Three Ways Machines Learn

Machine Learning (ML) หากจะแบ่งตามประเภทของการเรียนรู้ สามารถแบ่งได้ 3 ประเภท ดังนี้

Supervised Learning

เหมือนกับการให้ Machine เรียนรู้แบบมีผู้สอน (จาก ค่าเป้าหมาย ‘Target’ หรือ ตัวแปร Output) จะทำการเรียนรู้ซ้ำๆ (iteration) ไปเรื่อยๆ จนกว่าการทำนายจะใกล้เคียงกับค่าเป้าหมาย ตัวอย่างเช่น

y = f(X)

y คือ ค่าเป้าหมาย, X คือ ตัวแปร Input และ f คือ function ที่ได้จากการเรียนรู้

แบ่งได้เป็น 2 ประเภท

1) Classification ค่าเป้าหมาย เป็น Category เช่น ปัญหาลูกค้า Churn หรือ Non-churn ปัญหาการแยกรูปภาพว่าเป็น แอปเปิ้ล หรือ กล้วย

Algorithm: Decision Tree, SVM, XGBoost

2) Regression ค่าเป้าหมาย เป็นตัวเลข (จำนวนจริง) เช่น ปัญหาการทำนายราคาบ้าน

Algorithm: Linear / Polynomial Regression

Unsupervised Learning

เหมือนกับการให้ Machine เรียนรู้แบบไม่มีผู้สอน (ไม่มีค่าเป้าหมาย หรือ ตัวแปร Output) พยายามค้นหา Patterns ที่ซ่อนอยู่ในข้อมูล Input ตัวอย่างการนำไปใช้ เช่น

1) Clustering ทำการจัดกลุ่ม ที่มีความคล้ายคลึงกัน ใช้ในการแบ่งกลุ่มลูกค้า (Customer Segmentation)

Algorithm: K-means

2) Association ใช้ในการหากฎของความสัมพันธ์กัน ลูกค้าที่ซื้อสินค้า A มีแนวโน้มที่จะซื้อสินค้า B ด้วย

Algorithm: Apriori

Semi-supervised Learning

เหมือนกับการนำทั้ง 2 เทคนิคมาใช้ร่วมกัน ตัวอย่างการนำไปใช้ในโลกแห่งความเป็นจริง เช่น มีรูปภาพจำนวนมากที่มีจำนวนหนึ่งทำ Label ไว้ (ทราบ Target) แต่จำนวนมากยังไม่ทราบ

สามารถใช้ Unsupervised ในการจัดกลุ่มรูปภาพทำนองเดียว เพื่อระบุ Target ให้ได้มากขึ้น แล้วใช้ Supervised ในการสร้าง Model เพื่อทำนาย Target