By | March 15, 2022

ในบทความนี้ เราจะพูดถึงแมชชีนเลิร์นนิง เราจะตอบคำถามทั่วไปมากมายที่คนส่วนใหญ่อาจมีอยู่ในใจ เพื่อไม่ให้เป็นการเสียเวลา เรามาดูรายละเอียดกัน อ่านต่อ.

1. แมชชีนเลิร์นนิงคืออะไร?

แมชชีนเลิร์นนิงเป็นประเภทของ (AI) หรือที่เรียกว่าปัญญาประดิษฐ์ที่ช่วยให้ระบบเรียนรู้และตัดสินใจได้เองโดยไม่ต้องตั้งโปรแกรม อัลกอริธึมเหล่านี้ทำให้คอมพิวเตอร์ฉลาดพอที่จะเลือกได้โดยใช้ข้อมูลที่มีอยู่โดยปราศจากการแทรกแซงของมนุษย์ เป้าหมายหลักคือการสร้างอัลกอริธึมที่ช่วยให้ระบบเรียนรู้และตัดสินใจได้เองในอนาคต โดยอิงจากข้อมูลในอดีต

2. ทำไมเราถึงต้องการแมชชีนเลิร์นนิง?

ด้านล่างนี้คือเหตุผลบางประการที่เราใช้สิ่งเหล่านี้ในที่นี่และเดี๋ยวนี้

2.2. การทำนายขณะเดินทาง

เราทุกคนใช้ระบบ GPS ขณะเดินทางในชีวิต เมื่อใดก็ตามที่คุณจองรถแท็กซี่ จะแจ้งให้คุณทราบถึงค่าโดยสารและเวลาโดยประมาณที่ต้องใช้ในการไปถึงจุดหมายปลายทางของคุณ สมาร์ทโฟนของคุณทำได้อย่างไร? คำตอบคือแมชชีนเลิร์นนิง! มันคำนวณความเร็วและตำแหน่งของยานพาหนะของเรา จากข้อมูลนี้ มันยังบอกเราด้วยว่ามีรถติดบนถนนสายนี้หรือไม่ โปรแกรมเมอร์ไม่ได้ตั้งโปรแกรมคอมพิวเตอร์เพื่อบอกคุณว่ามีการจราจรติดขัด แต่พวกเขาออกแบบระบบที่ตัดสินใจอย่างชาญฉลาดโดยพิจารณาจากเหตุการณ์ในอดีตและปัจจุบันของผู้คนที่ผ่านบริเวณนั้น นอกจากนี้ยังเตือนคุณเกี่ยวกับรถติด

2.3. การเพิ่มประสิทธิภาพกลไกค้นหา

เครื่องมือค้นหาเว็บจะแสดงผลลัพธ์ที่ถูกต้องโดยอัตโนมัติตามตำแหน่งของคุณและการค้นหาที่ผ่านมา โปรแกรมเมอร์ไม่ได้ตั้งโปรแกรมให้แสดงผลลัพธ์เหล่านั้น แต่ให้ผลลัพธ์ที่ถูกต้องภายในไม่กี่วินาทีตามความสนใจและการค้นหาล่าสุดของคุณ

2.4. การจัดประเภทจดหมายขยะ

ในกล่องอีเมลของเรา ระบบจะจัดประเภทอีเมลบางฉบับโดยอัตโนมัติว่าเป็นสแปมหรืออีเมลขยะ และอีเมลบางฉบับเป็นอีเมลหลักที่อาจมีความสำคัญมากสำหรับเรา ระบบไม่เคยผิดพลาดและเป็นไปได้ด้วยความช่วยเหลือจากการเรียนรู้เหล่านี้

3. ประเภทของการเรียนรู้ของเครื่อง:

แนวคิดพื้นฐานของแมชชีนเลิร์นนิงจะเหมือนกันทุกประเภท แต่แบ่งออกเป็น 3 ประเภทเพิ่มเติมดังนี้

3.1. Supervised Learning การเรียนรู้ภายใต้การดูแลเป็นหนึ่งในประเภทการเรียนรู้ของเครื่องที่ได้รับความนิยมมากที่สุด และง่ายต่อการเข้าใจและนำไปใช้ ในประเภทนี้ อัลกอริธึมได้รับการฝึกอบรมจากข้อมูลที่กำหนด แต่ข้อมูลนั้นจำเป็นต้องติดป้ายกำกับ คุณอนุญาตให้ระบบคาดการณ์ข้อมูลและทำการแก้ไขหากการคาดการณ์ไม่ถูกต้องเพียงพอ

3.2. การเรียนรู้ของเครื่องโดยไม่ได้รับการดูแล

แมชชีนเลิร์นนิงที่ไม่ได้รับการดูแลจะทำงานโดยไม่มีข้อมูลกำกับใดๆ แต่คุณต้องให้ข้อมูลจำนวนมาก เพื่อให้ระบบเข้าใจคุณสมบัติที่เป็นฐานสำหรับการตัดสินใจ สิ่งนี้สามารถปรับปรุงประสิทธิภาพการทำงานในหลาย ๆ ด้าน

3.3. การเรียนรู้การเสริมแรง

มันขึ้นอยู่กับวิธีการลองผิดลองถูก ระบบทำผิดพลาดและเรียนรู้จากข้อผิดพลาดเหล่านี้เพื่อหลีกเลี่ยงข้อผิดพลาดเหล่านี้อีกครั้ง ตัวอย่างเช่น ในเขาวงกต เมื่อระบบค้นหาเส้นทางล้มเหลว ระบบจะไม่ไปยังเส้นทางเดิมอีกเพราะรู้ว่าเส้นทางนั้นใช้งานไม่ได้ มันระบุผลลัพธ์เชิงบวกและผลลัพธ์เชิงลบ และดำเนินการบนพื้นฐานของผลลัพธ์เหล่านี้

กล่าวโดยย่อ นี่คือคำถามทั่วไปบางประการเกี่ยวกับการเรียนรู้ของเครื่อง หวังว่าคำตอบสำหรับคำถามเหล่านี้จะช่วยให้คุณเข้าใจอย่างลึกซึ้งยิ่งขึ้นในด้านวิทยาศาสตร์นี้