Section 2: การเรียนรู้ของเครื่อง #
“อัลกอริทึมที่ปรับตัวจากประสบการณ์ (ข้อมูล) โดยอัตโนมัติ” — Wikipedia: Machine Learning
ในส่วนนี้เราจะเดินจากภาพรวม “supervised / unsupervised / reinforcement” ไปจนถึงโมเดลหลักและเทคนิคภาคปฏิบัติ ใช้ Python 3.13 + scikit-learn เพื่อเชื่อมโยงศัพท์เชิงวิชาการเข้ากับงานจริง
หัวข้อที่เรียนรู้ #
| หน้า | วัตถุประสงค์ | หัวข้อหลัก |
|---|---|---|
| Supervised Learning เบื้องต้น | พยากรณ์จำนวน/หมวด | Linear Regression, Logistic Regression, Decision Tree, KNN |
| การประเมินโมเดล & การปรับปรุง | ตรวจการ generalize | Hold-out vs KFold, Regularization, Ensemble |
| Unsupervised Learning | ค้นหาโครงสร้าง | K-means, Hierarchical Clustering, Dimensionality Reduction |
| Feature Engineering | เตรียมข้อมูลให้พร้อม | Scaling, Encoding, Feature Selection |
| Applied Topics | นำไปใช้จริง | Time Series, Anomaly Detection, Recommendation, AutoML |
ทุกหน้าดำเนินตามโครง “แนวคิด → สูตร/ภาพ → โค้ดตัวอย่าง → ไอเดียต่อยอด” พร้อมแบบฝึกหัดและลิงก์อ่านต่อ
มองจากมุมยูสเคส #
| งาน | ตัวชี้วัด | โมเดลที่ใช้บ่อย | ประเด็นในบท |
|---|---|---|---|
| พยากรณ์ยอดขาย | RMSE / MAPE | Linear Regression, LightGBM | Feature engineering, outlier handling |
| Fraud Detection | Recall / PR-AUC | Logistic Regression, IsolationForest | Class imbalance, threshold tuning |
| Customer Segmentation | Silhouette | KMeans, GMM | การสเกล, เลือกจำนวนคลัสเตอร์ |
| Recommendation | MAP@K / NDCG | Matrix Factorization, LightFM | ฟีเจอร์ปฏิสัมพันธ์, validation scheme |
ลำดับการเรียน #
- สร้างความเข้าใจ ด้วยตัวอย่างในชีวิตจริง (เช่น สแปม, วิดีโอแนะนำ)
- โครงสร้างอัลกอริทึม — loss function, บทบาท bias/variance
- ลงโค้ด — จับ workflow
fit → predict → evaluate - วงจรปรับปรุง — tuning, feature engineering, ensemble
- มองถึงการใช้งาน — pipeline การ re-train, model monitoring, การ deploy
Checklist #
- อธิบายชนิดของปัญหา (regression/classification/clustering) และ metric ที่เหมาะสมได้
- เขียนโค้ด scikit-learn เพื่อฝึก/ทำนาย/ประเมินโมเดลพื้นฐานได้
- มีเครื่องมือสำหรับตรวจ overfitting/underfitting (learning curve, validation plot)
- เข้าใจความสำคัญของ feature engineering/preprocessing และการเชื่อมกับบทก่อนหน้า
- วางลำดับการปรับปรุงโมเดล (เพิ่มข้อมูล vs ปรับ hyperparameter vs ensemble) ได้
เป้าหมายคือให้คุณสัมผัสวงจรของโครงการ ML ตั้งแต่ต้นจนจบ แล้วพร้อมต่อยอดไปสู่บทประเมินและบทปฏิบัติการใช้งาน