Supervised Learning

🏠 Home

คือการเรียนรู้จากโจทย์(Input) และ เฉลย(Output) เช่นการมีชุดค่า $x$ ที่มีคำตอบเป็น $y$ จำนวนหนึ่งแล้ว supervised machine learning จะต้องหาความสัมพันธ์ระหว่าง $x$ และ $y$ และจะต้องทำนายค่า $y$ ผ่านค่า $x$ ที่ไม่เคยเจอได้อย่างแม่นยำ

ตัวอย่าง

Input ( $x$ )	Output ( $y$ )	Application
Email	spam? (0/1)	spam filtering
audio	text transcripts	speech recognition
English	Thai	machine translation
ad, user info	click? (0,1)	online advertising

💡

Notation

ก่อนจะเริ่มลงรายละเอียดของ Supervised Learning ผู้เขียนขอสร้างความเข้าใจเกี่ยวกับ notation ให้ไปในทิศทางเดียวกันก่อน

$x$	input	feature
$y$	output	target
$\hat{y}$	estimated $y$	prediction
$m$	จำนวนตัวอย่าง สำหรับการ train
$(x,y)$	ชุดตัวอย่าง สำหรับการ train
$(x^{(i)},y^{(i)})$	ชุดตัวอย่าง สำหรับการ train ตัวที่ $i^{th}$ $(1^{st},2^{nd},3^{rd},...)$
$w$	weight	coefficient
$b$	bias	intercept

✨ตอนที่ 1 : Gradient Descent คือ(เกือบ)ทุกอย่าง

Linear Regression Model (with univariate)

Cost Function

Gradient Descent

💡

Tips: ลองคลิกที่ตอนสิ

👥ตอนที่ 2 : Features เต็มไปหมด

Linear Regression Model (with multi-feature)

Feature Scaling

Feature Engineering