ທິດສະດີ Machine Learning : Framing[ Machine Learning Crash Course ]

No Rattanavong
Sep 2, 2018 · 2 min read

ເປັນການອຸ່ນເຄື່ອງຄ້າວໆທີ່ເວົ້າເຖິງໂຄງປະກອບສາ້ງ, ການເຮັດວຽກ ແລະຄຳສັບຕ່າງໆກ່ຽວກັບ ML:

  • Machine Learning: ແມ່ນການຮຽນຮູ້ຂອງເຄື່ອງຈັກທີ່ຮວບຮວມເອົາຄ່າທີ່ປ້ອນເຂົ້າ(Input) ໄປກະຕວງ ຫຼື ພະຍາກອນຄ່າຕ່າງໆ ກັບຂໍ້ມູນຊຸດໃຫມ່(ເພິ່ນອີງຄວາມໝາຍໂດຍໃຫ້ມັນເປັນ Supervised Machine Learning).
Comparing between Program and Machine Learning

ເວົ້າງ່າຍ Machine Learning ແມ່ນການຮຽນຮູ້ຂອງເຄື່ອງຈັກໂດຍການໃຊ້ຂໍ້ມູນ


  • Label: ແມ່ນຜົນລັບທີ່ຄາດການໄວ້ (ປຽບເປັນຕົວປ່ຽນຕາມ y ໃນສົມຜົນເສັ້ນຊື y = ax+b )
  • Feature: ແມ່ນຄຸນລັກສະນະຕ່າງໆ ທີ່ປ້ອນເຂົ້າໃນ ML (ປຽບເໝືອນຕົວປ່ຽນຕົ້ນ X ໃນສົມຜົນເສັ້ນຊື່ y= ax+b)
  • Example: ແມ່ນຕົວຢ່າງໃດໜຶ່ງ ທີ່ຖືກໃຊ້ເຂົ້າໃນການສອນ ແລະການທົດສອບ ML,ປະກອບມີ 2 ປະເພດຄື:
  1. Labeled Example( x, y): ແມ່ນຕົວຢ່າງທີ່ຮູ້ຜົນລັບຢູ່ແລ້ວ, ມີທັງ Feature ແລະ Label ຍົກຕົວຢ່າງ: ໃນການກວດກ Email ວ່າເປັນ Spam ຫຼື ບໍ່? ສົມມຸດ ເຮົາມີ Email ທີ່ເປັນຕົວຢ່າງໜຶ່ງ ປະກອບມີຄຸນສະນະຕ່າງໆ ເຊັ່ນ: ຄວາມຍາວຂອງຂໍ້ຄວາມ, ຮູບພາບ, ຄຳເວົ້າທີ່ໃຊ້ຂຽນ…(ທັງໝົດເປັນ Feature ກະຄື ຄຸນລັກສະນະ ) ແລະສົມມຸດວ່າ Email ນີ້ເປັນ Spam( ເປັນ Label ກະຄື ຜົນລັບທີ່ຮູ້ຢູ່ແລ້ວ ).
  2. Unlabeled Example( x ): ແມ່ນຕົວຢ່າງທີ່ບໍ່ຮູ້ຜົນລັບ ມີແຕ່ຄ່າຄຸນລັກສະນະກະຄື Feature. ຕົວຢ່າງ ການກວດ Email ຂ້າງເທິງ: Unlabeled Example ເປັນ Email ໜຶ່ງທີ່ບໍ່ທັນຮູ້ວ່າ ມັນເປັນ Spam ຫຼື ບໍ່ເປັນ.
  • Model: ແມ່ນຜົນໄດ້ຮັບຈາກການ Train → Machine Learning, ຖ້າເປັນ Supervised ມັນກໍຄື ຕົວແບບ ທີ່ຖືກເອົາໄປໃຊ້ເຂົ້າໃນການພະຍາກອນ, ກວດຈັບ, ຄາດການຕ່າງໆ. ຜົນການຄາດເດົາຈະດີ ຫຼື ບໍ່ດີ ກໍຂຶ້ນກັບຂັ້ນຕອນການສອນ ແລະຂໍ້ມູນທີ່ປ້ອນໃຫ້ມັນນັ້ນເອງ, ກ່ອນຈະໄດ້ມັນມາກໍຕ້ອງຜ່ານຂັ້ນຕອນພື້ນຖານເຊັ່ນ:
  1. Training: ການຊ້ອມ ຫຼືການຮຽນຮູ້ຂອງ Model ທີ່ເບິ່ງຂໍ້ມູນວ່າ Feature ໄປສຳພັນກັບ Label. ສະນັ້ນ, ເຮົາກໍຕ້ອງໃຊ້ຂໍ້ມູນທີ່ມີ Feature ພົວພັນກັບ Feature ຫຼາຍກໍລະນີເພື່ອໃຫ້ Model ສາມາດຈັດການກັບຂໍ້ມູນຫຼາຍແບບ.
  2. Inference: ແມ່ນການສະຫລຸບຜົນໄດ້ຮັບຈາກການພະຍາກອນ ໂດຍໃຊ້ Model ທີ່ຜ່ານການຮຽນຮູ້ມາແລ້ວມາ ພະຍາກອນ unlabeled example(ຕົວຢ່າງທີ່ບໍ່ຮູ້ຜົນລັບ)

Regression Model:

ແມ່ນ Model ທີ່ຖືກໃຊ້ຄາດເດົາ ຂໍ້ມູນແບບຕໍ່ເນື່ອງ (continuous value ເປັນຂໍ້ມູນທີສາມາດເປັນຕົວເລກແບບທົດສະນິຍົມ)

EX:

>ການພະຍາກອນອາກາດ ໂດຍສະເພາະແມ່ນຕົວເລກອຸນຫະພູມຕອນນີ້ມີຄ່າເທົ່າໃດ?, >ຄ່າປີ້ຍົນ ຈາກຫຼວງພະບາງ ໄປຫາຈຳປາສັກມີລາຄາເທົ່າໃດ?, >ອັດຕາການຂະຫຍາຍຕົວຂອງປະຊາກອນລາວມີຄ່າຈັກເປີເຊັນເທົ່າໃດ?

ເຫັນໄດ້ວ່າ ການພະຍາກອນເຫຼົ່ານີ້ລ້ວນແຕ່ເປັນຄ່າຕົວເລກ

Comparing between Classification and Regression

Classification Model:

ແມ່ນ Model ທີ່ຖືກໃຊ້ໄວ້ຈັດໝວດໝູ່ ທີ່ເຮັດວຽກກັບຂໍ້ມູນແບບບໍ່ຕໍ່ເນື່ອງ(discrete value)

EX:

>ຮູບນີ້ເປັນ ງູ, ໄກ່ ຫຼື ມັງກອນ?,

>ຮູບນັ້ນ ເປັນຄົນ ຫຼື ລິງ?

>Email ນັ້ນ ເປັນ Spam ຫຼື ບໍ່?

ເຫັນໄດ້ວ່າ ການພະຍາກອນນີ້ ລ້ວນແຕ່ເປັນຄ່າບໍ່ຕໍ່ເນື່ອງທັງນັ້ນ ເພາະເຮົາເວົ້າບໍ່ໄດ້ວ່າ ຮູບນີ້ ເປັນງູ ເຄິ່ງໂຕ, ຮູບນັ້ນເປັນຄົນ 0.75 ຄົນ ຫຼື Email ນັ້ນ ເປັນ Spam ເຄິ່ງໜຶ່ງ. ແຕ່ເຮົາຈະເວົ້າວ່າ ເປັນງູ, ເປັນລິງ, ເປັນ Spam ແບບເຕັມປາກເຕັມຄຳເທົ່ານັ້ນ.


Key Term: ຄຳສຳຄັນ

classification model: ໃຊ້ໄວ້ຈັດໝວດຫມູ່

regression model: ໃຊ້ໄວ້ຄາດເດົາຕົວເລກ

feature: ຄຸນລັກສະນະ

label: ຜົນໄດ້ຮັບ

example: ຕົວຢ່າງທີ່ໃຊ້ສອນ machine learning

model: ຕົົວແບບທີ່ໃຊ້ໄວ້ພະຍາກອນ, ຈັດໝວດໝູ່ ຫຼືຍັງກະຕາມທີ່ໃຫ້ເຄື່ອງຈັກເຮັດຕັດສິນໃຈເອງ ແລະໄດ້ຈາກການຮຽນຮູ້.

inference: ການສະຫຼຸບຜົນ ຈາກການເອົາ model ທີ່ສອນແລ້ວໄປພະຍາກອນຕົວຢ່າງທີ່ບໍ່ຮູ້ຜົນ(unlabeled example).

    No Rattanavong

    Written by

    #ContentLover #VideoEditor #Book #Creativity #Technology #Photography #Inspiration

    Welcome to a place where words matter. On Medium, smart voices and original ideas take center stage - with no ads in sight. Watch
    Follow all the topics you care about, and we’ll deliver the best stories for you to your homepage and inbox. Explore
    Get unlimited access to the best stories on Medium — and support writers while you’re at it. Just $5/month. Upgrade