Pembelajaran Mesin: Dari Data ke Model

การเรียนรู้ของเครื่องคือสาขาของปัญญาประดิษฐ์ที่ระบบเรียนรู้จากข้อมูลโดยไม่ต้องเขียนโปรแกรมอย่างชัดเจนสำหรับแต่ละงาน

กระบวนการฝึกเกี่ยวข้องกับการนำตัวอย่างที่มีป้ายกำกับนับพันหรือนับล้านตัวอย่างมาป้อนให้โมเดล ซึ่งจะปรับพารามิเตอร์ภายในซ้ำ ๆ เพื่อลดฟังก์ชันการสูญเสีย

ในการเรียนรู้แบบมีผู้ดูแล แต่ละตัวอย่างฝึกจะมีป้ายกำกับที่ถูกต้อง โมเดลเรียนรู้การจับคู่คุณลักษณะอินพุตกับป้ายกำกับเอาต์พุตผ่านการปรับแต่งด้วยกราเดียนต์เช่น stochastic gradient descent

โครงข่ายประสาทเทียมแบบลึกใช้ชั้นการแปลงแบบไม่เชิงเส้นหลายชั้นเพื่อแสดงคุณลักษณะเชิงลำดับชั้นจากข้อมูลดิบ ทำให้สามารถสร้างแบบจำลองรูปแบบที่ซับซ้อนมาก

การโอเวอร์ฟิตติ้ง ซึ่งโมเดลจำข้อมูลฝึกแทนที่จะสรุปความ แก้ไขได้ด้วยเทคนิคอย่าง L2 regularization, dropout และการเพิ่มข้อมูล

คุณภาพและปริมาณข้อมูลยังคงเป็นปัจจัยกำหนดหลัก แม้แต่สถาปัตยกรรมโมเดลที่ดีที่สุดก็ไม่สามารถชดเชยข้อมูลที่ไม่มีตัวแทนหรือเต็มไปด้วยอคติได้