Machine Learning: บทนำ

โดย ชิตพงษ์ กิตตินราดร | ธันวาคม 2562

Machine learning (ML) เป็นการประยุกต์คณิตศาสตร์และวิทยาศาสตร์คอมพิวเตอร์เพื่อทำให้คอมพิวเตอร์สามารถเรียนรู้และตัดสินใจได้โดยไม่ต้องกำหนดกฏและเงื่อนไขตายตัว

ML เรียนรู้ด้วยการอ่านข้อมูลที่มนุษย์เตรียมให้ และประมวลผลข้อมูลนั้นเพื่อให้สามารถตัดสินใจตามที่ต้องการ โดยการตัดสินใจที่ ML ทำได้ มีหลายรูปแบบ เช่น

• พยากรณ์ว่าข้อมูลชิ้นใหม่ที่ ML ไม่เคยเห็น มีค่าเท่าใด หรืออยู่ในหมวดหมู่ใด
• จัดข้อมูลเป็นกลุ่มๆ โดยให้ข้อมูลที่มีคุณลักษณะคล้ายกันอยู่ในกลุ่มเดียวกัน
• ตรวจหาข้อมูลชิ้นที่ผิดปกติแปลกไปจากพวก
• จำแนกข้อมูลบางอย่างออกจากข้อมูลทั้งหมด เช่น จำแนกเสียงพูดออกจากเสียงสภาพแวดล้อม
• แนะนำข้อมูลชิ้นใหม่ที่คาดว่ามนุษย์น่าจะสนใจโดยเรียนรู้จากความสนใจเดิม

จะเห็นว่าประโยชน์ของ ML มีหลากหลายมาก สำหรับใครหรือองค์กรที่อยากใช้ ML ในงานของตนเอง สิ่งที่จำเป็นต้องมี (หรือต้องสร้างให้มี) คือ:

1. ข้อมูล: ML ทำงานได้ด้วยการเรียนรู้จากข้อมูล ไม่ใช่ด้วยการป้อนกฏเกณฑ์เข้าไป ดังนั้นผู้ใช้ ML จึงต้องเตรียมข้อมูลที่มีคุณภาพและมีปริมาณเพียงพอ เพื่อให้ ML เรียนรู้ได้ผลดี เรื่องนี้เป็นเรื่องสำคัญและมีรายละเอียด จะอธิบายโดยละเอียดในส่วนต่อๆ ไป
2. ทักษะ Programming: ปัจจุบันนิยมใช้ภาษา Python เป็นภาษาหลักในการทำ ML ดังนั้นควรมีความรู้พื้นฐาน Python เช่น มีความเข้าใจหลักการเขียนโปรแกรม การสร้างและคำนวนตัวแปร ประเภทและโครงสร้างข้อมูลแต่ละประเภท การเขียนเงื่อนไข เช่น if, for, while loop และการเรียกใช้ Library ต่างๆ เช่น numpy (สำหรับการคำนวน Vector และ Matrix), pandas (สำหรับการจัดการและวิเคราะห์ข้อมูลแบบตาราง), matplotlib (สำหรับการพล็อตกราฟเพื่อแสดงผลเป็นภาพ)
3. ทักษะในการใช้ ML Framework: ในอดีตเราต้องเขียนโค้ดเพื่อแปลงสมการคณิตศาสตร์ให้กลายเป็น Algorithm เพื่อคำนวนด้วยตนเอง ซึ่งต้องใช้ความรู้และมีความซับซ้อนค่อนข้างมาก แต่ปัจจุบันมีผู้สร้างซอฟท์แวร์อำนวยความสะดวกในการทำ ML ให้เราใช้ได้ฟรีๆ แบบ Open-source จึงแนะนำให้เรียนรู้วิธีใช้ Framework เหล่านี้ โดย Framework ที่นิยม เช่น scikit-learn สำหรับ Machine learning และ TensorFlow สำหรับ Deep learning
4. ความรู้เกี่ยวกับ ML: ศึกษาหลักการทำงานของ ML Algorithm ประเภทต่างๆ การเตรียมข้อมูล วิธีการทดสอบความแม่นยำของโมเดล การปรับแต่งโมเดลให้ทำงานได้ดีขึ้น การแก้ปัญหาทางเทคนิคต่างๆ ความรู้เหล่านี้สำคัญมาก ถ้าขาดความรู้ความเข้าใจเรื่องเหล่านี้ก็จะไม่สามารถพัฒนา ML ที่ดีได้ ถึงแม้จะใช้เครื่องมือต่างๆ เป็นก็ตาม

ประเภทของปัญหา Machine learning

ปัญหา Machine learning สามารถจำแนกได้ 2 ประเภทใหญ่ๆ คือ

1. Supervised learning: คือปัญหาที่ในชุดข้อมูลนั้นมีคำตอบอยู่แล้ว ตัวอย่างเช่น:

   • Regression: หาคำตอบที่เป็นตัวเลข เช่น ให้ข้อมูลโภชนาการของเด็กคนหนึ่ง พยากรณ์ว่าเด็กคนนี้จะมีความสูงกี่ ซ.ม.
   • Classification: หาคำตอบที่เป็นหมวดหมู่ เช่น ให้ภาพ X-ray ทรวงอก พยากรณ์ว่าคนไข้เป็นมะเร็งปอดหรือไม่ (คำตอบมีแต่ ใช่/ไม่ใช่ เรียกว่า Binary classification) หรือให้ข้อมูลเกี่ยวกับครอบครัวของเด็กคนหนึ่ง ทำนายว่าเด็กคนนี้จัดอยู่ในกลุ่มพัฒนาการดี / พัฒนาการปกติ / พัฒนาการช้า (คำตอบมีหลายกลุ่ม เรียกว่า Multiclass classification)

2. Unsupervised learning: คือปัญหาที่ยังไม่มีใครรู้ว่าคำตอบที่ถูกต้องคืออะไร

   • Clustering: จัดกลุ่มข้อมูล เช่น มีข้อมูลผู้บริจาค ต้องการจัดกลุ่มผู้บริจาคเป็น 3 กลุ่ม เพื่อออกแบบกลยุทธ์การสื่อสารกับลูกค้าแต่ละกลุ่มที่ต่างกันออกไป
   • Non-clustering: ปัญหาอื่นๆ ที่ไม่ใช่การจัดกลุ่ม เช่น ตรวจหาข้อมูลชิ้นที่มีความผิดปกติจากพวก (Anomaly detection) แนะนำข้อมูลที่ผู้ใช้น่าจะสนใจ (Recommendation system) เป็นต้น

นอกจากนี้ยังมี ML ประเภทอื่นๆ สำหรับงานเฉพาะด้าน เช่น Reinforcement learning คือการเรียนรู้ที่มีกลไกการเสริมแรงเพื่อให้คอมพิวเตอร์มีพฤติกรรมที่เราต้องการ เป็นต้น

ตอนนี้เรารู้จักแล้วว่า Machine learning คืออะไร มีกี่ประเภท เอาไปทำอะไรได้บ้าง และถ้าจะทำ ML ต้องมีความรู้และทักษะอะไรบ้าง ในตอนต่อไปจะเริ่มอธิบายกลไกการทำงานของ ML อย่างง่ายที่สุด คือ Linear regression

หน้าแรก | บทที่ 2 Linear Regression Algorithm