Machine Learning

1. Machine Learning

2. สมาชิกในกลุ่ม • นายกมลชนม์ สุขทองอ่อน รหัสนักศึกษา 4420006 • นายกิติพงษ์ เอี่ยวสานุรักษ์ รหัสนักศึกษา 4420026 • นางสาวชลิตา ชีววิริยะนนท์ รหัสนักศึกษา 4420078 • นางสาวชุติมน ฐิติพรวณิช รหัสนักศึกษา 4420082 • นายเมธี บุญสิน รหัสนักศึกษา 4420257 • นางสาวรุจิรา กระบวนสิน รหัสนักศึกษา 4420273 • นางสาวจีราภรณ์ พึ่งวัฒนาพงศ์ รหัสนักศึกษา 4420547 • นายวีระศักดิ์ แซ่จุง รหัสนักศึกษา 4435385

3. การเรียนรู้ของเครื่องเป็นสาขาหนึ่งของปัญญาประดิษฐ์การเรียนรู้ของเครื่องเป็นสาขาหนึ่งของปัญญาประดิษฐ์ • การเรียนรู้แบบมีผู้สอน (Supervised learning) --- อัลกอริธึมสร้างฟังก์ชันซึ่งเชื่อมระหว่างข้อมูลเข้ากับผลที่ต้องการ • การเรียนรู้แบบไม่มีผู้สอน (Unsupervised learning) --- อัลกอริธึมสร้างโมเดลจากชุดข้อมูลเข้า • การเรียนรู้แบบเสริมกำลัง (Reinforcement learning) --- อัลกอริธึมเรียนแผนซึ่งกำหนดการกระทำของระบบจากสิ่งที่สังเกตได้ • การเรียนวิธีการเรียน (Learning to learn, Meta-learning) --- อัลกอริธึมที่เรียนวิธีการเรียนรู้ของตนเอง

4. การเรียนรู้แบบมีผู้สอน (Supervised learning) • การเรียนรู้แบบมีผู้สอน • เป็นเทคนิคหนึ่งของการเรียนรู้ของเครื่องซึ่งสร้างฟังก์ชันจากข้อมูลสอน (training data) ข้อมูลสอนประกอบด้วยวัตถุเข้า (มักจะเป็น เวคเตอร์) และผลที่ต้องการ • ผลจากการเรียนรู้จะเป็นฟังก์ชันที่อาจจะให้ค่าต่อเนื่อง (จะเรียกวิธีการว่า การถดถอย -- regression) • หรือ ใช้ทำนายประเภทของวัตถุ (เรียกว่า การแบ่งประเภท -- classification) • ภารกิจของเครื่องเรียนรู้แบบมีผู้สอนคือการทำนายค่าของฟังก์ชันจากวัตถุเข้าที่ถูกต้องโดยใช้ตัวอย่างสอนจำนวนน้อย (training examples -- คู่ของข้อมูลเข้าและผลที่เป็นเป้าหมาย) โดยเครื่องเรียนรู้จะต้องวางนัยทั่วไปจากข้อมูลที่มีอยู่ไปยังกรณีที่ไม่เคยพบอย่างมีเหตุผล • ตัวอย่าง (การเรียนรู้เพื่อรู้จำลายมือ)

5. การเรียนรู้แบบไม่มีผู้สอน (Unsupervised learning) • เป็นเทคนิคหนึ่งของการเรียนรู้ของเครื่อง โดยการสร้างโมเดลที่เหมาะสมกับข้อมูล การเรียนรู้แบบนี้แตกต่างจากการเรียนรู้แบบมีผู้สอน คือ จะไม่มีการระบุผลที่ต้องการหรือประเภทไว้ก่อน การเรียนรู้แบบนี้จะพิจารณาวัตถุเป็นเซตของตัวแปรสุ่ม แล้วจึงสร้างโมเดลความหนาแน่นร่วมของชุดข้อมูล

6. การเรียนรู้แบบไม่มีผู้สอน (ต่อ) • การเรียนรู้แบบไม่มีผู้สอนสามารถนำไปใช้ร่วมกับการอนุมาณแบบเบย์ เพื่อหาความน่าจะเป็นแบบมีเงื่อนไขของตัวแปรสุ่มโดยกำหนดตัวแปรที่เกี่ยวข้องให้ นอกจากนี้ยังสามารถนำไปใช้ในการบีบอัดข้อมูล ซึ่งโดยพื้นฐานแล้ว ขั้นตอนวิธีการบีบอัดข้อมูลจะขึ้นอยู่กับ การแจกแจงความน่าจะเป็นของข้อมูลไม่อย่างชัดแจ้งก็โดยปริยาย

7. การเรียนรู้แบบเสริมกำลัง (Reinforcement learning) • แนวความคิดของเราก็คือเราจะเรียนรู้จากสิ่งแวดล้อมรอบตัวเราเอง นั่นก็คือเรียนรุ้จากธรรมชาติรอบตัวที่มีอยู่ในชีวิตจริงนำมาดัดแปลงให้คอมพิวเตอร์ ตัวอย่างเช่น การเล่นหมากรุก เราจะต้องมีการทำนายล่วงหน้าว่าจะสามารถเกิดอะไรขึ้นได้บ้าง ซึ่งการเดินแต่ละครั้งอาจจะไม่เป็นผลดีต่อครั้งนั้นแต่อาจมีผลดีในครั้งต่อจากนั้นก็ได้ หรืออีกเกมง่ายๆก็คือ เกม OX

8. ExampleOX-Game วิธีการง่ายก็คือ คือ การขัดขวางไม่ให้ฝ่ายตรงข้ามสามารถเขียนเรียงติดต่อกันได้ แต่ไม่ทำให้เป็นผู้ชนะได้

9. รูปข้างบนเป็นการแสดง ลำดับการดำเนินการของเกม Tic-Tac-Toe • โดยที่ solid lines นั่นแสดงการเคลื่อนที่ไปของเกม • ส่วน dashed linesนั้นแทนตำแหน่งที่เราสามารถดำเนินการได้ แต่ไม่ได้ดำเนินการ • ส่วนเครื่องหมายลูกศรเป็นการกระทำที่เรียกว่า backups

10. What is Machine Learning? • Learning ( คล้าย ๆ กับความฉลาด ) ในพจนานุกรมได้ให้คำนิยามว่า การได้มาซึ่งความรู้ หรือ ความเข้าใจ หรือทักษะ โดยการศึกษาคำสั่ง หรือประสบการณ์ ในที่นี้จะเน้นไปที่การเรียนรู้ในเครื่องจักร • ในส่วนเครื่องจักรนั้น กล่าวได้ว่า กว้างมาก ๆ ที่เครื่องจักรจะเรียนรู้เมื่อใดก็ตามที่มันเปลี่ยนคำสั่ง โปรแกรม หรือข้อมูลของมัน เช่นท่าทางที่มันคาดหวังจะพัฒนาเกิดอะไรขึ้นต่อไปในอนาคต

11. What is Machine Learning? • ยกตัวอย่างเช่น การแสดงของ speech-recognition machine (เครื่องจักพูดทักทาย) หลังจากได้ยินคำพูดของคนง่าย ๆ หลายอย่างและเครื่องจักรทำการทักทายตอบกลับได้ ในกรณีนี้ก็จะตัดสินว่าถือว่า เครื่องจักรได้สามารถเรียนรู้

12. Why should machine have to learn? 1. มันอาจจะเป็นไปได้ที่ข้อมูลที่ซ่อนท่ามกลางกลุ่มของข้อมูลใหญ่ ที่มีความสัมพันธ์และความเกี่ยวข้องที่สำคัญ วิธี machine learning สามารถที่จะใช้ในการถอดความสัมพันธ์เหล่านี้ออกมา ( data mining ) 2. บ่อยครั้งที่มนุษย์นักออกแบบผลิตเครื่องจักรที่ไม่สามารถทำงานดีเท่ากับอยู่ในสิ่งแวดล้อมที่ออกแบบ อันที่จริงแล้วคุณลักษณะของสิ่งแวดล้อมที่ออกแบบให้ทำงานอาจจะออกแบบไม่สมบูรณ์ วิธี machine learning สามารถใช้สำหรับพัฒนาในการออกแบบเครื่องจักรที่เป็นอยู่ให้ดีขึ้นเมื่ออยู่ในสภาพแวดล้อมที่เป็นจริง

13. Why should machine have to learn? 3. จำนวนของความรู้ที่มีอยู่เกี่ยวกับงานที่แน่นอน อาจจะมีมากมายสำหรับที่จะแสดงออกมาโดยมนุษย์ เครื่องจักรที่เรียนรู้ความรู้นี้ทีละเล็กทีละน้อย อาจจะสามารถจับตรงประเด็นที่ต้องการออกมา ได้มากกว่ามนุษย์ทำการเขียนลงไป 4. สิ่งแวดล้อมที่เปลี่ยน เครื่องที่สามารถเปลี่ยนไปอยู่ในสิ่งแวดล้อมที่เปลี่ยนไป จะช่วยลดความจำเป็นในการออกแบบใหม่

14. Machine Learing with Artificial Intelligent • Machine Learning ปกติจะกล่างถึงการเปลี่ยนแปลงในระบบที่แสดงการทำงานสัมพันธ์กับ Artificial Intelligent (AI) เช่นงานที่เกี่ยวข้องกับ • Recognition การทักทาย • Diagnose การวินิจฉัยโรค • Planning การวางแผน • Robot control การควบคุมหุ่นยนต์ • Prediction การทำนาย • Etc.

15. Learning in Problem Solving • เป็นวิธีการเรียนรู้จากประสบการณ์ โดยไม่จำเป็นต้องมีคำแนะนำจากผู้สอน • Learning by Parameter Adjustment • Learning with Macro-Operators • The Utility Problem

16. การเรียนโดย Parametere Adjustment • ใช้ข้อมูลจากหลายๆ แหล่ง ในการหาผลสรุป ทางสถิติ • แบ่งแยก pattern โดยรวมเอาหลายๆ คุณลักษณะมาใช้ • ในการตัดสินใจ • ยากในการให้น้ำหนัก กับแต่ละคุณลักษณะ • ตัวอย่าง โปรแกรม samuel ’s checkers ใช้ pattern • c1t1 + c2t2 + … + c16t16

17. การเรียนรู้ด้วยการทำงานของมาโครการเรียนรู้ด้วยการทำงานของมาโคร • มาโคร คือ ลำดับของการกระทำซึ่งใช้ในการแก้ใช้ปัญหาในสภาพแวดล้อมที่กำหนด • ตัวอย่างของการทำงานตามสภาพแวดล้อมที่กำหนด เช่น การเดินทางไปยังไปรษณีย์

18. การเรียนรู้ด้วยการทำงานของมาโครการเรียนรู้ด้วยการทำงานของมาโคร • ตัวอย่างวิธีการแก้ปัญหาการเดินทางไปยังไปรษณีย์ • ตัวอย่างของรายละเอียดปลีกย่อยในการทำงาน เช่น ขั้นตอนในการสตาร์ทรถ ที่จะต้องมีการทำงานย่อย ๆ ซึ่งได้แก่ การนั่งลง, ปรับกระจก, เสียบกุญแจ และบิดลูกกุญแจโดยการทำงานเหล่านี้เป็นลำดับของการกระทำซึ่งสามารถทำให้สตาร์ทรถยนต์ได้ เราจะถือว่าจะเป็น “ตัวกระทำทางมาโคร” เข้าไปในรถ สตาร์ทรถ ขับรถไปยังไปรษณีย์ (ตามเส้นทาง)

19. การเรียนรู้ด้วยการทำงานของมาโครการเรียนรู้ด้วยการทำงานของมาโคร • ได้มีการเริ่มการใช้งานตัวกระทำทางมาโครครั้งแรกในระบบแก้ไขปัญหา STRIPS • โดยในโปรแกรม STRIPS จะมีการแก้ไขปัญหาในแต่ละส่วนแล้วก็จะมีการคำนวณแผนและเก็บวิธีการแก้ปัญหาเอาไว้เป็นตัวกระทำทางมาโคร (หรือที่เรียกว่า MACROP) • โดย MACROP นั้นเป็นเหมือนกับตัวกระทำการทั่ว ๆ ไป แต่จะต่างกันตรงที่ MACROP นั้นจะมีลำดับของการกระทำเป็นขั้นตอน

20. ปัญหาทางด้านประโยชน์การใช้งานปัญหาทางด้านประโยชน์การใช้งาน • ปัญหานี้มีผลลัพธ์มาจากระบบการเรียนรู้โดยอาศัยพื้นฐานทางด้านการอธิบายความ โดยใช้ในวิธีการเพื่อที่จะตัดสินใจความมีประโยชน์ของกฎการเรียนรู้ซึ่งไม่สามารถเกิดขึ้นจริงได้ • โดยในกรณีนี้ ระบบที่มีอยู่ในปัจจุบันไม่สามารถที่จะพัฒนากฎในการเรียนรู้ได้เหมือนกับที่ EBL สามารถที่จะประยุกต์ใช้ได้ • เนื่องจากกฎดังกล่าวจำต้องทำให้เรียนรู้บ่อย แต่การเรียนรู้ดังกล่าวอาจจะส่งผลให้การทำงานของระบบช้าลงได้

21. ปัญหาทางด้านประโยชน์การใช้งานปัญหาทางด้านประโยชน์การใช้งาน • ซึ่ง Carbonell, et al.(1991) ได้ระบุถึงปัจจัยสามอย่างที่เกี่ยวของกับปัญหาด้านประโยชน์การใช้งานดังต่อไปนี้ • ความถี่ในการใช้งานโปรแกรม - ซึ่งกฎดังกล่าวนั้นอาจจะเกิดจากที่ระบุเอาไว้ซึ่งทำให้เกิดการใช้งานได้ไม่บ่อยจนสามารถที่จะทำให้เกิดประโยชน์ได้ • ต้นทุนในการหาวิธีการที่ตรงกันอย่างแม่นยำ – ซึ่งความต้องการเหล่านี้ โดยเฉพาะส่วนที่เสนอลำดับการทำงานที่มีขั้นตอนมาก ๆ อาจจะทำให้เกิดค่าใช้จ่ายในการเข้าถึงการกระทำดังกล่าวได้ที่แพงจนเกินไป • มีประโยชน์ต่ำ - เนื่องจากกฎเหล่านี้อาจจะไม่ก่อให้เกิดประโยชน์ส่วนเพิ่มในส่วนของการทำงานในการแก้ไขปัญหาได้

22. การเรียนรู้โดยการวิเคราะห์ความแตกต่างการเรียนรู้โดยการวิเคราะห์ความแตกต่าง • การเรียนรู้โดยการวิเคราะห์ความแตกต่าง ถูกพัฒนาโดย Winston ในปีคศ.1975 • ตัวอย่างสอน (training example) • ตัวอย่างบวก (positive example) • ตัวอย่าลบ (negative example)

23. Winston’s learning Program

24. Winston’s learning Program • คำอธิบายเริ่มต้น • คำอธิบายของตัวอย่างตัวที่สอง

25. Winston’s learning Program • โมเดลระหว่างวิวัฒนาการ • คำอธิบายของตัวอย่างที่สาม

26. Winston’s learning Program • โมเดลหลังรับตัวอย่างที่สาม

27. Winston’s learning Program • คำอธิบายของตัวอย่างบวกที่สี่

28. Winston’s learning Program(Algorithm)

29. การเรียนรู้ต้นไม้ตัดสินใจ (decision tree learning) • เป็นการเรียนรู้ที่ใช้การแทนความรู้อยู่ในรูปของต้นไม้ตัดสินใจ ใช้สำหรับจำแนกประเภทของตัวอย่าง • วิธีการเรียนรู้คล้ายกับการเรียนรู้เวอร์ชันสเปซโดยเริ่มจากการป้อนตัวอย่างเข้าไปในระบบ ซึ่งตัวอย่างที่ป้อนให้เป็นตัวอย่างบวกกับตัวอย่างลบก็ได้และนอกจากนั้นเรายังสามารถป้อนตัวอย่างที่มากกว่า 2ประเภท (class)

30. การเรียนรู้ต้นไม้ตัดสินใจ (decision tree learning) • ปัญหาการผึ่งแดด • เราไปเที่ยวที่ชายทะเลและพบว่าคนที่ไปผึ่งแดดตามชายทะเล บางคนก็จะมีผิวเปลี่ยนเป็นสีแทน แต่บางคนต้องได้รับความทรมานจากผิวไหม้ เราต้องการหาว่าอะไรคือปัจจัยที่ทำให้คนที่ไปผึ่งแดดตามายทะเลแล้วผิวไหม้หรือไม่ไหม้ โดยข้อมูลที่สังเกตได้ประกอบด้วยความแตกต่างของสีผม น้ำหนัก ส่วนสูงของผู้ที่ไปผึ่งแดด และการใช้โลชัน ซึ่งบางคนก็ใช้โลชัน บางคนก็ไม่ใช้

31. การเรียนรู้ต้นไม้ตัดสินใจ (decision tree learning) • การเรียนรู้ต้นไม้ตัดสินใจจะทำการวางนัยทั่วไปของข้อมูลโดยสร้างเป็นโมเดลอยู่ในรูปต้นไม้ตัดสินใจ

32. การเรียนรู้ต้นไม้ตัดสินใจ (decision tree learning) • ต้นไม้ตัดสินใจประกอบด้วย • บัพ (node) • กิ่ง (link) ที่ต่อกับบัพ • บัพที่ปลายสุดเรียกว่าบัพใบ (leaf node) หรือเรียกย่อๆว่าใบ • บัพแสดงคุณสมบัติและกิ่งแสดงค่าของคุณสมบัตินั้น • ใบ(leaf) แสดงประเภท

33. การเรียนรู้ต้นไม้ตัดสินใจ (decision tree learning) • การสร้างต้นไม้ตัดสินใจทำโดยสร้างบัพทีละบัพเพื่อตรวจสอบคุณสมบัติของตัวอย่าง แล้วแยกตัวอย่างลงตามค่าของกิ่ง ทำจนกระทั่งตัวอย่างในใบแต่ละใบอยู่ในประเภทเดียวกันทั้งหมด

34. การเรียนรู้ต้นไม้ตัดสินใจ (decision tree learning) • สมมติว่าเราเลือกคุณสมบัติ hair color เป็นบัพแรกหรือบัพรากขอต้นไม้ เราจะแยกตัวอย่างลงตามกิ่งของบัพ hair color ตัวอย่างใดที่มีค่าของ hair color เป็น blonde ก็แยกลงตามกิ่งซ้าย ถ้าเป็น red ก็แยกลงตามกิ่งกลาง และถ้าเป็น brown ก็แยกลงตามกิ่งขวา • เครื่องหมาย+ และ- แสดงประเภท sunburned และ node

35. การเรียนรู้ต้นไม้ตัดสินใจ (decision tree learning) • ในกรณีที่ hair color เป็น blonde ยังแยกตัวอย่างไม่ได้ กล่าวคือมีตัวอย่างที่เป็นทั้ง sunburned และ none ปะปนกันอยู่ • เราต้องการคุณสมบัติอื่นๆเข้าช่วยจำแนกประเภทตัวอย่างต่อไป ที่จุดนี้สมมติว่าเราใช้คุณสมบัติ lotion เพื่อแยกข้อมูลในกิ่งของ blonde ต่อไป

36. Version Space • Goal: การเรียนรู้คำที่อธิบายถึงตัวอย่างบวก และไม่อธิบายถึงตัวอย่างลบใน training set • เราจะใช้ version space อธิบายถึง conceptที่เป็น frame representation ในรูปของ slot และค่าของ slot โดยที่ slot จะแทนค่าของคุณสมบัติของ concept นั้นๆ และค่าของ slot จะแทนค่าที่เป็นไปได้ของคุณสมบัตินั้นๆ

37. Concept Car

38. Japanese Economy Concept Car โดยที่ค่า x1,x2,x3 เป็นตัวแปรสามารถถูกแทนด้วยค่าคงที่ใดๆ

39. Version Space • ปัญหาการเรียนรู้ที่เราสนใจคือ :กำหนดค่าที่เป็นไปได้ของ slot ตัวอย่างบวก และ ตัวอย่างลบให้แล้วจงหาคำอธิบาย concept ที่สอดคล้องกับตัวอย่าง ( อธิบายตัวอย่างบวกและไม่อธิบายตัวอย่างลบ ) • โดยที่วิธีการเรียนรู้แบบ version space จะมองว่าการเรียนรู้คือการค้นหาใน concept space ซึ่งมีสมาชิกแต่ละตัวถูกแทนที่อยู่ในรูปของ frame

40. Note :สมาชิกตัวที่มีนัยทั่วไปกว่า จะอยู่ด้านบนของสมาชิกตัวที่จำเพาะกว่า

41. Version Space • วิธีการเรียนรู้ version space คือการสร้างเซตย่อยประกอบด้วยสมมติฐานที่อยู่ใน concept space ที่สอดคล้องกับตัวอย่างสอนและเรียนเซตย่อยนี้ว่า version space • โดยใช้เซตย่อย 2 เซตเรียกว่า • เซต G ประกอบด้วยคำอธิบายมีนัยทั่วไปสุดที่ยังสอดคล้องกับตัวอย่างที่เคยพบมาทั้งหมด • เซต S ประกอบด้วยคำอธิบายจำเพาะจุดที่ยังสอดคล้องกับตัวอย่างที่เคยพบมาทั้งหมด

42. Version Space

43. Version Space • หลักการของ versionspace ทุกครั้งที่เราได้รับตัวอย่างบวกตัวใหม่เราจะทำให้ S มีนัย ทั่วไป(general) มากขึ้นและทุกครั้งที่ได้รับตัวอย่างลบเราจะทำให้ G จำเพาะ (specific) มากขึ้น จนในที่สุด S และ G ลู่เข้าสู่ค่าเดียวที่เป็น คำอธิบาย target concept space

44. Version Space Algorithm : Candidate Elimination 1. G := {most general description} 2. S:= {first positive example} 3. Accept a new example E • IF E is positive THEN • Remove from G any descriptions that do not cover the example • Update S to contain the most specific set of descriptions in the version space that cover the example and the current elements of S • ELSE IF E is negative THEN • Remove from S any descriptions that cover the example • Update G to contain the most general set of descriptions in the version space that do not cover the example. 4. IFSandG are both singleton sets and S=GTHEN • Output the element • ELSE IFS and G are both singleton sets and S<>G THEN • examples were inconsistent • ELSE goto 3.

45. ตัวอย่าง Concept Car • กำหนดเซตตัวอย่างสอนที่ประกอบด้วยตัวอย่างบวกและตัวอย่างลบ จะสามารถเรียนรู้ตาม algorithm ได้ดังนี้

46. ตัวอย่าง Concept Car • จากตัวอย่างบวก 3 ตัว และ ตัวอย่างลบ 2 ตัว เราจะเริ่มด้วยการสร้าง G และ S ตามตัวอย่างแรก จะได้ว่า G ={(x1,x2,x3,x4,x5)} S = {(Japan,Honda,Blue,1980,Economy)} โดยที่ (x1,x2,x3,x4,x5) เป็นค่าของ slot ที่ 1, 2, 3, 4 ตามลำดับ • ตัวอย่างที่ 2 เป็นตัวอย่างลบ ดังนั้นเราทำการแจงจำเพาะของ G เพื่อไม่ให้ version space อธิบายหรือคลุม (cover) ตัวอย่างลบนี้โดยการเปลี่ยนตัวแปรให้เป็นค่าคงที่ G = {(x1,Honda,x3,x4,x5), (x1,x2,Blue,x4,x5), (x1,x2,x3,1980,x5), (x1,x2,x3,x4,Economy)} S = {(Japan,Honda,Blue,1980,Economy)}

47. ตัวอย่าง Concept Car • ตัวอย่างที่ 3 เป็นบวก = (Japan,Toyota,Blue,1980,Economy) เรากำจัดคำอธิบายใน G ที่ไม่สอดคล้องกับตัวอย่างนี้ G={(x1,x2,Blue,x4,x5),(x1,x2,x3,x4,Economy)} และทำการวางนัยทั่วไปของ S ให้รวมตัวอย่งนี้ S={(Japan,x2,Blue,x4,Economy) ที่จุดนี้เราได้ versionspace ที่แสดง “Japanese blue economy”, “blue car” หรือ Economy car • ตัวอย่างที่ 4 เป็นลบ = (USA,Chryster,Red,1980,Economy) G={(x1,x2,Blue,x4,x5),(x1,x2,Blue,x4,Economy),(Japan,x2,x3,x4,Economy)} S={(Japan,x2,Blue,x4,Economy)

48. ตัวอย่าง Concept Car • ตัวอย่างที่ 5 เป็นบวก = {(Japan,Honda,White,1980,Econonmy) G={(Japan,x2,x3,x4,Economy) S={(Japan,x2,x3,x4,Economy) และที่จุดนี้ได้คำตอบคือ S=G แสดง Japanese Economy Car

49. Version Space • ข้อจำกัดของ version space • Algorithm เรียนรู้นี้เป็นแบบทำน้อยสุด (least-commitment algorithm) • algorithm มีประสิทธิภาพต่ำในกรณีที่ space ใหญ่มากๆเพราะ กระบวนการค้นหาเป็นการค้นหาแนวกว้างแบบทั้งหมด (exhaustive breadth-first search) • ไม่สามารถเรียนรู้ concept แบบหรือ (disjunctive concept) ซึ่งเป็น concept ที่อยู่ในรูปของ or เช่น “Japanese economy car or Japanese sport car” • ไม่สามารถจัดการกับตัวอย่างที่มีสัญญาณรบกวน (noisy example)

50. Explanation-based learning เป็นการเรียนรู้ที่สามารถเรียนรู้ลักษณะทางด้านบวกได้อย่างเดียวโดยไม่สนใจตัวอย่างทางด้านลบและจำนวนตัวอย่างด้านบวกเพียงตัวอย่างเดียวสามารถเรียนรู้ได้โดยการเรียนรู้ว่าการเรียนรู้สามารถเรียนรู้ได้โดยการให้ความรู้พื้นฐานของโดเมนที่เกี่ยวข้อง จากนั้นจะให้ตัวอย่างบวกที่เป็นแนวคิดเชิงทัศน์ที่จะสอน