AWS AI Practitioner· ~5 นาที· อัปเดตล่าสุด
อัลกอริทึมพื้นฐานที่มักออกสอบ
K-Means, k-NN, Logistic Regression, Decision Trees และ DeepAR
อัลกอริทึมที่ควรคุ้นชื่อ
ในข้อสอบมักจะถามว่าถ้าต้องการแก้ปัญหาแบบนี้ ควรใช้อัลกอริทึมไหน
- K-Means: ใช้จัดกลุ่มข้อมูลที่ไม่มี Label (Unsupervised) เช่น แบ่งกลุ่มลูกค้าตามพฤติกรรมซื้อของ (Clustering)
- k-NN (k-Nearest Neighbors): หาคำตอบโดยดูจากเพื่อนบ้านที่ใกล้ที่สุด ใช้สำหรับแยกประเภท (Classification)
- Logistic Regression: ใช้ทำนายความน่าจะเป็นว่าผลลัพธ์จะตกอยู่ในหมวดไหน (มักใช้กับโจทย์ที่มี 2 คำตอบ เช่น เป็นโรค/ไม่เป็นโรค)
- Decision Trees (ต้นไม้ตัดสินใจ): ข้อดีที่สำคัญที่สุดที่มักออกสอบคือ "ความสามารถในการอธิบาย (High Interpretability)" เพราะเรากางดูได้เลยว่ามันใช้เงื่อนไขอะไรตัดสินใจ
- DeepAR: เป็นอัลกอริทึมเฉพาะของ AWS ใช้สำหรับพยากรณ์สิ่งที่จะเกิดขึ้นในอนาคตตามช่วงเวลา (Time Series) เช่น พยากรณ์ยอดขาย
สรุป Key Takeaways
- K-Means: ใช้จัดกลุ่ม (Clustering) เป็น Unsupervised Learning
- k-NN: ใช้แยกประเภท (Classification) อิงจากเพื่อนบ้านที่ใกล้ที่สุด
- Logistic Regression: ใช้ทำนายผลลัพธ์แบบใช่/ไม่ใช่ (Binary Classification)
- Decision Trees: ใช้ตัดสินใจแบบเป็นขั้นเป็นตอน มีข้อดีคืออธิบายได้ง่าย (High Interpretability)
- DeepAR: ใช้พยากรณ์ข้อมูลอนุกรมเวลา (Time Series Forecasting)
คำถามที่พบบ่อย
ต้องจำสูตรอัลกอริทึมไหมสำหรับ AIF-C01
ไม่ต้อง — AIF เป็นข้อสอบระดับ practitioner วัดแค่ "จับคู่ปัญหากับประเภทอัลกอริทึม" เช่น linear regression = ทำนายตัวเลข, XGBoost = ตารางข้อมูล, CNN = รูปภาพ, RNN/Transformer = ลำดับ/ข้อความ ไม่มีคณิตศาสตร์ในข้อสอบ
Neural network เหมาะกับงานแบบไหน แล้วแบบไหนไม่จำเป็น
เหมาะกับข้อมูล unstructured (ภาพ เสียง ข้อความ) ที่ feature ซับซ้อน ส่วนข้อมูลตาราง (structured) ขนาดกลางๆ อัลกอริทึมดั้งเดิมอย่าง gradient boosting มักดีพอและถูกกว่า — ข้อสอบชอบวัดว่ารู้จักเลือกของพอดีงาน
ลองทำ Quiz ท้ายบท
คำถามแนวข้อสอบของโมดูลนี้ 2 ข้อ · เฉลยทันที
อ่านจบแล้วอย่าลืมทำเครื่องหมาย