เทคนิคของ ML แบบ Generative

สำหรับประเภทการเรียนรู้ของ Machine Learning นั้นคงเริ่มเป็นที่ทราบกันดีแล้วว่ามี 3 รูปแบบใหญ่ ๆ คือ Supervised Learning, Unsupervised Learning, และ Reinforcement Learning โดยสามารถอ่านรายละเอียดเพิ่มเติมได้ที่นี่ [1] 
[2] แต่ในบทความนี้จะพามารู้จักกับประเภทเทคนิคของ ML ที่ถูกใช้เพื่อให้เกิดการเรียนรู้ โดยแบบแรกคือ Generative Models จะเริ่มต้นเรียนรู้จากความน่าจะเป็นของการกระจายตัวของข้อมูลก่อนว่าข้อมูลมีลักษณะเป็นอย่างไรบ้างโดยใช้
Joint Proability Distribution และเมื่อเข้าใจว่าข้อมูลกระจายตัวอย่างไรแล้วจึงทำการทำนาย Posterior Proability โดยใช้กฎของ Bayes มาคำนวณ

คุณสมบัติสำคัญของการเรียนรู้แบบ Generative คือ

• เรียนรู้การที่จะสร้างข้อมูล และสามารถที่จะสร้างตัวอย่างของข้อมูลขึ้นมาใหม่ได้
• เรียนรู้โดยใช้ Joint Probability Distribution P(Y), P(X|Y)
• สร้าง Decision Boubdary เพื่อจำแนกประเภทของข้อมูล (แต่ต่างกันกับ Discriminative ตรงที่หลักความน่าจะเป็นที่ใช้)

ตัวอย่างโมเดล Generative Classifier

• Naive Bayes
• Bayesian Networks
• Markov random fields
• Hidden Markov Models (HMM)

ข้อดี

• เหมาะกับการเรียนรู้แบบ Unsupervised Learning
• สามารถทำความเข้าใจเบื้องต้นได้ว่าข้อมูลบนคลาสนั้น ๆ ถูกสร้างอย่างไร

ข้อเสีย

• จำเป็นต้องใช้ข้อมูลมากและทำให้ต้นทุนในการเรียนรู้และคำนวณสูงตามไปด้วย