Machine Learning (ML) กับ Deep Learning (DL)
What's the difference between Machine Learning (ML) and Deep Learning (DL)? 🧐
🧠 Machine Learning (ML)
Is "the kind of learning we need to guide."
- Inputs: We feed the raw data (blue circle) into it.
- Feature Extraction (Feature Extraction): This is the key point! "People" (Ourselves)
You have to think about and choose what properties are important in that information.
Like we teach a child, "Look here...Notice here. "
- Learning: The machine then "learns" from the properties we choose to enter.
- Outputs: And then give out the "results."
ML summary: People help choose "what to know" - > Machines learn from that.
🚀 Deep Learning (DL) - (lower image)
Is "self-thinking learning" (part of better ML).
- Inputs: We entered the raw data (blue circle) into it as before.
- Feature Extraction + Learning: The dots are here! We don't have to tell you what's important. The machine will "learn and extract all of its own important properties through more complex" neural networks. "
- Outputs: And then give out the "results."
Summary DL: We enter raw data - > all self-thinking and learning machines.
* * Summary:
- ML: We must enter the key "knowledge / features" to the machine first.
- DL: The machine discovers knowledge / properties on its own.
Deep Learning often excels at very complex tasks, such as distinguishing faces in pictures, understanding languages, or driving automatically, because it can find very complex "features" without the need for a guide!
# MachineLearning # DeepLearning # AI # Data Science # Technology
ถ้าเพิ่งเริ่มอ่านเรื่องการเรียนรู้เชิงลึก (deep learning) แล้วเจอคำว่า ML/DL เต็มไปหมด เราว่าจุดที่ทำให้เข้าใจเร็วที่สุดคือ “ใครเป็นคนสกัดคุณสมบัติ (Feature Extraction)” เพราะในชีวิตจริงนี่แหละคือเส้นแบ่งหลักของสองคำนี้ จากที่ลองอธิบายแบบบ้านๆ: Machine Learning (ML) เหมือนเราเป็นคนช่วยชี้ทางก่อน เช่น ถ้าอยากให้เครื่องแยก “สแปม/ไม่สแปม” เราอาจต้องคิดว่าอะไรน่าจะสำคัญ เช่น จำนวนลิงก์ คำต้องห้าม ความยาวอีเมล ฯลฯ แล้วค่อยให้โมเดลเรียนรู้จากคุณสมบัติที่เราเตรียมไว้ ผลคือ ML มักจะทำงานได้ดีในปัญหาที่ข้อมูลมีโครงสร้างชัด (ตารางตัวเลข) และเราพอรู้ว่าจะ “หยิบอะไร” มาช่วยโมเดล แต่ Deep Learning (DL) จะต่างตรงที่มันรวมขั้น “Feature Extraction + Learning” เข้าด้วยกันเลย เราป้อนข้อมูลดิบเข้าไป (รูป เสียง ข้อความ) แล้วโครงข่ายประสาทเทียมจะค่อยๆ เรียนรู้รูปแบบ/คุณสมบัติที่สำคัญด้วยตัวเอง ตั้งแต่ลักษณะง่ายๆ ไปจนถึงซับซ้อน เช่น ในรูปภาพ ชั้นแรกอาจจับ “ขอบ/เส้น” ชั้นถัดไปจับ “รูปทรง” และท้ายๆ อาจจำแนกเป็น “ใบหน้า/วัตถุ” ได้ นี่เป็นเหตุผลที่ DL เด่นมากกับงานภาพและภาษา แล้วควรเลือกใช้อะไร? จากประสบการณ์เวลาอ่านงานตัวอย่าง/ทำโปรเจกต์เล็กๆ เรามักดู 4 อย่างนี้ก่อน 1) ประเภทข้อมูล: ถ้าเป็นข้อมูลตาราง (เช่น ยอดขาย คุณลักษณะลูกค้า) ML คลาสสิกอาจคุ้มและง่ายกว่า แต่ถ้าเป็นรูป/เสียง/ข้อความ DL จะได้เปรียบ 2) ปริมาณข้อมูล: DL มัก “หิวข้อมูล” ถ้าข้อมูลน้อย ML อาจเสถียรกว่า (หรือใช้วิธี transfer learning ช่วย) 3) ทรัพยากรเครื่อง: DL ต้องใช้พลังประมวลผลมากกว่า โดยเฉพาะตอนเทรน (GPU ช่วยได้เยอะ) 4) ความอธิบายได้: ML หลายแบบอธิบายเหตุผลได้ง่ายกว่า (เช่น ดูน้ำหนักของฟีเจอร์) ส่วน DL บางทีแม่นแต่เป็นกล่องดำมากขึ้น ถ้าคุณค้นหาคำว่า “dl kmutnb” แล้วกำลังเรียน/ทำรายงานเกี่ยวกับ DL แนะนำให้จำประโยคเดียวไว้ก่อน: DL คือส่วนหนึ่งของ ML ที่ใช้โครงข่ายประสาทเทียมหลายชั้นเพื่อให้เครื่อง “สกัดคุณสมบัติเอง” จากข้อมูลดิบ แล้วค่อยลงรายละเอียดเรื่องชั้น (layers), การเทรน, และตัวอย่างงานจริงต่อไป จะต่อยอดได้ไวมาก