การเรียนรู้ของเครื่องแบบดั้งเดิม
ยินดีต้อนรับสู่บทเรียนที่ 6 ของแนวคิดปัญญาประดิษฐ์ (COMP5511) เซสชันนี้ทำหน้าที่เป็นสะพานเชื่อมจากพื้นฐานทางทฤษฎีไปสู่การนำไปใช้จริงเชิงอัลกอริทึม แม้ว่า AI สมัยใหม่มักเน้นที่ Deep Learning แต่ การเรียนรู้ของเครื่องแบบดั้งเดิม ยังคงเป็นรากฐานของการวิเคราะห์ข้อมูล อัลกอริทึมเหล่านี้มี ความสามารถในการตีความ และ ประสิทธิภาพในการคำนวณ ทำให้เป็นตัวเลือกที่ต้องการสำหรับข้อมูลที่มีโครงสร้างและการวิเคราะห์ตามมาตรฐานอุตสาหกรรม
1. การเรียนรู้แบบมีผู้สอน
กระบวนทัศน์นี้เกี่ยวข้องกับการฝึกโมเดลบน ชุดข้อมูลที่มีป้ายกำกับ โดยอัลกอริทึมจะเรียนรู้ความสัมพันธ์ระหว่างคุณลักษณะอินพุตและเอาต์พุตเป้าหมายที่เฉพาะเจาะจง สิ่งนี้ช่วยให้โมเดลสามารถ ทำนายผลลัพธ์สำหรับข้อมูลใหม่ที่ไม่เคยเห็นได้อย่างถูกต้อง
- ต้นไม้ตัดสินใจ: โมเดลที่แยกข้อมูลออกเป็นกิ่งก้านเพื่อทำการจำแนกประเภทหรือการตัดสินใจเชิงตัวเลข
- เครื่องจักรเวกเตอร์สนับสนุน (SVMs): อัลกอริทึมที่ค้นหา ไฮเปอร์เพลนที่เหมาะสมที่สุด เพื่อเพิ่มระยะห่างระหว่างคลาสข้อมูลต่างๆ ให้สูงสุด
2. การเรียนรู้แบบไม่มีผู้สอน
อัลกอริทึมเหล่านี้วิเคราะห์ ข้อมูลที่ไม่มีป้ายกำกับ เพื่อค้นหารูปแบบ โครงสร้าง หรือกลุ่มที่ซ่อนอยู่โดยไม่มีคำแนะนำเบื้องต้นเกี่ยวกับผลลัพธ์ เทคนิคที่สำคัญ ได้แก่:
- การจัดกลุ่ม K-means: จัดกลุ่มจุดข้อมูลออกเป็น K กลุ่มที่แตกต่างกันตามความคล้ายคลึงของคุณลักษณะ
- การวิเคราะห์ส่วนประกอบหลัก (PCA): เทคนิค การลดมิติ ที่ใช้เพื่อทำให้ข้อมูลที่ซับซ้อนง่ายขึ้นในขณะที่ยังคงรักษาความแปรปรวนที่จำเป็นไว้