Page 25 - 6.Machine Learning for Data Science

หลักสูตรการวิเคราะหอินเทอรเน็ตของทุกสรรพสิ่งเบื้องตนดวย Hadoop | 24

1 int y; Console output:

2 int x = 2; Output=3
3 y = x + 1;
4 println(“output=” +y ;

สำหรับรูปแบบการเรียนรูของเครื่องจะทำการปอนทั้งอินพุต (x และ ผลลัพธ (y ที่ตองการไดจากระบบจำนวน

มากใหแกระบบจากนั้นเครื่องจักร (โปรแกรม จะทำการเรียนรู คำนวณและคืนคากลับมาเปนสมการ คือ “x+1” หลังจากนั้น
เมื่อปอนคาอินพุตใหแกระบบระบบจะสามารถหาผลลัพธไดจากสมการ x+1

รูปที่ 4.2 การทำงานของโปรแกรมคอมพิวเตอรและการเรียนรูของเครื่องจักร
[ที่มา. http://opensourceforu.com/wp-content/uploads/2017/12/Figure-1-Traditional-programming-vs-
machine-learning.jpg]

4.3 ประโยชนของการเรียนรูของเครื่องจักร

ในอดีตการหาความสัมพันธของอินพุตกับผลลัพธอาจจะมีไมมากหรือไมซับซอน ซึ่งแตกตางกับปจจุบันที่

ความสัมพันธของอินพุตและเอาตพุต ของระบบสมัยใหมที่มีเทคโนโลยีขั้นสูงนั้นมีความซับซอนมาก อินพุตของระบบหนึ่งๆ

อาจจะมี 1,000 ตัว 10,000 ตัว หรือมากกวานั้น ในกรณีที่จะสรางโมเดลในการเขียนโปรแกรมเพื่อหาคำตอบของระบบ
โปรแกรมเมอรจะตองหาความสัมพันธของอินพุตทั้งหมดเพื่อใชในการสรางโมเดลสำหรับการหาคำตอบของระบบนั้นๆ ซึ่งการ

หาความสัมพันธของตัวแปรจำนวนมากเปนเรื่องที่ทำไดยาก ใชเวลาในการหาความสัมพันธมาก นอกจากนั้นในบางครั้งยังอาจ

ตองใชความรูชั้นสูง รูปแบบการเรียนรูของเครื่องจักรถูกนำมาใชในการแกปญหาดังกลาวขางตนโดยใชการเรียนรูของ
เครื่องจักรในการหาความสัมพันธของตัวแปรตางๆ ในระบบเพื่อทำการสรางโมเดลเพื่อใชในการหาคำตอบของระบบ

4.4 รูปแบบการเรียนรูของเครื่องจักร

การเรียนรูของเครื่องจักรสามารถแบงออกไดแบบกวาง ๆ เปน 3 รูปแบบ คือ

1.การเรียนรูแบบมีผูสอน (Supervised Learning รูปแบบนี้จะตองทำการสอนเครื่องจักร (โปรแกรม กอน โดยการ
ปอนอินพุตและผลลัพธที่ตองการจากอินพุตนั้นๆ เชนกรณีที่ตองการใหโปรแกรมเรียนรูการประเมินผลการเรียนของนักศึกษา
จะตองทำการเพิ่มเซตของขอมูลในลักษณะดังตารางที่ 1 เมื่อพิจารณาขอมูลสอน (training data โปรแกรมจะตองเรียนรูวา

INTRODUCTION TO IOT ANALYTICS USING HADOOP สถาบันสหวิทยาการดิจิทัลและหุนยนต มหาวิทยาลัยเทคโนโลยีราชมงคลพระนคร