Big Data Machine Learning คือ
- Project
- Machine Learning ตอนที่ 4: เตรียมข้อมูลเพื่อสร้าง model
- เปรียบเทียบความถูกต้อง (Accuracy) กับการแปลความ (Explainability) ของโมเดลต่างๆ – Data Cube
- Normalization คืออะไร ปรับช่วงข้อมูล Feature Scaling ด้วยวิธี Normalization, Standardization ก่อนเทรน Machine Learning - Preprocessing ep.2 - BUA Labs
- Machine Learning คืออะไร | DIP360
เก็บข้อมูล เริ่มต้นจาการรวบรวมข้อมูลต่างๆ เช่น การค้นหา รับสมัครตำแหน่งงานต่างๆ ในหน่วยงาน ที่เป็นข้อมูลทั้งทางบุคคลที่เราเคยจ้าง และปฎิเสธ ด้วยเหตุผลต่างๆ กัน อาทิ วุฒิการศึกษา ประสบการณ์การทำงานที่ผ่านมา เป็นต้น เราจะนำเอาข้อมูลเหล่านี้มาใช้ทั้งหมด 2. เรานำข้อมูลเหล่านี้มาผ่าน กระบวนการจัดการทางข้อมูล เพื่อให้ได้ข้อมูลที่พร้อมใช้งาน กระบวนการนี้เกี่ยวข้องโดยตรงกับการแปลงข้อมูลต่างๆ ให้อยู่ในรูปแบบที่คอมพิวเตอร์สามารถเข้าใจ และจัดการได้ ในกรณีนี้เราทำการแปลงข้อมูลให้อยู่ในรูปของตัวเลข อาทิ ประสบการณ์การทำงานผ่านหรือไม่ หากผ่านเป็น 1 ไม่ผ่านเป็น 0 (Binary Form) หรือแบ่งวุฒิการศึกษาออกเป็นระดับต่างๆ และแทนด้วยตัวเลข อาทิ ปริญญาโท = 3 ปริญญาตรี = 2 ต่ำกว่าปริญญาตรี = 1 เป็นต้น 3. ฝึกฝน สร้างรูปแบบจำลองทางคณิตศาสตร์ของข้อมูล ในกรณีนี้เราสร้างโจทย์ในการเรียนรู้คือ จำแนกบุคคลออกเป็น 2 กลุ่ม คือ บุคคลที่สมควรจ้าง หรือ ไม่สมควรจ้าง ซึ่งแบบจำลองทางคณิตศาสตร์จะช่วยให้คอมพวเตอร์ สามารถตีความข้อมูลต่างๆ ได้ ซึ่งทุกความแตกต่างของตัววัดค่าต่างๆ เหล่านี้จะสร้างความเป็นไปได้ในการคาดการณ์ข้อมูลของคอมพิวเตอร์ 4.
Project
กำหนดให้ค่าได้มาเป็นค่า maximum learning rate 2. กำหนดค่า step size ในการปรับ learning rate 3. หารค่าของ maximum learning rate ด้วย จำนวน step size จะได้ค่า minimum learning rate 4.
85 และ 0.
Machine Learning ตอนที่ 4: เตรียมข้อมูลเพื่อสร้าง model
ในการสร้างโมเดล Classification นั้นมีหลายเทคนิคครับ บางเทคนิคก็แปลความ (Explainability) ได้ง่าย บางเทคนิคก็แปลความยากแต่ความถูกต้อง (Accuracy) สูงครับ ภาพด้านล่างเป็นการแสดงให้เห็นว่าเทคนิคต่างๆ นั้นสามารถอธิบายได้ง่ายหรือยากและมีความถูกต้องมากน้อยแค่ไหนครับ โดยเทคนิคต่างๆ มีดังนี้ครับ 1. Linear Regression เป็นการสร้างสมการเส้นตรง (เช่น y = mx+c) มาสร้างโมเดลเพื่อพยากรณ์ค่าตัวเลขต่างๆ ข้อดีของการเทคนิคนี้คือโมเดลที่ได้แปลความได้ง่ายเพราะแสดงในรูปของสมการทางคณิตศาสตร์ที่เราสามารถแทนค่าเข้าไปได้เลย 2. Logistic Regression เป็นการสร้างสมการคณิตศาสตร์เพื่อแบ่งแยก (classify) ข้อมูลออกเป็น 2 กลุ่มคำตอบครับ เทคนิคนี้เป็นอีกเทคนิคที่นิยมให้เนื่องจากแปลความโมเดลได้ง่ายครับ และแสดงให้เห็นถึงความสำคัญของตัวแปร (หรือ Feature) ได้ด้วยครับ 3. k-Nearest Neighbours (k-NN) เป็นการสร้างโมเดลโดยมีแนวคิดว่าข้อมูลที่มีลักษณะคล้ายกันน่าจะอยู่ในกลุ่ม (หรือคลาสเดียวกัน) ครับ 4. Decision Tree เป็นเทคนิตที่สร้างโมเดลแยกข้อมูลลงมาเป็นลำดับชั้นต่างๆ จนถึงชั้นล่างสุดถึงเป็นคลาสคำตอบ ดูรายละเอียดการสร้างโมเดล Decision Tree ได้จาก 5.
June 9, 2021 การทำงานของ Machine Learning มีอะไรบ้าง เคยสงสัยไหมว่าทำไม Spotify ถึงรันเพลงแบบสุ่มมาให้เราได้อย่างตรงใจ? หรือทำไม Netflix และ Amazon Prime Video ถึงได้เลือกซีรีส์หรือภาพยนตร์ในสไตล์ที่เราชอบมาอยู่ในลิสต์แนะนำสำหรับเราได้ถูกต้อง?
เปรียบเทียบความถูกต้อง (Accuracy) กับการแปลความ (Explainability) ของโมเดลต่างๆ – Data Cube
Normalization คืออะไร ปรับช่วงข้อมูล Feature Scaling ด้วยวิธี Normalization, Standardization ก่อนเทรน Machine Learning - Preprocessing ep.2 - BUA Labs
- เกม ตก ปลา ios pantin 93
- คอ ล ลา เจน ไซ โก โน๊ะ
- Big data machine learning คือ example
- Big data machine learning คือ login
- แต่งเต็ม !!! กับ NISSAN NAVARA NP300 สไตล์ออฟโร้ด - YouTube
- เบนิฮานา ห้องอาหารญี่ปุ่น @อนันตรา กรุงเทพ ริเวอร์ไซต์ รีสอร์ท แอนด์ สปา (Benihana Japanese Restaurant @Anantara Bangkok Riverside) กรุงเทพมหานคร - แผนที่ รีวิว บทความ โปรโมชั่น | PaiNaiDii.com
- แฉไม่หยุด! "ป๊อบ" เตรียมแถลงข่าว 4 โมงเย็น -
Naive Bayes เป็นเทคนิคที่สร้างโมเดลโดยการคำนวณค่าความน่าจะเป็น (probability) ต่างๆ ในข้อมูล ดูรายละเอียดการสร้างโมเดล Naive Bayes ได้จาก 6. Random Forest เป็นเทคนิคที่สร้างโมเดล Decision Tree ขึ้นมาหลายๆ ต้นจากการสุ่ม (random) ข้อมูล ซึ่งเป็นเทคนิคหนึ่งของการสร้างโมเดลแบบ Ensemble ครับ ดูรายละเอียดการสร้างโมเดล Ensemble ได้จาก 7. Support Vector Machines (SVM) เป็นโมเดลทางคณิตศาสตร์ที่ค่อนข้างซับซ้อนแต่แนวคิดคือการปรับข้อมูลไปให้อยู่ในมิติ (Dimension) ที่สูงขึ้นเพื่อทำให้สามารถแบ่งแยกข้อมูลได้ง่ายขึ้น ดูรายละเอียดการสร้างโมเดล SVM ได้จาก 8. XGBoost เป็นเทคนิค Boosting แบบหนึ่งและเป็นเทคนิคในกลุ่ม Ensemble ที่พยายามพัฒนาโมเดลให้มีความถูกต้องมากขึ้น 9. Neural Network เป็นเทคนิคที่สร้างโมเดลที่สลับซับซ้อนมากที่สุด (ในภาพนี้) ซึ่งเป็นพื้นฐานของเทคนิค Deep Learning อีกทีครับ โมเดลของ Neural Network จะมีการปรับค่าน้ำหนัก (weight) ของโมเดล ดูรายละเอียดการสร้างโมเดล Neural Network ได้จาก credit: #machinelearning #datascience #datacube #classification #neuralnetwork
Machine Learning คืออะไร | DIP360
8% error ใน Development set = 10. 3% error ใน Test set = 10. 9% ทำไม error ของข้อมูลแต่ละชุดถึงไม่เท่ากัน ตัวเลขที่ได้ดีพอหรือยัง และเราจะปรับปรุง model ให้มี error น้อยลงได้ยังไง โปรดติดตามตอนต่อไป