Libro

Hands-On Machine Learning ฉบับที่ 3: เรียน ML ตั้งแต่ regression ถึง deep learning

หนังสือของ Aurélien Géron ฉบับที่ 3 สอน machine learning ด้วย Scikit-Learn, Keras และ TensorFlow ผ่านโค้ดและแบบฝึกหัด บทความนี้แนะนำขอบเขตเนื้อหาจากสารบัญบางส่วน คำอธิบายของสำนักพิมพ์ และ repository โค้ดของผู้เขียน

ทีมบรรณาธิการ Libro · 25 ตุลาคม 2569 · แก้ไขล่าสุด 27 ตุลาคม 2569 · อ่านประมาณ 3 นาที

ภาพประกอบบทความ: ปกหนังสือ Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow, 3rd ed. โดย Aurélien Géron

ขอบเขตของบทความ: แนะนำขอบเขตเนื้อหาจากสารบัญบางส่วนและคำอธิบายของสำนักพิมพ์ใน Google Books รายการ notebook ใน repository ทางการของผู้เขียน และหน้า errata ของ O'Reilly ยังไม่ได้อ่านเนื้อหาเต็มเล่มหรือบทตัวอย่าง

คนที่เขียนโปรแกรมเป็นแล้วและอยากเริ่ม machine learning มักติดอยู่ระหว่างสองทาง ทางหนึ่งคือตำราทฤษฎีที่หนักคณิตศาสตร์ อีกทางคือบทเรียนออนไลน์ที่สอนเครื่องมือแต่ไม่ปูความเข้าใจ หนังสือเล่มนี้วางตัวไว้ตรงกลาง คือใช้ตัวอย่างจริงและทฤษฎีให้น้อยที่สุดเท่าที่จำเป็น

หนังสือเล่มนี้ว่าด้วยอะไร

Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, Third Edition เขียนโดย Aurélien Géron ตีพิมพ์โดย O'Reilly Media ในปี 2022 Google Books ระบุความยาว 864 หน้า สำหรับ ISBN 9781098122478 (Google Books)

คำอธิบายของสำนักพิมพ์ระบุว่าหนังสือใช้ตัวอย่างที่จับต้องได้ ทฤษฎีน้อย และ Python framework ที่ใช้ในงานจริง เพื่อสร้างความเข้าใจเชิงสัญชาตญาณต่อแนวคิดและเครื่องมือ เนื้อหาเริ่มจาก linear regression แล้วไล่ไปจนถึง deep neural networks โดยมีโค้ดและแบบฝึกหัดตลอดเล่ม

เนื้อหาครอบคลุมหัวข้ออะไร

repository ทางการของผู้เขียนสำหรับฉบับที่ 3 มี notebook แยกตามบท 19 บท (handson-ml3 บน GitHub):

บท

หัวข้อตามชื่อ notebook (สรุปเป็นภาษาไทย)

1–2

ภาพรวมของงาน machine learning และโปรเจกต์ตัวอย่างแบบครบวงจร

3–7

classification, การ train linear models, support vector machines, decision trees และ ensemble กับ random forests

8–9

dimensionality reduction และ unsupervised learning

10–13

neural networks ด้วย Keras, การ train deep networks, การเขียน model และ training loop เองด้วย TensorFlow และการโหลดกับเตรียมข้อมูล

14–16

computer vision ด้วย CNN, sequence processing ด้วย RNN และ CNN และ NLP ด้วย RNN กับ attention

17–19

autoencoders, GANs และ diffusion models reinforcement learning และการ train กับ deploy model ในระดับใหญ่

สารบัญบางส่วนใน Google Books แสดงว่า Part II: Neural Networks and Deep Learning เริ่มที่หน้า 297 และมีภาคผนวก A ถึง D ได้แก่ Machine Learning Project Checklist, Autodiff, Special Data Structures และ TensorFlow Graphs (Google Books)

คำอธิบายของสำนักพิมพ์ระบุหัวข้อที่สอดคล้องกัน เช่น โปรเจกต์ ML แบบครบวงจรด้วย Scikit-Learn, unsupervised learning ทั้ง dimensionality reduction, clustering และ anomaly detection และสถาปัตยกรรม neural network อย่าง CNN, RNN, GAN, autoencoder, diffusion model และ transformer

พื้นฐานที่ควรมีก่อนอ่าน

สำนักพิมพ์ระบุว่าต้องการเพียงประสบการณ์เขียนโปรแกรม (Google Books)

repository มี notebook เสริมสำหรับทบทวน linear algebra, differential calculus, numpy, pandas และ matplotlib และแนะนำ Python 3.10 ผ่านไฟล์ environment.yml หรือรันบน Google Colab โดยไม่ต้องติดตั้ง (handson-ml3 บน GitHub) ผู้ที่ไม่คุ้นกับคณิตศาสตร์พื้นฐานจึงมีจุดให้ทบทวนก่อนเข้าบทที่ใช้สมการ

เหมาะกับใคร และใครควรเริ่มจากเล่มอื่นก่อน

  • เหมาะ กับนักพัฒนาที่เขียน Python ได้และอยากได้เส้นทางเรียน ML ที่ครอบคลุมตั้งแต่ model พื้นฐานถึง deep learning ในเล่มเดียว พร้อมโค้ดที่รันได้

  • ควรพิจารณาเล่มอื่น ถ้าต้องการใช้ PyTorch เป็นหลัก เพราะฉบับนี้ใช้ Keras และ TensorFlow หน้าเว็บของผู้เขียนแสดงหนังสืออีกเล่มคือ Hands-On Machine Learning with Scikit-Learn and PyTorch ที่ O'Reilly ออกเมื่อตุลาคม 2025 (เว็บไซต์ของผู้เขียน)

ข้อจำกัดของข้อมูลที่ใช้ในบทความนี้

  • ชื่อบทมาจากชื่อ notebook ใน repository ไม่ใช่สารบัญฉบับเต็มของสำนักพิมพ์ ชื่อจริงในเล่มอาจต่างเล็กน้อย หน้าหนังสือบน oreilly.com ตอบกลับ 403 จึงเปิดอ่านไม่ได้

  • หน้า errata ของ O'Reilly สำหรับฉบับที่ 3 มีรายการที่ยืนยันแล้ว 55 รายการ แก้ไขระหว่างมกราคม 2023 ถึงมีนาคม 2025 (O'Reilly errata) ฉบับพิมพ์แต่ละรอบอาจแก้ไขไปแล้วบางส่วน

  • ISBN ไม่ตรงกันทั้งหมด แคตตาล็อกของ Libro ใช้ 9781098125967 ส่วน Google Books แสดง 9781098122478 และ Open Library ระบุ 9781098125974 ว่าเป็นฉบับ O'Reilly ปี 2022 ความยาว 850 หน้า (Open Library)

  • บทความนี้ไม่ได้รัน notebook ใน repository

แหล่งอ้างอิง

บทความนี้อ่านจบได้ในตัวเอง หนังสือด้านบนคือจุดต่อยอดสำหรับผู้ที่ต้องการศึกษาลึกขึ้น