รูปแสดง learning path ของ machine learning ที่เป็นเส้นทางที่ recommend ให้สำหรับคนที่สนใจอยากเรียนรู้เรื่องนี้

• เจอสมการ Math กับทฤษฎีต่างๆ ที่เราดูแล้วไม่เข้าใจ
• ไม่ได้เป็นวิชาปกติในหลักสูตรการเรียนการสอน
• อาศัยความรู้หลายแขนงมากจนไม่รู้ว่าจะเริ่มตรงไหนดี
• ไม่มีเวลา

การเรียนรู้แบบนี้เป็นการเรียนรู้แบบ bottom-up ที่บอกให้เราต้องไปเรียนรู้พวก linear algebra หรือพวก probability theory & statistics ก่อน

การเรียนรู้ด้านบนเป็นการเรียนรู้แบบ top-down ซึ่งจะทำให้เราเข้าใจ machine learning มากขึ้น และรู้สึกสนุกในการเรียนรู้ควบคู่ไปด้วยกัน

เริ่มต้น #1 กับ #2 จะเป็นการเรียนรู้แค่ว่า machine learning คืออะไร มี learning ประเภทไหนบ้าง ต่อไปคือการที่เราเรียนรู้ว่าทำไมเราถึงต้องเอา machine learning มาใช้ มีแอพพลิเคชั่นอะไรบ้างในธุรกิจที่เราสามารถนำเอา machine learning ไปประยุกต์ใช้ให้ก่อประโยชน์

พอได้เรียนรู้ #1 กับ #2 แล้ว เราก็จะมาเรียนรู้ถึงโปรเซสของ “applied” machine learning (ขั้นตอน #3) กัน ว่าแต่ละขั้นตอนในการสร้างโมเดลเราต้องทำอะไรบ้าง

ขั้นตอน #4 เราจะใช้เวลาในขั้นนี้เยอะ จะเป็นขั้นตอนที่เราได้นำเอา machine learning process ไปประยุกต์ใช้กับข้อมูลจริง ไปลองหัดใช้ tool ต่างๆ ลองออกไปมีส่วนรวมใน communities รวมถึงการไปร่วมแข่งขัน

ขั้นตอน #1 ถึง #4 เรายังไม่ต้องลงลึกถึงทฤษฎีมาก ให้เน้นการใช้งาน และการนำเอา machine learning ไปก่อประโยชน์กับธุรกิจ ฝึกให้ชำนาญ แล้วเราค่อยๆ เข้าสู่ขั้นตอนที่ #5

ขั้นตอนที่ #5 จะเป็นการที่เราไปเรียนรู้ถึงทฤษฎีต่างๆ ที่ใช้ใน machine learning ไม่ว่าจะเป็นเรื่อง linear algebra, probability theory and statistics, optimization, calculus, หรือ algorithm complexity การค่อยๆ เรียนรู้เรื่องพวกนี้จะทำให้เราเข้าใจในโมเดลที่เราสร้างมากขึ้น ว่าจริงๆ แล้วโมเดลทำงานอย่างไร เกิดขึ้นมาได้อย่างไร และที่สำคัญคือ เราจะสามารถแก้ไขโมเดลหรือปรับค่าโมเดลของเราได้ดีขึ้นอีกด้วย

ขั้นตอนทั้ง 5 ขั้นตอน จริงๆ แล้วเราสามารถเริ่มที่ขั้นตอนไหนก่อนก็ได้ จะเริ่มที่ #5 แล้วไป #2 แล้วไป #3 ก็ได้เช่นกัน สามารถเอาไปปรับใช้ให้เข้ากับแนวทางของตัวเองได้ ขั้นตอนข้างต้นเป็นขั้นตอนที่เสนอไว้เพราะว่าเป็นแนวทางที่สนุก และส่งเสริมการเรียนรู้ของเราได้ดีกว่าเส้นทางอื่นๆ

What - Machine learning คืออะไร?
Machine Learning คือ ศาสตร์หนึ่งที่มีเป้าหมายที่จะพัฒนาคอมพิวเตอร์โปรแกรมขึ้นเพื่อเอาไปทำงานใดงานหนึ่งแทนมนุษย์ และเมื่อมีข้อมูลป้อนให้โปรแกรมนั้นมากขึ้น โปรแกรมนั้นๆ จะสามารถทำงานได้ดีขึ้น

• Supervised Learning
• Unsupervised Learning
• Reinforcement learning

• Regression
• Classification

ปัญหา Regression
เป็นการหาความสัมพันธ์ระหว่างข้อมูลกับค่าคำตอบของเราที่เป็นตัวแปรแบบ continuous ยกตัวอย่างเช่น ถ้าเรามีขนาดของพื้นที่เราต้องการหาว่าจะมีราคาเท่าไหร่ ในที่นี้ราคาจะเป็นตัวแปรแบบ continous

ปัญหา Classification
เป็นการหาความสัมพันธ์ระหว่างข้อมูลกับค่าคำตอบของเราที่เป็นตัวแปรแบบ discrete ยกตัวอย่างเช่น ถ้าเรามีข้อมูลลักษณะของหมากับแมว เราต้องการหาว่าข้อมูลลักษณะนี้เป็นหมาหรือแมว ในที่นี้ชนิดของสัตว์จะเป็นตัวแปรแบบ discrete

การเรียนรู้แบบ Unsupervised Learning
การเรียนรู้แบบที่เราสอนคอมพิวเตอร์โดยให้ข้อมูลไปอย่างเดียว ไม่ได้ให้คำตอบไปด้วย โดยคอมพิวเตอร์มีหน้าที่ไปหาโครงสร้างลักษณะของข้อมูลมาให้เรา เช่น เราสามารถสอนคอมพิวเตอร์ให้เรียนรู้ข้อมูลและสามารถแบ่งกลุ่มของข้อมูลมาให้เราได้

การเรียนรู้แบบ Reinforcement Learning
เป็นการเรียนรู้ที่เราจะสอนให้คอมพิวเตอร์สามารถตัดสินใจภายใต้แต่ละสถานการณ์เพื่อที่จะหาผลลัพธ์ที่ดีที่สุดออกมาให้เรา จะเป็นการสอนแบบ trial & error รับ feedback กลับมาเรียนรู้ว่าผลลัพธ์ที่ออกมาแบบไหนดีหรือไม่ดี

• Self-driving car - ช่วยมนุษย์ขับรถมีความปลอดภัยสูงขึ้น
• Chatbot - ช่วยในหลายๆ เรื่องเช่น สามารถช่วยให้ call center ทำงานได้ดีขึ้น
• Churn prediction - ช่วยทำนายว่าลูกค้าคนไหนจะยกเลิกบริการของเรา
• Movie recommendation - ช่วยแนะนำหนังใหม่ๆ หรือหนังที่เรายังไม่เคยดูขึ้นมา
• Cancer diagnosis - ช่วยวิเคราะห์ตรวจหาโรคมะเร็ง

Process of “applied” machine learning

• Data cleansing/exploration/preparation - การทำความสะอาดข้อมูล การสำรวจข้อมูล และการเตรียมข้อมูล
• Feature engineering - การทำ engineer กับ feature ต่างๆ
• Outlier treatment - การจัดการกับ outlier
• Missing value treatment - การจัดการกับข้อมูลที่ขาดหาย
• Data modeling - การสร้างโมเดลจากข้อมูล
• Model validation - การตรวจสอบความถูกต้องของโมเดล
• Model evaluation - การวัดผลและประเมินประสิทธิภาพของโมเดล
• Model deployment - การนำโมเดลไปใช้งานจริง

Practice

Join communities
การเข้าร่วมกับชุมชนต่างๆ เพื่อรับข้อมูลข่าวสาร พบปะพูดคุย และเปลี่ยนความรู้และประสบการณ์

Learn from experts
การเรียนรู้จากผู้เชี่ยวชาญ

Participate Kaggle competitions
เข้าร่วมการแข่งกันของ Kaggle

Listen to podcast
ฟัง podcast ต่างๆ ที่เกี่ยวกับ Machine learning

Subscribe newsletters
การลงทะเบียนรับข่าวสารจากทางเว็บต่างๆ

Python

• Numpy - http://www.numpy.org/
• Pandas - https://pandas.pydata.org/
• Scikit-Learn - https://scikit-learn.org/
• Tensorflow - https://www.tensorflow.org/
• Keras - https://keras.io/

• mlr - https://mlr.mlr-org.com/
• dplyr - https://cran.r-project.org/web/packages/dplyr/vignettes/dplyr.html
• caret - http://caret.r-forge.r-project.org/

Theory - ทฤษฏีที่ควรศึกษาเพิ่มเติม

• Linear algebra
• Probability Theory & Statistics
• Optimization
• Algorithm complexity
• Multivariate calculus

Linear algebra
Linear algebra หรือ พีชคณิตเชิงเส้น เป็นสาขาหนึ่งของคณิตศาสตร์ที่ศึกษาเวกเตอร์ ปริภูมิเวกเตอร์ การแปลงเชิงเส้น และระบบสมการเชิงเส้น ส่วนใหญ่เรานำความรู้ตรงนี้ไปประยุกต์ใช้ในการแก้ระบบสมการเชิงเส้นหลายตัวแปร

Probability Theory & Statistics
ศาสตร์ของความน่าจะเป็นและหลักสถิติ

Optimization
การทำให้โปรแกรมคอมพิวเตอร์ มีประสิทธิภาพเพิ่มขึ้น เพื่อนำมาประมวลผล หรือสามารถดำเนินการโดยใช้หน่วยความจำลดลงและใช้ทรัพยากรน้อยลงได้

Algorithm complexity
การวิเคราะห์ความซับซ้อนของอัลกอริทึ่ม และเป็นกระบวนการที่นำไปสู่การตัดสินใจว่าอัลกอริทึ่มไหนมีประสิทธิภาพมากกว่าในการแก้ไขปัญหา

Multivariate calculus
แคลคูลัสของฟังก์ชันหลายตัวแปร