แนวโน้มการเลือกแผนการศึกษาต่อโดยใช้การเรียนรู้ของเครื่อง ด้วยการเปรียบเทียบ ผลระหว่าง ARTIFICIAL NEURAL NETWORK และ SUPPORT VECTOR MACHINE
คำสำคัญ:
Machine Learning, Artificial Neural Network, Support Vector Machineบทคัดย่อ
รายงานการวิจัยฉบับนี้เป็นการหาแนวโน้มการเลือกแผนการศึกษาต่อระดับมัธยมศึกษาตอนปลาย ระหว่างโปรแกรมเน้นความสามารถทางวิทยาศาสตร์และคณิตศาสตร์ กับโปรแกรมเน้นความสามารถทางภาษา โดยใช้การเรียนรู้ของเครื่องมาช่วยวิเคราะห์ข้อมูลแบบ Supervised Learning เปรียบเทียบ 2 เทคนิคได้แก่ เทคนิค Artificial Neural Network และเทคนิค Support Vector Machine ด้วยจำนวนชุดข้อมูลตัวอย่าง 908 ชุด วัตถุประสงค์การวิจัย 1)เพื่อสร้างแบบจำลองการวิเคราะห์แนวโน้มการเลือกแผนการศึกษาต่อระหว่างโปรแกรมเน้นความสามารถทางวิทยาศาสตร์และคณิตศาสตร์กับโปรแกรมเน้นความสามารถทางภาษา 2) เพื่อเปรียบเทียบประสิทธิภาพแบบจำลองการเลือกแผนการศึกษาต่อระหว่าง เทคนิค Artificial Neural Network และเทคนิค Support Vector Machine พบว่า เมื่อนำข้อมูลมาสร้างแบบจำลองหาร้อยละค่าความถูกต้อง (accuracy) โดยการแบ่งข้อมูลชุดเรียนรู้ (training set) ร้อยละ 80 และข้อมูลชุดทดสอบ (testing set) ร้อยละ 20 การวิเคราะห์ค่าความถูกต้อง (accuracy) พบว่า 1)เทคนิค Artificial Neural Network มีค่าความถูกต้องที่ร้อยละ 80 2)เทคนิค Support Vector Machine มีค่าความถูกต้องที่ร้อยละ 85
เอกสารอ้างอิง
นนท์ บุญนิธิประเสริฐ และ ชัยพร เขมะภาตะพันธ์. (2552). การกรองข้อความภาษาไทยและภาษาอังกฤษของบริการส่งข้อความสั้นบนเครือข่ายโทรศัพท์เคลื่อนที่. Proceeding of The 7th National. Conference on Computing and Information Technology (NCCIT2009), Bangkok, หน้า 34-39.
โรงเรียนสาธิต “พิบูลบำเพ็ญ” มหาวิทยาลัยบูรพา. (2566). หลักสูตรของโรงเรียน. เข้าถึงได้จาก
http://www.st.buu.ac.th/html/index.php/th/abouts-th/course
Adcock, J.C. Allen, E. Day, M. Frick, S. Hinchliff, J. Johnson, M. Morley-Short, S. Pallister, S. Price, A.B. & Stanisic, S. (2015). Advances in quantum machine learning. Retrieved from
https://www.researchgate.net/publication/286513346
Aly, W. M., Hegazy. O. F., & Rashad, H. M. N. (2013). Automated student advisory using Machine Learning. International Journal of Computer Applications, 8(19), p.p 19-24.
Chapman, P. Clinton, J. Kerber, R. Khabaza, T. Reinartz, T. Shearer, C. and Wirth, R. (2000). CRISP-DM 1.0 Step-by-step data mining guide. SPSS Inc.
Drake, Guido Van Rossum Fred L. (2003). An introduction to Python. Network Theory Limited.
Géron, A. (2017). Hands-on machine learning with Scikit-Learn and TensorFlow. CA. O'Reilly Media.
Han, J. and Kamber, M. (2001). Data mining concepts and techniques. The Morgan Kaufmann Publishers.
Jaroenpuntaruk, V. Wichadakul, D. (2015). Utilizing data mining techniques to forecast student academic achievement of Kasetsart University Laboratory School Kamphaeng Saen Campus Educational Research and Development Center. Veridian E-J Sci Technol Silpakorn Univ. 2(2), pp. 1–17.
Joyce, J. (2003). Bayes’ theorem. Retrieved from https://plato.stanford.edu/archives/spr2019/entries/bayes-theorem/
Mitchell, T.M. (1997). Machine learning. McGraw-hill.
Pedregosa, F. Varoquaux, G. Gramfort, A. Michel, V. Thirion, B. Grisel, O. Blondel, M. Prettenhofer, P. Weiss, R. Dubourg, V. Vanderplas, J. Passos, A. Cournapeau, D. Brucher, M. Perrot, M. & Duchesnay, É. Scikit-learn. (2011). Machine learning in Python. Journal of Machine Learning Research. 12(85), p.p. 28252830.
Pupale, R. (2018). Support Vector Machines (SVM) – An Overview. Retrieved from https://towardsdatascience.com/https-medium-com-pupalerushikesh-svm-f4b42800e989
Witten, I. H. and Frank, E. (2005). Data mining: Practical machine learning tools and techniques. The Morgan Kaufmann Publishers.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2023 ภาควิชาบัณฑิตศึกษานานาชาติการพัฒนาทรัพยากรมนุษย์ คณะศึกษาศาสตร์ มหาวิทยาลัยบูรพา
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Copyright@HRD Journal, Burapha University
