Generalization Generates Creation PDF

Generalization Generates Creation Words of Wisdom (WOW) คมคำ..จำไปใช้ If you want others to be happy, practice compassion. If you want to be happy,...

Generalization Generates Creation Words of Wisdom (WOW) คมคำ..จำไปใช้ If you want others to be happy, practice compassion. If you want to be happy, practice compassion. The 14th Dalai Lama (1935-) หากอยากให้ผอู้ ื่นมีความสุข จงรูจ้ กั เห็นใจผูอ้ ื่น หากอยากให้ตวั เองมีความสุข รศ.ดร.ฉัฐไชย์ ลีนำวงศ์ FB: Chartchai Leenawong จงรูจ้ กั เห็นใจผูอ้ ื่น 1 Duality Theory: ของดีมเี ป็ นคู่ มีผห ู้ ญิงก็มผี ชู้ าย มีผรู้ า้ ยก็มผี ูด้ ี มีชกี ม็ พี ระ มี ธรรมะก็มอี ธรรม มีจาก็มลี มื ฯลฯ Combinatorial Optimization: หากการหาคาตอบ ทางตรงของปั ญหาหลัก Primal Problem ทาได้ ยาก ก็จะแปลงไปเป็ นปั ญหาควบคู่ Dual Problem ประจุไฟฟ้ า ก็ยงั มีคห ู่ รือสองขัว้ คือขัว้ บวกกับขัว้ ลบ แล้วการสลับขัว้ ไฟฟ้ าจากบวกเป็ นลบ จากลบ เป็ นบวก ก็ได้ก่อกาเนิดระบบดิจทิ ลั คอมพิวเตอร์ ทีท่ าให้โลกก้าวไกล 2 Duality Theory: ของดีมเี ป็ นคู่ สมองสองซีก ซีกซ้ายถนัด Logic คิดวิเคราะห์ ใช้เหตุใช้ผล มองโลกตามจริง จัดระเบียบ จัดระบบต่างๆ ได้ดี ทาให้เกิดความก้าวหน้า ด้านวิทยาศาสตร์และคณิตศาสตร์ สมองซีกขวาถนัดเรือ ่ งอารมณ์ จินตนาการ สรรสร้าง Creativity ทาให้เกิดความก้าวหน้า ด้านศิลปะ วรรณกรรม ทีจ่ รรโลงโลก คนเก่งมักจะมีเส้นประสาทเป็ นสะพานเชื่อมคู่ สมองสองซีกเข้าด้วยกัน ทาให้สามารถจัด ระเบียบและคิดค้นวิทยาการแบบก้าวกระโดด 3  Duality Theory: ของดีมเี ป็ นคู่ การสร้างความแข็งแรงให้กบ ั เส้นใยประสาททีเ่ ชื่อม สมองทัง้ สองซีก เป็ นสิง่ ทีฝ่ ึกได้ นับเป็ นสิง่ วิเศษที่ มนุษย์ทุกคนมีเท่ากันโดยแท้ ความเป็ น “คู”่ เป็ นธรรมชาติ เป็ นความงามของโลก ความเป็ นน้ าหนึ่งใจเดียวกัน Unity มิได้หมายความ ว่า จะต้องกาจัดสิง่ ทีแ่ ตกต่างออกไป ให้เหลือเพียง คนทีค่ ดิ เหมือนกันเท่านัน้ แต่หมายถึงการเรียนรูท ้ จ่ี ะยอมรับคุณค่าใน ความคงอยูข่ องคู่ The Existence of Duality 4 Analysis vs. Synthesis 5 Analysis and Synthesis Combined 6 Sympathy vs. Empathy 7 Induction vs. Deduction 8 Mathematical Induction If the first object falls, and in the event that any object falls, its successor necessarily falls. 9 Inferential vs. Descriptive Statistics 10 Rise vs. Fall Words of Wisdom (WOW) คมคำ..จำไปใช้ “Our greatest glory is not in never falling, but in rising every time we fall.” ความรุง่ เรืองทีส่ ดุ ไม่ได้อยูท่ ก่ี ารไม่เคยล้ม แต่อยูท่ ก่ี ารลุกขึน้ ได้ใหม่ทุกครัง้ ทีล่ ม้ Confucius ขงจือ๊ (551-479 BC),“The EAST” “Anyone who has never made a mistake has never tried anything new.” คนทีไ่ ม่เคยผิดพลาด ก็คอื คนทีไ่ ม่เคยลองสิง่ ใหม่ๆ เลย Albert Einstein (1879-1955),“The WEST” 11 12 Generalization vs. ??? The process of identifying common principles, patterns, or solutions that can be applied across different contexts or situations. Involves moving from specific instances to broader concepts or principles. By looking at broader patterns, trends, and connections, we can uncover new opportunities and solutions. Often seen as the opposite of Specialization, it can paradoxically be a powerful catalyst for innovation. 13 14 Generalization Specialization Broadens the scope by identifying Narrows the scope by focusing on common features or patterns that the unique aspects of specific apply to many specific cases. cases. Aims to create a universal rule or Aims to optimize and fine-tune for model that can handle a wide range particular scenarios or subsets of scenarios. within the broader category. Moves from specific instances to a Moves from a broad category to broader, abstracted view. detailed, specific instances. A model recognizes various types of cats by learning from images of different A general model that recognizes dogs, cat breeds. It abstracts the common it refines this model to accurately features, e.g., whiskers, fur, and shape distinguish between various breeds of to recognize any cat unseen before. dogs. 15 15 K-means Clustering Generalization: Pattern Recognition: k-means clustering recognizes patterns in the data and groups similar data points together, creating a generalized representation of the dataset. Generalization or ??? Centroid-Based: The centroids represent the generalized characteristics of each cluster, abstracting the specific details of individual data points into broader groupings. 16 K-Nearest Neighbor (K-NN) Classifiers If it walks like a duck, quacks like a duck, then it’s probably a duck. Generalization: In terms of recognizing patterns and Compute Distance Test trends from the dataset. Record Generalization Specialization: In terms of making predictions or ??? based on specific nearby instances Training Choose k of Records the “nearest” without forming an abstract records model. 17 Distance Metrics: Manhattan & Euclidean 18 Distance Metrics: Generalization 19 Confusion Matrix A table used to evaluate the performance of a classification algorithm. It provides a detailed breakdown of the predicted and actual classifications, helping to understand how well the model performs in distinguishing between classes. It is particularly useful for binary and multi-class classification problems. 20 Confusion Matrix: Binary Classification TP: # correct predicted positives TN: # correct predicted negatives FP: # actual negatives predicted as positives (Type I error) FN: # actual positives predicted as negatives (Type II error) ✓ Precision: Correct positive predictions out of all positive predictions. ✓ Recall (Sensitivity): Correct positive predictions out of all actual positives. ✓ Specificity: Correct negative predictions out of all actual negatives. 21 Confusion Matrix: Binary Classification Predicted Positive Predicted Negative Actual Positive TP = 50 FN = 10 Actual Negative FP = 5 TN = 100 22 Confusion Matrix: Generalization Predicted Class A Predicted Class B Predicted Class C Actual Class A 30 2 3 Actual Class B 4 25 6 Actual Class C 2 3 28 23 Confusion Matrix: Generalization Predicted Class A Predicted Class B Predicted Class C Actual Class A 30 2 3 Actual Class B 4 25 6 Actual Class C 2 3 28 Accuracy Precision Recall/Sensitivity Specificity F1-Score 0.806 0.833 0.857 0.912 0.845 0.833 0.714 0.926 0.769 0.757 0.848 0.871 0.800 24 Confusion Matrix: Generalization Predicted Class A Predicted Class B Predicted Class C Actual Class A 50 10 5 Actual Class B 8 40 7 Actual Class C 3 6 45 Accuracy Precision Recall/Sensitivity Specificity F1-Score 0.776 0.820 0.769 0.899 0.794 0.714 0.727 0.866 0.721 0.789 0.833 0.900 0.811 25 Confusion Matrix: Generalization Predicted A Predicted B Predicted C Predicted D Actual A 30 4 6 2 Actual B 5 25 3 7 Actual C 4 6 35 5 Actual D 3 7 4 31 Accuracy Precision Recall/Sensitivity Specificity F1-Score 0.684 0.714 0.714 0.911 0.714 0.595 0.625 0.876 0.610 0.729 0.700 0.898 0.714 0.689 0.689 0.894 0.689 26 Generalization Generates Creation Words of Wisdom (WOW) คมคำ..จำไปใช้ Generalization in Action ▪ ค้นหาสิง่ ทีเ่ ป็ น Generalization & Specialization ทีเ่ กีย่ วข้องกับ Data Science มาให้มากทีส่ ด ุ เท่าทีจ่ ะมากได้ ▪ ระบุเหตุผลด้วยว่าเพราะเหตุใดจึงเป็ น เผ่าพันธุเป็ ท์ อ่ี นอย่ ยูร่ อดได้ างไรไม่ใช่เผ่าพันธุท ์ แ่ี ข็งแกร่งทีส่ ดุ หรือาลาดทีส่ ดุ แต่เป็ นเผ่าพันธุ.์.ทีป ่ รับตัวเข้ำกับกำรเปลี่ยนแปลงได้มากทีส่ ดุ ! รศ.ดร.ฉัฐไชย์ ลีนำวงศ์ FB: Chartchai Leenawong 27