ML Crash Course: Descending into ML: Training and Loss


Training ແບບ​ຈຳ​ລອງກະ​ຄື​ກັບ ການ​ສອນ​ໃຜ​ຄົນ​ໜຶ່ງ​ໃຫ້​ຮູ້​ໄດ້​ເອງວ່າ​ສິ່ງນັ້ນ​ແມ່ນ​ຫຍັງ​ຈາກ​ການ​ທີ່​ເຮົາ​ໃຫ້​ຂໍ້​ມູນ​ໃຫ້​ກະ​ເຂົາ​ພ້ອມ​ກັບ​ຕົວ​ຢ່າງ​ນຳ​ວ່າ​ອັນ​ນີ້​ແມ່ນ​ອັນ​ນີ້​ເດີ້ ອັນ​ນີ້​ແມ່ນ​ອັນ​ນັ້ນ​ເດີ້ (determining) ​ຂໍ້​ມູນ​ທີ່​ເຮົາ​ເອົາ​ມາ​ສອນນັ້ນ​ແມ່ນໄດ້​ຈາກ ສຳ​ປ​ະ​ສິດຄວາມ​ຊັນ​ຂອງ​ເສັ້ນ​ສະ​ແດງ(weight) ແລະ bias ຈາກຂໍ້​ມູນ (labeled example). ສຳ​ລັບ​ supervised learning, ຫຼັກການ algorithm ຂອງ machine learning ກະ​ຄື​ເຮົາ​ຈະ​ຕ້ອງຈະ​ສ້າງ​ແບບ​ຈຳ​ລອງ​ໂດຍ​ການກວດ​ສອບ​ຂໍ້​ມູນ​ຫຼາຍໆ​ໂຕ ແລະ ຫາ​ແບບ​ຈຳ​ລອງ​ທີ່​ມີ​ຄ່າ loss ໜ້ອຍ​ທີ່​ສຸດ. ຂັ້ນ​ຕອນນີ້​ເຂົາ​ເຈົ້າ​ຈະ​ເອີ້ນ​ວ່າ empirical risk minimization.
… 

 

ML Crash Course: Descending into ML: Linear Regression


ໃນ​ບົດ​ຄວາມນີ້​ເຮົາ​ຈະ​ເລີ່ມ​ລົງ​ເລິກ​ໃນ​ເລື່ອງ​ຂອງ Machine Learning ກັນ! ໂດຍ​ເລີ່ມ​ຈາກ​ການ​ໄດ້​ຮູ້​ຈັກ​ໝູ່​ຄົນ​ທຳ​ອິດ​ຂອງ​ທ່ານ​ໃນ​ສາຍນີ້​ກະ​ຄື ທ້າວ ລີ​ເນ​ແອ ຫຼື Linear Regression (ຂໍ​ເວົ້າ​ເປັນ​ພາ​ສາທີ່​ເຮົາ​ຄຸ້ຍ​ເຄີຍ​ກັນ​ໃນ​ຫ້ອງ​ຮຽນ​ເນາະ, ບາງ​ຄົນ​ນິ​ເບິ່ງ​ທຳ​ອິດ​ອາດ​ງົງ​ວ່າ​ມັນ​ແມ່ນ​ຫຍັງ ລີ​ເນຍ, ພໍ​ໄດ້​ຟັງ​ ລີ​ເນ​ແອ ນິ​ກະ​ເຖິງ​ກັບ​ເວົ້າ​ວ່າ ອໍ້! ເລີຍ​ກັບ​ບາ​ດ).

ແລ້ວ​ສົມ​ຜົ​ນ​ຖົດ​ຖອຍ​ເສັ້ນ​ຊື່​ລີ​ເນ​ແອ​ນິ​ມັນ​ຈະ​ມີ​ຮູບ​ລັກ​ສະ​ນະ​ແບບ​ໃດ? ທຳ​ອິດ ເມື່ອ​ເຮົາ​ໄດ້​ຂໍ​້​ມູນເຮົາ​ຈະ​ຕ້ອງ​ມາ plot (ມາແຕ້ມ​ເສັ້ນ​ສະ​ແດງ) ວ່າ​ຂ​ໍ້​ມູ​ນ​ເຮົາ​ຢູ່​ໃນ​ຮູບ​ແບບ​ໃດ ມັນ​ຈັບ​ກຸ່ມ​ກັນ​ເປັນ​ແບບ​ໃດ.
… 

 

Machine Learning Crash Course: ML Terminology

​ບົດ​ຄວາມນີ້ຈະ​ເປັນ​ບົດ​ຄວາມ​ທຳ​ອິດ​ໃນ series ຂອງ Machine Learning Crash Course ​ເຊິ່ງ​ທ່ານ​ຈະ​ໄດ້​ຮູ້​ຈັກ​ກັບ​ຄຳ​ວ່າ Machine Learning ແມ່ນ​ຫຍັງ ແລະ ຄຳ​ສັບ​ຕ່າງໆ​ທີ່​ກະ​ເຈົ້າ​ໃຊ້​ກັນ​ໃນ​ວົງ​ການນີ້.

Label

Labels ໝາຍ​ເຖິງ​ຜົນ​ໄດ້​ຮັບ ຫຼື ​ສິ່ງ​ທີ່​ເຮົາ​ຈະພະ​ຍາ​ກອນ​ ເຊິ່ງ​ມັນ​ກະ​ຄືໂຕປ່ຽນ y (output) ນັ້ນ​ເອງ ຖ້າ​ເຮົາ​ທຽບ​ກັບ​ສົມ​ຜົນ​ຖົດ​ຖອຍ​ເສັ້ນ​ຊື່ (Linear Regression). Labels ອາດ​ຈະ​ເປັນ ລາ​ຄາ​ຂອງ​ເຂົ້າ​ໃນ​ອະ​ນາ​ຄົດ, ຊື່​ສັດ​ຕ່າງໆ​ທີ່​ຢູ່​ໃນ​ຮູບ, ຄວາມ​ໝາຍ​ຂອງ​ສຽງ​ຕ່າງ ແລະ ອື່ນໆ.

Features

Features ແມ່ນ​ຕົວ​ປ່ຽນ x (input) ຕົວ​ປ່ຽນ​ທີ່​ເຮົາ​ຈະ​ເອົາ​ມາ​ຄິດ​ໄລ່​ໃນ​ສົມ​ຜົນ. ບາງວຽກ​ໃນ​ສາຍ Machine Learning ງ່າຍໆ​ອາດ​ຈະ​ໄດ້​ໃຊ້​ແຕ່ feature ອັນ​ດຽວ, ແຕ່​ບາງວຽກ​ທີ່​ຊັບ​ຊ້ອນ​ອາດ​ຈະ​ໄດ້​ໃຊ້ feature ຫຼາຍໆ​​ໂຕ​ເປັນ n ໂຕ.

{ x 1 , x 2 , . . . x N }

ຕົວ​ຢ່າງ​ການ​ສ້າງແບບ​ຈຳ​ລອງ​ກ່ຽວ​ກັບ​ການ​ກັ່ນ​ຕອງ spam ຈະ​ຕ້ອງ​ມີ feature ຄື:

  • ຄຳ​ຕ່າງໆ​ທີ່​ໃຊ້ໃນເນື້ອ​ຫາ​ອີ​ເມວທີ່​ສົ່ງ​ມາ
  • ທີ່​ຢູ່​​ອີ​ເມວຂອງ​ຜູ່​ທີ່​ສົ່ງ​ມາ​ຫາ​ເຮົາ
  • ເວ​ລາ​ໃດ​ທີ່​ອີ​ເມວ​ໄດ້​ສົ່ງ​ມາ
  • ອີ​ເມວ​ທີ່​ມີ​ຄຳ​ແປກໆ ແບບ​ເຂົ້າ​ຂ່າຍ​ຕົ້ມ​ຕຸນ​ປົນ​ມາ​ (one weird trick)

…