การเรียนรู้ของเครื่อง 3 แนวทางหลัก

🎯 เป้าหมายการเรียนรู้

• แยกความแตกต่างของ Supervised, Unsupervised และ Reinforcement Learning ได้
• ยกตัวอย่างภารกิจจริงของแต่ละแนวทางได้อย่างน้อย 2 ตัวอย่าง
• ระบุข้อจำกัดและเงื่อนไขที่เหมาะสมของแต่ละแบบ

1. ทำไมต้องมีหลายแนวทาง

ปัญหาในโลกจริงมีลักษณะข้อมูลต่างกัน บางงานมีคำตอบที่ถูกต้องชัดเจน (เช่น รูปนี้เป็นแมวหรือสุนัข) บางงานไม่มีป้ายสำเร็จรูป (เช่น จัดกลุ่มลูกค้า) บางงานต้องเรียนรู้ผ่านการทดลองในสภาพแวดล้อม (เช่น หุ่นยนต์เดิน) จึงมีแนวทางการเรียนรู้ของเครื่องหลายแบบ

2. Supervised Learning — เรียนรู้จากตัวอย่างที่ติดป้าย

โมเดลได้รับคู่ของ ข้อมูลอินพุต + คำตอบที่ถูกต้อง (label) จำนวนมาก แล้วเรียนรู้ฟังก์ชันที่แมปจากอินพุตสู่คำตอบ ใช้ได้ทั้งงานจำแนก (classification) และงานประมาณค่า (regression)

3. Unsupervised Learning — หาโครงสร้างโดยไม่มีป้าย

ไม่มีคำตอบสำเร็จรูป ระบบค้นหารูปแบบในข้อมูล เช่น จัดกลุ่ม (clustering) ลดมิติ หรือหาความผิดปกติ (anomaly detection)

4. Reinforcement Learning — เรียนรู้จากรางวัล

ตัวแทน (agent) เลือกการกระทำในสภาพแวดล้อม ได้รับรางวัลหรือโทษ แล้วปรับนโยบายเพื่อผลรวมรางวัลระยะยาว เหมาะกับงานที่มีลำดับการตัดสินใจ

5. เลือกแนวทางอย่างไร

ถามว่า: มีป้ายกำกับคุณภาพดีหรือไม่ → มีลำดับการตัดสินใจและสัญญาณรางวัลชัดหรือไม่ → ต้องการค้นหาโครงสร้างอย่างเดียวหรือต้องการทำนายค่าเฉพาะ หลักสูตร AI ระดับมัธยมในหลายประเทศแนะนำให้ผู้เรียนแยกประเภทนี้ได้ก่อนลงรายละเอียดอัลกอริทึม

✅ สรุป

• Supervised ใช้ป้ายกำกับ · Unsupervised หาโครงสร้าง · RL ใช้รางวัล
• ไม่มีแนวทางเดียวที่เหมาะทุกงาน
• คุณภาพข้อมูลและออกแบบวัตถุประสงค์สำคัญเท่ากับชื่อเทคนิค

📝 แบบฝึกหัดท้ายบท (5 ข้อ)