การเรียนรู้ภายใต้การดูแล: วิธีสอนเครื่องจักรเพื่อช่วยเรา

คุณสามารถนึกถึงการเรียนรู้ภายใต้การดูแลในฐานะครูที่ดูแลกระบวนการเรียนรู้ทั้งหมด

มันเป็นหนึ่งในวิธีการเรียนรู้ที่พบบ่อยที่สุด และเป็นเครื่องมืออันล้ำค่าในด้านปัญญาประดิษฐ์ กระบวนการเรียนรู้นี้เปรียบได้กับความสัมพันธ์ระหว่างนักเรียนกับครู แม้ว่าเครื่องจักรจะไม่ดื้อรั้นเหมือนมนุษย์ก็ตาม

หากคุณเพิ่งก้าวเข้าสู่โลกแห่งปัญญาประดิษฐ์ การเรียนรู้ภายใต้การดูแลอาจไม่ใช่คำศัพท์ที่คุณเคยเจอมาก่อน กล่าวโดยย่อ เป็นกลยุทธ์การเรียนรู้ของเครื่องที่ช่วยให้ระบบ AI สามารถเรียนรู้และก้าวหน้าได้

พูดง่ายๆ ก็คือ อัลกอริธึมการเรียนรู้ภายใต้การดูแลได้รับการออกแบบมาเพื่อเรียนรู้จากตัวอย่าง ตัวอย่างดังกล่าวเรียกว่า ข้อมูลการฝึก และแต่ละตัวอย่างคือคู่ของวัตถุอินพุตและค่าเอาต์พุตที่ต้องการ คู่ของข้อมูลอินพุตและเอาต์พุตที่ป้อนเข้าสู่ระบบโดยทั่วไปจะเรียก ว่าข้อมูลที่มีป้ายกำกับ

การป้อนข้อมูลที่มีป้ายกำกับ แสดงว่าคุณแสดงการเชื่อมต่อระหว่างตัวแปรต่างๆ และผลลัพธ์ที่ทราบแก่เครื่อง ด้วยการเรียนรู้ภายใต้การดูแล ระบบ AI จะได้รับการบอกอย่างชัดเจนว่าต้องค้นหาอะไรในข้อมูลที่ป้อนให้ ซึ่งช่วยให้อัลกอริธึมทำงานได้ดีขึ้นเป็นระยะๆ และสร้างโมเดลการเรียนรู้ของเครื่องที่สามารถคาดการณ์ผลลัพธ์หรือจัดประเภทข้อมูลได้อย่างแม่นยำเมื่อนำเสนอด้วยข้อมูลที่ไม่คุ้นเคย

การปรับแบบจำลองให้เหมาะสม หมายถึงการวัดว่าแบบจำลองนั้นสรุปข้อมูลที่คล้ายคลึงกันกับข้อมูลที่ได้รับการฝึกอบรมได้ดีเพียงใด โมเดลที่ติดตั้งมาอย่างดีจะให้ผลลัพธ์ที่แม่นยำ โมเดลที่ใส่มากเกินไปจะตรงกับข้อมูลมากเกินไป รุ่นติดตั้งไม่พอดีไม่ตรงกับข้อมูลมากพอ

การเรียนรู้ภายใต้การดูแลทำงานอย่างไร

การฝึกอบรมมีบทบาทสำคัญในการเรียนรู้ภายใต้การดูแล ในระหว่างขั้นตอนการฝึกอบรม ระบบ AI จะได้รับข้อมูลการฝึกที่มีป้ายกำกับจำนวนมาก ดังที่ได้กล่าวไว้ก่อนหน้านี้ ข้อมูลการฝึกสอนระบบว่าผลลัพธ์ที่ต้องการควรเป็นอย่างไรจากค่าอินพุตที่แตกต่างกันแต่ละค่า

แบบจำลองที่ได้รับการฝึกอบรมจะได้รับ ข้อมูลการทดสอบ ซึ่งช่วยให้นักวิทยาศาสตร์ข้อมูลสามารถกำหนดประสิทธิผลของการฝึกอบรมและความถูกต้องของแบบจำลองได้ ความแม่นยำของแบบจำลองขึ้นอยู่กับขนาดและคุณภาพของชุดข้อมูลการฝึกและอัลกอริทึมที่ใช้

อย่างไรก็ตาม ความแม่นยำสูงอาจไม่ใช่สิ่งที่ดีเสมอไป ตัวอย่างเช่น ความแม่นยำสูงอาจหมายถึงว่าแบบจำลองกำลังประสบปัญหาจาก การใส่มากเกินไป – ข้อผิดพลาดในการสร้างแบบจำลองหรือการเพิ่มประสิทธิภาพแบบจำลองที่ไม่ถูกต้องเมื่อได้รับการปรับมากเกินไปกับชุดข้อมูลการฝึกอบรมและอาจส่งผลให้เกิดผลบวกที่ผิดพลาด

ในกรณีดังกล่าว โมเดลอาจทำงานได้ดีอย่างน่าทึ่งในสถานการณ์การทดสอบ แต่อาจล้มเหลวในการให้ผลลัพธ์ที่ถูกต้องในสถานการณ์จริง เพื่อขจัดโอกาสในการสวมใส่มากเกินไป ตรวจสอบให้แน่ใจว่าข้อมูลการทดสอบแตกต่างจากข้อมูลการฝึกอบรมอย่างสิ้นเชิง นอกจากนี้ ให้ตรวจสอบว่าโมเดลไม่ได้ดึงคำตอบจากประสบการณ์ครั้งก่อน

ตัวอย่างการฝึกอบรมควรมีความหลากหลาย มิฉะนั้น เมื่อนำเสนอด้วยเคสที่ไม่เคยเห็นมาก่อน โมเดลจะไม่ทำงาน

ในบริบทของ data science และ data mining (กระบวนการเปลี่ยนข้อมูลดิบให้เป็นข้อมูลที่เป็นประโยชน์) การเรียนรู้ภายใต้การดูแลสามารถแบ่งออกเป็นสองประเภทเพิ่มเติม: การจำแนก และ การถดถอย

อัลกอริธึมการจำแนกประเภท พยายามกำหนดประเภทหรือคลาสของข้อมูลที่นำเสนอ การจำแนกประเภทอีเมลสแปม คอมพิวเตอร์วิทัศน์ และการจัดประเภทยาเป็นตัวอย่างทั่วไปของปัญหาการจำแนกประเภท

ในทางกลับกัน อัลกอริธึมการถดถอย พยายามทำนายค่าเอาต์พุตตามคุณสมบัติอินพุตของข้อมูลที่ให้มา การคาดคะเนอัตราการคลิกของโฆษณาดิจิทัลและการคาดการณ์ราคาบ้านตามคุณลักษณะเป็นปัญหาการถดถอยทั่วไปบางประการ

การเรียนรู้แบบมีผู้ดูแล vs. แบบไม่มีผู้ดูแล vs. การเรียนรู้แบบกึ่งควบคุม

วิธีที่ดีที่สุดวิธีหนึ่งในการทำความเข้าใจความแตกต่างระหว่างการเรียนรู้ภายใต้การดูแลและการเรียนรู้ที่ไม่มีผู้ดูแลคือการดูว่าคุณเรียนรู้การเล่นเกมกระดานอย่างไร - สมมติว่าหมากรุก

ทางเลือกหนึ่งคือการจ้างครูสอนหมากรุก ครูสอนพิเศษจะสอนวิธีเล่นเกมหมากรุกให้คุณฟังโดยอธิบายกฎพื้นฐาน สิ่งที่หมากรุกแต่ละชิ้นทำ และอื่นๆ เมื่อคุณทราบกฎของเกมและขอบเขตของแต่ละชิ้นแล้ว คุณสามารถฝึกฝนโดยเล่นกับติวเตอร์ได้

ครูสอนพิเศษจะดูแลการเคลื่อนไหวของคุณและแก้ไขคุณทุกครั้งที่คุณทำผิดพลาด เมื่อคุณรวบรวมความรู้และการฝึกฝนเพียงพอแล้ว คุณสามารถเริ่มแข่งขันกับผู้อื่นได้

กระบวนการเรียนรู้นี้เปรียบได้กับ การเรียนรู้ภายใต้การดูแล ในการเรียนรู้ภายใต้การดูแล นักวิทยาศาสตร์ข้อมูลจะทำหน้าที่เหมือนติวเตอร์และฝึกเครื่องจักรด้วยการป้อนกฎพื้นฐานและกลยุทธ์โดยรวม

หากคุณไม่ต้องการจ้างติวเตอร์ คุณยังสามารถเรียนรู้เกมหมากรุกได้ วิธีหนึ่งคือการดูคนอื่นเล่นเกม คุณอาจไม่สามารถถามคำถามใดๆ กับพวกเขาได้ แต่คุณสามารถรับชมและเรียนรู้วิธีเล่นเกมได้

แม้จะไม่ทราบชื่อหมากรุกแต่ละชิ้น แต่คุณสามารถเรียนรู้ว่าแต่ละชิ้นเคลื่อนไหวอย่างไรโดยการสังเกตเกม ยิ่งคุณดูเกมมากเท่าไหร่ คุณก็ยิ่งเข้าใจมากขึ้นเท่านั้น และยิ่งมีความรู้มากขึ้นเกี่ยวกับกลยุทธ์ต่างๆ ที่คุณสามารถนำไปใช้เพื่อเอาชนะได้

กระบวนการเรียนรู้นี้คล้ายกับ การเรียนรู้แบบไม่มี ผู้ดูแล นักวิทยาศาสตร์ข้อมูลให้เครื่องเรียนรู้โดยการสังเกต แม้ว่าตัวเครื่องจะไม่ทราบชื่อหรือป้ายกำกับเฉพาะ แต่จะสามารถค้นหารูปแบบได้ด้วยตัวเอง

พูดง่ายๆ ก็คือ การเรียนรู้แบบ unsupervised คือเมื่ออัลกอริทึมได้รับชุดข้อมูลการฝึกอบรมที่มีเฉพาะข้อมูลอินพุตและไม่มีข้อมูลเอาต์พุตที่เกี่ยวข้อง

อย่างที่คุณเห็น วิธีการเรียนรู้ทั้งสองแบบมีจุดแข็งและจุดอ่อนที่โดดเด่น

สำหรับการเรียนรู้ภายใต้การดูแล คุณต้องมีติวเตอร์ที่มีความรู้ซึ่งสามารถสอนกฎและกลยุทธ์ของเครื่องได้ ในตัวอย่างของหมากรุก หมายความว่าคุณต้องมีติวเตอร์เพื่อเรียนรู้เกม ถ้าไม่เช่นนั้น คุณอาจจบลงด้วยการเรียนรู้เกมอย่างผิดๆ

ในกรณีของการเรียนรู้แบบ unsupervised คุณต้องใช้ข้อมูลปริมาณมหาศาลเพื่อให้เครื่องสามารถสังเกตและเรียนรู้ได้ แม้ว่าข้อมูลที่ไม่มีป้ายกำกับจะมีราคาถูก (และมีจำนวนมาก) และง่ายต่อการรวบรวมและจัดเก็บ แต่ต้องปราศจากข้อมูลซ้ำซ้อนหรือข้อมูลขยะ ข้อมูลที่มีข้อบกพร่องหรือไม่สมบูรณ์อาจส่งผลให้เกิด ความลำเอียงในการเรียนรู้ของเครื่อง ซึ่งเป็นปรากฏการณ์ที่อัลกอริทึมสร้างผลลัพธ์การเลือกปฏิบัติ

ในตัวอย่างของหมากรุก หากคุณกำลังเรียนรู้จากการสังเกตผู้เล่นคนอื่น นั่นหมายความว่าคุณต้องดูเกมหลายสิบเกมก่อนที่คุณจะเข้าใจ นอกจากนี้ หากคุณดูผู้เล่นที่เล่นเกมอย่างไม่ถูกต้อง คุณก็อาจทำเช่นเดียวกัน

จากนั้นมี การเรียนรู้แบบกึ่งควบคุมดูแล

อย่างที่คุณอาจเดาได้ การเรียนรู้แบบกึ่งควบคุมดูแลเป็นการผสมผสานระหว่างการเรียนรู้แบบมีผู้สอนและแบบไม่มีผู้ดูแล ในกระบวนการเรียนรู้นี้ นักวิทยาศาสตร์ข้อมูลจะฝึกเครื่องจักรเพียงเล็กน้อยเพื่อให้ได้รับภาพรวมในระดับสูง จากนั้นเครื่องจะเรียนรู้กฎและกลยุทธ์โดยการสังเกตรูปแบบ ข้อมูลการฝึกอบรมจำนวนเล็กน้อยจะถูกติดป้ายกำกับ และส่วนที่เหลือจะไม่มีป้ายกำกับ

ในตัวอย่างการเรียนรู้หมากรุก การเรียนรู้กึ่งควบคุมจะคล้ายกับติวเตอร์ที่อธิบายเพียงพื้นฐานสำหรับคุณและให้คุณเรียนรู้โดยการเล่นเพื่อแข่งขัน

กระบวนการเรียนรู้อีกอย่างหนึ่งคือ การเรียนรู้แบบเสริมแรง (RL) เป็นกลยุทธ์การเรียนรู้ของเครื่องที่ระบบ AI เผชิญกับสถานการณ์ที่เหมือนเกม ในการสอน AI โปรแกรมเมอร์ใช้เทคนิคการให้รางวัลซึ่งระบบต้องมุ่งเน้นไปที่การดำเนินการที่เหมาะสมเพื่อเพิ่มรางวัลสูงสุดและหลีกเลี่ยงบทลงโทษ

อัลกอริทึมการเรียนรู้ภายใต้การดูแล

มีการใช้เทคนิคการคำนวณและอัลกอริธึมมากมายในกระบวนการเรียนรู้ภายใต้การดูแล

ต่อไปนี้คืออัลกอริธึมแมชชีนเลิร์นนิงภายใต้การดูแลทั่วไปบางส่วนที่คุณจะได้พบ

การถดถอยเชิงเส้น

การถดถอยเชิงเส้น เป็นทั้งอัลกอริทึมทางสถิติและอัลกอริธึมการเรียนรู้ของเครื่อง เป็นอัลกอริธึมที่พยายามจำลองความสัมพันธ์ระหว่างตัวแปรสองตัวโดยแนบสมการเชิงเส้นกับข้อมูลที่สังเกตได้ จากสองตัวแปรนี้ ตัวแปรหนึ่งถือเป็นตัวแปรอธิบาย และอีกตัวแปรหนึ่งเป็นตัวแปรตาม

การถดถอยเชิงเส้นยังสามารถใช้เพื่อระบุความสัมพันธ์ระหว่างตัวแปรตามและตัวแปรอิสระอย่างน้อยหนึ่งตัว ในขอบเขตการเรียนรู้ของเครื่อง ใช้การถดถอยเชิงเส้นเพื่อคาดการณ์

การถดถอยโลจิสติก

การถดถอยโลจิสติก เป็นแบบจำลองทางคณิตศาสตร์ที่ใช้ในการประมาณความน่าจะเป็นของเหตุการณ์โดยพิจารณาจากข้อมูลก่อนหน้านี้ การให้คะแนนเครดิตและการตรวจจับการฉ้อโกงธุรกรรมออนไลน์คือส่วนหนึ่งของการใช้งานจริงของอัลกอริธึมนี้ กล่าวอีกนัยหนึ่ง เป็นอัลกอริธึมการวิเคราะห์เชิงคาดการณ์ตามแนวคิดของความน่าจะเป็นที่ใช้ในการแก้ปัญหาการจำแนกประเภทไบนารี

เช่นเดียวกับการถดถอยโลจิสติก การถดถอยเชิงเส้นก็ยืมมาจากสาขาสถิติเช่นกัน อย่างไรก็ตาม ไม่เหมือนกับการถดถอยเชิงเส้นที่ทำงานกับตัวแปรตามแบบต่อเนื่อง การถดถอยโลจิสติกทำงานกับข้อมูลไบนารี เช่น "จริง" หรือ "เท็จ"

โครงข่ายประสาทเทียม

โครงข่ายประสาทเทียม (ANN) ส่วนใหญ่จะใช้โดยอัลกอริธึมการเรียนรู้เชิงลึก เป็นชุดของอัลกอริธึมที่เลียนแบบการทำงานของสมองมนุษย์เพื่อรับรู้ถึงความสัมพันธ์ระหว่างข้อมูลปริมาณมหาศาล อย่างที่คุณอาจเดาได้ว่า ANN มีความสำคัญต่อระบบปัญญาประดิษฐ์

โครงข่ายประสาทเทียมประกอบด้วยชั้นของหลายโหนด แต่ละโหนดประกอบด้วยอินพุต น้ำหนัก อคติ และเอาต์พุต ANN ได้รับการฝึกอบรมโดยการปรับน้ำหนักอินพุตตามประสิทธิภาพของเครือข่าย ตัวอย่างเช่น หากโครงข่ายประสาทเทียมจำแนกรูปภาพได้ถูกต้อง น้ำหนักที่นำไปสู่คำตอบที่ถูกต้องจะเพิ่มขึ้น ในขณะที่น้ำหนักอื่นๆ จะลดลง

Naive Bayes

Naive Bayes เป็นวิธีการจำแนกตามหลักการความเป็นอิสระตามเงื่อนไขของคลาสของทฤษฎีบทเบย์ ในแง่ที่ง่ายกว่า วิธีการจำแนกแบบ Naive Bayes ถือว่าการมีอยู่ของคุณลักษณะเฉพาะในคลาสไม่ส่งผลต่อการมีอยู่ของคุณลักษณะอื่นๆ

ตัวอย่างเช่น ผลไม้อาจถือเป็นแอปเปิ้ลหากมีสีแดง กลม และมีเส้นผ่านศูนย์กลางประมาณสามนิ้ว แม้ว่าคุณสมบัติเหล่านี้จะขึ้นอยู่กับแต่ละส่วน คุณสมบัติทั้งหมดเหล่านี้มีส่วนทำให้เกิดความน่าจะเป็นที่ผลเป็นแอปเปิ้ล

โมเดล Naive Bayes มีประโยชน์เมื่อต้องจัดการกับชุดข้อมูลขนาดใหญ่ สร้างได้ง่าย รวดเร็ว และเป็นที่รู้จักว่าทำงานได้ดีกว่าวิธีการจัดประเภทขั้นสูง

รองรับเวกเตอร์เครื่อง (SVM)

Support vector machine (SVM) เป็นอัลกอริธึมการเรียนรู้ของเครื่องภายใต้การดูแลที่รู้จักกันดีซึ่งพัฒนาโดย Vladimir Vapnik แม้ว่าจะใช้สำหรับปัญหาการจำแนกประเภทเป็นหลัก แต่ SVM ก็สามารถใช้สำหรับการถดถอยได้เช่นกัน

SVM สร้างขึ้นจากแนวคิดในการค้นหาไฮเปอร์เพลนที่แบ่งชุดข้อมูลที่กำหนดออกเป็นสองคลาสได้ดีที่สุด ไฮเปอร์เพลนดังกล่าวเรียกว่า ขอบเขตการตัดสินใจ และแยกจุดข้อมูลออกเป็นด้านใดด้านหนึ่ง การตรวจจับใบหน้า การจัดประเภทข้อความ การจัดประเภทรูปภาพ เป็นแอปพลิเคชัน SVM ที่มีอยู่จริงมากมาย

K-เพื่อนบ้านที่ใกล้ที่สุด (KNN)

อัลกอริธึม K-Nearest Neighbors (KNN) เป็นอัลกอริธึมการเรียนรู้ของเครื่องภายใต้การดูแลซึ่งใช้ในการแก้ปัญหาการถดถอยและการจำแนกประเภท เป็นอัลกอริทึมที่จัดกลุ่มจุดข้อมูลตามความใกล้ชิดและความสัมพันธ์กับข้อมูลอื่นๆ

เข้าใจง่าย นำไปใช้ได้จริง และใช้เวลาคำนวณน้อย อย่างไรก็ตาม อัลกอริทึมจะช้าลงอย่างเห็นได้ชัดเมื่อขนาดของข้อมูลที่ใช้งานเพิ่มขึ้น โดยทั่วไปแล้ว KNN จะใช้สำหรับการจดจำภาพและระบบแนะนำ

ป่าสุ่ม

ฟอเรสต์สุ่มเป็นวิธีการเรียนรู้ที่ประกอบด้วยแผนผังการตัดสินใจจำนวนมากที่ทำงานเป็น ชุด (การใช้อัลกอริธึมการเรียนรู้ที่หลากหลายเพื่อให้ได้ประสิทธิภาพการคาดการณ์ที่ดีขึ้น) โครงสร้างการตัดสินใจแต่ละอันมีการทำนายคลาส และคลาสที่มีคะแนนโหวตสูงสุดจะกลายเป็นคำทำนายของโมเดล

อัลกอริธึมแบบสุ่มของฟอเรสต์ถูกใช้อย่างกว้างขวางในตลาดหุ้น การธนาคาร และด้านการแพทย์ ตัวอย่างเช่น สามารถใช้เพื่อระบุลูกค้าที่มีแนวโน้มจะชำระหนี้ตรงเวลา

ตัวอย่างการเรียนรู้ภายใต้การดูแล

ดังที่ได้กล่าวไว้ก่อนหน้านี้ การคาดการณ์ราคาบ้าน อัตราการคลิกผ่านของโฆษณาออนไลน์ และแม้แต่ความเต็มใจของลูกค้าที่จะจ่ายเงินสำหรับผลิตภัณฑ์ใดผลิตภัณฑ์หนึ่งเป็นตัวอย่างที่โดดเด่นของรูปแบบการเรียนรู้ภายใต้การดูแล

สอนเครื่องคิด

ด้วยการใช้ประโยชน์จากข้อมูลที่มีป้ายกำกับ อัลกอริธึมการเรียนรู้ภายใต้การดูแลสามารถสร้างแบบจำลองที่สามารถจำแนกข้อมูลขนาดใหญ่ได้อย่างง่ายดายและแม้กระทั่งคาดการณ์ผลลัพธ์ในอนาคต เป็นเทคนิคการเรียนรู้ที่ยอดเยี่ยมที่จะนำเครื่องจักรมาสู่โลกมนุษย์

เมื่อพูดถึงเทคนิคการเรียนรู้เพื่อทำให้เครื่องจักรมีความชาญฉลาด คุณเคยสงสัยหรือไม่ว่าระบบปัญญาประดิษฐ์ที่เรามีอยู่ในปัจจุบันนี้มีความสามารถอย่างแท้จริงหรือไม่? ถ้าเป็นเช่นนั้น ให้ป้อนความอยากรู้อยากเห็นของคุณโดยอ่านเพิ่มเติมเกี่ยวกับ AI ที่แคบ