ผลต่างระหว่างรุ่นของ "การเรียนรู้แบบมีผู้สอน"

เพิ่มอ้างอิง เพิ่มแหล่งข้อมูล ลบลิงก์ข้ามภาษา
(ลบย่อหน้าที่มีเนื้อหาซ้ำ)
(เพิ่มอ้างอิง เพิ่มแหล่งข้อมูล ลบลิงก์ข้ามภาษา)
 
{{Machine learning bar}}
{{ต้องการอ้างอิง}}
 
{{ลิงก์ไปภาษาอื่น}}
'''การเรียนรู้แบบมีผู้สอน''' ({{lang-en|supervised learning}})เป็นรูปแบบการเรียนรูปแบบหนึ่งของ[[การเรียนรู้ของเครื่อง]]ที่จับคู่ระหว่างข้อมูลนำเข้าและข้อมูลส่งออกตามพื้นฐานตัวอย่าง<ref>Stuart J. Russell, Peter Norvig (2010) ''[[Artificial Intelligence: A Modern Approach]], Third Edition'', Prentice Hall {{ISBN|9780136042594}}.</ref> การทำงานอ้างอิงจาก[[ข้อมูลสอน]] (training data) ซึ่งประกอบด้วยชุดข้อมูลตัวอย่าง<ref>[[Mehryar Mohri]], Afshin Rostamizadeh, Ameet Talwalkar (2012) ''Foundations of Machine Learning'', The MIT Press {{ISBN|9780262018258}}.</ref>
'''การเรียนรู้แบบมีผู้สอน''' ({{lang-en|supervised learning}}) เป็นเทคนิค[[การเรียนรู้ของเครื่อง]]ซึ่งสร้างฟังก์ชันจากข้อมูลสอน ([[:en:Training set|training data]]) ข้อมูลสอนประกอบด้วยวัตถุเข้า (มักจะเป็น เวกเตอร์) และผลที่ต้องการ ผลจากการเรียนรู้จะเป็นฟังก์ชันที่อาจจะให้ค่าต่อเนื่อง (จะเรียกวิธีการว่า [[การถดถอย]] -- regression) หรือ ใช้ทำนายประเภทของวัตถุ (เรียกว่า [[การแบ่งประเภท]] -- classification) ภารกิจของเครื่องเรียนรู้แบบมีผู้สอนคือการทำนายค่าของฟังก์ชันจากวัตถุเข้าที่ถูกต้องโดยใช้ตัวอย่างสอนจำนวนน้อย (training examples -- คู่ของข้อมูลเข้าและผลที่เป็นเป้าหมาย) โดยเครื่องเรียนรู้จะต้องวางนัยทั่วไป (generalize) จากข้อมูลที่มีอยู่ไปยังกรณีที่ไม่เคยพบอย่างมีเหตุผล (ดู [[:en:inductive bias|inductive bias]])
 
'''การเรียนรู้แบบมีผู้สอน''' ({{lang-en|supervised learning}}) เป็นเทคนิค[[การเรียนรู้ของเครื่อง]]ซึ่งสร้างฟังก์ชันจากข้อมูลสอน ([[:en:Training set|training data]]) ข้อมูลสอนประกอบด้วยวัตถุเข้า (มักจะเป็น เวกเตอร์) และผลที่ต้องการ ผลจากการเรียนรู้จะเป็นฟังก์ชันที่อาจจะให้ค่าต่อเนื่อง (จะเรียกวิธีการว่า [[การถดถอย]] -- regression) หรือ ใช้ทำนายประเภทของวัตถุ (เรียกว่า [[การแบ่งประเภท]] -- classification) ภารกิจของเครื่องเรียนรู้แบบมีผู้สอนคือการทำนายค่าของฟังก์ชันจากวัตถุเข้าที่ถูกต้องโดยใช้ตัวอย่างสอนจำนวนน้อย (training examples -- คู่ของข้อมูลเข้าและผลที่เป็นเป้าหมาย) โดยเครื่องเรียนรู้จะต้องวางนัยทั่วไป (generalize) จากข้อมูลที่มีอยู่ไปยังกรณีที่ไม่เคยพบอย่างมีเหตุผล (ดู [[:en:inductive bias|inductive bias]])
 
การแก้ปัญหาการเรียนรู้แบบมีผู้สอน (เช่น การเรียนรู้เพื่อ[[การรู้จำลายมือ|รู้จำลายมือ]]) มีขั้นตอนต่าง ๆ ที่ต้องพิจารณา ได้แก่
# กำหนดชนิดของตัวอย่างสอน ก่อนจะเริ่มทำอย่างอื่น จะต้องตัดสินว่าข้อมูลชนิดใดที่จะใช้เป็นตัวอย่าง เช่นในกรณีการรู้จักลายมือ ตัวอย่างอาจจะเป็นตัวอักษรตัวเดียว คำ หรือบรรทัด
# เก็บตัวอย่าง ชุดตัวอย่างสอนจะต้องมีลักษณะเป็นตามที่ใช้จริง ดังนั้นชุดข้อมูลตัวอย่างและผลที่สอดคล้องจะต้องถูกจัดเก็บจากผู้เชี่ยวชาญหรือจากการวัด
# กำหนดวิธีการแทนลักษณะ (feature) ของข้อมูลเข้า ความถูกต้องของฟังก์ชันจะขึ้นอยู่กับการแทนข้อมูลอย่างมาก โดยทั่วไปวัตถุเข้าจะถูกแปลงเป็นเวกเตอร์ของลักษณะ ใช้อธิบายวัตถุที่ต้องการแบ่งประเภท จำนวนลักษณะจะต้องไม่มากจนเกินไป เพราะจะทำให้เกิดปัญหา [[:en:Curse of dimensionality|Curse of dimensionality]] เนื่องจากมิติที่กว้างเกินไปจนทำให้มีพื้นที่ว่างมากจนเครื่องเรียนรู้ไม่สามารถวางนัยทั่วไปได้ แต่จำนวนลักษณะก็จะต้องมากพอที่จะทำให้สามารถทำนายผลได้แม่นยำ
# กำหนดโครงสร้างของฟังก์ชันที่ต้องการ และขั้นตอนวิธีการเรียนรู้ที่สอดคล้อง เช่น อาจจะต้องเลือกว่าจะใช้ [[ข่ายงานประสาทเทียม]] หรือ [[การเรียนรู้ต้นไม้ตัดสินใจ]]
# ทำการออกแบบให้สมบูรณ์ แล้วใช้ขั้นตอนวิธีการเรียนรู้กับตัวอย่างที่เก็บมา อาจจะปรับพารามิเตอร์ต่างๆ ของขั้นตอนวิธีให้เหมาะที่สุดโดยใช้ชุดย่อยของชุดตัวอย่าง (เรียกว่า ชุดตรวจสอบ -- validation set) หรือ ใช้[[การตรวจสอบไขว้]] (cross-validation) หลังจากปรับค่าต่างๆ แล้ว อาจจะวัดประสิทธิภาพของขั้นตอนวิธีโดยใช้ชุดทดสอบ (test set) ซึ่งแยกต่างหากจากชุดสอน
 
== อ้างอิง ==
{{ต้องการรายการอ้างอิง}}
 
[[หมวดหมู่:การเรียนรู้ของเครื่อง]]
72,284

การแก้ไข