AI-For-Beginners/translations/km/lessons/3-NeuralNetworks/03-Perceptron

ការណែនាំអំពីបណ្តាញប្រសាទ: Perceptron

មេរៀនមុនការសំរេចចិត្ត

មួយក្នុងចំណោមព្យាយាមដំបូងៗក្នុងការអនុវត្តអ្វីដែលស្រដៀងនឹងបណ្តាញប្រសាទសម័យទំនើប ត្រូវបានធ្វើឡើងដោយ Frank Rosenblatt ពីមន្ទីរសហគ្រាស Cornell Aeronautical Laboratory នៅឆ្នាំ ១៩៥៧។ វាជាការអនុវត្តនៅលើឧបករណ៍ហា៊ដវែរដែលគេហៅថា "Mark-1", ដែលរចនាឡើងដើម្បីស្គាល់រូបរាង Geometry ដំបូងៗ ដូចជាត្រីកោណ, មូលបត់ និងចតុកោណ។

រូបភាព ចេញពី Wikipedia

រូបភាពដែលបញ្ចូលត្រូវបានតំណាងដោយចំណុចរូបភាព ២០x២០ ដូច្នេះបណ្តាញប្រសាទមានចំណុចបញ្ចូលចំនួន ៤០០ និងចេញលទ្ធផលធ្ងន់តែ១។ បណ្តាញសាមញ្ញមានកោណម៉ាណ័រមួយដែលហៅថា threshold logic unit។ ទម្ងន់បណ្តាញប្រសាទដូចជាតិចនីយបរមាអ្នកប្រើដែលត្រូវការការកែសម្រួលដោយដៃក្នុងដំណាក់កាលបណ្តុះបណ្តាល។

✅ តិចនីយបូម៉ែតឺ (potentiometer) គឺជាឧបករណ៍ដែលអនុញ្ញាតឲ្យអ្នកប្រើកែប្រែការជ្រាបរបស់សៀគ្វីមួយ។

The New York Times បានសរសេរអំពី perceptron នៅពេលនោះថា: ជាកូនពូជនៃកុំព្យូទ័រអេឡិចត្រូនិចមួយដែល [ទ័ពជើងទឹក] យល់ថា វាអាចដើរ និយាយ មើល សរសេរ ផលិតខ្លួនឯង និងមានភាពទំនុកចិត្តអំពីការបង្កើតរបស់វា។

ម៉ូដែល Perceptron

កំណត់ថាយើងមានលក្ខណៈ N ក្នុងម៉ូដែលរបស់យើង ដែលនៅក្នុងករណីនេះ វ៉ិចទ័របញ្ចូលគឺជាវ៉ិចទ័រមានទំហំ N។ Perceptron គឺជាម៉ូដែល ចាត់ថ្នាក់ពីរភាគ មានន័យថាវាអាចបំបែកចន្លោះពីរប្រភេទទិន្នន័យដែលបញ្ចូលបាន។ យើងនឹងប៉ាន់ស្មានថាសម្រាប់វ៉ិចទ័របញ្ចូល x ហើយលទ្ធផលជាបុព្វបទនៃ perceptron យើងគឺ +1 ឬ -1, អាស្រ័យទៅលើថ្នាក់។ លទ្ធផលនឹងត្រូវគណនាដោយគាំទ្រតាមរូបមន្ត៖

y(x) = f(w^Tx)

ដែល f គឺជាឧបករណ៍សកម្មភាពជំហាន

បណ្ដុះបណ្ដាល Perceptron

ដើម្បីបណ្ដុះបណ្ដាល perceptron យើងត្រូវរកវ៉ិចទ័រ w ដែលចាត់ថ្នាក់តង់គិតភាគច្រើនត្រឹមត្រូវ គឺមានន័យថាបញ្ជូនលទ្ធផល កំហុស តិចបំផុត។ កំហុស E ត្រូវបានកំណត់ដោយស្តង់ដារ perceptron criterion ដូចខាងក្រោម៖

E(w) = -∑w^Tx_it_i

ដែល៖

• ផ្សំសរុបគឺយកតែករណីទិន្នន័យបណ្ដុះបណ្ដាល i ដែលបំបែកថ្នាក់ខុស
• x_i គឺទិន្នន័យបញ្ចូល ហើយ t_i គឺ -1 ឬ +1 សម្រាប់ឧទាហរណ៍ដ៏អវិជ្ជមាន និងវិជ្ជមានតាមលំដាប់។

ស្តង់ដារនេះត្រូវបានគេពិចារណាថាជាអនុគមន៍នៃវ៉ិចទ័រ w ហើយយើងត្រូវបង្រួមវា។ ជាញឹកញាប់មានវិធីហៅថា gradient descent ដែលគេចាប់ផ្តើមជាមួយវ៉ិចទ័រចាប់ផ្តើម w⁽⁰⁾ ហើយនៅក្នុងជំហាននីមួយៗធ្វើបច្ចុប្បន្នភាពវ៉ិចទ័រតាមរូបមន្ត៖

w^(t+1) = w^(t) - η∇E(w)

នៅទីនេះ η គឺជាអត្រាសិក្សាដែលហៅថា learning rate, ∇E(w) ជា កំណែនៃ E។ បន្ទាប់ពីគណនាកំណែនហើយ គេបាន

w^(t+1) = w^(t) + ∑ηx_it_i

អាល់ករីធម៍ជាភាសា Python មានរូបរាងដូចខាងក្រោម៖

def train(positive_examples, negative_examples, num_iterations = 100, eta = 1):

    weights = [0,0,0] # ចាប់ផ្តើមបាក់តទម្ងន់ (ប្រហែលជាដោយចៃដន្យ :)
        
    for i in range(num_iterations):
        pos = random.choice(positive_examples)
        neg = random.choice(negative_examples)

        z = np.dot(pos, weights) # គណនា​ផលប៉ះពាល់​ទ្រង់ទ្រាយ
        if z < 0: # ឧទាហរណ៍វិជ្ជមានត្រូវបានចាត់ថ្នាក់ជាអវិជ្ជមាន
            weights = weights + eta*weights.shape

        z  = np.dot(neg, weights)
        if z >= 0: # ឧទាហរណ៍អវិជ្ជមានត្រូវបានចាត់ថ្នាក់ជាវិជ្ជមាន
            weights = weights - eta*weights.shape

    return weights

សេចក្ដីសន្និដ្ឋាន

ក្នុងមេរៀននេះ អ្នកបានសិក្សាអំពី perceptron ដែលជាម៉ូដែលចាត់ថ្នាក់ពីរភាគ ហើយរបៀបបណ្ដុះបណ្ដាលវាដោយប្រើវ៉ិចទ័រទម្ងន់។

🚀 thle

បើអ្នកចង់សាកល្បងបង្កើត perceptron របស់អ្នកផ្ទាល់ សូមសាកល្បង មន្ទីរពិសោធន៍នេះនៅ Microsoft Learn ដែលប្រើ Azure ML designer។

មេរៀនបន្ទាប់

សិក្សាទៅ និង ពិនិត្យឡើងវិញ

ដើម្បីមើលពីរបៀបដែលយើងអាចប្រើ perceptron ដើម្បីដោះស្រាយបញ្ហាបែបលេងក្មេង និងបញ្ហាជីវិតពិត ដូច្នេះអាចបន្តសិក្សាបាន - សូមទៅកាន់ទាស៍ Perceptron notebook។

មានអត្ថបទមួយគួរឲ្យចាប់អារម្មណ៍ អំពី perceptrons ផងដែរ។

ផែនការងារ

ក្នុងមេរៀននេះ យើងបានអនុវត្ត perceptron សម្រាប់បេសកកម្មចាត់ថ្នាក់ពីរភាគ ហើយយើងបានប្រើវា ដើម្បីចាត់ថ្នាក់ចំនួនសរសេរដៃពីរប្រភេទ។ នៅក្នុងមន្ទីរពិសោធន៍នេះ អ្នកត្រូវដោះស្រាយបញ្ហាចាត់ថ្នាក់លេខឲ្យបានចប់ ពោលគឺកំណត់ថាលេខណាមានសក្ដានុពលថាជារូបភាពមួយ។

• បទបញ្ជា
• សៀវភៅកំណត់ហេតុ

---

ការបដិសេធ៖
ឯកសារនេះត្រូវបានបកប្រែដោយប្រើសេវា​បកប្រែ AI Co-op Translator។ កាលណាយើងខិតខំការពារ​ពត៌មានឱ្យមានភាពត្រឹមត្រូវ សូមដឹងថា ការបកប្រែដោយស្វ័យប្រវត្តិ​អាចមានកំហុសឬខុសត្រូវប_some។ ឯកសារដើមក្នុងភាសាដើមគួរត្រូវបានពិចារណាជាផ្លូវការនៃព័ត៌មាន។ សម្រាប់ព័ត៌មានមានសារៈសំខាន់ ការបកប្រែ​ដោយមនុស្សវិជ្ជាជីវៈគឺត្រូវបានផ្តល់អាទិភាព។ យើងមិនទទួលខុសត្រូវចំពោះការយល់ច្រឡំឬការបកប្រែខុសដែលកើតមានពីការប្រើប្រាស់ការបកប្រែនេះឡើយ។