ผู้ที่ผ่านสมรรถนะนี้จะสามารถอธิบายเทคโนโลยีที่เกี่ยวข้องกับปัญญาประดิษฐ์ เลือกใช้เทคโนโลยีปัญญาประดิษฐ์ อธิบายหลักการทำงานของการเรียนรู้ของเครื่อง (Machine Learning)

อธิบายประเภทของการเรียนรู้ของเครื่อง (Machine Learning) ตลอดจนอธิบายอัลกอริทึมประเภทของการเรียนรู้ของเครื่อง (Machine Learning)

(ก) ความต้องการด้านทักษะ

1. สามารถเลือกใช้เทคโนโลยีปัญญาประดิษฐ์

2. สามารถอธิบายหลักการทำงานของการเรียนรู้ของเครื่อง (Machine Learning)

(ข) ความต้องการด้านความรู้

1. เทคโนโลยีปัญญาประดิษฐ์

2. หลักการทำงานของการเรียนรู้ของเครื่อง (Machine Learning)

วิธีการประเมิน

ข้อสอบข้อเขียนแบบปรนัยชนิด 4 ตัวเลือก

(ก) คำแนะนำ

หน่วยสมรรถนะนี้เป็นเรื่องของการเลือกใช้เทคโนโลยีปัญญาประดิษฐ์และหลักการทำงานของการเรียนรู้ของเครื่อง (Machine Learning)

(ข) คำอธิบายรายละเอียด

1. เลือกใช้เทคโนโลยีปัญญาประดิษฐ์ มีขอบเขตครอบคลุม การวิเคราะห์เทคโนโลยีปัญญาประดิษฐ์ คือ การทำความเข้าใจ คุณสมบัติ หน้าที่ กลไกการทำงานและข้อจำกัดของเทคโนโลยีปัญญาประดิษฐ์ การเปรียบเทียบเทคโนโลยีปัญญาประดิษฐ์ คือ การนำเทคโนโลยีปัญญาประดิษฐ์หลาย ๆ ประเภทมาเปรียบเทียบด้านคุณสมบัติ ประสิทธิภาพ ต้นทุน หรือความเหมาะสมเพื่อเลือกเทคโนโลยีปัญญาประดิษฐ์ที่ดีที่สุดในบริบทที่กำหนด การประเมินเทคโนโลยีปัญญาประดิษฐ์ คือ การตัดสินใจเลือกใช้เทคโนโลยีปัญญาประดิษฐ์โดยวิเคราะห์จากความคุ้มค่า ความเสี่ยง และผลกระทบของการใช้เทคโนโลยีปัญญาประดิษฐ์ประเภทนั้น ๆ

2. อธิบายหลักการทำงานของการเรียนรู้ของเครื่อง (Machine Learning) มีขอบเขตครอบคลุม หลักการทำงานของการเรียนรู้ของเครื่อง กระบวนการทำงานหลักของการเรียนรู้ของเครื่อง

ประเภทของการเรียนรู้ของเครื่อง ตลอดจนอัลกอริทึมของการเรียนรู้ของเครื่อง ได้แก่

• หลักการทำงานของการเรียนรู้ของเครื่อง (Machine Learning) คือ การทำให้คอมพิวเตอร์สามารถเรียนรู้จากข้อมูลได้ด้วยตนเอง โดยไม่ต้องมีการเขียนโปรแกรมคำสั่งอย่างชัดเจน
  
  ในทุกขั้นตอน โดยหลักการพื้นฐานคือการป้อนข้อมูล (Data) จำนวนมากให้กับคอมพิวเตอร์และให้คอมพิวเตอร์ค้นหารูปแบบ (Pattern) หรือความสัมพันธ์ที่ซ่อนอยู่ในข้อมูลเหล่านั้น จากนั้นคอมพิวเตอร์จะใช้ความรู้ที่ได้จากการเรียนรู้ข้อมูลต่าง ๆ เหล่านี้ในการตัดสินใจ คาดการณ์ หรือดำเนินการต่าง ๆ กับข้อมูลใหม่ที่ไม่เคยเห็นมาก่อน


• กระบวนการทำงานหลักของการเรียนรู้ของเครื่อง (Machine Learning) ประกอบด้วยขั้นตอนสำคัญดังนี้

         1. การเก็บรวบรวมและเตรียมข้อมูล (Data Collection and Preparation) ขั้นตอนนี้มีความสำคัญอย่างยิ่ง เนื่องจากข้อมูลที่นำมาใช้ในการเรียนรู้ หรือการฝึก (Train) จะต้องเป็นข้อมูล

ที่มีคุณภาพ ถูกต้อง ครบถ้วน และอยู่ในรูปแบบที่เหมาะสมสำหรับการวิเคราะห์ ข้อมูลดิบ (Raw data) มักจะต้องผ่านกระบวนการทำความสะอาด (Cleaning), การแปลงรูปแบบ  (Transformation), การลดขนาด (Reduction), และการแบ่งข้อมูล (Splitting) ออกเป็นส่วนต่างๆ เช่น ชุดข้อมูลฝึก (Training Data), ชุดข้อมูลตรวจสอบความถูกต้อง (Validation Data)

และชุดข้อมูลทดสอบ (Testing Data)

        2. การเลือกโมเดล (Model Selection) ในขั้นตอนนี้ จะมีการเลือกโมเดล (Model) หรืออัลกอริทึมที่เหมาะสมกับประเภทของปัญหาและลักษณะของข้อมูล โมเดลเหล่านี้มีหลากหลาย

รูปแบบ ขึ้นอยู่กับวัตถุประสงค์ของการเรียนรู้ เช่น การจำแนกประเภท (Classification), การถดถอย (Regression), การจัดกลุ่ม (Clustering) หรือการลดมิติ (Dimensionality Reduction)

        3. การฝึกฝนโมเดล (Model Training) ชุดข้อมูลฝึกจะถูกนำมาใช้เพื่อเรียนรู้โมเดล โดยอัลกอริทึมจะปรับพารามิเตอร์ภายในของโมเดลอย่างต่อเนื่อง เพื่อให้สามารถทำนายหรือตัดสินใจได้อย่างถูกต้องแม่นยำที่สุด

        4. การตรวจสอบความถูกต้องของโมเดล (Model Validation) หลังจากฝึกแล้ว จะมีการนำชุดข้อมูลตรวจสอบความถูกต้องมาประเมินประสิทธิภาพของโมเดล เพื่อปรับปรุงพารามิเตอร์หรือโครงสร้างของโมเดลให้ดียิ่งขึ้น ขั้นตอนนี้ช่วยป้องกันปัญหาการเรียนรู้ Overfitting ซึ่งหมายถึงการที่โมเดลสามารถทำงานได้ดีกับข้อมูลฝึก แต่ไม่สามารถทำงานได้ดีกับข้อมูลใหม่ (New Data)

        5. การทดสอบโมเดล (Model Testing) เมื่อได้โมเดลที่ผ่านการตรวจสอบความถูกต้องและเป็นที่น่าพอใจแล้ว จะมีการนำชุดข้อมูลทดสอบที่ไม่เคยเห็นมาก่อน มาประเมินประสิทธิภาพ

ขั้นสุดท้าย เพื่อวัดความสามารถในการทำงานจริงของโมเดล

        6. การนำไปใช้งาน (Deployment) เมื่อโมเดลผ่านการทดสอบและมีประสิทธิภาพตามที่ต้องการ ก็จะถูกนำไปใช้งานจริงในระบบต่าง ๆ เพื่อแก้ปัญหาหรือสร้างคุณค่าตามวัตถุประสงค์ที่ตั้งไว้

        7. การติดตามและปรับปรุง (Monitoring and Improvement) หลังจากนำไปใช้งานแล้ว จะต้องมีการติดตามประสิทธิภาพของโมเดลอย่างต่อเนื่อง เนื่องจากข้อมูลและสภาพแวดล้อม

อาจมีการเปลี่ยนแปลง ทำให้โมเดลอาจมีประสิทธิภาพลดลง จึงจำเป็นต้องมีการปรับปรุงหรือฝึกฝนโมเดลใหม่เป็นระยะ

• ประเภทของการเรียนรู้ของเครื่อง (Types of Machine Learning) ได้แก่

        1. การเรียนรู้แบบมีผู้สอน (Supervised Learning) เป็นการเรียนรู้จากข้อมูลที่มีป้ายกำกับ (Labeled Data) ซึ่งหมายถึงข้อมูลที่มาพร้อมกับคำตอบหรือผลลัพธ์ที่ถูกต้อง อัลกอริทึม

จะเรียนรู้ความสัมพันธ์ระหว่างข้อมูลนำเข้า (Input) และป้ายกำกับ เพื่อที่จะสามารถทำนายป้ายกำกับสำหรับข้อมูลใหม่ที่ไม่เคยเห็นมาก่อน ตัวอย่างของปัญหาในกลุ่มนี้ ได้แก่ การจำแนก

ประเภท (Classification) (เช่น การระบุอีเมลว่าเป็นสแปมหรือไม่) และการถดถอย (Regression) (เช่น การคาดการณ์ราคาบ้าน)

        2. การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning) เป็นการเรียนรู้จากข้อมูลที่ไม่มีป้ายกำกับ (Unlabeled Data) อัลกอริทึมจะพยายามค้นหารูปแบบ โครงสร้าง หรือความสัมพันธ์

ที่ซ่อนอยู่ในข้อมูล ตัวอย่างของปัญหาในกลุ่มนี้ ได้แก่ การจัดกลุ่ม (Clustering) (เช่น การแบ่งกลุ่มลูกค้าตามพฤติกรรมการซื้อ) และการลดมิติ (Dimensional Reduction) (เช่น การลดจำนวนคุณสมบัติของข้อมูลโดยยังคงรักษาข้อมูลสำคัญไว้)

        3. การเรียนรู้แบบเสริมกำลัง (Reinforcement Learning) เป็นการเรียนรู้โดยให้เอเจนต์ (Agent) ปฏิสัมพันธ์กับสภาพแวดล้อม (Environment) และเรียนรู้ผ่านการได้รับรางวัล (Reward) หรือบทลงโทษ (Penalty) เป้าหมายของเอเจนต์คือการเรียนรู้นโยบาย (Policy) ที่จะทำให้ได้รับรางวัลสะสมสูงสุด ตัวอย่างของการใช้งาน ได้แก่ การควบคุมหุ่นยนต์ การเล่นเกม และการจัดการการลงทุน

• ประเภทอัลกอริทึมของการเรียนรู้ของเครื่อง (Machine Learning Algorithms) ได้แก่

        1. อัลกอริทึมประเภทการถดถอยเชิงเส้น (Linear Regression) คือ วิธีการทางสถิติที่ใช้ในการทำนายค่าของตัวแปรตาม (Dependent Variable) โดยใช้ค่าของตัวแปรอิสระ (Independent Variable) หนึ่งตัวหรือมากกว่า โดยสมมติว่าความสัมพันธ์ระหว่างตัวแปรเหล่านี้เป็นเส้นตรง ในการเรียนรู้ของเครื่อง (Machine Learning) อัลกอริทึม Linear Regression มักใช้ในการสร้างโมเดลที่สามารถทำนายค่าผลลัพธ์จากข้อมูลที่มีอยู่ เช่น การทำนายราคาบ้านจากขนาดและทำเลที่ตั้ง หรือการทำนายยอดขายจากการโฆษณา

        2. อัลกอริทึมประเภทการจำแนกประเภท (Classification) คือ วิธีการที่ใช้ในการแบ่งข้อมูลออกเป็นกลุ่มหรือประเภทต่าง ๆ โดยอิงจากคุณสมบัติของข้อมูลนั้น ๆ อัลกอริทึมการจำแนกประเภท (Classification) มีการใช้งานในหลายด้าน เช่น การตรวจจับอีเมลสแปม การวิเคราะห์ภาพทางการแพทย์ และการทำนายความเสี่ยงทางการเงิน ตัวอย่างของอัลกอริทึมประเภท

การจำแนกประเภท (Classification) เช่น Decision Trees, Support Vector Machines (SVM), K-Nearest Neighbors (KNN), Naive Bayes

        3. อัลกอริทึมประเภทการจัดกลุ่ม (Clustering) คือ วิธีการที่ใช้ในการแบ่งข้อมูลออกเป็นกลุ่มหรือคลัสเตอร์ โดยที่ข้อมูลในกลุ่มเดียวกันจะมีความคล้ายคลึงกันมากกว่าข้อมูลในกลุ่มอื่น ๆ

อัลกอริทึมประเภทการจัดกลุ่ม (Clustering) มีการใช้งานในหลายด้าน เช่น การวิเคราะห์ลูกค้า การแบ่งกลุ่มเอกสาร และการตรวจจับรูปแบบในข้อมูลทางชีววิทยา ตัวอย่างของอัลกอริทึม

ประเภทการจัดกลุ่ม (Clustering) เช่น K-Means, Hierarchical Clustering, DBSCAN

        4. อัลกอริทึมประเภทการลดมิติข้อมูล (Dimensionality Reduction) คือ วิธีการที่ใช้ในการลดจำนวนตัวแปร (Features) ในชุดข้อมูล โดยยังคงรักษาข้อมูลสำคัญและโครงสร้างของข้อมูลไว้ อัลกอริทึมประเภทการลดมิติข้อมูล (Dimensionality Reduction) มีการใช้งานในหลายด้าน เช่น การเตรียมข้อมูลสำหรับการวิเคราะห์ การลดความซับซ้อนของโมเดล และการแสดงผลข้อมูลในรูปแบบที่เข้าใจง่ายขึ้น ตัวอย่างของอัลกอริทึมประเภทการลดมิติข้อมูล (Dimensionality Reduction) เช่น Principal Component Analysis (PCA), t-distributed Stochastic Neighbor Embedding (t-SNE)

         การเลือกใช้อัลกอริทึมที่เหมาะสมขึ้นอยู่กับปัจจัยหลายประการ เช่น ประเภทของปัญหา ขนาดของข้อมูล ลักษณะของข้อมูล ความซับซ้อนของความสัมพันธ์ในข้อมูล และทรัพยากร

ในการคำนวณที่มีอยู่ การทำความเข้าใจหลักการทำงานและประเภทของอัลกอริทึมต่าง ๆ จะช่วยให้สามารถประยุกต์ใช้การเรียนรู้ของเครื่องได้อย่างมีประสิทธิภาพและเหมาะสมกับ

การพิจารณาแนวทางแก้ไขปัญหาในสถานการณ์ต่าง ๆ

1. เครื่องมือการประเมิน เลือกใช้เทคโนโลยีปัญญาประดิษฐ์

     ข้อสอบข้อเขียนแบบปรนัยชนิด 4 ตัวเลือก

2. เครื่องมือการประเมิน อธิบายหลักการทำงานของการเรียนรู้ของเครื่อง (Machine Learning)

     ข้อสอบข้อเขียนแบบปรนัยชนิด 4 ตัวเลือก