รวมศัพท์ด้าน Machine Learning ตอนที่ 1

จากประสบการณ์ที่ได้เรียนรู้และใช้งาน Machine Learning มา การเข้าใจศัพท์พื้นฐานที่ถูกต้องถือเป็นกุญแจสำคัญในการเริ่มต้นศึกษาเทคโนโลยีนี้อย่างมั่นใจ ในการทำงานจริง เราเจอหลายคำที่ใช้บ่อยเช่น Dataset, Data Point, Feature และ Label ซึ่งช่วยให้เราแยกแยะข้อมูลได้ชัดเจน Dataset คือชุดข้อมูลทั้งหมดที่เรานำมาฝึกหรือทดสอบโมเดล ส่วน Data Point คือหนึ่งตัวอย่างข้อมูล ยกตัวอย่างเช่น ถ้ามีข้อมูลลูกค้าเป็น Dataset แต่ละแถวในตารางข้อมูลคือตัวอย่างหรือ Data Point นึง Feature คือสิ่งที่ใช้เป็นตัวแปรต้นหรือ input สำหรับสอนโมเดล เช่น คุณสมบัติของลูกค้า อาทิ อายุ รายได้ เป็นต้น ขณะที่ Label หรือ Target คือค่าที่เราต้องการทำนาย เช่น ลูกค้าจะซื้อสินค้าหรือไม่ ซึ่งใช้วัดประสิทธิภาพโมเดลว่าทำนายถูกต้องแค่ไหน การแบ่งข้อมูลออกเป็น Training Data และ Testing Data คือส่วนสำคัญมาก เพื่อป้องกันไม่ให้โมเดลจำเพียงข้อมูลฝึกแล้วทำงานกับข้อมูลใหม่ไม่ได้ซึ่งเรียกว่า Overfitting การแบ่งปกติจะใช้ Training Data ประมาณ 80% เพื่อสอนโมเดล ส่วน Testing Data อีก 20% ใช้ทดสอบว่าผลลัพธ์ที่โมเดลทำนายกับข้อมูลใหม่เป็นอย่างไร นอกจากนี้ การรู้จัก Overfitting ยังช่วยให้เราปรับแต่งโมเดล ไม่ว่าจะเป็นการเลือกฟีเจอร์ การตั้งค่าพารามิเตอร์ หรือการเพิ่มข้อมูลเพื่อให้โมเดลทั่วไปและใช้งานกับข้อมูลใหม่ได้ดีขึ้น เมื่อเราเข้าใจศัพท์และแนวคิดเหล่านี้แล้ว จะช่วยให้การเรียนรู้ Machine Learning เป็นเรื่องที่ไม่ซับซ้อน และสามารถนำไปประยุกต์ใช้สร้างโมเดลที่ตอบโจทย์ได้จริงในการทำงานและการวิจัยต่อไป การเรียนรู้จากคลาสของเพจ DataRockie ที่อธิบายอย่างชัดเจนเป็นประโยชน์มากสำหรับผู้เริ่มต้น และช่วยให้เราเห็นภาพรวมที่เข้าใจง่ายจริง ๆ