or
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
ในบทนี้ จะทบทวนพื้นฐานของ supervised learning workflow ครบทุกขั้นตอน ตั้งแต่การ fit โมเดล การปรับแต่งและคัดเลือกโมเดล การทำ feature engineering และ feature selection ไปจนถึงเทคนิคการแบ่งข้อมูล จะได้เข้าใจว่าแต่ละขั้นตอนใน workflow เชื่อมโยงกันอย่างไร และทุกขั้นตอนสามารถนำไปสู่หรือต่อต้าน overfitting ซึ่งเป็นปัญหาที่ data scientist หวาดกลัวที่สุด เมื่อจบบทนี้ จะมีความคล่องแคล่วใน supervised learning และพร้อมสำหรับเนื้อหาขั้นสูงในบทถัดไป
ในบทก่อนหน้า ได้เสริมสร้างความเชี่ยวชาญใน supervised learning workflows มาตรฐานอย่างเต็มที่แล้ว ในบทนี้ จะวิเคราะห์อย่างเจาะลึกถึงวิธีการนำความรู้เชี่ยวชาญของผู้เชี่ยวชาญมาผนวกใน supervised learning ซึ่งทำได้ผ่านการระบุหน่วยการวิเคราะห์ที่เหมาะสมซึ่งอาจต้องอาศัย feature engineering จากแหล่งข้อมูลหลายแหล่ง กระบวนการติด label ซึ่งอาจไม่สมบูรณ์แบบเสมอไป และการกำหนด loss function ที่สะท้อนมูลค่าทางธุรกิจที่แท้จริงจากข้อผิดพลาดของโมเดล
ในบทก่อนหน้า ได้ฝึกนำ feedback จากผู้เชี่ยวชาญมาใช้ใน workflow และประเมินผลในแง่มูลค่าทางธุรกิจแล้ว บทนี้จะฝึกทักษะที่จำเป็นสำหรับการนำโมเดลไปใช้งานจริงและดูแลให้ประสิทธิภาพคงที่ด้วยการปรับปรุงอย่างต่อเนื่อง นอกจากนี้ยังจะได้เรียนรู้การวินิจฉัย dataset shift และลดผลกระทบจากสภาพแวดล้อมที่เปลี่ยนแปลงต่อความแม่นยำของโมเดล
ในบทก่อนหน้า ได้สร้างรากฐานที่แข็งแกร่งใน supervised learning รวมถึงการนำโมเดลไปใช้งานจริง โดยตั้งสมมติฐานว่ามีชุดข้อมูลที่มี label พร้อมใช้งานเสมอ ในบทนี้ จะรับมือกับความท้าทายของการสร้างโมเดลจากข้อมูลที่ไม่มี label เลย หรือมีเพียงเล็กน้อย ซึ่งจะพาเข้าสู่โลกของการตรวจจับความผิดปกติ (anomaly detection) ซึ่งเป็น unsupervised modeling รูปแบบหนึ่ง รวมถึง distance-based learning ที่ใช้ความเชื่อเกี่ยวกับความคล้ายคลึงระหว่างตัวอย่างแทน label เพื่อให้ได้ระดับความแม่นยำใกล้เคียงกับ supervised workflow เมื่อจบบทนี้ จะโดดเด่นอย่างชัดเจนในกลุ่ม data scientist ด้วยความมั่นใจในการเลือกใช้เครื่องมือที่เหมาะสมเพื่อรับมือกับความท้าทายในโลกจริง
แบบฝึกหัดปัจจุบัน