Neural Networks คือ?

เป็นแนวคิดที่เทียบเคียงกันระหว่างโครงสร้างข้อมูล กับการเรียนรู้ของระบบประสาทในสมอง

สมองมนุษย์มีเซลล์ประสาทจำนวนมาก ที่รับสัญญาณกระตุ้นแล้วตัดสินใจส่งสัญญาณแปรผลออกไป คล้ายๆ กับมามองดูว่าลักษณะเชิงประชากรศาสตร์ของลูกค้าเป็นแบบใด ก็จะมี model มาตัดสินใจให้ทราบว่า สินค้าที่ต้องการซื้อคืออะไร....

ข้อดี

• การทำนายให้ผลแม่นยำกว่าวิธีทั่วไป
• Model ที่ได้ยังคงใช้ได้ดี แม้ว่าข้อมูลที่ใช้มี error อยู่ด้วย
• ผลลัพธ์ที่ต้องการเป็นได้ทั้ง ค่าต่อเนื่องหรือค่าไม่ต่อเนื่องก็ได้
• การหาผลลัพธ์ทำได้รวดเร็ว หลังจากผ่านกรรมวิธีการเรียนรู้แล้ว

ข้อเสีย

• ใช้เวลา training นาน (หาค่าถ่วงน้ำหนักที่ดีที่สุดในการเรียนรู้)
• ยากที่จะทำความเข้าใจเกี่ยวกับการเลือกพารามิเตอร์ที่เหมาะสม (best topology)
• ยากที่จะทำความเข้าใจเกี่ยวกับ learned function

Classification คือ?

วัตถุประสงค์ของ classification คือการสร้างโมเดล เพื่อสรุปข้อมูล และข้อค้นพบที่ได้มักเป็นข้อมูลที่ไม่เคยเห็นมาก่อน

Classification เป็นการเรียนรู้แบบ supervised

• นอกจาก decision tree แล้วยังมี neural networks ; logistic regression : support vector machines เป็นประเภทเดียวกัน
• สิ่งที่ได้ของ decision tree คือ flow-chart
• มี node จุดยอดภายใน แทนลักษณะประจำที่ไม่ใช่ class
• มีกิ่งก้านแทนผลลัพธ์ของการทดสอบ
• และใบแทน class labels หรือ class distribution

ข้อสรุปของ Classification

• เป็นวิธีการแยกข้อมูลออกเป็นกลุ่มตามลักษณะประจำเป้าหมาย หรือ class โดยมากใช้กับลักษณะประจำที่มีค่าไม่ต่อเนื่อง
• ผลลัพธ์ที่ได้คือ ตัวแบบ classifier เพื่อนำไปใช้แยกประเภทของระเบียนข้อมูล ที่ไม่ทราบ class

Association Rule คือ?

การทำเหมืองข้อมูลแบบกฎเชื่อมโยง คือ การหารูปแบบที่เกิดบ่อย (frequent pattern) ความเชื่อมโยงที่เกิดขึ้น (association) หรือสหสัมพันธ์ (correlation) ของกลุ่ม item จากข้อมูลที่อยู่ในรูป transaction

นำไปใช้กับ

การวิเคราะห์ตะกร้าการซื้อ (Market basket analysis) การทำตลาดข้ามสายผลิตภัณฑ์ (cross-marketing) การวางรูปแบบและออกแบบ catalog การทำรายการส่งเสริมการขาย การวางแผนผังภายในร้าน เป็นต้น

คำถามของนักการตลาดในเรื่อง Association Rule.

• ผู้ซื้อปฏิเสธหรือยอมรับการพยายามขายสินค้าต่างลักษณะหรือไม่?
• สินค้าใดที่ปรากฎร่วมกันบ่อยในหนึ่งใบเสร็จ?
• สินค้าใดที่ปรากฎร่วมกันบ่อยในกลุ่มสินค้าที่กำหนด?
• อะไรคือสินค้าที่พบว่าถูกขายบ่อยให้กับลูกค้าที่มารับบริการซ้ำๆ ?
• ลักษณะการขายของสินค้ามีการเปลี่ยนไปตามเวลาหรือไม่?
• ลักษณะการขายของสินค้ามีการเปลี่ยนไปตามที่อยู่ของลูกค้าหรือไม่ อย่างไร?

สรุป Associate rule

• Associate rule คือจุดเริ่มต้นการเกิดขึ้นของ data mining algorithm!
• ปรากฎในหมู่ของนักวิจัย KDD และมีการนำเสนองานส่วนนี้จำนวนมากที่สุด
• มีประโยชน์ในการหาความเชื่อมโยง บอกพฤติกรรมที่มีค่า ในฐานข้อมูลลูกค้าขนาดใหญ่
• ปกติใช้กับฐานข้อมูลเชิงสัมพันธ์ที่บันทึกเป็น Transaction โดยที่แต่ละระเบียนคือการซื้อสินค้าในหนึ่งครั้ง
• ผลลัพธ์ที่ได้คือกฎ กฎแสดงความสัมพันธ์ของการซื้อสินค้าต่างชนิดกันโดยไม่ขึ้นกับลูกค้าคนใดคนหนึ่ง

Clustering คือ?

โลกของเรามักจะแบ่งกลุ่มไว้ในธรรมชาติ อยู่ที่เราจะมองออกหรือไม่?

ถ้ามองไม่ออกเราก็สามารถใช้โปรแกรมด้าน Data mining เข้าช่วย

Cluster : คือการหาวิธีการแบ่งข้อมูลออกเป็นกลุ่มตามลักษณะประจำที่มีของแต่ละระเบียน โดยไม่มีลักษณะกลุ่ม แต่ใช้ระยะในการบ่งบอกความคล้ายและความแตกต่างของระเบียน

สามารถนำมาประยุกต์ใช้ในวงการต่างๆ ได้มากมาย

สามารถนำมาประยุกต์ใช้ในวงการต่างๆ ได้มากมาย

ในโลกความเป็นจริงเรานิยามแบ่งกลุ่มคนเป็น {คนชั่ว-คนดี} {คนรวย-คนจน}

ในทางธุรกิจเราแบ่งกลุ่มลูกค้าเป็น {คนที่ซื้อ-คนที่ไม่ซื้อ} {พึงพอใจ-ไม่พึงพอใจ}

อื่น ๆ เช่น {เครดิตดี-เครดิตแย่} {โกง-ไม่โกง} {เลือกพรรค ก.-เลือกพรรค ข.} เป็นต้น

ตัวอย่างการประยุกต์ใช้ เช่น

ด้านการตลาด : clustering สามารถช่วยนักการตลาดค้นพบกลุ่มของลูกค้าใหม่ๆ แล้วนำความรู้นี้ไปพัฒนาสินค้ามาตอบสนองให้ตรงตามกลุ่ม อาจจะมองในแง่ของการบริหาร คือ จัดหน่วยงานขึ้นมาบริการกลุ่มลูกค้าแต่ละกลุ่ม ได้อย่างโดนใจก็ได้

ด้านประกันภัย : clustering ช่วยระบุกลุ่มของผู้ถือกรมธรรม์ที่มีความเสี่ยงสูง หรือกลุ่มที่มีการเคลมประกันบ่อย (เอาไว้ออกกฎเกณฑ์หรือแนวปฏิบัติ)

ด้านการวางผังเมือง : clustering ช่วยระบุกลุ่มของที่อยู่อาศัย ที่แบ่งตามลักษณะของบ้าน ,ราคา และที่ตั้งทางภูมิศาสตร์

ด้านวิทยาศาสตร์ : clustering ช่วยให้นักวิทยาศาสตร์จัดกลุ่มของดอกไม้ ,ต้นไม้ สัตว์ โปรตีน ดีเอ็นเอ ตามลักษณะประจำของแต่ละระเบียนได้

ตัวอย่างการใช้งานใน Weka เช่น