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
-
Data Studio: การจัดทำข้อมูลอินเทอร์แอคทีฟเสมือนจริง
บทเรียนเพิ่มความน่าสนใจให้กับชุดข้อมูลของคุณโดยการจัดทำ ผลงานอินเทอร์แอคทีฟด้วยชุดเครื่องมือที่ใช้งานได้ง่าย -
How to make them using makestories.io
บทเรียนmakestories.io is a platform specially created to help people make, publish, and monetize Google Web Stories. It’s free, and it can be used with any content management system. Here are the basics of how to get started with makestories.io. -