แมชชีนเลิร์นนิงคืออะไร
แมชชีนเลิร์นนิงสำหรับนักข่าว สิ่งที่คุณจะได้เรียนรู้ในหลักสูตรนี้
งานข่าวกับแมชชีนเลิร์นนิง
นักข่าวจะใช้แมชชีนเลิร์นนิง (ML) เพื่อปรับปรุงงานข่าวได้อย่างไร นี่คือคำถามที่เราจะสำรวจกันในหลักสูตรนี้
หลักสูตรนี้จะช่วยให้คุณเข้าใจว่าสถานการณ์ใดบ้างที่แมชชีนเลิร์นนิงจะเป็นเครื่องมือที่ใช่สำหรับการสนับสนุนการรายงานข่าว และจะสอนให้คุณทราบถึงวิธีฝึกรูปแบบแมชชีนเลิร์นนิง
หลักสูตรนี้ต่อเนื่องจากหลักสูตร Introduction to Machine Learning ถ้าคุณยังไม่ได้เรียนหลักสูตรก่อนหน้า เราขอแนะนำให้คุณเรียนก่อนดำเนินการต่อในหลักสูตรนี้
สิ่งที่คุณจะคาดหวังได้จากหลักสูตร
Introduction to Machine Learning สำรวจศักยภาพของแมชชีนเลิร์นนิงสำหรับองค์กรข่าว และอธิบายว่านักข่าวจะใช้แมชชีนเลิร์นนิงเพื่อปรับปรุงการรายงานข่าวอย่างมีความรับผิดชอบได้อย่างไร
หลักสูตรนี้อยากก้าวขึ้นไปอีกขั้นและแสดงให้เห็นผ่านตัวอย่างในชีวิตจริงที่เราจะแนะนำในบทเรียนถัดไป ว่านักข่าวจะได้ผลลัพธ์อย่างไรจากการใช้แมชชีนเลิร์นนิง ถ้าคุณต้องการทราบว่าแมชชีนเลิร์นนิงทำงานอย่างไรในทางปฏิบัติ และคุณจะใช้แมชชีนเลิร์นนิงรายงานเรื่องราวของคุณได้อย่างไร หลักสูตรนี้ก็ใช่สำหรับคุณ
คุณจะกลายเป็นนักออกแบบแมชชีนเลิร์นนิงและนักวิทยาศาสตร์ด้านข้อมูลระดับผู้เชี่ยวชาญเมื่อจบหลักสูตรนี้ไหม ไม่หรอก ขอโทษที แต่คุณจะได้เรียนรู้ขั้นตอนที่เน้นว่ากระบวนการแมชชีนเลิร์นนิงส่วนใหญ่ทำงานอย่างไร และคุณจะทำการทดสอบเองได้
นิยามของแมชชีนเลิร์นนิง
ก่อนเราจะไปต่อ มาดูกันให้แน่ใจก่อนว่าเราเข้าใจว่าเราพูดถึงอะไรกันอยู่ แมชชีนเลิร์นนิงคืออะไร
แมชชีนเลิร์นนิงเป็นส่วนหนึ่งของชุดเทคโนโลยีที่จัดอยู่ในกลุ่ม “ปัญญาประดิษฐ์” (AI) แมชชีนเลิร์นนิงไม่มีนิยามระบุไว้เป็นการเฉพาะ ไม่แตกต่างจากเทคโนโลยีส่วนใหญ่ในกลุ่มปัญญาประดิษฐ์
พูดง่ายๆ แมชชีนเลิร์นนิงคือเทคโนโลยีที่ใช้ข้อมูลเพื่อตอบคำถาม ถ้าจะกล่าวอย่างเป็นทางการก็คือการใช้อัลกอริทึมที่เรียนรู้รูปแบบจากข้อมูล และสามารถทำงานต่างๆ โดยไม่ต้องเขียนโปรแกรมไว้ให้ทำอย่างชัดเจน
นอกจากนี้ ฟีเจอร์ที่เป็นลักษณะสำคัญของระบบแมชชีนเลิร์นนิงคือระบบมีการพัฒนาตัวเองอย่างต่อเนื่องตามประสบการณ์และข้อมูล กล่าวอีกนัยหนึ่งคือ ระบบนี้เรียนรู้เป็น
มีวิธีเรียนรู้อยู่หลายวิธี
คุณควรนึกไว้เสมอว่าเครื่องจักรไม่ได้เรียนรู้ได้ด้วยวิธีเดียว วิธีต่างๆ ของแมชชีนเลิร์นนิงมักแยกได้ด้วยประเภทของปัญหาที่พยายามแก้ไข รวมทั้งประเภทและจำนวนผลตอบรับที่ได้
พูดกว้างๆ เราสามารถแบ่งแมชชีนเลิร์นนิงออกเป็นสามส่วนย่อยๆ ได้แก่ 1) การเรียนรู้แบบมีการกำกับดูแล 2) การเรียนรู้แบบไม่มีการกำกับดูแล 3) การเรียนรู้แบบสั่งสมข้อมูล ทบทวน Introduction to Machine Learning เพื่อเรียนรู้เพิ่มเติมว่าสามหมวดหมู่นี้ต่างกันอย่างไร
สำหรับวัตถุประสงค์ของหลักสูตรนี้ เราจะเน้นการเรียนรู้แบบมีการกำกับดูแล หมายถึงว่าเราจะใช้ตัวอย่างที่ติดป้ายกำกับเพื่อฝึกอัลกอริทึมให้กำหนดป้ายกำกับที่ถูกต้องโดยอัตโนมัติสำหรับตัวอย่างใหม่แต่ละตัวอย่างที่เราจะขอให้ระบบวิเคราะห์
สำรวจศักยภาพของแมชชีนเลิร์นนิง
ตอนนี้เราได้ทบทวนพื้นฐานกันไปแล้ว เราพร้อมแล้วที่จะสรุปบทนำและไปต่อ
ในบทเรียนอีกสองบทต่อไป เราจะแนะนำกรณีศึกษาที่จะเป็นพื้นฐานการทำแบบฝึกหัดของเราในตัวอย่างงานข่าวที่เป็นรูปธรรม และอัลกอริทึมที่เราจะใช้เพื่อทำความเข้าใจไดนามิกเบื้องหลังกระบวนการแมชชีนเลิร์นนิงส่วนใหญ่
บทเรียนต่อจากนั้นจะเน้นคำแนะนำที่ปฏิบัติได้จริงทีละขั้นตอน ได้แก่ วิธีหาแหล่งข้อมูลและเตรียมข้อมูล วิธีฝึกรูปแบบแมชชีนเลิร์นนิง และวิธีทดสอบและประเมินประสิทธิภาพ
บทเรียนสุดท้ายจะสรุปสิ่งสำคัญที่ได้เรียนรู้ ช่วยให้คุณเข้าใจวิธีนำไปใช้ในการรายงานข่าวประจำวัน และแนะนำแหล่งข้อมูลอื่นๆ ที่คุณจะเจาะลึกสู่โลกของแมชชีนเลิร์นนิงได้มากยิ่งขึ้น
-
Pinpoint: A research tool for journalists
บทเรียนExplore and analyze thousands of documents with Google's research tool, Pinpoint. -
Google Fact Check Tools
บทเรียนThese tools allow you to search for stories and images that have already been debunked and lets you add ClaimReview markup to your own fact checks. -
Google Podcasts Manager
บทเรียนเข้าใจกลุ่มผู้ฟังของคุณและเข้าถึงบุคคลเหล่านี้ผ่านผลิตภัณฑ์ต่าง ๆ ของ Google