Machine Learning คือระบบที่สามารถเรียนรู้ได้จากตัวอย่างด้วยตนเองโดยปราศจากการป้อนคำสั่งของโปรแกรมเมอร์ ความก้าวหน้าในครั้งนี้มาพร้อมกับความคิดที่ว่าเครื่องคอมพิวเตอร์สามารถเรียนรู้เพียงแค่จากข้อมูลอย่างเดียวเพื่อที่จะผลิตผลลัพธ์ที่แม่นยำออกมาได้
Machine Learning ประกอบได้ด้วยข้อมูลและเครื่องมือทางสถิติเพื่อทำนาบผลลัพธ์ออกมา ผลลัพธ์ในที่นี้ถูกใช้เพื่อทำประโยชน์กับภายในองค์กรเชิงลึกต่อไป Machine Learning เกี่ยวข้องอย่างมากกับ การทำเหมืองข้อมูล (Data mining) และ โมเดลการทำนายของ Bayes ( Bayesian predictive models) เครื่องคอมพิวเตอร์จะรับข้อมูลเข้ามาและใช้อัลกอริทึมเพื่อหาคำตอบขึ้น
งานของ Machine Learning โดยทั่วไปจะเป็นการคอยสนับสนุนด้านการแนะนำ (provide a recommendation ) สำหรับคนที่เป็นสมาชิกของ Netflix ,ทุกคำแนะนำหนังหรือซีรี่ต่าง ๆ ขึ้นอยู่กับข้อมูลในการเข้าชมของผู้ใช้ที่ผ่านมา บริษัทเทคโนโลยีกำลังใช้วิธี การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning) เพื่อปรับปรุงตามประสบการณ์ของผู้ใช้และการแนะนำส่วนบุคคล
Machine Learning ยังถูกใช้กับงานหลากหลายด้าน เช่น การตรวจจับการฉ้อโกง ( Fraud detection ) , การพยากรณ์เพื่อปรับปรุงแก้ไข (Predictive Maintenance) , การเพิ่มประสิทธิภาพในการถือหุ้น (Portfolio optimization) , การทำงานอัตโนมัติ และอื่น ๆ
ในบทความนี้ , คุณจะเรียนรู้เกี่ยวกับ
- อะไรคือ การเรียนรู้ของเครื่อง (Machine Learning)?
- ความแตกต่างระหว่าง Machine Learning และการเขียนโปรแกรมสมัยก่อน
- Machine Learning ทำงานอย่างไร?
- อัลกอริทึมของ Machine Learning และจุดที่ควรใช้งาน Machine Learning
- วิธีการเลือกอัลกอริทึมของ Machine Learning
- ความท้าทายและข้อจำกัดของ Machine Learning
- การประยุกต์ใช้งาน Machine Learning
- ทำไม Machine Learning ถึงสำคัญ?
ความแตกต่างระหว่าง Machine Learning และการเขียนโปรแกรมสมัยก่อน
การเขียนโปรแกรมสมัยก่อนแตกต่างอย่างมากกับ Machine Learning การเขียนโปรแกรมในสมัยก่อนนั้นโค้ดทั้งหมดจะต้องถูกกำหนดแนวทางไว้ชัดเจนด้วยกฎจากผู้เชี่ยวชาญเพียงคนเดียวในอุตสาหกรรมนั้นที่ซอฟต์แวร์จะถูกพัฒนาขึ้น โดยแต่ละกฎจะขึ้นอยู่กับพื้นฐานความเข้าใจด้านตรรกศาสตร์ (Logic Foundation) เครื่องจะทำงานและส่งผลลัพธ์ออกมาตามคำสั่งตามตรรกะ (Logical statement) เมื่อระบบเริ่มซับซ้อนมากขึ้น, ยิ่งจำเป็นต้องมีกฎมากขึ้นที่ถูกเขียนขึ้น แต่การบำรุงรักษาระบบจะไม่เสถียร
Machine Learning ควรจะเอาชนะวิธีการเขียนโปรแกรมแบบสมัยก่อนได้ เครื่อง( machine )จะเรียนรู้ว่าข้อมูลขาเข้าและข้อมูลขาออกเกี่ยวข้องกับอย่างไรและรู้ว่าจะเขียนกฎซักกฎหนึ่งขึ้นมาอย่างไร โปรแกรมเมอร์ไม่จำเป็นต้องเขียนกฎใหม่ทุกครั้งที่มีข้อมูลใหม่ อัลกอริทึมจะปรับเข้ากับข้อมูลใหม่เพื่อปรับปรุงประสิทธิภาพในเวลาต่อมา
Machine Learning ทำงานอย่างไร?
Machine Learning คือสมองที่การเรียนรู้ทั้งหมดเกิดขึ้น วิธีที่ machine เรียนรู้เหมือนกับมนุษย์ มนุษย์เรียนรู้จากประสบการณ์ ยิ่งพวกเรารู้มาก ยิ่งง่ายต่อการพยากรณ์ว่าสิ่งต่อไปอะไรจะเกิดขึ้น โดยเปรียบเทียบ, เมื่อพวกเราประสบกับเหตุการณ์ที่ไม่เคยเจอมาก่อน ,มีความเป็นไปได้ที่คามสำเร็จจะลดลงกว่าเหตุการณ์ที่เคยเจอมาแล้ว machine สามารถถูก ฝึก(train) ได้ในรูปแบบเดียวกัน เพื่อที่จะเพิ่มความแม่นยำในการพยากรณ์ machine สามารถมองเห็นตัวอย่างที่เราต้องการให้เห็นได้ เมื่อพวกเราให้ตัวอย่างที่เหมือนกันให้ machine ดู มันสามารถค้นหาผลลัพธ์นั้นจนพบได้ อย่างไรก็ตามเหมือนกับมนุษย์ ถ้า machine ถูกสั่งให้ค้นหาในสิ่งที่ไม่เคยถูก train มาก่อน มันก็ยังยากที่จะสามารถค้นพบสิ่งนั้นได้
วัตถุประสงค์หลักของ Machine Learning คือ การเรียนรู้ (learning) และการอนุมาน (inference) สิ่งแรกคือ machine จะเรียนรู้ผ่านการค้นพบรูปแบบหรือแบบแผนซ้ำ ๆ เดิม ๆ การค้นพบต้องขอบคุณถึงการมีอยู่ข้อมูล (data) ส่วนหนึ่งที่สำคัญของนักวิทยาศาสตร์ข้อมูล (data scientist) จะเป็นการเลือกอย่างระมัดระวังว่าข้อมูลไหนสนับสนุนกับเครื่อง คุณสมบัติต่าง ๆ ที่ถูกใช้เพื่อแก้ปัญหาถูกเรียกว่า feature vector คุณสามารถนึกถึง feature vector ว่าเป็นซับเซ็ตย่อยของข้อมูลทั้งหมดที่ถูกใช้ในการแก้ปัญหา
บางครั้ง machine ใช้อัลกอริทึมแปลก ๆ เพื่อทำให้ง่ายต่อชีวิตจริงและดัดแปลงสิ่งที่ค้นพบให้กลายเป็นโมเดล(model) ดังนั้น ขั้นของเรียนรู้ (learning stage) นั้นถูกใช้เพื่อที่จะอธิบายเกี่ยวกับข้อมูลและรวบรวมให้มันกลายเป็น model ขึ้น
ยกตัวอย่างเช่น machine พยายาที่จะเข้าใจความสัมพันธ์ระหว่างค่าจ้างและโอกาสที่จะเข้าไปรับประทานอาหารที่ภัตตาคารที่แปลกตา ผลที่ได้คือ machine ตามหาความสัมพันธ์เชิงบวกระหว่างค่าจ้างและการไปรับประทานอาหารที่ภัตตาคารหรู ๆ แทน และนี่แหละคือ model
การอนุมาน
เมื่อ model ถูกสร้างขึ้นมา เป็นไปได้ว่ามันจะถูกทดสอบถูกสมรรถนะของมันกับข้อมูลที่ไม่เคยพบเจอมาก่อน โดยข้อมูลที่แปลกตาเหล่านั้นถูกแปลงให้กลายเป็น feature vector และถูกรวบรวมให้กลายเป็น model และ ทำการพยากรณ์ออกมาได้ นี่แหละคือส่วนที่สวยงามของ Machine learning ไม่จำเป็นต้องเพิ่มเติมกฎใด ๆ ลงไปหรือ train สิ่งใด ๆ เพิ่มเติมเข้าไปใน model คุณสามารถใช้ model ก่อนหน้านี้ train เพื่อทำการอนุมานข้อมูลใหม่ ๆ ต่อไปได้
หน้าที่ของโปรแกรม Machine learning คือการเดินต่อไปข้างหน้าและถูกสรุปได้ตามขั้นตอน
- นิยามคำถาม (Define a question)
- เก็บข้อมูล (Collect data)
- แสดงผลของข้อมูล (Visualize data)
- ฝึก/ขัดเกลาอัลกอริทึม (Train algorithm)
- ทดสอบอัลกอริทึม (Test algorithm)
- เก็บข้อมูลข้อเสนอแนะ (Collect feedback)
- ปรับปรุงอัลกอริทึม (Refine the algorithm)
- ทำข้อ 4.-7. วนไปจนกระทั่งได้ผลลัพธ์ที่พึงพอใจ (Loop 4-7 until the results are satisfying)
- ใช้ model ในการพยากรณ์ (Use the model to make a prediction)
ถ้าถึงจุดที่อัลกอริทึมนั้นดีพอแล้วจนเกิดข้อสรุปที่ถูกต้องแล้ว ให้ลองเอามันและความรู้ไปประยุกต์ใช้กับข้อมูลชุดใหม่ ๆ ดู
อัลกอริทึมของ Machine Learning และจุดที่ควรใช้งาน Machine Learning
Machine Learning สามารถถูกแบ่งออกเป็นการเรียนรู้ได้ 2 แบบใหญ่ ๆ ได้แก่ การเรียนรู้แบบผู้สอน(Supervised Learning) และ การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning) ซึ่งมีอัลกอริทึมแบบอื่นอยู่อีกมากมาย
การเรียนรู้แบบมีผู้สอน (Supervised learning)
อัลกอริทึมจำเป็นต้องใช้ ข้อมูลในส่วนสำหรับ train (training data) และส่วนที่รับกลับมาเพื่อปรับปรุง (feedback) จากมนุษย์เพื่อที่จะเรียนรู้ความสัมพันธ์ระหว่างข้อมูลที่ถูกป้อนเข้ามาสู่ข้อมูลที่ออกไป ยกตัวอย่างเช่น มีเด็กหัดคนหนึ่งใช้การค่าใช้จ่ายทางการตลาดและการพยากรณ์สภาพอากาศเป็นข้อมูลขาเข้าเพื่อทำนายจำนวนกระป๋องที่จะขายได้
คุณสามารถใช้ supervised learning เมื่อผลลัพธ์ของข้อมูลเป็นสิ่งที่รู้อยู่แล้ว อัลกอริทีมนี้ก็จะทำนายข้อมูลใหม่ได้
มีประเภทของ supervised learning อยู่ 2 ประเภท
- การแบ่งแยกประเภท (Classification)
- การถดถอย (Regression)
การแบ่งแยกประเภท (Classification)
ให้สมมติว่าคุณต้องการทำนายเพศของลูกค้าซักคนหนึ่ง คุณจะเริ่มเก็บเกี่ยวข้อมูลตั้งแต่ ส่วนสูง,น้ำหนัก,อาชีพ,เงินเดือน,สินค้าที่ซื้อ และอื่น ๆ จากฐานข้อมูลลูกค้าของคุณ คุณรู้เพศของลูกค้าคุณแต่ละคน มันสามารถตอบได้เพียงว่าลูกค้าผู้ชายหรือผู้หญิงเท่านั้น ผลลัพธ์จาก ตัวแบ่งแยกประเภท(classifier) นี้จะถูกกำหนดด้วยความน่าจะเป็นว่าเป็นผู้ชายหรือผู้หญิง (นั่นคือ การทำสัญลักษณ์ไว้ (label)) โดยขึ้นอยู่กับข้อมูลเป็นหลัก(นั่นคือ ลักษณะ(feature)ที่เราเก็บมา) เมื่อ model เรียนรู้ที่จะจดจำว่าเป็นผู้ชายหรือผู้หญิง คุณสามารถนำข้อมูลใหม่มทำนายได้ ยกตัวอย่างเช่น คุณได้รับข้อมูลใหม่จากลูกค้าแปลกหน้าและคุณต้องการทราบว่าลูกค้าคนนั้นเป็นผู้ชายหรือผู้หญิง ถ้า classifier นี้ทำนายว่ามีโอกาสเป็นผู้ชาย 70% นั่นหมายความว่าอัลกอริทึมมีความแน่นอนอยู่ที่ 70% ที่ลูกค้าคนนั้นจะเป็นผู้ชายและ 30% ที่จะเป็นผู้หญิง
การทำสัญลักษณ์ไว้ (label) สามารถเป็นไปได้มากกว่า 2 ประเภทแต่ตัวอย่างด้านบนมีเพียง 2 ประเภทเท่านั้น แต่ถ้า classifier ต้องการทำนายวัตถุ มันสามารถแบ่งประเภทวัตถุได้อีกมากมาย เช่น แก้ว,โต๊ะ,รองเท้าและอื่น ๆ
การถดถอย (Regression)
เมื่อผลลัพธ์มีค่าต่อเนื่องกันนั้นจะเป็นงานของ regression ที่จะมาช่วยแก้ปัญหานี้ ยกตัวอย่างเช่น นักวิเคราะห์ด้านการเงินคนหนึ่งอาจต้องการทำนายมูลค่าของหุ้นโดยดูจาก feature ต่าง ๆ เช่น ส่วนได้ส่วนเสีย(equity) , สถานะของหุ้นก่อนหน้านี้ และดัชนีเศรษฐกิจมหภาค ระบบจะถูก train เพื่อประเมินราคาของหุ้นด้วยความผิดพลาดที่น้อยที่สุด
การเรียนรู้แบบไม่มีผู้สอน (Unsupervised learning)
อัลกอริทึมจะตรวจสอบเฉพาะข้อมูลที่ป้อนเข้ามาเท่านั้นโดยปราศจากการให้ผลลัพธ์ที่จะเกิดขึ้น(เช่น การสำรวจข้อมูลประชากรเพื่อหาแบบแผน(pattern)ของข้อมูลนั้น)
คุณสามารถใช้มันเมื่อคุณไม่ต้องการที่จะรู้ว่า machine แบ่งประเภทได้อย่างไร และคุณต้องการอัลกอริทึมนั้นเพื่อหา pattern และแบ่งประเภทข้อมูลสำหรับคุณ
วิธีการเลือกอัลกอริทึมของ Machine Learning
ในปัจจุบันมีอัลกอริทึมของ Machine Learning อยู่มากมาย โดยการเลือกอัลกอริทึมจะขึ้นอยู่กับวัตุประสงค์ที่เราจะนำไปใช้งาน
ตามตัวอย่างด้านล่าง เป็นงานการทำนายชนิดของดอกไม้ โดยมีดอกไม้อยู่ 3 ชนิด การทำนายนี้จะขึ้นอยู่กับความยาวและความกว้างของกลีบดอกไม้ รูปด้านล่างนี้จะแสดงให้เห็นถึงผลลัพธ์ที่แตกต่างกันของ 10 อัลกอริทึม โดยรูปที่อยู่ทางด้านบนซ้ายเป็นชุดของข้อมูล (dataset) ข้อมูลนี้จะถูกแบ่งประเภทเป็น 3 ประเภท ได้แก่ สีแดง , สีฟ้าอ่อน, สีน้ำเงิน ยกตัวอย่างเช่น ที่รูปที่สองสิ่งที่อยู่ในส่วนข้างบนทางซ้ายของรูปนั้นเป็นของดอกไม้สีแดง , ในส่วนตรงกลางจะเป็นการรวมกันอย่างไม่แน่นอนและดอกไม้สีฟ้าอ่อน ขณะที่ส่วนล่างของรูปจะเป็นของดอกไม้สีน้ำเงิน ส่วนรูปอื่น ๆ จะแสดงถึงการใช้อัลกอริทึมที่แตกต่างกันออกไปและแต่ละอัลกอริทึมจะพยายามแบ่งประเภทข้อมูลอย่างไร
ความท้าทายและข้อจำกัดของ Machine Learning
ความท้าทายแรกของ Machine Learning คือ ความขาดแคลนข้อมูลหรือความขาดแคลนความหลากหลายในแต่ละชุดข้อมูล โดย machine ไม่สามารถเรียนรู้ได้เลยถ้าไม่มีข้อมูลที่สามารถนำไปใช้ได้ ยิ่งไปกว่านั้น, ชุดข้อมูลที่ขาดความหลากหลายนั้นจะทำให้ machine ยากต่อการทำนายแต่ละสิ่ง machine จำเป็นต้องความแตกต่างกันเพื่อที่จะเรียนรู้แต่ละสิ่งอย่างลึกซึ้งได้ แต่มันยากที่อัลกอริทึมจะคัดแยกข้อมูลเมื่อข้อมูลแทบจะไม่มีความแตกต่างกันเลย มันจึงถูกเสนอแนะให้มีอย่างน้อย 20 การทดลองต่อกลุ่มเพื่อช่วย machine เรียนรู้ ดังนั้นจากข้อจำกัดนี้จะนำไปสู่การพยากรณ์และการประมาณค่าที่ย่ำแย่ลง
การประยุกต์ใช้ Machine Learning
การเพิ่มเติมขึ้นมา (Augmentation):
Machine Learning ซึ่งช่วยเหลือมนุษย์ในงานต่าง ๆ ทุกวันนี้ทั้งเชิงบุคคลและเชิงพาณิชย์ก็ตามนั้นจะปราศจากการควบคุมโดยสมบูรณ์ของผลลัพธ์ที่เกิดขึ้น ซึ่ง Machine Learning ถูกใช้ในหลากหลายรูปแบบ เช่น ผู้ช่วยเสมือน (Virtual Assistant), การวิเคราะห์ข้อมูล (Data Analysis) , Software solution เป็นต้น โดยผู้ใช้รายแรก ๆ จะเป็นผู้ลดความผิดพลาดเนื่องจากความลำเอียงของมนุษย์เอง
การทำงานอัตโนมัติ(Automation):
Machine Learning ซึ่งทำงานทั้งหมดแต่อย่างอัตโนมัติในด้านต่าง ๆ โดยปราศจากการแทรกแซงของมนุษย์ ยกตัวอย่างเช่น หุ่นยนต์ที่ดำเนินการตามกรบวนการตามขั้นตอนในโรงงานการผลิต
อุตสาหกรรมการเงิน(Finance Industry):
Machine Learning กำลังเติบโตและเป็นที่ต้องการในอุตสาหกรรมการเงินอย่างมาก ธนาคารส่วนใหญ่ใช้ Machine Learning(ML) เพื่อหา pattern ของข้อมูลเพื่อป้องกันการฉ้อโกงจะเกิดขึ้น
องค์กรภาครัฐ (Government organization):
รัฐบาลใช้ ML เพื่อจัดการความปลอดภัยของสาธารณะและสาธารณูปโภค ยกตัวอย่างประเทศจีนมีการใช้ระบบการจดจำใบหน้า (face recognition)เป็นจำนวนมาก โดยรัฐบาลใช้ปัญญาประดิษฐ์ (Artificial Intelligence : AI) เพื่อป้องการผู้ข้ามถนนอย่างไม่ระมัดระวัง
อุตสาหกรรมการดูแลสุขภาพ (Healthcare industry):
การดูแลสุขภาพเป็นหนึ่งในอุตสาหกรรมแรก ๆ ที่นำ Machine Learning กับการตรวจ จับภาพ (image detection) เข้ามาใช้งาน
การตลาด (Marketing):
AI ถูกใช้อย่างกว้างขวางในด้านการตลาดโดยจะใช้การเข้าถึงข้อมูลจำนวนมากในการทำงาน ก่อนที่จะถึงยุคที่มีข้อมูลมหาศาลขนาดนี้ นักวิจัยได้พัฒนาเครื่องมือด้านคณิตศาสตร์ขั้นสูงเหมือนกับการวิเคราะห์ของ Bayes (Bayesian analysis) เพื่อประเมินมูลค่าของลูกค้าแต่ละคน ฝ่ายการตลาดจะใช้ AI เป็นส่วนใหญ่เพื่อประสิทธิภาพการหาความสัมพันธ์ของลูกค้าและการโฆษณาด้านการตลาด
ตัวอย่างการประยุกต์ใช้ Machine Learning ในห่วงโซ่อุปทาน(นั่นคือ แหล่งของอุตสาหกรรมต่าง ๆ : Supply chain)
Machine Learning จะให้ผลลัพธ์มากมายออกมาสำหรับการรู้จำแบบทางการมองเห็น (visual pattern recognition) เป็นการเปิดทางสำหรับการประยุกต์ใช้ Machine Learning เป็นการตรวจสอบสภาพและบำรุงรักษาข้ามเครือข่ายของ supply chain ทั้งหมด
Unsupervised learning สามารถค้นหาแบบแผนที่คล้ายคลึงกันได้อย่างรวดเร็วในชุดข้อมลที่มีความหลากหลาย และในอีกรูปแบบหนึ่ง machine สามารถดำเนินการตรวจสอบคุณภาพตลอดที่ศูนย์กลางการขนส่ง(logistic hub) , ความเสียเหียสายของการส่งสินค้า และสิ่งที่ใส่เข้าไป
ยกตัวอย่างเช่น ระบบ Watson ของ IBM สามารถกำหนดความเสียหายของการส่งสินค้าผ่านตู้คอนเทนเนอร์(container) Watson ประกอบไปด้วยระบบการมองเห็น (visual)และระบบที่มีข้อมูลเป็นพื้นฐานเพื่อสะกดรอย,รายงานและคอยเสนอแนะต่าง ๆ อย่างทันท่วงที
ในปีที่ผ่านมา ผู้จัดการคลังสินค้าใช้วิธีก่อนนี้ในการประเมินว่าจำนวนสินค้าที่คงคลังอยู่ เมื่อข้อมูลขนาดใหญ่(Big data)และ Machine Learning เริ่มเข้ามามีบทบาทซึ่งเป็นเทคนิคที่ทำให้การพยากรณ์แม่นยำมากยิ่งขึ้น (เทคนิคใหม่เพิ่มประเพิ่มประสิทธิภาพจากวิธีก่อนหน้านี้ 20-30%) ในรูปของการขาย ซึ่งหมายความว่าเพิ่มขึ้น 2-3% เนื่องจากศักยภาพที่ลดลงของสินค้าที่คงคลังอยู่
ตัวอย่าง Machine Learning กับรถยนต์ของ Google (Google car)
ยกตัวอย่างเช่น ทุกคนรู้จัก Google car รถดังกล่าวเต็มไปด้วยเลเซอร์บนหลังคาที่คอยบอกมันว่ามีสิ่งใดอยู่รอบตัวบ้าง มันมีเรดาร์อยู่ข้างหน้ารถซึ่งคอยแจ้งรถเกี่ยวกับความเร็วและการเคลื่อนไหวของรถคันอื่นรอบตัวมัน มันจะใช้ข้อมูลทั้งหมดไม่เพียงแค่ขับรถอย่างเดียวแต่เพื่อทำนายว่าจากศักยภาพของคนขับรถคันอื่นรอบตัวมันจะทำอย่างไรต่อไปด้วย มันเป็นความน่าประทับใจอย่างมากของรถยนต์ที่จะประมวลผลข้อมูลในหลักกิ๊กกะไบต์(Gigabyte) ในหลักเพียงวินาทีเท่านั้น
ทำไม Machine Learning ถึงสำคัญ?
Machine Learning เป็นเครื่องมือที่ดีที่สุด ณ ปัจจุบันเพื่อวิเคราะห์, เข้าใจ และหา pattern ของข้อมูล หนึ่งในแนวคิดหลักภายใต้ Machine Learning คือการที่คอมพิวเตอร์สามารถถูก train อย่างอัตโนมัติซึ่งสามารถทำได้อย่างหมดจดหรือเป็นไปไม่ได้สำหรับที่มนุษย์จะทำ และยังมีช่องโหว่ที่ชัดเจนจากการวิเคราะห์แบบก่อนคือการที่ Machine Learning สามารถตัดสินใจได้ด้วยการแทรกแซงจากมนุษย์เพียงเล็กน้อย
โดยตัวอย่างต่อไปนี้ ตัวแทนจำหน่ายขายปลีกคนหนึ่งสามารถประเมินราคาของบ้านโดยอาศัยเพียงประสบการณ์และความรู้ทางการตลาดของเค้าได้
machine สามารถถูก train เพื่อแปลความรู้ของผู้เชี่ยวชาญให้หลายเป็น feature โดย feature ทั้งหมดจะมี ลักษณะของบ้าน , เพื่อนบ้าน, เศรษฐกิจ และอื่น ๆ ซึ่งสามารถทำให้ราคาแตกต่างกันได้ สำหรับผู้เชี่ยวชาญแล้ว มันจะทำเขาสามารถกลายเป็นมือโปรทางด้านศิลปะการประเมินราคาได้เลย ความถนัดของเขานั้นจะยิ่งเพิ่มพูนหลังจากการขายบ้านไปได้
แต่สำหรับ machine มันใช้ข้อมูลจำนวนมหาศาลเพื่อที่จะเชี่ยวชาญทางด้านนั้น โดยเริ่มแรกสุดของการเรียนรู้ machine นั้นจะสร้างความผิดพลาดขึ้นอย่างใดก็ตามเหมือนเซลล์แมนมือใหม่ เมื่อถึงเวลาที่ machine เคยเห็นตัวอย่างทั้งหมดแล้ว มันก็จะมีความรู้เพียงพอที่จะประเมินค่า ในเวลาเดียวกันนั้นมันก็จะมีความแม่นยำเกิดขึ้นอย่างไม่เชื่อเลยทีเดียว และสุดท้าย machine ก็ยังสามารถปรังปรุงข้อผิดพลาดของมันเองได้อีกด้วย
บริษัทใหญ่ ๆ ส่วนใหญ่มีความเข้าใจในมูลค่าของ Machine Learning และถือครองข้อมูลไว้ McKinsey ประเมินมูลค่าของการวิเคราะห์ไว้อยู่ในช่วง 9.5 ถึง 15.4 ล้านล้านดอลลาร์ ขณะที่ใช้เพียง 5 ถึง 7 ล้านล้านดอลลาร์เพื่อสร้าง AI ขั้นสูงขึ้นมาได้แล้ว
PRACTICAL AI DEVELOPMENT BOOTCAMP
จะช่วยเปิดมุมมองพัฒนาการของเทคโนโลยีและงานวิจัยที่เกี่ยวข้องกับ AI
ให้แก่ผู้เรียนในหลายๆแง่มุม พร้อมทั้งให้ผู้เรียนได้ฝึกพัฒนา AI เพื่อใช้งานได้จริง
รายละเอียดเพิ่มเติมและสมัครที่นี่
หลักสูตรยาว 12 ครั้ง รวมเวลากว่า 72 ชั่วโมง จบมาทำงานได้จริง
ราคาคุ้มค่าที่สุด ตอนนี้มี promotion มา 2 คนลดเพิ่ม 10% 3 คนลดเพิ่ม 15%
สามารถขอ code ส่วนลดได้ที่ page LEAN upskill
