CHAPTER 1_INTRODUCTION.pdf

รายวิ ช า 10301375 การแยกแยะข้อ มู ล และการแบ่ ง กลุ่ ม ข้อ มู ล DATA CLASSIFICATION AND DATA CLUSTERING CHAPTER 1 : INTRODUCTION ผู้ช่วยศาสตราจารย์ภานุวัฒน์ เมฆะ สาขาวิชาวิทยาการคอมพิวเตอร์...

รายวิ ช า 10301375 การแยกแยะข้อ มู ล และการแบ่ ง กลุ่ ม ข้อ มู ล DATA CLASSIFICATION AND DATA CLUSTERING CHAPTER 1 : INTRODUCTION ผู้ช่วยศาสตราจารย์ภานุวัฒน์ เมฆะ สาขาวิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ มหาวิทยาลัยแม่โจ้ อาจารย์ผู้สอน ผู้ช่วยศาสตรจารย์ภานุวัฒน์ เมฆะ อาจารย์ประจาหลักสูตรสาขาวิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ มหาวิทยาลัยแม่โจ้ สถานที่ทางาน: อาคารแม่โจ้ 60 ปี ชั้น 6 เบอร์โทรศัพท์ติดต่อ: 086-9118765 2 ปรัชญาการศึกษา มหาวิทยาลัยแมโจ ป รั ช ญ า ก า ร ศึ ก ษ า ข อ ง ม ห า วิ ท ย า ลั ย แ ม โ จ คื อ จั ด ก า ร ศึ ก ษ า เ พื ่ อ เ ส ริ ม ส ร า ง ป ญ ญ า ใ น รู ป แบบการเรี ย นรู จากการปฏิ บั ติ ที่ บู ร ณาการกั บ การทํ า งานตามอมตะโอวาท งานหนั ก ไม เคยฆ าคน มุ งให ผู เรี ย น มี ทั ก ษะการเรี ย นรู ตลอดชี วิ ต สามารถพั ฒ นาทั ก ษะเดิ ม สร างเสริ ม ทั ก ษะใหม มี วิ ธี คิ ด ของการเป นผู ประกอบการ มี ก ารใช เทคโนโลยี ด ิ จ ิ ท ั ล และการสื ่ อ สาร มี ค วามตระหนั ก ต อสั ง คม วั ฒ นธรรมและสิ่ ง แวดล อม ยึ ด มั ่ น ในความ สั ม พั น ธ ระหว างมหาวิ ท ยาลั ย กั บ ชุ ม ชน ตามจุ ด ยื น ของ มหาวิ ท ยาลยั แ ม โจ ที่ ว า มหาวิ ท ยาลั ย แห งชี วิ ต 3 คาอธิบายรายวิชา หมวดวิชา : เอกเลือก จานวน 3 หน่วยกิต (2-3-5) วิชาบังคับก่อน : ไม่มี เบื้องต้นของการแยกแยะกลุ่มข้อมูล การแบ่งกลุ่มข้อมูลในแต่ละวิธีการ หรือ อัลกอริทึม : การเรียนรู้แบบ มีผู้สอนและการเรียนรู้แบบไม่มีผู้สอน ข้อมูลไม่สมดุล การจําแนกประเภทและการท านาย ต้นไม้ตัดสินใจ การ จําแนกข้อมูลแบบเบย์ กฎการจําแนกข้อมูล โครงข่ายประสาทเทียม วิธีซัพพอร์ต เวคเตอร์แมทชีน วิธีการเพื่อนบ้าน ใกล้ที่สุด เค ตัว วิธีการเพื่อนบ้านใกล้ที่สุด เค ตัวแบบคลุมเครือ การจําแนกแบบร่วมกันตัดสินใจ การประเมินการ จําแนกข้อมูล และการนําเอามาทดลองกับฐานข้อมูลในมุมมองของวิทยาการคอมพิวเตอร์ การเลือกข้อมูลเพื่อ แสดงผล และอัลกอริทึมที่เป็นประโยชน์ในระบบการจําแนกข้อมูลและแบ่งกลุ่มข้อมูล (บรรยาย 2 ชั่วโมง ปฏิบัติ 3 ชั่วโมง ศึกษาด้วยตนเอง 5 ชั่วโมง/สัปดาห์) 4  การวัดผลและประเมินผล เกรด ช่วงคะแนน - ภาคทฤษฎี A 100.00 – 80.00 - สอบกลางภาค 20% - สอบปลายภาค 30% B+ 79.99 – 75.00 - ภาคปฏิ บั ติ B 74.99 – 70.00 - สอบปฏิ บั ติ 5% C+ 69.99 – 65.00 - แบบฝึ ก หั ด (ONLINE+OFFLINE) 20% C 64.99 – 60.00 - โครงงาน 15% - เข้ า ห้ อ งเรี ย น 10% D+ 59.99 – 55.00 D 54.99 – 50.00 F 49.99 – 0.00 5  พื้นฐานของ AI และ Machine Learning และ Deep Learning Source: https://www.4x-treme.com/ai-vs-machine-learning-vs-deep-learning/ 6  พื้นฐานของ AI และ Machine Learning และ Deep Learning SOURCE: EVOLUTION OF AI — SOURCE: HTTPS://WWW.EMBE DDE D -VISION.COM/ 7  พื้นฐานของ AI และ Machine Learning และ Deep Learning PRODUCT BENEFITS Cool and stylish product Areas for community connections Online store and market swap Source: https://www.xenonstack.com/blog/data-science/log-analytics-deep-machine-learning-ai/ 8 Machine Learning : There are different models that generally fall into 3 different categories. BUSINESS MODEL ABSTRACT We based our research on market trends and social media DESIGN We believe people need more products specifically dedicated to this niche market RESEARCH Minimalist and easy to use Source: https://www.slideshare.net/SebastianRaschka/nextgen-talk-022015/8-Learning_Labeled_data_Direct_feedback and https://www.newtechdojo.com/list-machine-learning-algorithms/ 9  TRADITIONAL PROGRAMMING VS MACHINE LEARNING 10 Source: https://blog.pjjop.org/intro-to-ai-machine-learning-and-ai-tool/  TRADITIONAL PROGRAMMING VS MACHINE LEARNING ในการแก้ปัญหาแบบ Traditional Programming นั้น Programmer จะต้องทําความเข้าใจปัญหา และ เงื่อนไขที่โปรแกรมจะตอบสนอง หรือให้ผลลัพธ์เมื่อมีการรับข้อมูลแบบต่างๆ เข้ามา แล้วจึงเขียนโปรแกรม เช่น เมื่อ ต้องการคํานวณปัญหาการเพิ่มค่าตัวเลขแบบจํานวนเต็มขึ้นอีก 1 Programmer จะต้องออกแบบ Function เพื่อทํา ให้ได้ผลลัพธ์ตามที่ต้องการ นั่นคือได้ฟังก์ชันเป็น X + 1 แล้วจึงแปลงเป็นโปรแกรมนําไปรันในคอมพิวเตอร์ ซึ่งเมื่อมี การรับเลขจํานวนเต็ม 5 มันจะบวกค่าอีก 1 ได้ผลลัพธ์เท่ากับ 6 ในขณะที่ในการแก้ปัญหาแบบ Machine Learning เราจะนํา Data มาสอนโดยใช้เทคนิคอย่างเช่น Deep Learning ในการสอนเราอาจต้องใส่ Input Data และผลเฉลยที่ถูกต้อง เช่น Input Data = 5 ผลเฉลยคือ 6 ด้วยการเรียนรู้จากจํานวนข้อมูลที่มากพอ มันจะสร้าง Model ที่คล้ายกับฟังก์ชัน X + 1 ซึ่งสามารถทํานายคําตอบที่ ใกล้เคียงกับผลเฉลยที่ได้สอนมัน (Predictive Model) 11 Source: https://blog.pjjop.org/intro-to-ai-machine-learning-and-ai-tool/  TRADITIONAL PROGRAMMING VS MACHINE LEARNING ซึ่งเทคนิคทาง Machine Learning จะมีประโยชน์อย่างมากเมื่อปัญหาที่ต้องการแก้ เป็นปัญหาที่มนุ ษยต้อง คิดกฎหรือเงื่อนไขจํานวนมากเพื่อให้ครอบคลุมเพียงพอ อย่างเช่น การจะบอกว่าภาพที่รับเข้ามาเป็นเป็ดหรือไม่ใช่เป็ด ซึ่งเป็นงานที่ค่อนข้างยากเมื่อต้องเขียนโปรแกรมแบบ Traditional Programming 12 Source: https://blog.pjjop.org/intro-to-ai-machine-learning-and-ai-tool/  MACHINE LEARNING 13 Source: https://blog.pjjop.org/intro-to-ai-machine-learning-and-ai-tool/  1. SUPERVISED LEARNING (การเรี ยนรู้แ บบมี ผู้ ส อน) 14 Source: https://blog.pjjop.org/intro-to-ai-machine-learning-and-ai-tool/  2. UNSUPERVISED LEARNING (การเรี ย นรู้ แ บบไม่ มี ผู้ ส อน) 15 Source: https://blog.pjjop.org/intro-to-ai-machine-learning-and-ai-tool/  3. REINFORCEMENT LEARNING (การเรี ย นรู้ ผ่ า นรางวั ล ) SOURCE: FUNDAMENTAL OF DEEP LEARNING IN PRACTICE BOOK 16 H T T P S : //W W W. K D N U G G E T S.COM / 2 0 1 9 / 1 0 /M AT H WO R KS - R E IN FORC E M E N T - LE A R NI N G. H T M L  AI TOOL BOXES และการเตรีย ม ENVIRONMENT โดยในการทํา Workshop เราจะใช้ Python, Jupyter Amount obtained through other investors Notebook Revenue obtained from property rentals และ Number Library of ต่ า งๆ เช่ shares converted into USD น Tensorflow Liquid cash และ Scikit- we have hand on learn ฯลฯ เป็นเครื่องมือสําหรับการทํางานในขั้นตอนตั้งแต่ การ ทํา Data Acquisition จนถึง Model Deploymentl 17 Source: https://blog.pjjop.org/intro-to-ai-machine-learning-and-ai-tool/  การเตรี ย ม ENVIRONMENT ในกรณี รั นบนเครื่อ ง Windows บน NVDIA GPU GPU: Graphics Processing Unit ติดตั้ง CUDA Toolkit 11.0 Update1 หน่ ว ยประมวลผลกราฟิ ก ส์ ติดตั้ง cuDNN ติดตั้ง MINICONDA ติดตั้ง TENSORFLOW และ LIBRARY อื่นๆ บน Windows ที่ไม่มี GPU ติดตั้ง MINICONDA ติดตั้ง TENSORFLOW และ LIBRARY อื่นๆ MacOs บน Apple M1 GPU ติดตั้งซอฟต์แวร์ต่างๆ ได้แก่ macOs 11.0+, Xcode Command Line Tools, Python3.8 บน MacOS ที่ไม่มี GPU ติดตั้งซอฟต์แวร์ต่างๆ ได้แก่ Xcode Command Line Tools, MINICONDA 18 Source: https://blog.pjjop.org/intro-to-ai-machine-learning-and-ai-tool/ GOOGLE COLAB OPPORTUNITY TO BUILD Addressable market Serviceable market Obtainable market 19  Exercise 1 ให้ นั ก ศึ ก ษาเข้ า เว็ บ ไซต์ WWW.KAGGLE.COM และสมั ค รเพื่ อ เข้ า ใช้ ง าน จากนั้ น ไปส่ ว นการเรี ย นรู้ แ ละทํา การศึ ก ษา E-LEARNING พร้ อ มทํา แบบฝึ ก หั ด ในหั ว ข้ อ INTRO TO DEEP LEARNING 20 END OF CHAPTER 1 21