การเรียนรู้แบบมีผู้ดูแลแตกต่างกับแบบไม่มีผู้ดูแลอย่างไร

ในการทำแมชชีนเลิร์นนิง คุณจะสอนให้คอมพิวเตอร์ทำการทำนายหรืออนุมาน ขั้นแรก คุณใช้อัลกอริทึมและข้อมูลตัวอย่างในการฝึกโมเดล จากนั้น คุณรวมโมเดลของคุณเข้ากับแอปพลิเคชันของคุณเพื่อสร้างการอนุมานแบบเรียลไทม์และตามขนาด การเรียนรู้แบบมีผู้ดูแลและไม่มีผู้ดูแลเป็นอัลกอริทึมสองประเภทที่แตกต่างกัน

การเรียนรู้แบบมีผู้สอน

ในการเรียนรู้แบบมีผู้ดูแล คุณจะฝึกโมเดลด้วยชุดข้อมูลอินพุตและชุดข้อมูลเอาต์พุตที่มีป้ายกำกับจับคู่ที่สอดคล้องกัน โดยทั่วไปการติดฉลากจะทำด้วยตนเอง ต่อไปคือเทคนิคแมชชีนเลิร์นนิงแบบมีผู้ดูแลบางประเภท

รีเกรสชันทางโลจิสติก

รีเกรสชันทางโลจิสติกทำนายผลลัพธ์ที่เป็นหมวดหมู่ตามอินพุตตั้งแต่หนึ่งตัวขึ้นไป การจำแนกประเภทแบบไบนารีคือเมื่อผลลัพธ์ที่จัดอยู่ในประเภทใดประเภทหนึ่งจากสองประเภท เช่น ใช่หรือไม่ใช่ และผ่านหรือไม่ผ่าน การจำแนกประเภทหลายชั้นคือเมื่อผลลัพธ์ที่จัดอยู่ในประเภทมากกว่าสองประเภท เช่น แมว สุนัข หรือกระต่าย  ตัวอย่างของรีเกรสชันทางโลจิสติกคือการทำนายว่านักเรียนจะผ่านหรือไม่ผ่านหน่วยการเรียนรู้ตามจำนวนการเข้าสู่ระบบบทเรียน

อ่านเกี่ยวกับรีเกรสชันทางโลจิสติก »

รีเกรสชันเชิงเส้น

รีเกรสชันเชิงเส้นหมายถึงโมเดลการเรียนรู้แบบมีผู้ดูแลซึ่งทำนายค่าจากสเกลต่อเนื่องโดยอิงตามอินพุตหนึ่งตัวหรือมากกว่า ตัวอย่างของรีเกรสชันเชิงเส้นคือการทำนายราคาบ้าน คุณสามารถคาดการณ์ราคาบ้านตามสถานที่ตั้ง อายุ และจำนวนห้องได้ หลังจากที่คุณฝึกแบบจำลองในชุดข้อมูลการฝึกอบรมการขายในอดีตด้วยตัวแปรเหล่านั้น

อ่านเกี่ยวกับรีเกรสชันเชิงเส้น »

แผนภาพการตัดสินใจต้นไม้

เทคนิคแมชชีนเลิร์นนิงแบบมีผู้ดูแลของแผนภาพการตัดสินใจต้นไม้ใช้อินพุตที่กำหนดและใช้โครงสร้าง if-else เพื่อทำนายผลลัพธ์ ตัวอย่างของปัญหาแผนภาพการตัดสินใจต้นไม้คือการทำนายการเปลี่ยนใจของลูกค้า ตัวอย่างเช่น หากลูกค้าไม่เยี่ยมชมแอปพลิเคชันหลังจากลงทะเบียน แบบจำลองอาจทำนายการเลิกใช้งาน หรือหากลูกค้าเข้าถึงแอปพลิเคชันบนอุปกรณ์หลายเครื่อง และเวลาเซสชันเฉลี่ยสูงกว่าเกณฑ์ที่กำหนด แบบจำลองอาจคาดการณ์การเก็บรักษา

นิวรัลเน็ตเวิร์ก

โซลูชันนิวรัลเน็ตเวิร์กเทียมเป็นเทคนิคการเรียนรู้แบบมีผู้ดูแลที่ซับซ้อนกว่า ในการสร้างผลลัพธ์ที่กำหนด ต้องใช้อินพุตที่กำหนดและทำการแปลงทางคณิตศาสตร์อย่างน้อยหนึ่งชั้นตามการปรับน้ำหนักข้อมูล ตัวอย่างของเทคนิคนิวรัลเน็ตเวิร์กเทียมคือการทำนายตัวเลขจากภาพที่เขียนด้วยลายมือ

อ่านเกี่ยวกับนิวรัลเน็ตเวิร์ก »

การเรียนรู้แบบไม่มีผู้ดูแล

แมชชีนเลิร์นนิงแบบไม่มีผู้ดูแลคือเมื่อคุณให้ข้อมูลอินพุตอัลกอริทึมโดยไม่มีข้อมูลเอาต์พุตที่มีป้ายกำกับ จากนั้น อัลกอริทึมจะระบุรูปแบบและความสัมพันธ์ในและระหว่างข้อมูลด้วยตัวมันเอง ต่อไปคือเทคนิคการเรียนรู้แบบไม่มีผู้ดูแลบางประเภท

การทำคลัสเตอร์

เทคนิคการจัดกลุ่มการเรียนรู้แบบไม่มีผู้ดูแลจะจัดกลุ่มข้อมูลที่ป้อนเข้าไว้ด้วยกัน ดังนั้นข้อมูลเหล่านั้นอาจถูกจัดหมวดหมู่โดยรวม อัลกอริทึมการจัดกลุ่มมีหลายประเภทขึ้นอยู่กับข้อมูลอินพุต ตัวอย่างของการจัดกลุ่มคือการระบุทราฟฟิกเครือข่ายประเภทต่างๆ เพื่อคาดการณ์เหตุการณ์ด้านความปลอดภัยที่อาจเกิดขึ้น

การเรียนรู้กฎการเชื่อมโยง

เทคนิคการเรียนรู้กฎการเชื่อมโยงเปิดเผยความสัมพันธ์ตามกฎระหว่างอินพุตในชุดข้อมูล ตัวอย่างเช่น อัลกอริธึม Apriori ทำการวิเคราะห์ตะกร้าตลาดเพื่อระบุกฎต่างๆ เช่น กาแฟและนมที่มักซื้อพร้อมกัน

ความหนาแน่นของความน่าจะเป็น

เทคนิคความหนาแน่นของความน่าจะเป็นในการเรียนรู้แบบไม่มีผู้ดูแลทำนายโอกาสหรือความเป็นไปได้ที่ค่าของผลลัพธ์จะอยู่ในช่วงของสิ่งที่ถือว่าปกติสำหรับอินพุต ตัวอย่างเช่น มาตรวัดอุณหภูมิในห้องเซิร์ฟเวอร์โดยทั่วไปจะบันทึกระหว่างช่วงองศาที่กำหนด อย่างไรก็ตาม หากจู่ๆ วัดค่าได้ต่ำโดยอิงจากการกระจายความน่าจะเป็น อาจบ่งชี้ว่าอุปกรณ์ทำงานผิดปกติ 

การลดขนาด

การลดขนาดเป็นเทคนิคการเรียนรู้แบบไม่มีผู้ดูแลที่ลดจำนวนคุณสมบัติในชุดข้อมูล มักใช้เพื่อประมวลผลข้อมูลล่วงหน้าสำหรับฟังก์ชันแมชชีนเลิร์นนิงอื่นๆ และลดความซับซ้อนและค่าใช้จ่าย ตัวอย่างเช่น, อาจจะเบลอหรือครอบตัดคุณสมบัติแบ็คกราวด์ในแอปพลิเคชันการจดจำภาพ.

การเรียนรู้แบบกึ่งมีผู้ดูแลคือการที่คุณใช้ทั้งเทคนิคการเรียนรู้แบบมีผู้ดูแลและแบบไม่มีผู้ดูแลกับปัญหาทั่วไป เป็นอีกหมวดหมู่หนึ่งของแมชชีนเลิร์นนิงในตัวเอง

คุณสามารถใช้การเรียนรู้แบบกึ่งมีผู้ดูแลเมื่อการรับป้ายกำกับสำหรับชุดข้อมูลทำได้ยาก คุณอาจมีข้อมูลที่มีป้ายกำกับจำนวนน้อยกว่าแต่มีข้อมูลที่ไม่มีป้ายกำกับจำนวนมาก เมื่อเทียบกับการใช้ชุดข้อมูลที่มีป้ายกำกับเพียงอย่างเดียว คุณจะมีความแม่นยำและมีประสิทธิภาพมากขึ้นหากคุณรวมเทคนิคการเรียนรู้แบบมีผู้ดูแลและแบบไม่มีผู้ดูแลเข้าด้วยกัน

ต่อไปนี้คือตัวอย่างบางส่วนของแอปพลิเคชันการเรียนรู้แบบกึ่งมีผู้ดูแล

การระบุการฉ้อโกง

ภายในชุดข้อมูลธุรกรรมขนาดใหญ่ มีข้อมูลบางส่วนที่ระบุว่าผู้เชี่ยวชาญได้ยืนยันธุรกรรมที่เป็นการฉ้อโกง เพื่อให้ได้ผลลัพธ์ที่แม่นยำยิ่งขึ้น โซลูชันแมชชีนเลิร์นนิงจะฝึกข้อมูลที่ไม่มีป้ายกำกับก่อน จากนั้นจึงฝึกด้วยข้อมูลที่มีป้ายกำกับ

การวิเคราะห์ความรู้สึก

เมื่อพิจารณาถึงความกว้างของการโต้ตอบกับลูกค้าแบบข้อความขององค์กร การจัดหมวดหมู่หรือป้ายกำกับความคิดเห็นในทุกช่องทางอาจไม่คุ้มทุน องค์กรสามารถฝึกโมเดลในส่วนของข้อมูลที่ไม่มีป้ายกำกับขนาดใหญ่ก่อน แล้วจึงฝึกตัวอย่างที่มีป้ายกำกับ สิ่งนี้จะช่วยให้องค์กรมีความมั่นใจมากขึ้นในความคิดเห็นของลูกค้าทั่วทั้งธุรกิจ

การจัดประเภทเอกสาร

เมื่อใช้หมวดหมู่กับฐานเอกสารขนาดใหญ่ อาจมีเอกสารมากเกินไปที่จะติดฉลาก ตัวอย่างเช่น สิ่งเหล่านี้อาจเป็นรายงาน การถอดเสียง หรือข้อมูลจำเพาะจำนวนนับไม่ถ้วน การฝึกอบรมเกี่ยวกับข้อมูลที่ไม่มีป้ายกำกับเพื่อเริ่มต้นช่วยระบุเอกสารที่คล้ายกันสำหรับการติดฉลาก 

Amazon Web Services (AWS) นำเสนอข้อเสนอที่หลากหลายเพื่อช่วยเหลือคุณด้วยแมชชีนเลิร์นนิง (ML) แบบมีผู้ดูแล แบบไม่มีผู้ดูแลดูแล และแบบกึ่งมีผู้ดูแล คุณสามารถสร้าง เรียกใช้ และผสานโซลูชันทุกขนาด ความซับซ้อน หรือกรณีการใช้งาน

Amazon SageMaker เป็นแพลตฟอร์มที่สมบูรณ์ในการสร้างโซลูชั่น ML ของคุณตั้งแต่เริ่มต้น SageMaker มีชุดโมเดลการเรียนรู้ทั้งแบบมีผู้ดูแลและแบบไม่มีผู้ดูแลที่สร้างไว้ล่วงหน้า ความสามารถในการเก็บและการคำนวณ และสภาพแวดล้อมที่มีการจัดการเต็มรูปแบบ

ตัวอย่างเช่น นี่คือคุณสมบัติของ SageMaker ที่คุณสามารถใช้ในงานของคุณ

• ใช้ Amazon SageMaker Autopilot เพื่อสำรวจโซลูชันต่างๆ โดยอัตโนมัติ และค้นหาโมเดลที่ดีที่สุดสำหรับชุดข้อมูลที่คุณกำหนด
• ใช้ Amazon SageMaker Data Wrangler เพื่อเลือกข้อมูล ทำความเข้าใจข้อมูลเชิงลึก และแปลงข้อมูลเพื่อเตรียมข้อมูลสำหรับ ML
• ใช้ Amazon SageMaker Experiments เพื่อวิเคราะห์และเปรียบเทียบการฝึกซ้ำ ML เพื่อเลือกโมเดลที่มีประสิทธิภาพดีที่สุด
• ใช้ Amazon SageMaker Clarify เพื่อตรวจจับและวัดอคติที่อาจเกิดขึ้น ด้วยวิธีนี้ นักพัฒนา ML สามารถจัดการกับอคติที่อาจเกิดขึ้นและอธิบายการคาดคะเนโมเดลได้

เริ่มต้นใช้งานแมชชีนเลิร์นนิงแบบมีผู้ดูแลและแบบไม่มีผู้ดูแลบน AWS โดยสร้างบัญชีวันนี้