AI และ Machine Learning คืออะไร — คู่มือฉบับสมบูรณ์ 2026
AI (Artificial Intelligence) หรือปัญญาประดิษฐ์ คือศาสตร์ที่ทำให้คอมพิวเตอร์สามารถคิด เรียนรู้ และตัดสินใจได้คล้ายมนุษย์ Machine Learning (ML) เป็นสาขาย่อยของ AI ที่ใช้ข้อมูลและอัลกอริทึมในการเรียนรู้รูปแบบโดยไม่ต้อง program กฎเกณฑ์ทุกอย่างเอง Deep Learning เป็นส่วนย่อยของ ML ที่ใช้ neural networks หลายชั้นสำหรับงานซับซ้อน เช่น image recognition, NLP และ generative AI บทความนี้อธิบายพื้นฐาน AI/ML ครบถ้วน พร้อมตัวอย่าง Python code สำหรับเริ่มต้น
AI, ML, Deep Learning — ความแตกต่าง
# ai_ml_dl.py — AI vs ML vs Deep Learning
import json
class AIMLComparison:
HIERARCHY = {
"ai": {
"name": "Artificial Intelligence (AI)",
"definition": "ระบบที่แสดงพฤติกรรมอัจฉริยะ — คิด เรียนรู้ ตัดสินใจ",
"scope": "กว้างที่สุด — ครอบคลุม ML, DL, expert systems, robotics",
"examples": ["ChatGPT", "Self-driving cars", "Siri/Alexa", "AlphaGo"],
},
"ml": {
"name": "Machine Learning (ML)",
"definition": "ระบบที่เรียนรู้จากข้อมูล — หา patterns โดยไม่ต้อง hard-code rules",
"scope": "สาขาย่อยของ AI — ใช้ algorithms เรียนรู้จาก data",
"examples": ["Spam filter", "Recommendation systems", "Fraud detection", "Price prediction"],
},
"dl": {
"name": "Deep Learning (DL)",
"definition": "ML ที่ใช้ Neural Networks หลายชั้น — เลียนแบบสมองมนุษย์",
"scope": "สาขาย่อยของ ML — เหมาะกับ unstructured data (image, text, audio)",
"examples": ["Image recognition", "ChatGPT/LLM", "Voice synthesis", "Art generation"],
},
}
ML_TYPES = {
"supervised": {
"name": "Supervised Learning (เรียนรู้แบบมีผู้สอน)",
"description": "มี input + label (คำตอบ) — model เรียนรู้ mapping input → output",
"algorithms": ["Linear Regression", "Logistic Regression", "Decision Tree", "Random Forest", "SVM", "Neural Networks"],
"use_cases": "ทำนายราคาบ้าน, จำแนก spam/ham, วินิจฉัยโรค",
},
"unsupervised": {
"name": "Unsupervised Learning (เรียนรู้แบบไม่มีผู้สอน)",
"description": "มีแค่ input ไม่มี label — model หา patterns/clusters เอง",
"algorithms": ["K-Means", "DBSCAN", "PCA", "Autoencoders"],
"use_cases": "Customer segmentation, anomaly detection, dimensionality reduction",
},
"reinforcement": {
"name": "Reinforcement Learning (เรียนรู้แบบเสริมแรง)",
"description": "Agent เรียนรู้จาก reward/punishment — trial and error",
"algorithms": ["Q-Learning", "DQN", "PPO", "A3C"],
"use_cases": "เกม (AlphaGo), หุ่นยนต์, self-driving cars, trading bots",
},
}
def show_hierarchy(self):
print("=== AI > ML > Deep Learning ===\n")
for key, item in self.HIERARCHY.items():
print(f"[{item['name']}]")
print(f" {item['definition']}")
print(f" Examples: {', '.join(item['examples'][:3])}")
print()
def show_ml_types(self):
print("=== ML Types ===")
for key, ml in self.ML_TYPES.items():
print(f"\n [{ml['name']}]")
print(f" {ml['description']}")
print(f" Algorithms: {', '.join(ml['algorithms'][:4])}")
print(f" Use cases: {ml['use_cases']}")
comp = AIMLComparison()
comp.show_hierarchy()
comp.show_ml_types()Python ML เบื้องต้น
# ml_basics.py — Basic ML with Python
import json
class MLBasics:
CODE = """
# basic_ml.py — Machine Learning basics with scikit-learn
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, classification_report
# === 1. Load Data ===
# ตัวอย่าง: ทำนายว่าลูกค้าจะซื้อสินค้าหรือไม่
data = pd.DataFrame({
'age': [25, 30, 35, 40, 45, 50, 55, 60, 22, 28, 33, 38, 42, 48, 52],
'income': [30000, 45000, 55000, 65000, 75000, 85000, 90000, 70000, 25000, 40000, 50000, 60000, 70000, 80000, 95000],
'visits': [2, 5, 3, 8, 10, 12, 6, 4, 1, 3, 7, 9, 11, 8, 15],
'bought': [0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 1, 1, 1, 1, 1],
})
# === 2. Prepare Data ===
X = data[['age', 'income', 'visits']]
y = data['bought']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# Scale features
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)
# === 3. Train Model ===
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train_scaled, y_train)
# === 4. Evaluate ===
y_pred = model.predict(X_test_scaled)
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy:.2f}")
print(classification_report(y_test, y_pred))
# === 5. Predict New Data ===
new_customer = scaler.transform([[35, 55000, 6]])
prediction = model.predict(new_customer)
probability = model.predict_proba(new_customer)
print(f"Will buy: {'Yes' if prediction[0] == 1 else 'No'}")
print(f"Probability: {probability[0][1]:.2f}")
# === 6. Feature Importance ===
importances = dict(zip(X.columns, model.feature_importances_))
for feat, imp in sorted(importances.items(), key=lambda x: -x[1]):
print(f" {feat}: {imp:.3f}")
"""
def show_code(self):
print("=== Basic ML Code ===")
print(self.CODE[:600])
basics = MLBasics()
basics.show_code()Deep Learning with PyTorch
# deep_learning.py — Deep Learning basics
import json
class DeepLearningBasics:
CODE = """
# basic_dl.py — Simple Neural Network with PyTorch
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, TensorDataset
import numpy as np
# === Define Neural Network ===
class SimpleNN(nn.Module):
def __init__(self, input_size, hidden_size, output_size):
super(SimpleNN, self).__init__()
self.layer1 = nn.Linear(input_size, hidden_size)
self.relu = nn.ReLU()
self.dropout = nn.Dropout(0.2)
self.layer2 = nn.Linear(hidden_size, hidden_size // 2)
self.layer3 = nn.Linear(hidden_size // 2, output_size)
self.sigmoid = nn.Sigmoid()
def forward(self, x):
x = self.relu(self.layer1(x))
x = self.dropout(x)
x = self.relu(self.layer2(x))
x = self.sigmoid(self.layer3(x))
return x
# === Training ===
def train_model(model, train_loader, epochs=100, lr=0.001):
criterion = nn.BCELoss()
optimizer = optim.Adam(model.parameters(), lr=lr)
for epoch in range(epochs):
total_loss = 0
for X_batch, y_batch in train_loader:
optimizer.zero_grad()
outputs = model(X_batch)
loss = criterion(outputs.squeeze(), y_batch.float())
loss.backward()
optimizer.step()
total_loss += loss.item()
if (epoch + 1) % 20 == 0:
print(f"Epoch {epoch+1}/{epochs}, Loss: {total_loss/len(train_loader):.4f}")
# === Usage ===
# X_tensor = torch.FloatTensor(X_train_scaled)
# y_tensor = torch.FloatTensor(y_train.values)
# dataset = TensorDataset(X_tensor, y_tensor)
# loader = DataLoader(dataset, batch_size=8, shuffle=True)
# model = SimpleNN(input_size=3, hidden_size=32, output_size=1)
# train_model(model, loader, epochs=100)
"""
def show_code(self):
print("=== Deep Learning Code ===")
print(self.CODE[:600])
dl = DeepLearningBasics()
dl.show_code()AI/ML Applications ในชีวิตจริง
# applications.py — Real-world AI/ML applications
import json
class AIApplications:
APPS = {
"chatgpt": {
"name": "ChatGPT / LLMs",
"type": "Generative AI (NLP)",
"description": "AI ที่สนทนา ตอบคำถาม เขียนโค้ด แปลภาษา สรุปข้อมูล",
"tech": "Transformer architecture, GPT-4, fine-tuning, RLHF",
},
"image_recognition": {
"name": "Image Recognition",
"type": "Computer Vision (Deep Learning)",
"description": "จดจำใบหน้า ตรวจจับวัตถุ วินิจฉัยโรคจากภาพ X-ray",
"tech": "CNN (Convolutional Neural Network), YOLO, ResNet",
},
"recommendation": {
"name": "Recommendation Systems",
"type": "ML (Collaborative/Content Filtering)",
"description": "แนะนำสินค้า (Shopee), หนัง (Netflix), เพลง (Spotify)",
"tech": "Collaborative filtering, matrix factorization, deep learning",
},
"self_driving": {
"name": "Self-Driving Cars",
"type": "AI (CV + RL + Sensor Fusion)",
"description": "รถขับเองอัตโนมัติ — Tesla Autopilot, Waymo",
"tech": "Computer vision, LiDAR, reinforcement learning, sensor fusion",
},
"fraud_detection": {
"name": "Fraud Detection",
"type": "ML (Anomaly Detection)",
"description": "ตรวจจับธุรกรรมฉ้อโกง — banking, credit card, insurance",
"tech": "Random Forest, XGBoost, autoencoders, real-time streaming",
},
"healthcare": {
"name": "Healthcare AI",
"type": "Deep Learning (Medical Imaging)",
"description": "วินิจฉัยโรคจากภาพ CT/MRI, ค้นหายาใหม่, predict patient outcomes",
"tech": "CNN, transformer, federated learning, drug discovery models",
},
}
def show_apps(self):
print("=== AI/ML Applications ===\n")
for key, app in self.APPS.items():
print(f"[{app['name']}] ({app['type']})")
print(f" {app['description']}")
print(f" Tech: {app['tech']}")
print()
def thai_examples(self):
print("=== AI ในไทย ===")
examples = [
"SCB — AI fraud detection ตรวจจับธุรกรรมผิดปกติ",
"BDMS — AI วินิจฉัยโรคจากภาพ X-ray",
"LINE MAN — AI recommendation + dynamic pricing",
"Shopee Thailand — AI product recommendation + search",
"BOT — AI วิเคราะห์เศรษฐกิจ + NLP อ่านข่าว",
]
for ex in examples:
print(f" • {ex}")
apps = AIApplications()
apps.show_apps()
apps.thai_examples()เริ่มต้นเรียน AI/ML
# learning_path.py — AI/ML learning path
import json
class LearningPath:
PATH = {
"beginner": {
"name": "Level 1: พื้นฐาน (1-3 เดือน)",
"skills": ["Python programming", "NumPy, Pandas", "Statistics พื้นฐาน", "Data visualization (Matplotlib)"],
"resources": ["Codecademy Python", "Khan Academy Statistics", "Kaggle Learn"],
},
"intermediate": {
"name": "Level 2: ML Fundamentals (3-6 เดือน)",
"skills": ["scikit-learn", "Supervised/Unsupervised learning", "Model evaluation", "Feature engineering"],
"resources": ["Andrew Ng ML Course (Coursera)", "Hands-On ML Book", "Kaggle Competitions"],
},
"advanced": {
"name": "Level 3: Deep Learning (6-12 เดือน)",
"skills": ["PyTorch/TensorFlow", "CNN, RNN, Transformer", "NLP, Computer Vision", "MLOps basics"],
"resources": ["fast.ai", "Deep Learning Specialization (Coursera)", "Papers with Code"],
},
"expert": {
"name": "Level 4: Specialization (12+ เดือน)",
"skills": ["Research papers", "Custom architectures", "LLMs/GenAI", "Production ML systems"],
"resources": ["arXiv papers", "Open-source contributions", "Industry projects"],
},
}
TOOLS = {
"python": "Python — ภาษาหลักสำหรับ AI/ML",
"jupyter": "Jupyter Notebook — interactive coding + visualization",
"sklearn": "scikit-learn — ML library ง่ายที่สุด",
"pytorch": "PyTorch — Deep Learning framework (research + production)",
"tensorflow": "TensorFlow/Keras — Deep Learning framework (production)",
"huggingface": "Hugging Face — pre-trained models + NLP",
"kaggle": "Kaggle — datasets + competitions + learning",
}
def show_path(self):
print("=== Learning Path ===\n")
for key, level in self.PATH.items():
print(f"[{level['name']}]")
print(f" Skills: {', '.join(level['skills'][:3])}")
print(f" Resources: {', '.join(level['resources'][:2])}")
print()
def show_tools(self):
print("=== Essential Tools ===")
for key, desc in self.TOOLS.items():
print(f" [{key}] {desc}")
path = LearningPath()
path.show_path()
path.show_tools()FAQ - คำถามที่พบบ่อย
Q: AI กับ ML ต่างกันอย่างไร?
A: AI = แนวคิดกว้างๆ ที่ทำให้เครื่องจักรฉลาด (รวม rule-based systems, robotics, ML) ML = วิธีการหนึ่งของ AI ที่ใช้ข้อมูลเรียนรู้รูปแบบ (ไม่ต้อง hard-code rules) เปรียบเทียบ: AI = แพทย์ (ครอบคลุมทุกสาขา), ML = ศัลยแพทย์ (เชี่ยวชาญเฉพาะทาง) ทุก ML เป็น AI แต่ไม่ใช่ทุก AI เป็น ML
Q: ต้องเก่งคณิตศาสตร์ไหมถึงจะทำ ML ได้?
A: ขึ้นกับระดับ: ใช้ ML (apply): ไม่ต้องเก่งมาก — scikit-learn, Hugging Face ใช้งานได้เลย เข้าใจ ML: ต้องรู้ Linear Algebra, Calculus, Probability/Statistics พื้นฐาน Research ML: ต้องเก่งคณิตศาสตร์มาก แนะนำ: เริ่มจากการใช้งาน → เรียนคณิตศาสตร์ตามที่ต้องการเข้าใจ
Q: Python กับ R อันไหนดีสำหรับ ML?
A: Python: แนะนำ — ecosystem ใหญ่กว่า (PyTorch, TensorFlow, Hugging Face), ใช้ได้ทั้ง ML + web dev + production R: ดีสำหรับ statistical analysis + data visualization เฉพาะทาง ปัจจุบัน: Python เป็น standard สำหรับ ML/AI — ถ้าเลือกได้อันเดียว เลือก Python
Q: Generative AI (ChatGPT) ทำงานอย่างไร?
A: ใช้ Transformer architecture: เรียนรู้จากข้อความจำนวนมหาศาล (internet) ทำนายคำถัดไป (next token prediction) — ฝึกด้วย self-supervised learning จากนั้น fine-tune ด้วย RLHF (Reinforcement Learning from Human Feedback) ผลลัพธ์: generate text ที่มีความหมาย เข้าใจ context สนทนาได้ ข้อจำกัด: hallucination (ตอบผิดอย่างมั่นใจ), knowledge cutoff, ไม่มี reasoning จริง
