สารบัญตำราแมชชีนเลิร์นนิง บอกอะไรเกี่ยวกับสาขานี้

Foundations of Machine Learning ฉบับพิมพ์ครั้งที่สอง (MIT Press, 2018) โดย Mehryar Mohri, Afshin Rostamizadeh และ Ameet Talwalkar นิยามการเรียนรู้ว่าเป็นการใช้ประสบการณ์เพื่อทำนายอย่างแม่นยำ และสร้างหลักสูตรที่เข้มงวดขึ้นรอบความซับซ้อนของตัวอย่าง ขอบเขตแบบ Rademacher และการรับประกันเชิงทฤษฎี

หนังสือแมชชีนเลิร์นนิงส่วนใหญ่เริ่มด้วยคำสัญญาว่าคุณจะสร้างอะไรได้บ้าง เล่มนี้เริ่มด้วยนิยามหนึ่ง และรายการปริมาณที่กำหนดว่าผู้เรียนรู้จะสำเร็จหรือไม่ ลำดับนี้บอกว่าผู้เขียนคิดว่าวิชานี้คืออะไร และผมคิดว่าเป็นการตัดสินใจที่ถูกต้อง สาขาที่ขายตัวเองด้วยการทำนายย่อมติดค้างผู้อ่านอยู่ว่าจะเชื่อการทำนายได้เมื่อใด และคำอธิบายนั้นคือสิ่งที่หนังสือตั้งใจจะให้

บทความนี้อ่านหนังสือผ่านสิ่งที่ส่วนนำ คำนำ และหน้าแรก ๆ ของมันพูดไว้จริง นี่เป็นงานที่แคบกว่าการวิจารณ์ทุกบท และซื่อตรงต่อขีดจำกัดของตัวเอง แหล่งข้อมูลในที่นี้คือหน้าชื่อเรื่อง สารบัญ คำนำ และช่วงแรกของบทนำ ภายในขีดจำกัดเหล่านั้นมีข้อโต้แย้งที่ชัดเจนให้ติดตาม เป็นเรื่องของว่าแมชชีนเลิร์นนิงคืออะไร ขึ้นอยู่กับอะไร ผู้เขียนเลือกครอบคลุมอะไร และเลือกละอะไรไว้

หนังสือที่มีที่มาแน่ชัด #

เริ่มจากข้อเท็จจริงที่ยึดตัววัตถุนี้ไว้ หนังสือชื่อ Foundations of Machine Learning และนี่คือฉบับพิมพ์ครั้งที่สอง อยู่ในชุด Adaptive Computation and Machine Learning ซึ่งมี Francis Bach เป็นบรรณาธิการ ผู้เขียนคือ Mehryar Mohri, Afshin Rostamizadeh และ Ameet Talwalkar สำนักพิมพ์คือ The MIT Press, Cambridge, Massachusetts และลิขสิทธิ์เป็นของ Massachusetts Institute of Technology ลงปี 2018 ฉบับปกแข็งมี ISBN 9780262039406

รายละเอียดการผลิตสองข้อสมควรได้ประโยคละหนึ่ง ผู้เขียนจัดเรียงพิมพ์หนังสือด้วย LaTeX เอง ซึ่งเหมาะกับเนื้อหาที่อัดแน่นด้วยขอบเขต นิยาม และบทพิสูจน์ และหนังสือพิมพ์และเข้าเล่มในสหรัฐอเมริกา ไม่มีรายละเอียดใดเปลี่ยนวิธีที่คุณจะอ่านคณิตศาสตร์ แต่ผู้เขียนที่จัดเรียงพิมพ์หนังสือของตนเองได้ลงมือกับทุกหน้า และในหนังสือแบบนี้สิ่งนั้นชวนให้อุ่นใจ

ที่มาของเนื้อหาสำคัญกว่านั้น เนื้อหาส่วนใหญ่มีต้นกำเนิดจากวิชาระดับบัณฑิตศึกษาที่ชื่อ Foundations of Machine Learning เช่นกัน ซึ่งผู้เขียนคนแรกสอนที่ Courant Institute of Mathematical Sciences ของ New York University ตลอดสิบสี่ปีที่ผ่านมา นี่เป็นที่มาที่เจาะจงและตรวจสอบได้ ตำราที่เติบโตมาจากการสอนวิชาเดียวตลอดสิบสี่ปีน่าจะถูกหล่อหลอมด้วยสิ่งที่นักศึกษาพบว่ายาก และแบบฝึกหัดกับภาคผนวกที่กล่าวถึงด้านล่างก็อ่านแล้วเป็นเช่นนั้น ผมจะระวังไม่ดันข้อสันนิษฐานนี้ไปไกลกว่าที่แหล่งข้อมูลอนุญาต คำนำบอกว่าเนื้อหามาจากไหน และไม่ได้บอกว่าวิชานี้ผ่านการปรับปรุงกี่ครั้ง หรือนักศึกษาติดขัดเรื่องอะไร สิ่งที่คำนำบอกก็เพียงพอ นี่คือเนื้อหาของรายวิชา ไม่ใช่การสำรวจที่รวบรวมจากวรรณกรรม

นิยามที่แบกงานหนักที่สุด #

ทุกสิ่งที่ตามมาขึ้นอยู่กับประโยคเดียว ผู้เขียนเขียนว่าแมชชีนเลิร์นนิงนิยามอย่างกว้างได้ว่าเป็นวิธีเชิงคำนวณที่ใช้ประสบการณ์เพื่อปรับปรุงสมรรถนะหรือเพื่อทำนายอย่างแม่นยำ

คำนามแต่ละคำในประโยคนั้นมีหน้าที่ของตน “วิธีเชิงคำนวณ” วางวิชานี้ไว้ภายในวิทยาการคอมพิวเตอร์ จากนั้น “ประสบการณ์” ถูกระบุให้ชัด หมายถึงข้อมูลในอดีตที่ผู้เรียนรู้มีอยู่ ประโยคนี้ไม่อ้างว่าผู้เรียนรู้เข้าใจสิ่งใด และไม่พูดถึงความฉลาดเลย ผู้เรียนรู้มีข้อมูลในอดีตและเป้าหมาย ซึ่งคือสมรรถนะที่ดีขึ้นหรือการทำนายที่แม่นยำ และทั้งสาขาว่าด้วยความสัมพันธ์ระหว่างสองสิ่งนี้

ผมขอแย้งว่านี่เป็นนิยามที่มีประโยชน์ต่อผู้อ่านสายเทคนิคและผู้ก่อตั้งมากกว่านิยามอันยิ่งใหญ่ที่แพร่หลายอยู่ เพราะมันชี้ตรงไปยังคันโยกที่คุณควบคุมได้ ถ้าการเรียนรู้เป็นฟังก์ชันของข้อมูลในอดีต อิทธิพลของคุณต่อผลลัพธ์ก็อยู่ที่ว่าคุณเก็บข้อมูลอะไรและมากเพียงใด ข้ออ้างถัดไปในเนื้อหาก็บอกเช่นนั้น คุณภาพและขนาดของข้อมูลเป็นตัวชี้ขาดความสำเร็จของการทำนายที่ผู้เรียนรู้ทำ เนื้อหาแสดงข้อความนี้เป็นกลไกตรงไปตรงมา โดยไม่มีเงื่อนไขกำกับ

ผู้เขียนยังบรรยายถึงตัวเทคนิคด้วย เทคนิคเหล่านั้นเป็นวิธีที่ขับเคลื่อนด้วยข้อมูล ผสานแนวคิดพื้นฐานในวิทยาการคอมพิวเตอร์เข้ากับแนวคิดจากสถิติ ความน่าจะเป็น และการหาค่าเหมาะที่สุด ประโยคนั้นทำหน้าที่เป็นทั้งรายการความรู้พื้นฐานที่ต้องมีและแผนที่เพื่อนบ้านของสาขา ทีมที่ต้องการสร้างระบบการเรียนรู้ต้องพึ่งวิทยาการคอมพิวเตอร์ สถิติ ความน่าจะเป็น และการหาค่าเหมาะที่สุดไปพร้อมกัน การถือว่าข้อใดข้อหนึ่งเป็นทางเลือกเป็นการตัดสินใจที่หนังสือไม่สนับสนุน

ตัวอย่างที่ทำให้ดู: เอกสารและหัวข้อ #

บทนำวางนิยามไว้บนปัญหาการเรียนรู้ที่จับต้องได้ ลองนึกถึงตัวอย่างจำกัดของเอกสารที่สุ่มเลือก แต่ละฉบับติดป้ายหัวข้อไว้ งานคือใช้ตัวอย่างนั้นทำนายหัวข้อของเอกสารที่ยังไม่เคยเห็น

การจัดวางนี้คุ้มค่าแก่การอ่านช้า ๆ ตัวอย่างมีจำนวนจำกัด ผู้เรียนรู้จึงไม่มีวันเห็นทุกอย่าง เอกสารถูกสุ่มเลือก และนั่นคือสิ่งที่ทำให้ตัวอย่างจำกัดบอกอะไรบางอย่างเกี่ยวกับเอกสารที่ไม่เคยเห็นได้ แต่ละฉบับมีป้ายหัวข้อ ผู้เรียนรู้จึงมีการกำกับดูแล และเป้าหมายคือเอกสารที่มันยังไม่เคยเห็น ซึ่งเป็นความต่างระหว่างการทำนายกับการท่องจำ

จากนั้นผู้เขียนดึงสองสิ่งที่ทำให้งานง่ายขึ้นหรือยากขึ้นออกมา สิ่งแรกคือขนาด เห็นได้ชัดว่ายิ่งตัวอย่างใหญ่ งานก็ยิ่งง่าย สิ่งที่สองคือคุณภาพของป้าย ความยากของงานยังขึ้นอยู่กับคุณภาพของป้ายที่ติดให้เอกสารในตัวอย่าง เพราะป้ายอาจไม่ถูกต้องทั้งหมด และขึ้นอยู่กับจำนวนหัวข้อที่เป็นไปได้

ประโยคนั้นมีปุ่มปรับแยกกันสามปุ่ม ขนาดตัวอย่างเป็นปุ่มหนึ่ง ความถูกต้องของป้ายเป็นอีกปุ่ม จำนวนหัวข้อที่เป็นไปได้เป็นปุ่มที่สาม ไม่มีปุ่มใดเกี่ยวกับอัลกอริทึม ทั้งหมดเป็นคุณสมบัติของปัญหาและข้อมูล และกำหนดว่าปัญหายากแค่ไหนก่อนจะเลือกวิธีใดเสียอีก สำหรับผู้ก่อตั้งที่กำลังตัดสินใจว่าจะใช้งบที่ไหน นี่เป็นข้อสังเกตที่แหลมคม ถ้าคุณปรับปรุงป้ายหรือขยายตัวอย่างได้ คุณกำลังลงมือกับปัจจัยที่ผู้เขียนระบุชื่อไว้ชัดว่าเป็นตัวกำหนดความยาก

ตัวอย่างนี้ยังบอกชื่องานของตัวเองด้วย การทำนายป้ายของเอกสารเรียกอีกอย่างว่าการจำแนกเอกสาร และผู้เขียนรีบเสริมว่ามันไม่ใช่งานการเรียนรู้เพียงงานเดียวแต่อย่างใด ข้อควรระวังนี้มองข้ามได้ง่าย ตัวอย่างเอกสารเป็นพาหนะ และข้ออ้างที่อยู่ข้างใต้เป็นข้ออ้างทั่วไป

ความซับซ้อนสามแบบ ไม่ใช่สอง #

ตรงนี้หนังสือเดินหมากที่โดดเด่นที่สุด และพลาดได้ง่ายเพราะมันมาในรูปข้อสังเกตสั้น ๆ ผู้เขียนกล่าวว่าแมชชีนเลิร์นนิงประกอบด้วยการออกแบบอัลกอริทึมทำนายที่มีประสิทธิภาพและแม่นยำ เช่นเดียวกับด้านอื่นของวิทยาการคอมพิวเตอร์ ความซับซ้อนด้านเวลาและพื้นที่เป็นมาตรวัดคุณภาพที่ชี้ขาดของอัลกอริทึมเช่นนั้น ใครที่เคยเรียนอัลกอริทึมจะจำสองอย่างนี้ได้ ใช้เวลานานเท่าไร และต้องใช้หน่วยความจำเท่าไร

แล้วก็มาถึงส่วนที่เพิ่มเข้ามา แมชชีนเลิร์นนิงต้องการแนวคิดเรื่องความซับซ้อนของตัวอย่างเพิ่มเติม เพื่อประเมินขนาดตัวอย่างที่อัลกอริทึมต้องใช้เพื่อเรียนรู้ตระกูลของแนวคิดหนึ่ง นี่คือมาตรวัดที่ไม่มีคู่เทียบในรูทีนการเรียงลำดับ อัลกอริทึมเรียงลำดับไม่จำเป็นต้องถูกบอกว่าต้องใช้ตัวอย่างกี่ตัว ผู้เรียนรู้ต้องถูกบอก เพราะผลลัพธ์ของมันคือการทำนายเกี่ยวกับกรณีที่มันยังไม่เคยเห็น และปริมาณประสบการณ์เบื้องหลังการทำนายนั้นเป็นส่วนหนึ่งของสิ่งที่คุณจ่ายเงินซื้อ

ผมจะพูดอย่างนี้ เวลาและพื้นที่บอกว่าการรันอัลกอริทึมมีต้นทุนเท่าไร ส่วนความซับซ้อนของตัวอย่างบอกว่าการสอนมันมีต้นทุนเท่าไร ผู้เรียนรู้ที่เร็วแต่ต้องใช้ตัวอย่างใหญ่เกินจะทำได้จริง ไม่ได้มีประสิทธิภาพในความหมายใดที่สำคัญต่อคนที่เก็บข้อมูล การวางมาตรวัดที่สามไว้ข้างอีกสองตัวคือวิธีที่หนังสือบอกว่าข้อมูลเป็นทรัพยากรที่มีราคา ต้องตั้งงบเหมือนกับการประมวลผลและหน่วยความจำ

เนื้อหาเดินต่อไปในทิศทางเดียวกัน กล่าวโดยทั่วไปยิ่งขึ้น การรับประกันการเรียนรู้เชิงทฤษฎีของอัลกอริทึมขึ้นอยู่กับความซับซ้อนของคลาสแนวคิดที่พิจารณาและขนาดของตัวอย่างฝึก นี่คือข้อความกระชับว่าการรับประกันประกอบขึ้นจากอะไร มีอินพุตสองตัว คือตระกูลแนวคิดนั้นอุดมเพียงใด และคุณมีข้อมูลฝึกมากเท่าไร และการรับประกันคือข้อความที่โยงทั้งสองเข้ากับสมรรถนะ สังเกตว่าสิ่งนี้บอกอะไรเกี่ยวกับโครงสร้างของหนังสือ บทที่ตามมาต้องให้วิธีวัดความซับซ้อนของคลาสแนวคิด และสารบัญแสดงว่าให้จริง

ผู้เขียนยังอธิบายด้วยว่าทำไมสาขานี้จึงอยู่ตรงที่มันอยู่ เนื่องจากความสำเร็จของอัลกอริทึมการเรียนรู้ขึ้นอยู่กับข้อมูลที่ใช้ แมชชีนเลิร์นนิงจึงเกี่ยวพันโดยเนื้อแท้กับการวิเคราะห์ข้อมูลและสถิติ กลไกถูกบอกไว้ตรง ๆ ความสำเร็จขึ้นกับข้อมูล วิชานี้จึงพัวพันกับศาสตร์ที่ศึกษาข้อมูล ผมเห็นว่านี่คือประโยคที่ซื่อตรงที่สุดในบทนำ มันไม่ได้เสนอสถิติเป็นคู่แข่งหรือบรรพบุรุษ มันเสนอสถิติเป็นผลที่ตามมาจากสิ่งที่การเรียนรู้ต้องพึ่งพา

กระดูกสันหลังเชิงทฤษฎี #

คำนำบอกว่าหนังสือสร้างขึ้นอย่างไร สามหรือสี่บทแรกวางรากฐานเชิงทฤษฎีให้เนื้อหาที่ตามมา สารบัญทำให้เราเห็นว่ารากฐานนั้นประกอบด้วยอะไร อย่างน้อยในระดับชื่อบท

บทแรกในสารบัญชื่อ “The PAC Learning Framework” และภายในมีหัวข้อชื่อ “Guarantees for finite hypothesis sets - consistent case” และ “Guarantees for finite hypothesis sets - inconsistent case” ชื่อหัวข้อบอกเราสองอย่าง อย่างแรก กรอบงานนี้ให้การรับประกัน ซึ่งตรงกับสิ่งที่บทนำเน้น อย่างที่สอง การรับประกันแบ่งตามว่ากรณีนั้นสอดคล้องหรือไม่สอดคล้อง และหนังสือแยกพิจารณาทั้งสอง ผมจะไม่เดาว่ากรณีสอดคล้องและไม่สอดคล้องมีอะไรอยู่ เพราะแหล่งข้อมูลในที่นี้ให้แค่ชื่อหัวข้อ แต่การจับคู่นี้แสดงว่าผู้เขียนไม่ได้เสนอทฤษฎีบทสะอาด ๆ บทเดียวแล้วไปต่อ พวกเขาให้กรณีที่ยากและยุ่งเหยิงกว่ามีหัวข้อของมันเอง

บทถัดไปในรายการคือ “Rademacher Complexity and VC-Dimension” หัวข้อในบทครอบคลุมความซับซ้อน Rademacher ฟังก์ชันการเติบโต มิติ VC และขอบเขตล่าง อ่านคู่กับบทนำแล้ว บทนี้คือคำตอบตามธรรมชาติของคำถามที่บทนำตั้งไว้ ถ้าการรับประกันขึ้นอยู่กับความซับซ้อนของคลาสแนวคิดที่พิจารณา คุณก็ต้องมีเครื่องมือวัดความซับซ้อนนั้น ความซับซ้อน Rademacher ฟังก์ชันการเติบโต และมิติ VC อยู่ในรายการหัวข้อที่แบกภาระนี้ การที่ขอบเขตล่างอยู่ในรายการหัวข้อก็น่าสังเกตเช่นกัน หนังสือที่เสนอแต่ขอบเขตบนบอกคุณว่าอะไรทำได้ หนังสือที่มีขอบเขตล่างด้วยบอกคุณด้วยว่าอะไรทำไม่ได้

จากนั้นคือบทที่ 4 “Model Selection” ซึ่งมีหัวข้อรวมถึง empirical risk minimization (ERM) และ structural risk minimization (SRM) เราจะกลับมาที่บทนี้เมื่อพิจารณาฉบับที่สอง เพราะเป็นจุดหนึ่งที่ฉบับใหม่เปลี่ยนแปลงมากที่สุด

โครงสร้างนี้ตั้งใจจัด รากฐานมาก่อน แล้วเครื่องมือวัดความซับซ้อน แล้วการเลือกโมเดล และหลังจากนั้นเท่านั้นจึงเป็นอัลกอริทึม นี่เป็นวิธีสอนที่ปกป้องได้ และตรงกับคำอธิบายของหนังสือเองว่ามันทำงานอย่างไร บทเปิดวางทฤษฎี ส่วนที่เหลือสร้างบนนั้น

จากทฤษฎีสู่อัลกอริทึม: ซัพพอร์ตเวกเตอร์แมชชีนและเคอร์เนล #

สารบัญยังระบุชื่อบทเชิงอัลกอริทึมที่ตามมา บทหนึ่งชื่อ “Support Vector Machines” มีหัวข้อกรณีแยกได้และกรณีแยกไม่ได้ แต่ละหัวข้อครอบคลุมปัญหาการหาค่าเหมาะที่สุดแบบไพรมอล ซัพพอร์ตเวกเตอร์ และปัญหาการหาค่าเหมาะที่สุดแบบดูอัล อีกบทชื่อ “Kernel Methods”

รูปทรงของบทซัพพอร์ตเวกเตอร์แมชชีนเองก็ให้ข้อมูล หัวข้อสามเรื่องเดียวกันปรากฏใต้ทั้งหัวข้อแยกได้และแยกไม่ได้ ได้แก่ ปัญหาการหาค่าเหมาะที่สุดแบบไพรมอล ซัพพอร์ตเวกเตอร์ และปัญหาการหาค่าเหมาะที่สุดแบบดูอัล การซ้ำนี้ชี้ถึงการพิจารณาแบบขนาน คำถามเดียวกันถูกถามสองครั้งภายใต้สมมติฐานที่ต่างกัน ความขนานนี้สะท้อนการแบ่งกรณีสอดคล้องและไม่สอดคล้องในบท PAC จึงเกิดแบบแผนขึ้นทั่วทั้งเล่ม กรณีสะอาดก่อน แล้วจึงเป็นกรณีที่สมมติฐานสะอาดใช้ไม่ได้

ผมจะระวังการอ่านสารบัญมากเกินไป สารบัญบอกได้ว่าหนังสือครอบคลุมอะไรและแบ่งเนื้อหาอย่างไร แต่บอกไม่ได้ว่าหัวข้อใดเขียนดีแค่ไหน และไม่มีสิ่งใดในแหล่งข้อมูลเหล่านี้บอกเช่นนั้น สิ่งที่มันแสดงคือภาษาการหาค่าเหมาะที่สุดในบทซัพพอร์ตเวกเตอร์แมชชีน ไพรมอลและดูอัล โยงกลับไปยังคำบรรยายในบทนำที่ว่าเทคนิคเหล่านี้ผสานวิทยาการคอมพิวเตอร์เข้ากับแนวคิดจากสถิติ ความน่าจะเป็น และการหาค่าเหมาะที่สุด เส้นด้ายการหาค่าเหมาะที่สุดของรายการนั้นปรากฏเป็นรูปธรรมในชื่อหัวข้อเหล่านี้

หนังสือยังแยกบทให้การจำแนกหลายคลาส การจัดอันดับ และการถดถอยอย่างละบท นี่เป็นการตัดสินใจเชิงออกแบบที่ควรค่าแก่การปกป้อง การถือสิ่งเหล่านี้เป็นเชิงอรรถของการจำแนกแบบสองคลาสคงทำได้ง่าย การให้แต่ละอย่างมีบทของตัวเองส่งสัญญาณว่าผู้เขียนมองว่าเป็นปัญหาที่ต่างกันซึ่งมีการวิเคราะห์ของตนเอง และสอดคล้องกับเป้าหมายที่ประกาศไว้ คือการนำเสนอหลายหัวข้ออย่างเป็นเอกภาพ แทนที่จะเป็นการนำเสนอที่เอนเอียงไปทางมุมมองเดียว

สิ่งที่หนังสือเลือกไม่ครอบคลุม #

ข้อความที่น่าสนใจที่สุดในคำนำว่าด้วยการละเว้น ผู้เขียนกล่าวว่าหนังสือเป็นบทนำทั่วไปสู่แมชชีนเลิร์นนิง ที่ใช้เป็นหนังสืออ้างอิงสำหรับนักวิจัยและตำราสำหรับนักศึกษาได้ หลังอ้างอย่างกว้างเช่นนั้น พวกเขาเพิ่มข้อจำกัดหนึ่งข้อ พวกเขาเลือกละหัวข้อสำคัญบางเรื่องไว้ รวมถึงโมเดลกราฟและโครงข่ายประสาท

ตำราไม่กี่เล่มที่พูดเรื่องนี้ตรงขนาดนี้ และผมขอแย้งว่าความตรงไปตรงมานี้เป็นจุดแข็ง ผู้อ่านที่รู้ล่วงหน้าว่าอะไรขาดไปวางแผนรับมือได้ คนที่ต้องการโครงข่ายประสาทรู้ว่าต้องไปหาที่อื่น แทนที่จะไปพบช่องว่างนี้ในบทที่เก้า

เหตุผลก็ถูกบอกไว้ การละเว้นนี้มีทั้งเพื่อความกระชับ และเพราะปัจจุบันบางวิธียังขาดการรับประกันเชิงทฤษฎีที่มั่นคง มีเหตุผลให้สองข้อ ความกระชับเป็นข้อจำกัดเชิงปฏิบัติของหนังสือทุกเล่ม เหตุผลข้อที่สองคือข้อที่บอกบางอย่างเกี่ยวกับปรัชญาของหนังสือ

โยงกลับไปยังบทนำ การรับประกันการเรียนรู้เชิงทฤษฎีคือสิ่งที่หนังสือเล่มนี้จัดระเบียบรอบ ๆ การรับประกันขึ้นอยู่กับความซับซ้อนของคลาสแนวคิดและขนาดของตัวอย่างฝึก และบทเชิงทฤษฎีมาก่อนเพราะทุกอย่างที่เหลือสร้างบนมัน วิธีที่ปัจจุบันยังขาดการรับประกันที่มั่นคงจึงอยู่ในหนังสือที่สร้างแบบนี้อย่างอึดอัด การละเว้นจึงสืบเนื่องจากพันธะหลักของหนังสือ มันสอดคล้องกับนิยามของวิชาที่ผู้เขียนเลือกใช้เปิดเรื่อง

ตรงนี้มีจุดที่ต้องระวัง เนื้อหาบอกว่า “บางวิธี” ข้ออ้างจึงว่าด้วยการขาดการรับประกันที่มั่นคงสำหรับบางวิธี ไม่ใช่สำหรับทุกหัวข้อที่ละไว้ และบอกว่า “ปัจจุบัน” ซึ่งผูกการตัดสินนี้ไว้กับช่วงเวลาที่เขียน ผมจะต้านทานการสรุปว่า “โครงข่ายประสาทไม่มีทฤษฎี” นั่นไม่ใช่สิ่งที่แหล่งข้อมูลพูด แหล่งข้อมูลบอกว่าการรับประกันของบางวิธียังขาดอยู่ในปัจจุบัน และข้อนี้ประกอบกับความกระชับคือเหตุที่โมเดลกราฟและโครงข่ายประสาทถูกละไว้

สำหรับผู้อ่านสายเทคนิคที่กำลังเลือกว่าจะศึกษาอะไร ผลในทางปฏิบัตินั้นง่าย หนังสือเล่มนี้ให้ศัพท์ของการรับประกันแก่คุณ และบอกตรง ๆ ว่าไม่ครอบคลุมด้านใดบ้าง

สิ่งที่ฉบับที่สองเปลี่ยน #

ฉบับที่สองเป็นมากกว่าการพิมพ์ซ้ำพร้อมแก้ไข คำนำแจกแจงสิ่งที่เพิ่มเข้ามา และแต่ละอย่างบอกเราว่าผู้เขียนคิดว่าฉบับแรกบางตรงไหน

การเปลี่ยนแปลงหลักคือบทว่าด้วยการเลือกโมเดลเต็มบท บทที่ 4 ในหัวข้อที่ผู้เขียนเรียกว่าสำคัญ และในฉบับก่อนถูกกล่าวถึงเพียงสั้น ๆ ภาษาตรงไปตรงมา พวกเขาไม่อ้างว่าฉบับแรกครอบคลุมเรื่องนี้ได้ดี พวกเขาบอกว่าเรื่องนี้ถูกกล่าวถึงเพียงสั้น ๆ และตอนนี้ได้ให้เต็มบทแล้ว หัวข้อในบทรวมถึง empirical risk minimization (ERM) และ structural risk minimization (SRM) ตามที่สารบัญแสดง

ทำไมการเลือกโมเดลจึงสมควรได้เลื่อนขั้นเช่นนี้ แหล่งข้อมูลไม่ได้บอก และผมจะไม่แต่งเหตุผลแทนผู้เขียน แต่ตำแหน่งของบทบอกอะไรได้มาก บทที่ 4 ตามมาติด ๆ หลังบทว่าด้วยกรอบงาน PAC และบทว่าด้วยความซับซ้อน Rademacher และมิติ VC ซึ่งทำให้มันอยู่ภายในสามหรือสี่บทแรกที่คำนำเรียกว่าวางรากฐานเชิงทฤษฎี ผู้เขียนจึงไม่ได้ต่อท้ายการเลือกโมเดลไว้แบบนึกขึ้นได้ภายหลัง พวกเขาสร้างมันไว้ในรากฐานเชิงทฤษฎี

สิ่งที่เพิ่มถัดมาคือบทใหม่ว่าด้วยโมเดล Maximum Entropy บทที่ 12 และบทใหม่ว่าด้วยโมเดล Conditional Maximum Entropy บทที่ 13 บทใหม่ทั้งหมดสองบทเป็นการขยายที่มีนัยสำคัญ และตอนนี้หนังสือให้บทติดกันแก่คู่นี้

ภาคผนวกก็เปลี่ยนเช่นกัน ผู้เขียนเพิ่มหัวข้อเต็มว่าด้วยภาวะคู่กันแบบ Fenchel ในภาคผนวก B ว่าด้วยการหาค่าเหมาะที่สุดแบบคอนเวกซ์ และเพิ่มภาคผนวก E ว่าด้วยทฤษฎีสารสนเทศ หนังสือยังมีภาคผนวกขนาดใหญ่ที่ทบทวนพีชคณิตเชิงเส้นอย่างกระชับ การเปลี่ยนแปลงเหล่านี้ชี้ไปในทิศทางเดียวกัน คณิตศาสตร์สนับสนุนเติบโตไปพร้อมกับบทต่าง ๆ ภาวะคู่กันแบบ Fenchel เข้าร่วมภาคผนวกการหาค่าเหมาะที่สุดแบบคอนเวกซ์ และทฤษฎีสารสนเทศได้ภาคผนวกของตัวเอง ผมจะเลี่ยงการพูดว่าทฤษฎีสารสนเทศอยู่ตรงนั้นเพื่อรองรับบท Maximum Entropy โดยเฉพาะ เพราะแหล่งข้อมูลไม่ได้ระบุความเชื่อมโยงเช่นนั้น และในคำนำสิ่งที่เพิ่มทั้งสองปรากฏเป็นรายการแยกกัน การที่ทั้งสองมาในฉบับเดียวกันเป็นความบังเอิญ ซึ่งผมจะปล่อยให้เป็นความบังเอิญต่อไป

หนังสือเขียนเพื่อใคร และคาดหวังให้อ่านอย่างไร #

หนังสือระบุกลุ่มผู้อ่านของตน คือนักศึกษาและนักวิจัยในแมชชีนเลิร์นนิง สถิติ และสาขาอื่นที่เกี่ยวข้อง รายการนั้นเอ่ยชื่อสถิติไว้ด้วย ซึ่งสะท้อนประเด็นในบทนำที่ว่าแมชชีนเลิร์นนิงเกี่ยวพันโดยเนื้อแท้กับการวิเคราะห์ข้อมูลและสถิติ

หนังสือยังบอกด้วยว่าสันนิษฐานอะไรไว้ ผู้อ่านควรคุ้นเคยกับแนวคิดพื้นฐานในพีชคณิตเชิงเส้น ความน่าจะเป็น และการวิเคราะห์อัลกอริทึม นี่เป็นรายการสั้น และตรงกับรายการส่วนผสมในบทนำ แม้ไม่ตรงทั้งหมด บทนำระบุวิทยาการคอมพิวเตอร์ สถิติ ความน่าจะเป็น และการหาค่าเหมาะที่สุดเป็นแหล่งของเทคนิค ความรู้พื้นฐานที่ต้องมีระบุพีชคณิตเชิงเส้น ความน่าจะเป็น และการวิเคราะห์อัลกอริทึม การหาค่าเหมาะที่สุดไม่อยู่ในความรู้พื้นฐานที่ต้องมี และหนังสือจัดการเรื่องนั้นจากอีกด้าน ภาคผนวก B ครอบคลุมการหาค่าเหมาะที่สุดแบบคอนเวกซ์ พร้อมหัวข้อใหม่ว่าด้วยภาวะคู่กันแบบ Fenchel พีชคณิตเชิงเส้นถูกคาดหวังให้เป็นพื้นฐาน แต่หนังสือก็ยังให้ภาคผนวกขนาดใหญ่ที่ทบทวนมัน ความรู้พื้นฐานกับภาคผนวกจึงซ้อนทับกันโดยตั้งใจ และผู้อ่านที่พีชคณิตเชิงเส้นขึ้นสนิมก็มีบททบทวนกระชับอยู่ในเล่มเดียวกัน

วิธีการสอนก็ถูกบอกไว้ตรง ๆ เช่นกัน ทุกบทจบด้วยชุดแบบฝึกหัด พร้อมเฉลยเต็มที่นำเสนอแยกไว้ นี่เป็นการจัดที่สมเหตุสมผลสำหรับหนังสือที่รับใช้ผู้อ่านสองกลุ่ม นักศึกษาลองทำแบบฝึกหัดแล้วตรวจกับเฉลยได้ และนักวิจัยที่ใช้หนังสือเป็นหนังสืออ้างอิงไม่ต้องฝ่าคำตอบที่ทำไว้ทุกหน้า เฉลยมาเป็นเล่มแยกหรือเอกสารอื่น แหล่งข้อมูลไม่ได้บอก บอกเพียงว่านำเสนอแยกไว้ ผมจึงขอหยุดไว้แค่นั้น

เมื่อรวมกันแล้ว กลุ่มผู้อ่าน ความรู้พื้นฐานที่ต้องมี แบบฝึกหัด และภาคผนวก บรรยายหนังสือที่ออกแบบมาให้ลงมือทำไปทีละขั้น การสอนสิบสี่ปีที่ Courant Institute ยืนอยู่เบื้องหลังการออกแบบนี้ วิชาที่ถูกสอนซ้ำหลายครั้งมักสร้างเครื่องมือประกอบแบบนี้ขึ้นมา แม้คำนำจะไม่ได้อ้างความเชื่อมโยงนี้ไว้ชัด และผมเสนอเรื่องนี้เพียงในฐานะการอ่านหลักฐาน ไม่ใช่ข้อค้นพบ

การประยุกต์ใช้กว้างขวาง และหนังสือก็บอกเช่นนั้น #

หนังสือที่เป็นทฤษฎีขนาดนี้อาจถูกเข้าใจผิดว่าห่างไกลจากการปฏิบัติ บทนำกันไว้ด้วยข้อความตรง ๆ ว่าแมชชีนเลิร์นนิงมีการประยุกต์ใช้ในทางปฏิบัติที่กว้างขวางมาก สิ่งที่บทนำเอ่ยชื่อคือการจำแนกข้อความหรือเอกสาร ซึ่งรวมถึงการตรวจจับสแปม

การตรวจจับสแปมเป็นตัวอย่างที่เลือกได้ดี ด้วยเหตุผลที่กรอบงานของผู้เขียนเองอธิบาย มันเป็นปัญหาการจำแนกเอกสารในความหมายเดียวกับตัวอย่างก่อนหน้าเป๊ะ เอกสารที่ติดป้ายเข้าไป การทำนายเกี่ยวกับเอกสารที่ไม่เคยเห็นออกมา ปัจจัยด้านขนาดตัวอย่างและคุณภาพป้ายใช้กับมันโดยตรง ตัวอย่างที่ใหญ่ขึ้นทำให้งานง่ายขึ้น และข้อความที่ติดป้ายผิดทำให้งานยากขึ้น จำนวนหมวดหมู่ที่เป็นไปได้มีน้อย ซึ่งตามตรรกะของข้อความก่อนหน้าก็มีผลต่อความยากด้วย ผมกำลังนำปัจจัยที่หนังสือระบุไปใช้กับตัวอย่างที่หนังสือระบุ และไม่ได้อ้างอะไรเกี่ยวกับตัวกรองสแปมในโลกจริง

ตำแหน่งของข้อความนี้ยังมีข้อโต้แย้งเงียบ ๆ อยู่ด้วย ผู้เขียนแนะนำการจำแนกเอกสารเป็นงานการเรียนรู้ แล้วรีบบอกทันทีว่ามันไม่ใช่งานเดียวแต่อย่างใด การประยุกต์ใช้กว้างเพราะนิยามที่อยู่เบื้องล่างกว้าง อะไรก็ตามที่เข้ากับ “วิธีเชิงคำนวณที่ใช้ประสบการณ์เพื่อปรับปรุงสมรรถนะหรือเพื่อทำนายอย่างแม่นยำ” ก็นับรวม ความทั่วไปนี้เองเป็นเหตุที่หนังสือลงแรงกับทฤษฎี กรอบงานที่ตั้งใจครอบคลุมการประยุกต์ใช้ที่กว้างมากจะผูกติดกับรายละเอียดของการประยุกต์ใดหนึ่งไม่ได้ และการรับประกันที่กล่าวในรูปความซับซ้อนของคลาสแนวคิดและขนาดตัวอย่างคือชนิดที่เดินทางข้ามปัญหาได้พอดี

เดิมพันของหนังสือ #

ดึงเส้นด้ายเข้ามารวมกันแล้วจะเห็นจุดยืนที่สอดคล้อง ซึ่งมากกว่าที่สารบัญของตำราส่วนใหญ่จะอ้างได้ หนังสือนิยามการเรียนรู้ในรูปของประสบการณ์และการทำนาย ระบุความซับซ้อนสามแบบ คือเวลา พื้นที่ และตัวอย่าง เป็นมาตรวัดคุณภาพ ผูกการรับประกันไว้กับความซับซ้อนของคลาสแนวคิดและขนาดตัวอย่าง และวางทฤษฎีที่ให้การรับประกันเหล่านั้นไว้ด้านหน้า จากนั้นสร้างบทเชิงอัลกอริทึมบนฐานนั้น และบอกอย่างเปิดเผยว่าละด้านยอดนิยมใดไว้ เพราะการรับประกันของบางวิธียังไม่มั่นคงในตอนนี้

นี่คือเดิมพันว่าทฤษฎีคือสิ่งที่ยั่งยืน ผมเข้าใจได้ว่าทำไมทีมผู้เขียนที่ใช้เวลาหลายปีสอนวิชาระดับบัณฑิตศึกษาจะวางเดิมพันนี้ เดิมพันนี้มีราคา และผู้เขียนเอ่ยชื่อมัน การละโมเดลกราฟและโครงข่ายประสาทคือราคาของการยืนกรานเรื่องการรับประกันที่มั่นคง ผู้อ่านควรชั่งราคานั้นอย่างซื่อตรง ถ้างานของคุณถูกครอบงำด้วยด้านที่ถูกละไว้ หนังสือเล่มนี้เป็นรากฐาน ไม่ใช่คู่มือ ถ้างานของคุณต้องใช้เหตุผลว่าผู้เรียนรู้จะวางนัยทั่วไปจากตัวอย่างจำกัดได้หรือไม่ ศัพท์ของหนังสือคือแก่นของมัน

สำหรับผู้ก่อตั้ง บทเรียนที่มีประโยชน์คือบทเรียนที่ดูหวือหวาน้อยที่สุด คุณภาพและขนาดของข้อมูลเป็นตัวชี้ขาดความสำเร็จของการทำนาย และความยากของงานขึ้นอยู่กับคุณภาพป้ายและจำนวนหัวข้อที่เป็นไปได้ สิ่งเหล่านี้เป็นข้อความเกี่ยวกับอินพุตที่คุณมักมีอิทธิพลได้ หนังสือไม่ได้สัญญาว่าอัลกอริทึมใดจะกู้ตัวอย่างที่บางหรือติดป้ายผิดได้ และการไม่สัญญาเช่นนั้นก็ถูกต้องแล้ว

สำหรับผู้อ่านสายเทคนิค คำถามที่น่าสนใจกว่าคือคำถามที่คำนำเปิดทิ้งไว้ ผู้เขียนละบางวิธีไว้เพราะการขาดการรับประกันเชิงทฤษฎีที่มั่นคงในปัจจุบัน คำว่า “ปัจจุบัน” วางเรื่องนี้ไว้เป็นสภาพการณ์ ณ เวลาที่เขียน และแหล่งข้อมูลไม่ได้บอกว่าจะเปลี่ยนหรือไม่ หรือเปลี่ยนอย่างไร ต้องใช้อะไรจึงจะทำให้การรับประกันเหล่านั้นมั่นคงพอจะได้บทของตัวเอง หนังสือตอบไม่ได้ แต่ด้วยการแม่นยำว่าละอะไรไว้และเพราะอะไร อย่างน้อยมันก็ชี้ว่าควรมองหาที่ไหน

ความหมายต่อแต่ละภาคส่วน #

การยืนกรานเรื่องการรับประกันการเรียนรู้เชิงสถิติและความซับซ้อนของตัวอย่างให้ขอบเขตที่นำไปปฏิบัติได้ในซอฟต์แวร์และงานวิจัยหลายด้าน

แมชชีนเลิร์นนิงในแวดวงวิชาการและการออกแบบหลักสูตร #

หลักสูตรการศึกษาต้องต้านแรงกดดันที่จะสอนแมชชีนเลิร์นนิงเป็นวิศวกรรมพรอมต์เชิงประจักษ์หรืองานต่อท่อเฟรมเวิร์ก การปูพื้นนักศึกษาในกรอบงาน PAC ความซับซ้อน Rademacher และ structural risk minimization สร้างสัญชาตญาณทางคณิตศาสตร์ที่ทนทาน ซึ่งอยู่รอดผ่านความผันผวนของสถาปัตยกรรมดีปเลิร์นนิงที่มาแล้วไป

วิศวกรรม AI ในองค์กรและการประเมินมูลค่าข้อมูล #

องค์กรวิศวกรรมที่นำระบบทำนายไปใช้งานมักทุ่มทุนให้การประมวลผล (ขนาดโมเดล) มากเกินไป ขณะละเลยความซับซ้อนของตัวอย่างและความแม่นยำของป้าย เนื่องจากความคลาดเคลื่อนในการวางนัยทั่วไปถูกจำกัดอย่างเคร่งครัดด้วยความซับซ้อนของคลาสแนวคิดเทียบกับขนาดตัวอย่าง ทีมต่าง ๆ จึงได้ ROI ที่ดีกว่าจากการลงทุนในการกำกับข้อมูลที่สะอาดและการตรวจสอบตัวอย่าง แทนที่จะเป็นโมเดลที่ใหญ่ขึ้นแต่ไม่มีการทำให้เป็นปกติ

งานวิจัย AI แนวหน้าและการตรวจสอบโมเดล #

เมื่อกรอบกำกับดูแลอย่าง EU AI Act กำหนดให้ระบบตัดสินใจอัตโนมัติต้องมีขอบเขตที่คาดการณ์ได้ การรับประกันการเรียนรู้เชิงสถิติที่ทำให้เป็นแบบแผนใน Foundations of Machine Learning จึงกลายเป็นสิ่งจำเป็นด้านการปฏิบัติตามกฎ ผู้กำกับดูแลและผู้ตรวจสอบด้านความปลอดภัยต้องการขอบเขตการวางนัยทั่วไปที่พิสูจน์ได้และระเบียบวิธีการเลือกโมเดลที่เข้มงวด แทนคะแนนการตรวจสอบแบบฮิวริสติก

บทสรุป #

Foundations of Machine Learning ยังคงเป็นหลักยึดที่ขาดไม่ได้ในสาขาที่มักถูกล่อลวงด้วยประจักษ์นิยมดิบ ๆ ด้วยการสร้างหลักสูตรทั้งหมดรอบการเรียนรู้แบบ PAC ความซับซ้อน Rademacher และมิติ VC ทำให้ Mehryar Mohri, Afshin Rostamizadeh และ Ameet Talwalkar เตือนนักวิจัยว่าความงามของอัลกอริทึมไม่อาจแทนการรับประกันทางคณิตศาสตร์ได้ การที่ผู้เขียนละโครงข่ายประสาทและโมเดลกราฟไว้อย่างตรงไปตรงมาเพราะไม่มีการรับประกันในรูปปิด ไม่ใช่ข้อบกพร่อง - แต่เป็นจุดแข็งที่นิยามหนังสือ ซึ่งขีดเส้นแบ่งชัดเจนระหว่างสิ่งที่ศาสตร์นี้พิสูจน์ได้อย่างเข้มงวดกับสิ่งที่เพียงสังเกตเห็น

คำถามที่พบบ่อย #

ทำไมผู้เขียนจึงละโครงข่ายประสาทและโมเดลกราฟไว้จากฉบับที่สอง

ผู้เขียนตั้งใจละโครงข่ายประสาทและโมเดลกราฟไว้เพื่อความกระชับ และเพราะในเวลานั้นหลายวิธีในกลุ่มนั้นยังขาดการรับประกันเชิงทฤษฎีที่มั่นคง หนังสือจัดระเบียบอย่างเคร่งครัดรอบอัลกอริทึมที่ยอมรับขอบเขตการวางนัยทั่วไปที่เข้มงวดได้

อะไรทำให้ความซับซ้อนของตัวอย่างต่างจากความซับซ้อนด้านเวลาและพื้นที่

ขณะที่ความซับซ้อนด้านเวลาประเมินความเร็วในการทำงาน และความซับซ้อนด้านพื้นที่วัดการใช้หน่วยความจำ ความซับซ้อนของตัวอย่างวัดปริมาณข้อมูลฝึกเชิงคณิตศาสตร์ที่อัลกอริทึมต้องใช้เพื่อเรียนรู้ตระกูลของแนวคิดหนึ่งภายในค่าความคลาดเคลื่อนและความเชื่อมั่นที่กำหนด

ความต่างหลักระหว่าง empirical risk minimization กับ structural risk minimization คืออะไร

Empirical risk minimization (ERM) เลือกสมมติฐานที่ทำให้ความคลาดเคลื่อนจากการฝึกต่ำที่สุดโดยตรง และเสี่ยงต่อการเรียนรู้เกินเมื่อความซับซ้อนของสมมติฐานสูง Structural risk minimization (SRM) ถ่วงดุลความคลาดเคลื่อนจากการฝึกกับความซับซ้อนของสมมติฐาน (เช่นมิติ VC หรือความซับซ้อน Rademacher) และให้ขอบเขตที่เป็นแบบแผนของความเสี่ยงในการวางนัยทั่วไป

เอกสารอ้างอิง #

• Mehryar Mohri, Afshin Rostamizadeh, and Ameet Talwalkar, (2018). Foundations of Machine Learning ฉบับพิมพ์ครั้งที่สอง ⧉. The MIT Press.
• Leslie G. Valiant, (1984). ทฤษฎีของสิ่งที่เรียนรู้ได้ ⧉. Communications of the ACM.
• Vladimir N. Vapnik, (1998). ทฤษฎีการเรียนรู้เชิงสถิติ ⧉. John Wiley & Sons.

ทบทวนล่าสุด 2026-10-10.

ทบทวนล่าสุด 2026-10-27.

# สารบัญตำราแมชชีนเลิร์นนิง บอกอะไรเกี่ยวกับสาขานี้ — Sebastien Rousseau

> Originally published at [https://sebastienrousseau.com/th/2026-10-10-saraban-tamra-maechchin-loenning-bok-arai/](https://sebastienrousseau.com/th/2026-10-10-saraban-tamra-maechchin-loenning-bok-arai/)

Foundations of Machine Learning (MIT Press, 2018) โดย Mohri, Rostamizadeh และ Talwalkar นิยามการเรียนรู้รอบข้อมูล ความซับซ้อนของตัวอย่าง และการรับประกันเชิงทฤษฎี

Read the full article on sebastienrousseau.com: https://sebastienrousseau.com/th/2026-10-10-saraban-tamra-maechchin-loenning-bok-arai/

สารบัญตำราแมชชีนเลิร์นนิง บอกอะไรเกี่ยวกับสาขานี้ — Sebastien Rousseau

Foundations of Machine Learning (MIT Press, 2018) โดย Mohri, Rostamizadeh และ Talwalkar นิยามการเรียนรู้รอบข้อมูล ความซับซ้อนของตัวอย่าง และการรับประกันเชิงทฤษฎี

https://sebastienrousseau.com/th/2026-10-10-saraban-tamra-maechchin-loenning-bok-arai/

สารบัญตำราแมชชีนเลิร์นนิง บอกอะไรเกี่ยวกับสาขานี้ — Sebastien Rousseau

Foundations of Machine Learning (MIT Press, 2018) โดย Mohri, Rostamizadeh และ Talwalkar นิยามการเรียนรู้รอบข้อมูล ความซับซ้อนของตัวอย่าง และการรับประกันเชิงทฤษฎี.

นี่คือประเด็นเชิงกลยุทธ์ที่สำคัญ:

- หนังสือที่มีที่มาแน่ชัด. เริ่มจากข้อเท็จจริงที่ยึดตัววัตถุนี้ไว้ หนังสือชื่อ Foundations of Machine Learning และนี่คือฉบับพิมพ์ครั้งที่สอง อยู่ในชุด Adaptive Computation and Machine Learning ซึ่งมี Francis Bach เป็นบรรณาธิการ ผู้เขียนคือ…
- นิยามที่แบกงานหนักที่สุด. ทุกสิ่งที่ตามมาขึ้นอยู่กับประโยคเดียว ผู้เขียนเขียนว่าแมชชีนเลิร์นนิงนิยามอย่างกว้างได้ว่าเป็นวิธีเชิงคำนวณที่ใช้ประสบการณ์เพื่อปรับปรุงสมรรถนะหรือเพื่อทำนายอย่างแม่นยำ.
- ตัวอย่างที่ทำให้ดู: เอกสารและหัวข้อ. บทนำวางนิยามไว้บนปัญหาการเรียนรู้ที่จับต้องได้ ลองนึกถึงตัวอย่างจำกัดของเอกสารที่สุ่มเลือก แต่ละฉบับติดป้ายหัวข้อไว้ งานคือใช้ตัวอย่างนั้นทำนายหัวข้อของเอกสารที่ยังไม่เคยเห็น.
- ความซับซ้อนสามแบบ ไม่ใช่สอง. ตรงนี้หนังสือเดินหมากที่โดดเด่นที่สุด และพลาดได้ง่ายเพราะมันมาในรูปข้อสังเกตสั้น ๆ ผู้เขียนกล่าวว่าแมชชีนเลิร์นนิงประกอบด้วยการออกแบบอัลกอริทึมทำนายที่มีประสิทธิภาพและแม่นยำ เช่นเดียวกับด้านอื่นของวิทยาการคอมพิวเตอร์…

แนวทางขององค์กรของคุณในการรับมือกับความท้าทายที่ระบุไว้ในบทความนี้คืออะไร?

→ https://sebastienrousseau.com/th/2026-10-10-saraban-tamra-maechchin-loenning-bok-arai/

#แมชชีนเลิร์นนิง #ตำรา #FoundationsOfMachineLearning #ความซับซ้อนของตัวอย่าง #การเรียนรู้แบบPac

Sebastien Rousseau | CC-BY-4.0

@online{rousseau2026สารบ,
  author  = {Rousseau, Sebastien},
  title   = {{สารบัญตำราแมชชีนเลิร์นนิง บอกอะไรเกี่ยวกับสาขานี้ — Sebastien Rousseau}},
  year    = {2026},
  url     = {https://sebastienrousseau.com/th/2026-10-10-saraban-tamra-maechchin-loenning-bok-arai/},
  urldate = {2026}
}

TY  - GEN
AU  - Rousseau, Sebastien
TI  - สารบัญตำราแมชชีนเลิร์นนิง บอกอะไรเกี่ยวกับสาขานี้ — Sebastien Rousseau
PY  - 2026
UR  - https://sebastienrousseau.com/th/2026-10-10-saraban-tamra-maechchin-loenning-bok-arai/
ER  -

Rousseau S. สารบัญตำราแมชชีนเลิร์นนิง บอกอะไรเกี่ยวกับสาขานี้ — Sebastien Rousseau. sebastienrousseau.com. 2026 Oct 10. Available from: https://sebastienrousseau.com/th/2026-10-10-saraban-tamra-maechchin-loenning-bok-arai/

Rousseau, Sebastien. "สารบัญตำราแมชชีนเลิร์นนิง บอกอะไรเกี่ยวกับสาขานี้ — Sebastien Rousseau." sebastienrousseau.com. October 10, 2026. https://sebastienrousseau.com/th/2026-10-10-saraban-tamra-maechchin-loenning-bok-arai/.

Rousseau, S. (2026, October 10). สารบัญตำราแมชชีนเลิร์นนิง บอกอะไรเกี่ยวกับสาขานี้ — Sebastien Rousseau. sebastienrousseau.com. https://sebastienrousseau.com/th/2026-10-10-saraban-tamra-maechchin-loenning-bok-arai/

สารบัญตำราแมชชีนเลิร์นนิง บอกอะไรเกี่ยวกับสาขานี้ — Sebastien Rousseau

Foundations of Machine Learning (MIT Press, 2018) โดย Mohri, Rostamizadeh และ Talwalkar นิยามการเรียนรู้รอบข้อมูล ความซับซ้อนของตัวอย่าง และการรับประกันเชิงทฤษฎี

Originally published at https://sebastienrousseau.com/th/2026-10-10-saraban-tamra-maechchin-loenning-bok-arai/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU · FOUNDER · ENGINEER