Introduction to Machine Learning
การเรียนรู้ของเครื่องจักร์เบื้องต้น

อ.ดร. สมศักดิ์ จันทร์เอม

วิทยาลัยนานาชาตินวัตกรรมดิจิทัล มหาวิทยาลัยเชียงใหม่

13 พฤศจิกายน 2568

ปัญญาประดิษฐ์ (AI) แทนสมองมนุษย์ได้หรือไม่?

• ไม่จริงทั้งหมด — AI ไม่ได้ “แทนที่” สมองมนุษย์อย่างแท้จริง

• AI = เครื่องมือเฉพาะทาง: มันสามารถทำงานเฉพาะด้าน (เช่น การจดจำภาพ การสร้างข้อความ การเล่นหมากรุก) ได้เร็วมากกว่ามนุษย์

• สมองมนุษย์ = ปัญญาทั่วไป: มนุษย์สามารถให้เหตุผล จินตนาการ รับรู้อารมณ์ และปรับตัวกับงานที่หลากหลายได้ — ซึ่งเป็นสิ่งที่ AI ยังไม่สามารถทำได้อย่างสมบูรณ์

• AI เป็นผู้ช่วย ไม่ใช่ผู้แทน: มันเปรียบเสมือน “เครื่องคิดเลขอัจฉริยะเวอร์ชันแรง” ที่ช่วยให้เราคิดเร็วขึ้น และทำงานซ้ำๆ หรือการประมวลผลข้อมูลจำนวนมากได้อัตโนมัติ

พัฒนาการของมนุษย์: จากเครื่องมือสู่ปัญญาประดิษฐ์ (AI)

เส้นเวลาของนวัตกรรมมนุษย์

ยุคโบราณ – เครื่องมือพื้นฐาน

• เครื่องมือหิน, ไฟ, ล้อ, คันไถ
• ช่วยให้มนุษย์ล่าสัตว์ ทำการเกษตร และเดินทางได้อย่างมีประสิทธิภาพมากขึ้น

การปฏิวัติอุตสาหกรรม (ศตวรรษที่ 18–19) – เครื่องจักร

• เครื่องจักรไอน้ำ, เครื่องทอผ้า, รถไฟ, ไฟฟ้า

• ลดภาระงานหนักของแรงงาน เพิ่มประสิทธิภาพการผลิตจำนวนมาก

ศตวรรษที่ 20 – ระบบอัตโนมัติ

• สายการผลิต, รถยนต์, เครื่องบิน, เครื่องใช้ไฟฟ้าในบ้าน

• เครื่องจักรเข้ามาแทนงานซ้ำๆ ในโรงงาน และทำให้ชีวิตสะดวกสบายยิ่งขึ้น

ปลายศตวรรษที่ 20 – คอมพิวเตอร์และอินเทอร์เน็ต

• คอมพิวเตอร์ดิจิทัล, ฐานข้อมูล, อินเทอร์เน็ต

• ทำให้การคำนวณ การสื่อสาร และการแลกเปลี่ยนข้อมูลทั่วโลกเป็นไปโดยอัตโนมัติ

ศตวรรษที่ 21 – ปัญญาประดิษฐ์และหุ่นยนต์

• การเรียนรู้ของเครื่อง (Machine Learning), หุ่นยนต์อัตโนมัติ, ผู้ช่วยอัจฉริยะ

• ปัจจุบันเครื่องจักรสามารถ “เรียนรู้จากข้อมูล” ทำนายผลลัพธ์ และช่วยในการตัดสินใจได้

• ตัวอย่าง: รถยนต์ไร้คนขับ (แทนแรงงานขับรถ), ChatGPT (งานด้านภาษา), หุ่นยนต์ในคลังสินค้า (งานใช้แรงกาย)

ภาพรวมใหญ่ (Big Picture)

• เครื่องมือ →เครื่องจักร → คอมพิวเตอร์ → ปัญญาประดิษฐ์ (AI)

• แต่ละขั้นตอนคือการ เสริมความสามารถของมนุษย์ และลดภาระทางกายหรือทางสมอง

• AI คือ การก้าวกระโดดครั้งต่อไป จาก “เครื่องจักรที่ทำงานทางกายภาพ” สู่ “เครื่องจักรที่ช่วยสนับสนุนงานทางความคิด”

🕰️ ไทม์ไลน์ของผู้บุกเบิก AI และ Machine Learning

1950 – อลัน ทัวริง (Alan Turing)

ที่มา: Wikipedia

• เผยแพร่บทความ “Computing Machinery and Intelligence”

ทัวริงเสนอว่า แทนที่จะถกเถียงเชิงปรัชญาว่า “เครื่องจักรสามารถคิดได้หรือไม่?” เขาเสนอให้เปลี่ยนคำถามเป็นการทดสอบเชิงปฏิบัติ เพื่อวัดความฉลาดของเครื่องจักร ซึ่งเขาเรียกว่า Imitation Game หรือที่เรารู้จักกันในปัจจุบันว่า Turing Test

1956 – จอห์น แม็คคาร์ธี (John McCarthy)

บิดาแห่ง AI

• เป็นผู้ตั้งชื่อสาขานี้ว่า Artificial Intelligence
• จัดการประชุม AI ครั้งแรก (Dartmouth, 1956)
• พัฒนาเครื่องมือสำคัญ เช่น ภาษาคอมพิวเตอร์ Lisp ซึ่งเป็นพื้นฐานของการวิจัย AI หลายทศวรรษ

• วางรากฐานให้ AI เป็นศาสตร์ที่มีทั้งวิสัยทัศน์และเทคนิคเชิงลึก

1957 – แฟรงก์ โรเซนแบล็ตต์ (Frank Rosenblatt)

• พัฒนา แบบจำลองโครงข่ายประสาทเทียม (Neural Network) รุ่นแรกที่สามารถเรียนรู้ได้ (Perceptron, 1957)
• แสดงให้เห็นว่าเครื่องจักรสามารถ “เรียนรู้จากข้อมูล” ได้จริง
• แม้ Perceptron จะมีข้อจำกัด (ถูกมินสกีและพาเพิร์ตชี้ให้เห็นในปี 1969) แต่แนวคิดนี้ได้พัฒนาเป็นโครงข่าย

บิดาแห่ง Deep Learning

หลายชั้น (Multilayer Networks) พร้อมกลไกBackpropagation ซึ่งเป็นหัวใจของ Deep Learning ในปัจจุบัน

1959 – อาร์เธอร์ ซามูเอล (Arthur Samuel)

ที่มา: https://uzaifa.hashnode.dev/what-is-machine-learning-samuels-checkers-program

พัฒนาโปรแกรมหมากฮอสของซามูเอล (Samuel’s Checkers Program)

• หนึ่งใน โปรแกรมคอมพิวเตอร์แรกๆ ที่เล่นเกมกระดานซับซ้อนได้
• ทำงานบนคอมพิวเตอร์ IBM รุ่นแรกๆ

โปรแกรมแรกที่ “เรียนรู้ได้ด้วยตนเอง”

• ใช้ การเรียนรู้ของเครื่อง (Machine Learning) เพื่อพัฒนาผลงานให้ดีขึ้นเมื่อเวลาผ่านไป
• ใช้เทคนิค Rote Learning (จดจำประสบการณ์เดิม) และ Generalization (ต่อยอดจากเกมก่อนหน้าเพื่อเล่นได้ดีขึ้น)

เป็นผู้บัญญัติคำว่า “Machine Learning” (1959)

“สาขาวิชาที่ทำให้คอมพิวเตอร์สามารถเรียนรู้ได้ โดยไม่ต้องถูกเขียนโปรแกรมอย่างชัดเจน.”

ทศวรรษ 1980s – Geoffrey Hinton, Yann LeCun, Yoshua Bengio

• ผู้บุกเบิกยุคแรกของ Deep Learning
• พัฒนาแนวคิดสำคัญ เช่น Backpropagation, Convolutional Neural Networks (CNNs) และ Deep Belief Networks
• ภายหลังได้รับการยกย่องว่าเป็น “บิดาแห่ง Deep Learning”

ทศวรรษ 1990s – Vladimir Vapnik & Alexey Chervonenkis

Alexei Chervonenkis และ Vladimir Vapnik

• พัฒนา Support Vector Machines (SVMs)
• วางรากฐานทางทฤษฎีของ Statistical Learning Theory

Deep Blue

ที่มา: https://aibusiness.com/ml/25-years-ago-today-how-deep-blue-vs-kasparov-changed-ai-forever

พฤษภาคม 1997: Deep Blue เอาชนะ Garry Kasparov แชมป์โลกหมากรุก ในการแข่งขัน 6 กระดาน (ชนะ 2 แพ้ 1 เสมอ 3) นี่เป็นครั้งแรกในประวัติศาสตร์ที่คอมพิวเตอร์เอาชนะแชมป์โลกในการแข่งหมากรุกแบบมาตรฐานภายใต้กติกาทัวร์นาเมนต์จริง

ปี 2016 – Demis Hassabis และ DeepMind

ที่มา: https://www.bbc.com/news/technology-35785875

• พัฒนา AlphaGo ซึ่งสามารถเอาชนะ Lee Sedol แชมป์โลกหมากล้อมได้
• ถือเป็นความสำเร็จครั้งใหญ่ของ Deep Reinforcement Learning

มนุษย์ สัตว์ และเครื่องจักร เรียนรู้อย่างไร?

• 👨 มนุษย์
• 🐒 สัตว์
• 🤖 เครื่องจักร

• เรียนรู้ผ่าน ประสบการณ์, การสอน, ภาษา
• มี การให้เหตุผล (Reasoning) และ การคิดเชิงนามธรรม (Abstraction)

• สามารถ ประยุกต์ความรู้ กับบริบทใหม่

• มีความ สร้างสรรค์ และยืดหยุ่นสูง

---

• เรียนรู้ผ่าน การลองผิดลองถูก (Trial & Error) และ การเลียนแบบ (Imitation)
• มีการเรียนรู้ตาม สัญชาตญาณเพื่อความอยู่รอด
• มีความเร็วในการเรียนรู้เฉพาะสถานการณ์
• แต่มีข้อจำกัดในการใช้ เหตุผลเชิงนามธรรม

---

• เรียนรู้ผ่าน ข้อมูลและอัลกอริทึม (Data + Algorithms)
• ใช้วิธี Supervised, Unsupervised, และ Reinforcement Learning
• ค้นพบ รูปแบบแฝง (Hidden Patterns) ได้ในข้อมูลจำนวนมาก
• มีความเร็วสูงมาก แต่ยังขาด ความเข้าใจที่แท้จริง

สรุป: การเรียนรู้และการทำงานของมนุษย์ สัตว์ และเครื่องจักร

• 1. 👨 มนุษย์
• 2. 🐒 สัตว์
• 3. 🤖 เครื่องจักร

• ก่อนการปฏิวัติอุตสาหกรรมครั้งที่ 1 (Industrial Revolution 1.0) → งานส่วนใหญ่เป็น งานฝีมือ ใช้แรงงานคน และถ่ายทอดความรู้ผ่านการสอนหรือการฝึกงาน
• มนุษย์เป็นผู้สร้าง ความคิดสร้างสรรค์ การให้เหตุผล และนวัตกรรม ซึ่งเป็นรากฐานของความก้าวหน้าทางอุตสาหกรรม

• ใน ยุคก่อนอุตสาหกรรม สัตว์เป็น แรงงานหลัก เช่น ไถนา ขนส่ง แบกของ
• สัตว์เรียนรู้โดยใช้ สัญชาตญาณและการเลียนแบบ (instinct & imitation) — เหมาะกับงานซ้ำๆ เพื่อการอยู่รอด แต่จำกัดในด้านการคิดเชิงนามธรรม
• เมื่อเกิดการปฏิวัติอุตสาหกรรมครั้งที่ 1 (เครื่องจักรไอน้ำ) การพึ่งพาแรงงานสัตว์จึง ลดลงอย่างมาก

• อุตสาหกรรม 1.0 (พลังไอน้ำและเครื่องจักรกล): เครื่องจักรแทนที่ พละกำลังของสัตว์
• อุตสาหกรรม 2.0 (ไฟฟ้าและการผลิตจำนวนมาก): เครื่องจักร เพิ่มประสิทธิภาพการผลิตของมนุษย์
• อุตสาหกรรม 3.0 (คอมพิวเตอร์และระบบอัตโนมัติ): เครื่องจักรแทนที่ งานซ้ำๆ ของมนุษย์
• อุตสาหกรรม 4.0 (AI, IoT, หุ่นยนต์): เครื่องจักรเริ่ม เรียนรู้ ปรับตัว และตัดสินใจได้เอง → จาก “การอัตโนมัติ” สู่ “ความฉลาด”
• อุตสาหกรรม 5.0 (การร่วมมือระหว่างมนุษย์และเครื่องจักร): เน้น การทำงานร่วมกัน (synergy) — มนุษย์มอบ ความคิดสร้างสรรค์และความเห็นอกเห็นใจ ส่วนเครื่องจักรมอบ ความเร็วและความแม่นยำ

ประวัติศาสตร์ของ การปฏิวัติอุตสาหกรรม (Industrial Revolutions) แสดงให้เห็นการพัฒนาอย่างต่อเนื่อง

• สัตว์เป็นแรงงานหลัก (ก่อนอุตสาหกรรม)
• เครื่องจักรแทนแรงกาย (อุตสาหกรรม 1.0–2.0)
• คอมพิวเตอร์แทนงานคิดซ้ำๆ (อุตสาหกรรม 3.0–4.0)
• AI ร่วมมือกับมนุษย์ (อุตสาหกรรม 5.0) เพื่อสร้างสรรค์ ประสิทธิภาพ และความยั่งยืน

หมายเหตุ: IR = Industrial Revolution

AI vs ML vs DL

• 🤖 AI
• 🧠 ML
• 🧬 Deep Learning

• คำจำกัดความ: วิทยาศาสตร์ที่ทำให้เครื่องจักร “ฉลาด” และสามารถทำงานที่ปกติแล้วต้องใช้สติปัญญามนุษย์
• ขอบเขต: รวมถึง ตรรกะเชิงสัญลักษณ์ (symbolic logic), ระบบผู้เชี่ยวชาญ (expert systems), การค้นหา (search), หุ่นยนต์, การประมวลผลภาษาธรรมชาติ (NLP) และ Machine Learning
• แนวคิดหลัก: AI มุ่งเน้นที่การสร้าง พฤติกรรมอัจฉริยะ ไม่จำกัดเฉพาะการเรียนรู้จากข้อมูล

• คำจำกัดความ: แขนงหนึ่งของ AI ที่มุ่งสร้าง อัลกอริทึมที่สามารถเรียนรู้จากข้อมูล แทนการเขียนกฎแบบตายตัว

• เหตุผลที่เป็นส่วนหนึ่งของ AI:

  • ML คือหนึ่งในวิธีการเพื่อให้บรรลุ AI
  • ไม่ใช่ AI ทุกประเภทจะเป็น ML → เช่น ระบบผู้เชี่ยวชาญในยุคแรกเป็น AI แต่ไม่ใช่ ML

• ตัวอย่าง: Decision Tree, Support Vector Machine (SVM), k-means clustering, Regression

• คำจำกัดความ: สาขาย่อยเฉพาะของ ML ที่ใช้ โครงข่ายประสาทเทียมหลายชั้น (Neural Networks) เพื่อเรียนรู้รูปแบบที่ซับซ้อนโดยอัตโนมัติ

• เหตุผลที่เป็นส่วนหนึ่งของ ML:

  • DL เป็นเทคนิคหนึ่งใน ML
  • ทุก DL เป็น ML แต่ไม่ใช่ทุก ML เป็น DL
  • ML แบบคลาสสิก (เช่น SVM หรือ Decision Tree) ไม่ได้ใช้โครงข่ายลึก

• ตัวอย่าง: CNN (Convolutional Neural Network), RNN (Recurrent Neural Network), Transformer (GPT, BERT)

สรุป

• AI คือ เป้าหมาย → ทำให้เครื่องจักรมีความฉลาด
• ML คือ เส้นทางหนึ่ง → ให้เครื่ องจักร เรียนรู้จากข้อมูล
• DL คือ เทคนิคเฉพาะใน ML → ใช้ โครงข่ายประสาทเทียมแบบหลายชั้น เพื่อเรียนรู้ข้อมูลเชิงลึก

กระบวนการเรียนรู้ของเครื่อง (Machine Learning Process)

วงจรนี้อาจเกิดซ้ำหลายครั้งจนกว่าจะได้โมเดลที่มีประสิทธิภาพตามต้องการ

1. การรวบรวมข้อมูล (Data Collection): รวบรวมข้อมูลดิบจากแหล่งต่าง ๆ เช่น ฐานข้อมูล เซนเซอร์ API แบบสอบถาม หรือไฟล์ ข้อมูลที่มีคุณภาพและปริมาณเพียงพอจะส่งผลต่อความแม่นยำของโมเดลโดยตรง

2. การเตรียมข้อมูล (Data Preparation): ทำความสะอาดและแปลงข้อมูลให้อยู่ในรูปแบบที่เหมาะสมต่อการฝึก เช่น การจัดการค่าที่หายไป การปรับขนาดข้อมูล การเลือกคุณลักษณะ และการแบ่งชุดข้อมูลเป็น training / validation / test

3. การเลือกโมเดล (Model Selection): พิจารณาอัลกอริทึมที่เหมาะสม เช่น Decision Tree, Logistic Regression, Neural Network เพื่อให้เข้ากับลักษณะของข้อมูลและเป้าหมายทางธุรกิจ

4. การฝึกโมเดล (Training): ฝึกโมเดลด้วยชุดข้อมูลฝึก เพื่อให้โมเดลเรียนรู้รูปแบบความสัมพันธ์ของข้อมูล โดยปรับค่าพารามิเตอร์ภายในเพื่อลดความผิดพลาด

5. การปรับค่า Hyperparameter (Hyperparameter Tuning): ตั้งค่าตัวแปรที่ไม่ได้เรียนรู้ระหว่างการฝึก เช่น learning rate, จำนวนชั้นของโครงข่าย, ความลึกสูงสุด เพื่อให้โมเดลทำงานได้มีประสิทธิภาพสูงสุด

6. การประเมินผล (Evaluation): ทดสอบโมเดลด้วยข้อมูล validation/test เพื่อวัดประสิทธิภาพ เช่น Accuracy, Precision, Recall, F1-score หรือ RMSE ขึ้นอยู่กับประเภทของปัญหา

7. การติดตามและบำรุงรักษา (Monitoring & Maintenance): เมื่อใช้งานจริง ต้องติดตามผลการทำงานของโมเดลกับข้อมูลใหม่ หากประสิทธิภาพลดลงอาจต้อง retrain หรือปรับปรุงโมเดล

อัลกอริทึมและโมเดลของ Machine Learning

mindmap
  root((Machine Learning))
    Supervised Learning
      Regression
        Simple Linear Regression
        Multiple Regression
        Polynomial Regression
        Support Vector Regression
        Random Forest Regression
      Classification
        Logistic Regression
        Decision Tree
        Random Forest
        SVM
        Neural Networks
        Naive Bayes
        k-Nearest Neighbors
    Unsupervised Learning
      Clustering
        K-means
        Hierarchical Clustering
        DBSCAN
      Association Rule
        Apriori / FP-Growth
      Dimensionality Reduction
        PCA
        t-SNE
        Autoencoders
    Reinforcement Learning
      Q-Learning
      Deep Q-Networks
      Policy Gradient Methods

การเรียนรู้แบบมีผู้สอน (Supervised Learning)

• การถดถอย (Regression)

  • การถดถอยเชิงเส้นอย่างง่าย (Simple Linear Regression)
  • การถดถอยเชิงเส้นพหุ (Multiple Linear Regression)

• การจำแนกประเภท (Classification)

  • การถดถอยแบบลอจิสติก (Logistic Regression)
  • ต้นไม้ตัดสินใจ (Decision Tree)

การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning)

• การจัดกลุ่ม (Clustering)

  • K-means
  • การจัดกลุ่มแบบลำดับชั้น (Hierarchical Clustering)

• การหากฎความสัมพันธ์ (Association Rule)

  • Apriori / FP-Growth