การเรียนรู้แบบมีผู้สอน ไม่มีผู้สอน และแบบเสริมกำลัง
ผู้เรียนจะจำแนกกระบวนทัศน์หลักสามรูปแบบของการเรียนรู้ของเครื่อง พิจารณากรณีการใช้งานจริงของแต่ละรูปแบบ และจับคู่ปัญหาในโลกจริงกับประเภทการเรียนรู้ที่เหมาะสม
การเรียนรู้แบบมีผู้สอน ไม่มีผู้สอน และแบบเสริมกำลัง เป็นบทเรียน Machine Learning Academy ฟรีบน CoddyKit นี่คือบทเรียนที่ 2 จากทั้งหมด 4 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Machine Learning Academy และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Machine Learning Academy มีบทเรียนทั้งหมด 4 บทเรียน
ภาพรวมกระบวนทัศน์การเรียนรู้สามรูปแบบ
ML ไม่ได้มีเพียงเทคนิคเดียว แต่เป็นกลุ่มเทคนิคที่แบ่งตามข้อมูลป้อนกลับที่ใช้เรียนรู้ สามรูปแบบหลักคือการเรียนรู้แบบ มีผู้สอน ไม่มีผู้สอน และเสริมกำลัง
การเรียนรู้แบบมีผู้สอน: เรียนรู้จากป้ายกำกับ
การเรียนรู้แบบมีผู้สอน ฝึกจากตัวอย่างที่มีคำตอบที่ถูกต้องอยู่แล้ว (ป้ายกำกับ) วิธีนี้อยู่เบื้องหลัง ML ส่วนใหญ่ที่คุณใช้งาน ทั้งการจำแนกประเภทและการทำนาย
# Supervised learning example: predict house price
from sklearn.linear_model import LinearRegression
import numpy as np
# Features (size in sq ft) and labels (price in $)
X = np.array([[500], [1000], [1500], [2000]])
y = np.array([100000, 200000, 300000, 400000])
model = LinearRegression()
model.fit(X, y) # supervised: model sees both X and y
# Predict on new data
print(model.predict([[1200]])) # ~$240,000กรณีใช้งานการเรียนรู้แบบมีผู้สอน
การเรียนรู้แบบมีผู้สอนพบได้ทุกที่ ทั้งตัวกรองสแปม การวินิจฉัยทางการแพทย์ การประเมินคะแนนสินเชื่อ และการรู้จำภาพ ในแต่ละกรณี โมเดลจะเรียนรู้จากตัวอย่างในอดีตที่มีป้ายกำกับ
การเรียนรู้แบบไม่มีผู้สอน: ค้นหาโครงสร้างที่ซ่อนอยู่
การเรียนรู้แบบไม่มีผู้สอน ทำงานโดยไม่มีป้ายกำกับเลย อัลกอริทึมจะสำรวจข้อมูลและค้นหาโครงสร้างที่ซ่อนอยู่ด้วยตัวเอง โดยส่วนใหญ่มักใช้การจัดกลุ่ม
# Unsupervised learning example: K-Means clustering
from sklearn.cluster import KMeans
import numpy as np
# No labels — only features
X = np.array([[1, 2], [1.5, 1.8], [5, 8], [8, 8], [1, 0.6], [9, 11]])
kmeans = KMeans(n_clusters=2, random_state=42)
kmeans.fit(X) # no y — discovers structure on its own
print('Cluster assignments:', kmeans.labels_)
# Automatically finds two groups without any labelsกรณีใช้งานการเรียนรู้แบบไม่มีผู้สอน
การเรียนรู้แบบไม่มีผู้สอนเหมาะอย่างยิ่งเมื่อการสร้างป้ายกำกับมีต้นทุนสูง เช่น การจัดกลุ่มลูกค้า การตรวจจับความผิดปกติในการรับส่งข้อมูลเครือข่าย หรือการค้นหาหัวข้อจากบทความนับพัน
การเรียนรู้แบบเสริมกำลัง: เรียนรู้จากการลงมือทำ
ในการ เรียนรู้แบบเสริมกำลัง ตัวแทนจะลงมือทำในสภาพแวดล้อมและได้รับรางวัลหรือบทลงโทษ จากนั้นเรียนรู้กลยุทธ์ที่ดีที่สุดผ่านการลองผิดลองถูก คล้ายกับการฝึกสุนัข 🐕
กรณีใช้งานการเรียนรู้แบบเสริมกำลัง
การเรียนรู้แบบเสริมกำลังอยู่เบื้องหลังความสำเร็จที่มีชื่อเสียงหลายกรณี เช่น AlphaGo ที่เชี่ยวชาญเกมโกะจากการเล่นกับตัวเอง หุ่นยนต์ที่เรียนรู้การเดิน และตัวแทนที่เรียนรู้การขับรถในสภาพแวดล้อมจำลอง
การเรียนรู้แบบกำกับดูแลตนเอง: กระบวนทัศน์ที่สี่
แนวทางสมัยใหม่อีกแบบคือ การเรียนรู้แบบกำกับดูแลตนเอง ซึ่งข้อมูลจะสร้างป้ายกำกับให้ตัวเอง โมเดลภาษาอย่าง BERT เรียนรู้ด้วยการทำนายคำที่ถูกปิดบังในประโยค
จับคู่ปัญหากับกระบวนทัศน์
เมื่อต้องเลือกกระบวนทัศน์ ให้ถามตัวเองว่า มีป้ายกำกับหรือไม่ ผลลัพธ์เป็นหมวดหมู่หรือตัวเลข การเรียนรู้ขับเคลื่อนด้วยรางวัลหรือไม่ หากไม่แน่ใจ ให้เริ่มด้วย การเรียนรู้แบบมีผู้สอน
การเรียนรู้แบบกึ่งมีผู้สอน: ข้อดีของทั้งสองแนวทาง
การเรียนรู้แบบกึ่งมีผู้สอน ผสมข้อมูลที่มีป้ายกำกับเล็กน้อยเข้ากับข้อมูลที่ไม่มีป้ายกำกับจำนวนมาก เหมาะอย่างยิ่งเมื่อการสร้างป้ายกำกับมีค่าใช้จ่ายสูง แต่มีข้อมูลดิบอยู่มาก
API ของ Scikit-learn สำหรับทุกกระบวนทัศน์
scikit-learn โดดเด่นด้วย API ที่สอดคล้องกัน เพียงสร้างตัวประมาณค่า เรียกใช้ fit() แล้วจึงเรียก predict() หรือ transform() การสลับอัลกอริทึมใช้โค้ดเพิ่มเพียงเล็กน้อย
# Consistent API across paradigms
from sklearn.linear_model import LogisticRegression # supervised
from sklearn.cluster import KMeans # unsupervised
from sklearn.decomposition import PCA # unsupervised
import numpy as np
X = np.random.randn(100, 5)
y = np.random.randint(0, 2, 100)
# Supervised
clf = LogisticRegression()
clf.fit(X, y) # needs labels
# Unsupervised
km = KMeans(n_clusters=3)
km.fit(X) # no labels needed
pca = PCA(n_components=2)
X_reduced = pca.fit_transform(X)ตรวจสอบความเข้าใจอย่างรวดเร็ว
ทดสอบความเข้าใจแนวคิด Machine Learning ด้วย Python จากบทเรียนนี้
สรุปบทเรียน
ทำได้ดีครับ/ค่ะ! แบบมีผู้สอน เรียนรู้จากป้ายกำกับ แบบไม่มีผู้สอน ค้นหาโครงสร้างที่ซ่อนอยู่ และ แบบเสริมกำลัง เรียนรู้จากรางวัล ต่อไป: กระบวนการทำงาน ML ทั้งหมด
เรียนรู้ Python ด้วย AI tutor — ฟรี
เขียนและเรียกใช้โค้ดจริงในเบราว์เซอร์ของคุณ รับความช่วยเหลือทันทีจาก AI tutor 24/7 และเรียนรู้ต่อจากที่คุณหยุดบนเว็บหรือในแอป
- คอร์ส
- 30
- บทเรียน
- 120
คำถามที่พบบ่อย
บทเรียน “การเรียนรู้แบบมีผู้สอน ไม่มีผู้สอน และแบบเสริมกำลัง” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “การเรียนรู้แบบมีผู้สอน ไม่มีผู้สอน และแบบเสริมกำลัง” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส Machine Learning Academy ให้อัปเกรดเป็น CoddyKit PRO คอร์ส Machine Learning Academy มีบทเรียนทั้งหมด 4 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “การเรียนรู้แบบมีผู้สอน ไม่มีผู้สอน และแบบเสริมกำลัง”
ผู้เรียนจะจำแนกกระบวนทัศน์หลักสามรูปแบบของการเรียนรู้ของเครื่อง พิจารณากรณีการใช้งานจริงของแต่ละรูปแบบ และจับคู่ปัญหาในโลกจริงกับประเภทการเรียนรู้ที่เหมาะสม คุณปฏิบัติ Machine Learning Academy ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน Machine Learning Academy หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน Machine Learning Academy บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 2 จากทั้งหมด 4 บทเรียน
บทเรียน “การเรียนรู้แบบมีผู้สอน ไม่มีผู้สอน และแบบเสริมกำลัง” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน Machine Learning Academy นี้ได้ไหม
ได้ บทเรียน Machine Learning Academy ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- การเขียนโปรแกรมแบบดั้งเดิมเทียบกับการเรียนรู้ของเครื่อง
- การเรียนรู้แบบมีผู้สอน ไม่มีผู้สอน และแบบเสริมกำลัง
- กระบวนการทำงานของการเรียนรู้ของเครื่อง: จากข้อมูลสู่การคาดการณ์
- การเรียนรู้ของเครื่องในโลกจริง: กรณีการใช้งานและข้อจำกัด