Page 26 - 6.Machine Learning for Data Science

หลักสูตรการวิเคราะหอินเทอรเน็ตของทุกสรรพสิ่งเบื้องตนดวย Hadoop | 25

กรณีที่นักศึกษาไดคำแนนตั้งแต 40 ลงมาจะสอบ“ตก” และเมื่อไดคะแนนตั้งแต 42 ขึ้นไปจะสอบ“ผาน” ดังนั้นในอนาคต

หากปอนอินพุตเขามาเปน 38 โปรแกรมจะตองใหคำตอบวาเปน “ตก”

ตารางที่ 1 ตัวอยางขอมูลการสอนเครื่องจักร

คะแนน ปายชื่อ
100 ผาน
25 ตก

40 ตก
90 ผาน

50 ผาน
85 ผาน
55 ผาน

42 ผาน

จากตารางจะพบวาขอมูลสอนโปรแกรมจะตองมีขอมูลและมีการใสปายใหแกขอมูลที่นำมาสอนโปรแกรมเพื่อให
โปรแกรมสามารถเรียนรูถึงความหมายของขอมูลดังกลาวได

2. การเรียนรูแบบไมมีผูสอน (Unsupervised Learning ในการเรียนรูแบบนี้โปรแกรมจะไดรับอินพุต และความ
ตองการของผูใชงานวาตองการทำอะไรกับขอมูล เชนหากตองการแบงกลุมของคะแนนในตัวอยางที่แลวออกเปน 2 กลุม จะสง
ขอมูลใหโปรแกรมดังตารางที่ 2 โดยผลลัพธที่ไดจากการเรียนรูของเครื่องจักรในกรณีนี้จะเปนไปตามตารางที่ 3 คือสามารถ

แบงกลุมของขอมูลไดเปน 2 กลุมตามตองการแตจะไมทราบความหมายของขอมูลทั้งสองกลุมนั้น ผูใชหรือโปรแกรมเมอร
จะตองเปนผูที่ทราบความหมายของกลุมที่ไดรับเพื่อนำไปใชประโยชนตอไป

ตารางที่ 2 ตัวอยางขอมูลสำหรับการเรียนรูแบบไมมีผูสอน

คะแนน
100
25

40
90

50
85
55

42

INTRODUCTION TO IOT ANALYTICS USING HADOOP สถาบันสหวิทยาการดิจิทัลและหุนยนต มหาวิทยาลัยเทคโนโลยีราชมงคลพระนคร