อย่างแรกที่ทุกคนต้องรู้คือ ML มีอยู่กี่ประเภท? และคอร์สเรียนเราจะเน้นที่ประเภทไหนเป็นหลัก
Types of ML
Machine Learning สามารถแบ่งได้เป็น 3 ประเภทหลักๆดังนี้
- Supervised Learning
- Unsupervised Learning
- Reinforcement Learning
Andrew Ng บอกว่างาน ML ที่สร้างคุณค่าให้กับโลกตอนนี้ 80-90% เกิดจากโมเดลทำนายผลแบบ supervised learning หมดเลย เรียกว่าเป็นหัวข้อใหญ่และเป็นพื้นฐานที่ทุกคนควรเข้าใจ
✅ ในคอร์สเรียนนี้แอดจะโฟกัสที่ Supervised Learning เป็นหลักนะครับ
Supervised Learning
Supervised Learning (SL) เป็นประเภท ML ที่มีการใช้เยอะที่สุดในโลก โดยเป้าหมายหลักของ SL คือการทำนายค่า (prediction models) โดยเราสามารถแบ่ง SL ออกเป็น sub-categories หลักๆได้สองแบบ
- Regression
- Classification
Regression
Regression ทำนายตัวเลข (numeric values) เช่น การทำนายราคาบ้าน ส่วนสูง น้ำหนัก เงินเดือน เป็นต้น
Classification
Classification ทำนายกลุ่ม (categorical values) เช่น การทำนายเพศ (ชาย/หญิง) ลูกค้าจะซื้อหรือไม่ซื้อสินค้าของเรา เป็นต้น
📝 Note – ML algorithms บางตัวสามารถใช้ได้ทั้งปัญหา regression และ classification เลย เช่น KNN, decision tree, random forest เป็นต้น
Formative Quiz
Unsupervised Learning
Unsupervised Learning (UL) เป็นประเภท ML ที่ใช้ในการสรุปผลข้อมูล หา underlying structures (summarising models) ตัวอย่างเช่น
- Customer Segmentation การจับกลุ่มลูกค้าเป็น segments ให้ทีมการตลาดไปใช้งานต่อ
- Principal Component Analysis การหาความสัมพันธ์ของตัวแปร เพื่อลดจำนวนตัวแปร สร้าง components ใหม่
- Association Rules หรือที่นักการตลาดเรียกว่า Market Basket Analysis
Algorithm ที่ถูกใช้เยอะที่สุดในงาน unsupervised learning หนีไม่พ้น K-Means Clustering เป็นการจับกลุ่ม data ดูจากระยะหรือ distance ของแต่ละ data points (ภาษานักการตลาดเรียก segmentation)
📝 การวัดผลโมเดล unsupervised learning จะทำได้ยากกว่า supervised learning เยอะเลย เพราะเราไม่มี true หรือ actual labels เช่น เราบอกไม่ได้ว่าลูกค้าใน Lazada มีอยู่กี่ segments จริงๆ? โมเดลอาจจะบอกว่ามี 6 segments แต่ความจริงอาจจะมีมากกว่าหรือน้อยกว่านั้นก็ได้ ซึ่งเราไม่มีทางรู้เลย
Reinforcement Learning
Category สุดท้ายของงาน ML คือ Reinforcement Learning (RL) ส่วนตัวแอดว่าอันนี้ใกล้เคียงกับการเรียนรู้ของมนุษย์มากที่สุด และยากสุดเลย ต้องใช้ความรู้ math เยอะกว่าอีกสอง categories ที่เราอธิบายไป
การทำงานของ RL จะมี Agent หรือ AI ที่เรากำลังพัฒนา ทำงานอยู่ใน Enviroment โดยเป้าหมายของ agent คือการ maximize Reward หรือ minimize Cost
เวลาสื่อต่างๆพูดถึงหรือเขียนข่าวเกี่ยวกับ ML เค้ามักจะหมายถึง RL เป็นหลัก เช่น AlphaGo หรือ AI ตัวเทพๆของ OpenAI ด้านล่างเป็นสารคดีเรื่อง AlphaGo ฉายครั้งแรกบน Netflix ทำดีมาก แอดดูจบน้ำตาไหลเลย สนุกจริงครับ ลองดูได้ถ้ามีเวลานะครับ 😁
📝 Technical Note – การทำงานของ AlphaGo บนกระดานหมากล้อม ตัว agent/ AI อยู่ใน environment (ตำแหน่งของหมากบนบอร์ดเกมในขณะนั้น) การลงหมากของ AlphaGo แต่ละครั้ง พยายามจะ maximize rewards ที่ได้ตอนจบเกม (ชนะเกมนี้ คือ the greatest reward ที่มันได้รับ)
Quick Summary
สรุป machine learning ทั้ง 3 ประเภทแบบ high-level
- Supervised Learning = Prediction
- Unsupervised Learning = Summarization
- Reinforcement Learning = Agent + Environment + Reward/Cost