Machine Learning

หมายเหตุ: บทความนี้เป็นส่วนหนึ่งของ "บทความชุด Article with Machine Translation" ซึ่งเป็นการแปลบทความจากต้นฉบับภาษาต่างประเทศด้วย Machine translation ดังนั้นจึงมีข้อผิดพลาดอยู่หลายจุด ขอให้ผู้อ่านโปรดใช้วิจารณญาณในการอ่าน ทาง EPT ไม่ขอรับประกันว่าข้อมูลที่ท่านได้อ่านเป็นข้อมูลที่ถูกต้อง และไม่ขอรับผิดชอบความเสียหายใด ๆ ที่เกิดต่อผู้อ่านทั้งทางร่างกาย จิตใจ ทรัพย์สิน ฯลฯ นะครับ

     Machine Learning เป็นสาขาหนึ่งของปัญญาประดิษฐ์ที่พัฒนามาจากการ ศึกษาการรู้การจำ รูปแบบ Pattern Recognition เกี่ยวข้องกับการศึกษาและการสร้างอัลกอริทึมที่สามารถ เรียนรู้ข้อมูลและทำนายข้อมูลได้ อัลกอริทึมนั้นจะทำงานโดยอาศัยโมเดล ที่สร้าง มาจากชุดข้อมูลตัวอย่างขาเข้า (Training Data )เพื่อการทำนาย (Predict)หรือตัดสินใจในภายหลังแทนที่จะ ทำงานตามลำดับของคำสั่งโปรแกรมคอมพิวเตอร์

กล่าวคือ ปกติแล้ว เราเขียนโปรแกรม Computer ก็คือ การสั่งให้ Computer ทำงานตามคำสั่งที่ผู้เขียนโปรแกรมสั่งให้ทำแบบเฉพาะเจาะจงแต่ใน Machine Learning นี้เราฝันถึง Computer ที่มีความฉลาดมากยิ่งขึ้นซึ่งสามารถทำงานได้เองโดยไม่ต้องมีผู้สั่งมันทำแบบเฉพาะเจาะจง แต่จำเป็นต้องมีการสอนมันมันให้รู้ว่านี่คือ อินพุท นี้คือ เอาพุท ให้ Computer ไปหาวิธีตรงกลางเอาเอง

       Machine Learning มีความเกี่ยวข้องอย่างมากกับวิชาสถิติ เนื่องจากทั้ง 2 สาขา ศึกษาการวิเคราะห์ข้อมูลเพื่อการทำนายเช่นกัน นอกจากนี้ยังมีความสัมพันธ์ กับสาขาการหาค่าเหมาะที่สุดในทางคณิตศาสตร์ (Mathematical Optimization)ในแง่ของวิธีการ ทฤษฎีและการ ประยุกต์ใช้ Machine Learning สามารถนำไปประยุกต์ใช้งานได้หลากหลาย ไม่ว่าจะเป็นการกรองอีเมล์ขยะ การรู้จำตัวอักษร เครื่องมือค้นหา และคอมพิวเตอร์วิทัศน์

ประเภทของปัญหาและงาน

การเรียนรู้ของเครื่อง สามารถแบ่งได้เป็น 3 ประเภท ตามประเภทของ"ข้อมูลฝึก" (Training Data )หรือ "ข้อมูลขาเข้า" ได้ดังนี้

• การเรียนรู้แบบมีผู้สอน (supervised learning) ข้อมูลตัวอย่างและผลลัพธ์ที่ "ผู้สอน" ต้องการ ถูกป้อนเข้าสู่คอมพิวเตอร์ เป้าหมาย คือ การสร้างกฎ ทั่วไปที่สามารถเชื่อมโยงข้อมูลขาเข้ากับขาออกได้

• การเรียนรู้แบบไม่มีผู้สอน (unsupervised learning)  ไม่มีการทำฉลากใดๆ และให้คอมพิวเตอร์หาโครงสร้างของข้อมูลขาเข้าเอง

• การเรียนรู้แบบเสริมกำลัง (reinforcement learning)  คอมพิวเตอร์มี ปฏิสัมพันธ์กับสิ่งแวดล้อมที่เปลี่ยนไปตลอดเวลาโดย คอมพิวเตอร์จะต้อง ทำงานบางอย่าง (เช่น ขับรถ) โดยที่ไม่มี"ผู้สอน"คอย บอกอย่างจริงจัง ว่าวิธีการที่ทำอยู่นั้นเข้าใกล้เป้าหมายแล้วหรือไม่ ตัวอย่าง เช่น การเรียนรู้ เพื่อเล่นเกม

• การเรียนรู้แบบกึ่งมีผู้สอน (semi supervised Learning) "ผู้สอน"จะไม่สอน อย่างสมบูรณ์ คือ บางข้อมูลในเซ็ตการสอนนั้นขาดข้อมูลขาออก

• ทรานดักชัน (transduction)  เป็นกรณีพิเศษของการเรียนรู้แบบกึ่งมีผู้สอน คือ ใช้ชุดตัวอย่างที่มีทั้งฉลากและไม่มีฉลากในการเรียนรู้ แต่จุดประสงค์ ไม่ใช่การสร้างแบบจำลอง แต่เป็นการใส่ฉลากให้กับตัวอย่างที่ไม่มีฉลากที่ ใช้ในการฝึกสอน เนื่องจากการเรียนรู้แบบนี้ไม่มีแบบจำลองจึงไม่สามารถ นำไปใช้กับข้อมูลชุดใหม่ได้โดยตรง

• การเรียนวิธีการเรียน (learning to learn, meta-learning)  เป็นวิธีที่จะเรียน วิธีการเรียนรู้ของตนเอง โดยปรับปรุง inductive bias ที่เป็นข้อสมมติฐานที่ อัลกอริทึมใช้ในการเรียนรู้จากประสบการณ์ที่ผ่านมา

 นอกจากนี้ Machine Learning ยังสามารถแบ่งประเภทของ"งาน"ได้ตาม "ข้อมูลขา ออก" จาก ระบบที่เครื่องจักรได้เรียนรู้แล้ว เป็นหลายประเภท ดังนี้

• Machine Learning ที่ใช้ในการแบ่งประเภทข้อมูล (classification) ข้อมูลขาเข้าถูกแบ่งออกเป็น หลายประเภทหรือ class และผู้เรียนจะต้องสร้างโมเดลที่สามารถกำหนด ประเภทให้กับข้อมูลใหม่ที่ไม่เคยเห็นมาก่อนได้ โดยปกติแล้วจะทำโดยวิธี การเรียนรู้แบบมีผู้สอน ได้แก่ การกรองอีเมล์ขยะ โดยอีเมล์จะถูกแบ่งเป็น ประเภท"ขยะ"และ"ไม่ใช่ขยะ"

• การวิเคราะห์การถดถอย (regression) ใช้หลักการเดียวกับการแบ่งประเภท ข้อมูล แต่ข้อมูลขาออกเป็นลักษณะต่อเนื่องมากกว่าเป็นประเภทแยกกัน

• การแบ่งกลุ่มข้อมูล (clustering)  เป้าหมาย คือ การแบ่งข้อมูลขาเข้าเป็น กลุ่มๆ โดยอัลกอริทึมจะไม่ทราบกลุ่มดังกล่าวล่วงหน้า (ไม่เหมือนกับการ แบ่งประเภทข้อมูล) โดยปกติแล้วมักเป็นการเรียนรู้แบบไม่มีผู้สอน

• การประเมินความหนาแน่น (density estimation)  เป็นการหาการกระจาย ของข้อมูลในมิติบางมิติ

• การลดขนาดของมิติ (dimensionality reduction)  เป็นการเชื่อมโยงข้อมูล หลายมิติไปสู่มิติที่ต่ำกว่า

ประวัติและความสัมพันธ์กับสาขาอื่น

      ศาสตร์ด้าน Machine Learning เติบโตไปพร้อมๆกับปัญญาประดิษฐ์ ในความเป็นจริง Machine Learning มีมาตั้งแต่ยุคแรกๆของปัญญาประดิษฐ์แล้ว นักวิทยาศาสตร์หลายคนสนใจการสร้างเครื่องจักรที่สามารถเรียนรู้จากข้อมูลได้ จึงเริ่มทดลองวิธีการหลายๆอย่าง ที่ชัดสุด คือ โครงข่ายประสาทเทียม เวลาต่อมา ได้มีการคิดค้นโมเดลเชิงเส้นทั่วไปจากหลักการทางสถิติศาสตร์ ไปจนถึงการพัฒนา วิธีการให้เหตุผลตามหลักความน่าจะเป็น โดยเฉพาะในการประยุกต์ด้านการวินิจฉัย โรคอัตโนมัติ อย่างไรก็ตาม นักวิจัยในสายปัญญาประดิษฐ์ยุคต่อมาเริ่มหันมาให้ ความสำคัญกับตรรกศาสตร์และใช้วิธีการทางการแทนความรู้มากขึ้น จนทำให้ ปัญญาประดิษฐ์เริ่มแยกตัวออกจากศาสตร์ Machine Learning จากนั้นเริ่มมี การใช้หลักการความน่าจะเป็นมากขึ้นในการดึงและการแทนข้อมูล ต่อมาระบบ ผู้เชี่ยวชาญเริ่มโดดเด่นในสายของปัญญาประดิษฐ์จนหมดยุคของการใช้หลักสถิติ มีงานวิจัยด้านการเรียนรู้เชิงสัญลักษณ์และบนพื้นฐานของฐานความรู้ออกมา

เรื่อยๆจนศาสตร์ด้านการโปรแกรมตรรกะเชิงอุปนัยได้ถือกำเนิดขึ้นมา แต่งานด้าน สถิติก็ยังถือว่ามีบทบาทมากนอกสาขาของปัญญาประดิษฐ์ เช่น การรู้การจำแบบ และการค้นคืนสารสนเทศ นักวิจัยสายปัญญาประดิษฐ์และนักวิทยาศาสตร์ คอมพิวเตอร์ได้ทิ้งงานวิจัยด้านโครงข่ายประสาทเทียมไปในเวลาเดียวกัน แต่ก็ยังมี นักคณิตศาสตร์บางคนที่ยังพัฒนาโครงข่ายประสาทเทียมต่อไป จนกระทั่งได้ค้นพบ หลักการการแพร่คืนย้อนกลับของโครงข่ายประสาทเทียมที่ประสบความสำเร็จ มากมายในเวลาต่อมา

      Machine Learning เน้นเรื่องการพยากรณ์ข้อมูลจากคุณสมบัติที่"รู้"แล้วที่ ได้เรียนรู้มาจากข้อมูลชุดสอน

      Machine Learning ยังมีความคล้ายคลึงกับการหาค่าเหมาะที่สุด (optimization) นั่นคือ การเรียนรู้หลายอย่างมักจะถูกจัดให้อยู่ในรูปแบบของการ หาค่าที่น้อยที่สุดของฟังก์ชันการสูญเสียบางอย่างจากข้อมูลชุดสอน ฟังก์ชันการ สูญเสีย หมายถึง ความแตกต่างระหว่างสิ่งที่พยากรณ์ไว้กับสิ่งที่เป็นจริง

วิธีการเรียนรู้

• การเรียนรู้ต้นไม้ตัดสินใจ (decision tree learning)

ใช้ต้นไม้ตัดสินใจในการสร้างโมเดลที่พยากรณ์ได้ ซึ่งจะเชื่อมโยงข้อมูลสังเกต การณ์เข้ากับข้อมูลปลายทาง

• กฎความสัมพันธ์ (association rule learning)

เป็นวิธีการหาความสัมพันธ์ที่น่าสนใจจากตัวแปรในฐานข้อมูลขนาดใหญ่

• โครงข่ายประสาทเทียม (artificial neural networks)

เป็นอัลกอริทึมที่ได้แรงบันดาลใจมาจากโครงสร้างและการทำงานของเซลล์ประสาทในสมอง การคำนวณของโครงข่ายประสาทเทียมถูกสร้างเป็นโครงสร้างของการ เชื่อมต่อของประสาทเทียมแต่ละตัว ประมวลผลข้อมูลโดยหลักการการเชื่อมต่อ โครงข่ายสมัยใหม่เป็นเครื่องวิเคราะห์ทางสถิติที่ไม่เป็นเชิงเส้น มักใช้ในการจำลอง ความสัมพันธ์ที่ซับซ้อนระหว่างข้อมูลขาเข้าและขาออก เพื่อหารูปแบบจากข้อมูล หรือเพื่อหาโครงสร้างทางสถิติระหว่างตัวแปรที่สำรวจ

• การโปรแกรมตรรกะเชิงอุปนัย (inductive logic programming)

เป็นวิธีการเรียนรู้จากกฎโดยใช้การโปรแกรมตรรกะ เมื่อมีข้อมูลเบื้องหลังและกลุ่ม ของตัวอย่างที่เป็นฐานข้อมูลตรรกะแล้ว โปรแกรมจะหาโปรแกรมตรรกะที่ครอบ คลุมตัวอย่างบวกแต่ไม่ครอบคลุมตัวอย่างลบ

• ซัพพอร์ตเวกเตอร์แมชชีน (support vector machines)

เป็นหนึ่งในวิธีการเรียนรู้แบบมีผู้สอน ใช้เพื่อการแบ่งประเภทข้อมูลและการ วิเคราะห์การถดถอย เมื่อมีข้อมูลฝึกมาให้และแต่ละข้อมูลถูกจัดอยู่ในประเภทใด ประเภทหนึ่งจากสองประเภท ซัพพอร์ตเวกเตอร์แมชชีนจะสร้างแบบจำลองที่ สามารถพยากรณ์ได้ว่าตัวอย่างใหม่นี้จะตกอยู่ในกลุ่มใด

• การแบ่งกลุ่มข้อมูล (clustering)

เป็นการจัดกลุ่มของข้อมูลสำรวจให้ตกอยู่ในเซ็ตย่อย (เรียกว่า กลุ่ม หรือ cluster) โดยที่ข้อมูลที่อยู่ในกลุ่มเดียวกันจะมีความคล้ายกันตามเกณฑ์ที่ตั้งเอาไว้ ในข้อมูล ที่อยู่คนละกลุ่มจะมีความต่างกัน เทคนิคการแบ่งกลุ่มข้อมูลแต่ละเทคนิคก็มี สมมติฐานของโครงสร้างข้อมูลไม่เหมือนกัน โดยปกติแล้วมักจะมีการนิยาม การวัด ค่าความเหมือน การเกาะกลุ่มภายในและการแยกกันระหว่างกลุ่มที่แตกต่างกัน การแบ่งกลุ่มข้อมูลเป็นวิธีการเรียนรู้แบบไม่มีผู้สอนและเป็นวิธีที่ใช้กันทั่วไปใน การวิเคราะห์ข้อมูลทางสถิติ

• เครือข่ายแบบเบย์ (Bayesian networks)

เป็นโมเดลความน่าจะเป็นเชิงกราฟที่แทนกลุ่มของตัวแปรสุ่มและความเป็นอิสระ แบบมีเงื่อนไขด้วยกราฟอวัฏจักรระบุทิศทาง เช่น สามารถใช้แทนความสัมพันธ์เชิง ความน่าจะเป็นระหว่างอาการแสดงกับโรคได้ เมื่อมีอาการแสดง เครือข่ายจะ คำนวณความน่าจะเป็นที่จะเป็นโรคแต่ละโรค มีหลายอัลกอริทึมที่สามารถอนุมาน และเรียนรู้ได้อย่างมีประสิทธิภาพ

• การเรียนรู้แบบเสริมกำลัง (reinforcement learning)

พิจารณาว่า เอเยนต์ ควรจะมีการกระทำใดในสิ่งแวดล้อม เพื่อที่จะได้รางวัลสูงสุด อัลกอริทึมของการเรียนรู้แบบเสริมกำลังนี้พยายามจะหานโยบายที่เชื่อมโยง สถานะของโลกเข้ากับการกระทำที่เอเยนต์ควรจะทำในสถานะนั้นๆ การเรียนรู้นี้มี ความแตกต่างไปจากการเรียนรู้แบบมีผู้สอนตรงที่ว่า คอมพิวเตอร์จะไม่รู้เลยว่า อะไรถูกอะไรผิด คือ ไม่มีการบอกอย่างชัดเจนว่าการกระทำใดยังไม่ดี

• การเรียนรู้ด้วยการแทน (representation learning)

การเรียนรู้บางอย่างโดยเฉพาะการเรียนรู้แบบไม่มีผู้สอนนั้นพยายามจะค้นหาการ แทนข้อมูลขาเข้าที่ดีขึ้นเมื่อมีชุดข้อมูลฝึก ได้แก่ การวิเคราะห์องค์ประกอบหลัก และการแบ่งกลุ่มข้อมูล อัลกอริทึมการเรียนรู้ด้วยการแทนมักจะเปลี่ยนข้อมูลไป ในรูปแบบที่มีประโยชน์แต่ยังคงรักษาสารสนเทศของข้อมูลเอาไว้ มักใช้ใน กระบวนการเตรียมข้อมูลก่อนจะแบ่งประเภทข้อมูลหรือพยากรณ์ ตัวอย่างอื่นๆ เช่น การเรียนรู้เชิงลึก

• การเรียนรู้ด้วยความคล้าย (similarity and metric learning)

เครื่องจะมีตัวอย่างของคู่ที่ถูกมองว่าคล้ายมากและคู่ที่ถูกมองว่าคล้ายน้อย เครื่องจะต้องหาฟังก์ชันความคล้ายออกมาที่สามารถทำนายได้ว่าวัตถุใหม่นั้นมี ความคล้ายมากน้อยเพียงใด มักใช้ในระบบแนะนำ (recommendation system)

• ขั้นตอนวิธีเชิงพันธุกรรม (genetic algorithms)

เป็นการค้นหาแบบฮิวริสติกที่เลียนแบบกระบวนการคัดเลือกตามธรรมชาติในช่วง วิวัฒนาการของสิ่งมีชีวิต โดยใช้เทคนิคการกลายพันธุ์ของยีนและการไขว้เปลี่ยน ของโครโมโซมในการหาประชากรที่น่าจะอยู่รอดเพื่อพาไปสู่คำตอบของปัญหาได้ เทคนิคทาง Machine Learning ช่วยปรับปรุงประสิทธิภาพของขั้นตอนวิธีเชิง พันธุกรรมและขั้นตอนวิธีเชิงวิวัฒนาการด้วยเช่นกัน

การประยุกต์

การเรียนรู้ของเครื่องสามารถประยุกต์ใช้งานได้หลากหลาย เช่น

• เว็บไซต์ปรับรูปแบบเองได้ (Adaptive website)
• การคำนวณเชิงอารมณ์ (affective computing)
• ชีวสารสนเทศศาสตร์ (bioinformatics)
• การเชื่อมต่อระหว่างสมองกับคอมพิวเตอร์ (brain–computer interface)
• เคมีสารสนเทศศาสตร์ (chemoinformatics)
• การจัดประเภทลำดับดีเอ็นเอ
• คอมพิวเตอร์วิทัศน์ (computer vision)
• การตรวจจับการฉ้อโกงบัตรเครดิต (credit card fraud)
• การเล่นเกมกลยุทธ์
• การค้นคืนสารสนเทศ (information retrieval)
• การตรวจสอบการฉ้อโกงทางอินเทอร์เน็ต
• การรับรู้ของเครื่อง (Machine perception)
• การวินิจฉัยทางการแพทย์ (medical diagnosis)
• การประมวลผลภาษาธรรมชาติ (natural language processing)
• การหาค่าเหมาะที่สุด (optimization)
• ระบบแนะนำ (recommender systems)
• ระบบเคลื่อนไหวของหุ่นยนต์
• เสิร์ชเอนจิน (search engines)
• วิศวกรรมซอฟต์แวร์ (software engineering)
• การรู้การจำเสียงพูด (speech recognition)

References :

https://en.wikipedia.org/wiki/Machine_learning

https://th.wikipedia.org/wiki/%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B9%80%E0%B8%A3%E0%B8%B5%E0%B8%A2%E0%B8%99%E0%B8%A3%E0%B8%B9%E0%B9%89%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B9%80%E0%B8%84%E0%B8%A3%E0%B8%B7%E0%B9%88%E0%B8%AD%E0%B8%87