เครื่องเรียนรู้แบบคลาสสิก
ยินดีต้อนรับสู่บทเรียนที่ 6 ของรายวิชาแนวคิดปัญญาประดิษฐ์ (COMP5511) บทเรียนนี้ทำหน้าที่เป็นสะพานเชื่อมระหว่างพื้นฐานเชิงทฤษฎีไปสู่การนำไปประยุกต์ใช้จริงแบบอัลกอริทึม ในขณะที่ AI สมัยใหม่มักให้ความสำคัญกับดีพเลิร์นนิง เครื่องเรียนรู้แบบคลาสสิก ยังคงเป็นรากฐานสำคัญของการวิเคราะห์ข้อมูล อัลกอริทึมเหล่านี้ให้ความสามารถสูงด้าน การตีความได้ และ ประสิทธิภาพการคำนวณจึงทำให้เป็นตัวเลือกที่ได้รับความนิยมสำหรับข้อมูลที่มีโครงสร้างและการวิเคราะห์ตามมาตรฐานอุตสาหกรรม
1. การเรียนรู้แบบมีผู้สอน (Supervised Learning)
กระบวนทัศน์นี้เกี่ยวข้องกับการฝึกโมเดลบน ชุดข้อมูลที่มีป้ายกำกับโดยอัลกอริทึมจะเรียนรู้ความสัมพันธ์ระหว่างคุณลักษณะนำเข้าและผลลัพธ์เป้าหมายเฉพาะ ทำให้โมเดลสามารถ คาดการณ์ผลลัพธ์ สำหรับข้อมูลใหม่ที่ไม่เคยเห็นได้อย่างแม่นยำ
- ต้นไม้ตัดสินใจ (Decision Trees): โมเดลที่แบ่งข้อมูลออกเป็นกิ่งก้านเพื่อให้ได้ผลลัพธ์การจำแนกประเภทหรือการตัดสินใจเชิงตัวเลข
- ซัพพอร์ตเวกเตอร์แมชชีน (SVMs): อัลกอริทึมที่ค้นหา ไฮเปอร์เพลนที่เหมาะสมที่สุด เพื่อเพิ่มระยะขอบระหว่างคลาสข้อมูลที่แตกต่างกันให้สูงสุด
2. การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning)
อัลกอริทึมเหล่านี้วิเคราะห์ ข้อมูลที่ไม่มีป้ายกำกับ เพื่อค้นหารูปแบบ โครงสร้าง หรือการจัดกลุ่มที่ซ่อนอยู่ โดยไม่มีการชี้นำล่วงหน้าว่าผลลัพธ์ควรเป็นอย่างไร เทคนิคหลัก ได้แก่:
- การจัดกลุ่มแบบ K-means: การจัดกลุ่มจุดข้อมูลออกเป็น K กลุ่มที่แตกต่างกันโดยอิงจากความคล้ายคลึงของคุณลักษณะ
- การวิเคราะห์องค์ประกอบหลัก (PCA): เทคนิค การลดมิติ ที่ใช้เพื่อทำให้ข้อมูลที่ซับซ้อนง่ายขึ้นในขณะที่ยังคงความแปรปรวนที่สำคัญไว้