AI-For-Beginners/translations/th/lessons/3-NeuralNetworks

บทนำสู่โครงข่ายประสาทเทียม

ตามที่เราได้พูดถึงในบทนำ หนึ่งในวิธีการที่จะทำให้เกิดความฉลาดคือการฝึก โมเดลคอมพิวเตอร์ หรือ สมองเทียม ตั้งแต่ช่วงกลางศตวรรษที่ 20 นักวิจัยได้ลองใช้โมเดลทางคณิตศาสตร์ต่าง ๆ จนกระทั่งในช่วงไม่กี่ปีที่ผ่านมา แนวทางนี้ได้พิสูจน์แล้วว่าประสบความสำเร็จอย่างมาก โมเดลทางคณิตศาสตร์ของสมองเหล่านี้เรียกว่า โครงข่ายประสาทเทียม

บางครั้งโครงข่ายประสาทเทียมถูกเรียกว่า Artificial Neural Networks หรือ ANNs เพื่อระบุว่าเรากำลังพูดถึงโมเดล ไม่ใช่เครือข่ายของเซลล์ประสาทจริง ๆ

การเรียนรู้ของเครื่อง

โครงข่ายประสาทเทียมเป็นส่วนหนึ่งของสาขาที่ใหญ่กว่าที่เรียกว่า การเรียนรู้ของเครื่อง (Machine Learning) ซึ่งมีเป้าหมายเพื่อใช้ข้อมูลในการฝึกโมเดลคอมพิวเตอร์ที่สามารถแก้ปัญหาได้ การเรียนรู้ของเครื่องถือเป็นส่วนสำคัญของปัญญาประดิษฐ์ อย่างไรก็ตาม ในหลักสูตรนี้เราจะไม่ครอบคลุมการเรียนรู้ของเครื่องแบบดั้งเดิม

เยี่ยมชมหลักสูตร Machine Learning for Beginners ของเราเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการเรียนรู้ของเครื่องแบบดั้งเดิม

ในกระบวนการเรียนรู้ของเครื่อง เราจะสมมติว่ามีชุดข้อมูลตัวอย่าง X และค่าผลลัพธ์ที่สอดคล้องกัน Y ตัวอย่างมักจะเป็นเวกเตอร์ N มิติที่ประกอบด้วย คุณลักษณะ (features) และผลลัพธ์เรียกว่า ป้ายกำกับ (labels)

เราจะพิจารณาปัญหาการเรียนรู้ของเครื่องที่พบบ่อยที่สุดสองประเภท:

• การจัดประเภท (Classification) ซึ่งเราต้องจัดประเภทวัตถุอินพุตให้อยู่ในสองหรือมากกว่าสองคลาส
• การถดถอย (Regression) ซึ่งเราต้องทำนายค่าตัวเลขสำหรับแต่ละตัวอย่างอินพุต

เมื่อแสดงอินพุตและผลลัพธ์ในรูปแบบเทนเซอร์ ชุดข้อมูลอินพุตจะเป็นเมทริกซ์ขนาด M×N โดยที่ M คือจำนวนตัวอย่าง และ N คือจำนวนคุณลักษณะ ส่วนป้ายกำกับผลลัพธ์ Y จะเป็นเวกเตอร์ขนาด M

ในหลักสูตรนี้ เราจะมุ่งเน้นเฉพาะโมเดลโครงข่ายประสาทเทียม

โมเดลของเซลล์ประสาท

จากชีววิทยา เราทราบว่าสมองของเราประกอบด้วยเซลล์ประสาท ซึ่งแต่ละเซลล์มี "อินพุต" หลายตัว (แอกซอน) และเอาต์พุต (เดนไดรต์) แอกซอนและเดนไดรต์สามารถนำสัญญาณไฟฟ้าได้ และการเชื่อมต่อระหว่างแอกซอนและเดนไดรต์สามารถแสดงค่าการนำไฟฟ้าที่แตกต่างกันได้ (ควบคุมโดยสารสื่อประสาท)

เซลล์ประสาทจริง (ภาพ จาก Wikipedia)	เซลล์ประสาทเทียม (ภาพโดยผู้เขียน)

ดังนั้น โมเดลทางคณิตศาสตร์ที่ง่ายที่สุดของเซลล์ประสาทจะมีอินพุตหลายตัว X₁, ..., X_N และเอาต์พุต Y พร้อมกับชุดของน้ำหนัก W₁, ..., W_N เอาต์พุตจะถูกคำนวณดังนี้:

โดยที่ f คือ ฟังก์ชันกระตุ้น (activation function) ที่ไม่เป็นเชิงเส้น

โมเดลเซลล์ประสาทในยุคแรก ๆ ถูกอธิบายไว้ในบทความคลาสสิก A logical calculus of the ideas immanent in nervous activity โดย Warren McCullock และ Walter Pitts ในปี 1943 Donald Hebb ในหนังสือของเขา "The Organization of Behavior: A Neuropsychological Theory" ได้เสนอวิธีการฝึกเครือข่ายเหล่านี้

ในส่วนนี้

ในส่วนนี้เราจะเรียนรู้เกี่ยวกับ:

• Perceptron หนึ่งในโมเดลโครงข่ายประสาทเทียมยุคแรกสำหรับการจัดประเภทสองคลาส
• เครือข่ายหลายชั้น พร้อมกับสมุดบันทึก วิธีสร้างเฟรมเวิร์กของเราเอง
• เฟรมเวิร์กโครงข่ายประสาทเทียม พร้อมสมุดบันทึกเหล่านี้: PyTorch และ Keras/Tensorflow
• Overfitting

---

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่แม่นยำ เอกสารต้นฉบับในภาษาต้นทางควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามนุษย์ที่เป็นมืออาชีพ เราจะไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความที่ผิดพลาดซึ่งเกิดจากการใช้การแปลนี้