Sign in Subscribe

algorithm

Decision Tree & Ensemble Methods

Decision Tree & Ensemble Methods

หากจะพูดถึง Machine Learning Algorithm ที่รู้จักกันเป็นอย่างดี นั่นก็คือ Decision Tree และ Ensemble Methods ใช้สำหรับการทำ Supervised Learning ได้ทั้ง Regression (ทำนายตัวเลข) และ Classification (ทำนาย Class) . CART ย่อจาก Classification and Regression Tree รู้จักกันในชื่อ Decision

Imbalance Dataset

Imbalance Dataset

เป็นปัญหาที่พบบ่อยใน Machine Learning และ Data Science โดยที่ Class ของ Target ไม่ได้มีจำนวนที่เท่าเทียมกัน หมายความว่า Class หนึ่ง มีจำนวน Samples มากกว่า (Majority) Class อื่น ๆ (Minority) อย่างมีนัยสำคัญ 1. นิยาม: * ในปัญหา Binary Classification

K-Fold Cross Validation

K-Fold Cross Validation

K-fold Cross Validation เป็นเทคนิคที่มีประสิทธิภาพถูกนำมาใช้ใน Machine Learning (ML) เพื่อประเมิน (Evaluate) ประสิทธิภาพของ Model ป้องกันการเกิด Overfitting โดยทำการ Split dataset ไปเป็น k subsets ทำการ Train model จำนวน k ครั้ง ที่ Subsets ต่างๆ กัน จากนั้น

Hyper-parameters Tuning in Machine Learning

Hyper-parameters Tuning in Machine Learning

การปรับแต่ง Hyper-parameters เพื่อประสิทธิภาพของ Machine Learning Model ที่ดีขึ้น เป็นงานที่สำคัญที่สุดอันหนึ่งของ Data Scientist แม้ว่าการเลือก Algorithm ที่ถูกต้องและการประมวลผลข้อมูลล่วงหน้า (Data Pre-processing) ที่ดี ถือเป็นสิ่งสำคัญ แต่การทำ Model

PCA (Principal Component Analysis)

PCA (Principal Component Analysis)

เป็นเทคนิคที่จัดอยู่ในประเภทของ Unsupervised Learning ใช้สำหรับการลดจำนวนมิติของข้อมูล (Dimensionality Reduction) ถูกนำมาใช้ในการประมวลผลข้อมูลก่อนหน้า (Data Pre-processing) เนื่องจากการใช้ข้อมูลที่มีมิติจำนวนมาก สำหรับ Train Machine Learning Model อาจส่งผลทำให้ประสิทธิภาพของ Model แย่ลง มี

Intro to Machine Learning (Ep.2/2)

Intro to Machine Learning (Ep.2/2)

อ่าน Ep.1 ได้ที่ https://www.nerd-data.com/intro_ml_ep1/ Part 2 : Reinforcement Learning (RL) * ในที่สุด เราก็มีบางอย่างที่ใกล้เคียง AI * ในบทความหลายฉบับ บอกว่า RL คือ สิ่งที่อยู่ระหว่าง Supervised และ Unsupervised แต่จริง ๆ แล้วมั

Intro to Machine Learning (Ep.1/2)

Intro to Machine Learning (Ep.1/2)

เนื้อหา * ทำไมถึงต้องมี Machine Learning (ML) * Part 1 : Classical Machine Learning (Traditional ML) * 1.1) Supervised I) Classification II) Regression * 1.2) Unsupervised I) Clustering II) Dimensionality Reduction III) Association Rule * Part 2 : Reinforcement Learning (RL) * Part 3 : Ensemble Methods * I) Stacking II) Bagging III) Boosting * Part 4