การเรียนรู้ของเครื่องอาจดูเหมือนเป็นแนวคิดที่แปลกไปโดยสิ้นเชิง อย่างไรก็ตาม แม้ว่าคุณจะยังไม่ได้เจาะลึกเพื่อทำความเข้าใจสาขาต่างๆ มากมาย คุณอาจแปลกใจที่รู้ว่าคุณเกือบจะนำอัลกอริทึมการเรียนรู้ของเครื่องมาใช้มาก่อนแล้ว
ก่อนที่ฉันจะอธิบายรายละเอียด สิ่งสำคัญคือต้องเข้าใจว่าการเรียนรู้จากมุมมองของแมชชีนเลิร์นนิงมีความหมายอย่างไร
การเรียนรู้ของมนุษย์
สมมติว่าคุณกำลังเดินอยู่ในสวนสาธารณะ แล้วจู่ๆก็มีสัตว์วิ่งเข้ามาหาคุณ ทันทีที่คุณเห็นสัตว์ คุณจะสามารถระบุได้ว่าเป็นสุนัขกำลังหยิบของเล่น อย่างไรก็ตาม อะไรทำให้คุณระบุตัวตนนี้ได้เป็นพิเศษ ในฐานะมนุษย์ เราเรียนรู้จากประสบการณ์ตั้งแต่แรกเกิด เราได้รับกระแสข้อมูลอย่างต่อเนื่องผ่านประสาทสัมผัสของเรา และจับคู่กับชื่อหรือป้ายกำกับที่เหมาะสมสำหรับสิ่งที่เราสัมผัสได้ ในวัยเด็กเราอาจได้เห็นสัตว์ชนิดใหม่และได้รับแจ้งว่าสิ่งที่เราเห็นคือสุนัข จากนั้นเราจะจดจำรูปแบบหรือลักษณะของสุนัขได้ ไม่ว่าจะเป็นสี่ขา หาง หรือขน สิ่งนี้ทำให้เราสามารถสรุปประสบการณ์ใหม่ได้ ในกรณีของสวนสาธารณะ นั่นอาจเป็นครั้งแรกที่คุณเคยเห็นสุนัขตัวนั้น อย่างไรก็ตาม เรายังคงสามารถสรุปสิ่งที่เรารู้เกี่ยวกับสุนัขเพื่อระบุสิ่งที่เรามองว่าเป็นสุนัขประเภทหนึ่งได้อย่างมั่นใจ
โดยทั่วไปแล้ว ในฐานะมนุษย์ การเรียนรู้เป็นกระบวนการในการจดจำรูปแบบหรือคุณลักษณะต่างๆ เพื่อที่จะทำนายอนาคตได้อย่างแม่นยำหรือรวบรวมข้อมูลที่มีความหมาย ในทำนองเดียวกัน การเรียนรู้ของเครื่องเกี่ยวข้องกับการให้คอมพิวเตอร์สามารถใช้ประสบการณ์ในอดีตเพื่อรวบรวมข้อมูลและสรุปข้อมูลทั่วไปที่เกี่ยวข้อง อย่างไรก็ตาม สำหรับคอมพิวเตอร์ ประสบการณ์ที่ผ่านมานั้นหมายถึงข้อมูลที่ผู้ใช้ป้อนเข้าสู่โปรแกรม
“กล่าวกันว่าโปรแกรมคอมพิวเตอร์จะเรียนรู้จากประสบการณ์ E ที่เกี่ยวข้องกับงานบางประเภท T และการวัดประสิทธิภาพ P หากประสิทธิภาพในงาน T ซึ่งวัดโดย P จะปรับปรุงด้วยประสบการณ์ E” — Tom Mitchell, Machine Learning
เส้นที่พอดีที่สุด
ตอนนี้ คุณอาจจำคำที่โรงเรียนเรียกว่า "แนวที่เหมาะสมที่สุด" ได้ แนวคิดนี้ค่อนข้างง่าย เมื่อกำหนดชุดของจุด คุณจะต้องวางเส้นผ่านจุดเหล่านี้เพื่อลดระยะห่างระหว่างจุดทั้งหมดกับเส้น กล่าวอีกนัยหนึ่งคุณกำลังพยายาม 'ปรับ' เส้นให้เข้ากับจุดข้อมูลที่คุณรวบรวม เส้นที่เหมาะสมที่สุด ควบคู่ไปกับการช่วยให้เรามองเห็นจุดแข็งของความสัมพันธ์ระหว่างตัวแปร ทำให้เราสามารถทดสอบอินพุตใหม่ได้
ตัวอย่างเช่น บนกราฟ 2 มิติ ผู้ใช้ป้อนการจับคู่ (x,y) ลงในเครื่องคิดเลข โดยที่เครื่องคิดเลขจะใช้เส้นกับข้อมูล เครื่องคิดเลขส่งคืนฟังก์ชันของบรรทัดนั้นในรูปแบบ f(x)=mx+b ด้วยฟังก์ชันนี้ ผู้ใช้สามารถแทนค่า x ใหม่เพื่อรับค่า y ที่คาดการณ์ไว้ซึ่งอิงตามจุดที่คอมพิวเตอร์เห็นไปแล้ว
ความเชื่อมโยงกับการเรียนรู้ของเครื่อง
เส้นที่เหมาะสมที่สุดคือชื่อเล่นของสิ่งที่เรียกอย่างเป็นทางการว่าการถดถอย การถดถอยเมื่อใช้คอมพิวเตอร์จะถือเป็นตัวอย่างพื้นฐานที่สุดประการหนึ่งของแมชชีนเลิร์นนิง ด้วยการป้อนค่าลงในสมการของเส้นที่เหมาะสมที่สุดของเรา เราพยายามที่จะคาดการณ์ผลลัพธ์ที่สอดคล้องกันอย่างแม่นยำโดยอิงจากประสบการณ์ก่อนหน้านี้
ในกรณีหนึ่ง ฉันอาจให้อินพุตของฟังก์ชันเป็นพื้นที่เป็นตารางฟุตของบ้าน และเอาต์พุตเป็นราคาของบ้านหลังนั้น เป้าหมายของอัลกอริทึมคือการใช้การจับคู่พื้นที่เป็นตารางฟุตและราคาบ้านที่ทราบเพื่อคาดการณ์ราคาบ้านโดยอิงจากพื้นที่เป็นตารางฟุตใหม่
การเรียนรู้ต่อ
ถึงแม้จะดูเรียบง่ายพอๆ กับแนวทางที่ลงตัวที่สุด แต่ก็เข้ากับคำอธิบายการเรียนรู้ที่เราเคยกล่าวไว้ก่อนหน้านี้ได้อย่างลงตัว คอมพิวเตอร์จะได้รับประสบการณ์ในรูปแบบของจุดข้อมูล และต่อมาจะใช้จุดเหล่านั้นเพื่อคาดการณ์ในอนาคตโดยไม่ต้องตั้งโปรแกรมไว้อย่างชัดเจน
การเรียนรู้ของเครื่องเป็นสาขาขนาดใหญ่ที่ครอบคลุมหมวดหมู่และการใช้งานต่างๆ มากมาย ในส่วนที่ 2 ของบทความนี้ เราจะต่อยอดการถดถอยและแนะนำการเรียนรู้ของเครื่องอีกรูปแบบหนึ่งที่เรียกว่าการจำแนกประเภท
