Azərbaycanca
Беларускі
Dansk
Deutsch
Española
Français
Indonesia
Italiana
日本語
Қазақ
Lietuvos
Nederlands
Português
Русский
සිංහල
แบบไทย
Türkçe
Українська
中國人
United State
Afrikaans
ในสาขาการเรียนรู้ของเครื่อง การเรียนรู้ค่าแทนลักษณะ (feature learning) หรือ การเรียนรู้ตัวแทน (representation learning) คือชุดของเทคนิคสำหรับการเรียนรู้ค่าแทนลักษณะ กล่าวคือ การแปลงข้อมูลดิบให้อยู่ในรูปแบบที่สามารถใช้ในการคำนวณหรือวิเคราะห์ได้อย่างมีประสิทธิภาพโดยอาศัยเทคนิคการเรียนรู้ของเครื่อง วิธีนี้ทำโดยการให้คอมพิวเตอร์เรียนรู้วิธีสกัดเอาค่าลักษณะที่สำคัญให้ ช่วยให้เราไม่จำเป็นต้องมาสกัดหาค่าลักษณะด้วยตัวเอง
งานที่ใช้เทคนิคการเรียนรู้ของเครื่อง เช่น ปัญหาการแบ่งประเภทข้อมูล มักจะต้องใช้ข้อมูลป้อนเข้าที่ประมวลผลได้ง่ายทางคณิตศาสตร์หรือเชิงคำนวณ ภายใต้สมมติฐานนี้ เทคนิคการเรียนรู้ค่าแทนลักษณะจึงได้เกิดขึ้นมาเพื่อช่วยตรงนี้
อย่างไรก็ตาม ข้อมูลในโลกแห่งความเป็นจริง เช่น รูปภาพ วิดีโอ หรือค่าที่ได้จากการวัดด้วยตัวรับรู้ มีความซับซ้อน เยิ่นเย้อ และมีความแปรผันมาก วิธีสกัดเอาลักษณะต่าง ๆ และแสดงออกมาอย่างมีประสิทธิภาพจึงถือเป็นความท้าทายที่สำคัญ การสกัดเอาข้อมูลลักษณะด้วยตนเองแบบดั้งเดิมต้องใช้กำลังคนจำนวนมากและอาศัยความรู้เฉพาะทางอย่างมาก อีกทั้งยังไม่สามารถทำให้แพร่หลายได้ง่าย ดังนั้นจึงมีความจำเป็นที่จะต้องให้การออกแบบโดยรวมของเทคโนโลยีการเรียนรู้ค่าแทนลักษณะมีประสิทธิภาพ ทำได้โดยอัตโนมัติ และง่ายต่อการทำให้แพร่หลาย
การเรียนรู้ค่าแทนลักษณะสามารถแบ่งออกเป็น 2 ประเภท: ได้แก่แบบมีผู้สอน และแบบไม่มีผู้สอน
- ในการเรียนรู้ค่าแทนลักษณะแบบมีผู้สอนนั้นจะอาศัยข้อมูลที่มีฉลากกำกับในการเรียนรู้ ตัวอย่างเช่น โครงข่ายประสาทเทียม
- ในการเรียนรู้ค่าแทนลักษณะแบบไม่มีผู้สอนจะใช้ข้อมูลที่ไม่มีฉลากกำกับ ตัวอย่างเช่น ตัวเข้ารหัสอัตโนมัติ การแยกตัวประกอบเมทริกซ์ การแบ่งกลุ่มข้อมูลแบบต่าง ๆ
อ้างอิง
- Y. Bengio; A. Courville; P. Vincent (2013). "Representation Learning: A Review and New Perspectives". IEEE Trans. PAMI, special issue Learning Deep Architectures. 35: 1798–1828. doi:10.1109/tpami.2013.50.
- Daniel Jurafsky; James H. Martin (2009). Speech and Language Processing. Pearson Education International. pp. 145–146.
wikipedia, แบบไทย, วิกิพีเดีย, วิกิ หนังสือ, หนังสือ, ห้องสมุด, บทความ, อ่าน, ดาวน์โหลด, ฟรี, ดาวน์โหลดฟรี, mp3, วิดีโอ, mp4, 3gp, jpg, jpeg, gif, png, รูปภาพ, เพลง, เพลง, หนัง, หนังสือ, เกม, เกม, มือถือ, โทรศัพท์, Android, iOS, Apple, โทรศัพท์โมบิล, Samsung, iPhone, Xiomi, Xiaomi, Redmi, Honor, Oppo, Nokia, Sonya, MI, PC, พีซี, web, เว็บ, คอมพิวเตอร์
insakhakareriynrukhxngekhruxng kareriynrukhaaethnlksna feature learning hrux kareriynrutwaethn representation learning khuxchudkhxngethkhnikhsahrbkareriynrukhaaethnlksna klawkhux karaeplngkhxmuldibihxyuinrupaebbthisamarthichinkarkhanwnhruxwiekhraahidxyangmiprasiththiphaphodyxasyethkhnikhkareriynrukhxngekhruxng withinithaodykarihkhxmphiwetxreriynruwithiskdexakhalksnathisakhyih chwyiheraimcaepntxngmaskdhakhalksnadwytwexng nganthiichethkhnikhkareriynrukhxngekhruxng echn pyhakaraebngpraephthkhxmul mkcatxngichkhxmulpxnekhathipramwlphlidngaythangkhnitsastrhruxechingkhanwn phayitsmmtithanni ethkhnikhkareriynrukhaaethnlksnacungidekidkhunmaephuxchwytrngni xyangirktam khxmulinolkaehngkhwamepncring echn rupphaph widiox hruxkhathiidcakkarwddwytwrbru mikhwamsbsxn eyineyx aelamikhwamaeprphnmak withiskdexalksnatang aelaaesdngxxkmaxyangmiprasiththiphaphcungthuxepnkhwamthathaythisakhy karskdexakhxmullksnadwytnexngaebbdngedimtxngichkalngkhncanwnmakaelaxasykhwamruechphaathangxyangmak xikthngyngimsamarththaihaephrhlayidngay dngnncungmikhwamcaepnthicatxngihkarxxkaebbodyrwmkhxngethkhonolyikareriynrukhaaethnlksnamiprasiththiphaph thaidodyxtonmti aelangaytxkarthaihaephrhlay kareriynrukhaaethnlksnasamarthaebngxxkepn 2 praephth idaekaebbmiphusxn aelaaebbimmiphusxn inkareriynrukhaaethnlksnaaebbmiphusxnnncaxasykhxmulthimichlakkakbinkareriynru twxyangechn okhrngkhayprasathethiym inkareriynrukhaaethnlksnaaebbimmiphusxncaichkhxmulthiimmichlakkakb twxyangechn twekharhsxtonmti karaeyktwprakxbemthriks karaebngklumkhxmulaebbtang xangxingY Bengio A Courville P Vincent 2013 Representation Learning A Review and New Perspectives IEEE Trans PAMI special issue Learning Deep Architectures 35 1798 1828 doi 10 1109 tpami 2013 50 Daniel Jurafsky James H Martin 2009 Speech and Language Processing Pearson Education International pp 145 146