชื่อมั่นในตนเอง ... . 6. มีความสามารถในการตัดสินใจ ... . 7. กล้าเปลี่ยนแปลงถือเป็นโอกาส ... . 8. อดทนต่อความไม่แน่นอน. การงานอาชีพมีความสำคัญอย่างไร1. ทำให้ชีวิตดำรงอยู่ได้เมื่อมีอาชีพ มีรายได้ สามารถจับจ่ายใช้สอย ซื้อสิ่งของต่างๆ มาใช้ประโยชน์ได้ ทำให้มีคุณภาพชีวิตดีขึ้น 2. ช่วยสร้างครอบครัวและฐานะทางเศรษฐกิจ รายได้ส่วนที่เหลือจากการใช้จ่ายในชีวิตประจำวันเมื่อเก็บ สะสมไว้เป็นการสร้างอนาคตและดูแลครอบครัวให้ดำรงอยู่ได้อย่างมีความสุข
อาชีพในข้อใดเป็นแรงงานไร้ฝีมือแรงงานไร้ฝีมือ คือ แรงงานที่ไม่มีฝีมือ แรงงานเหล่านี้จะได้รับค่าแรงที่ต่ำกว่าแรงงานที่มีฝีมือ เช่น ช่างไม้ฝึกหัด จะได้รับค่าแรงต่ำกว่าช่างไม้ และ ช่างไม้จะได้รับค่าแรงต่ำกว่าหัวหน้าช่างไม้ เป็นต้น ท่านผู้ใช้แรงงานทั้งหลาย...
|