9.4 KiB
แนะนำเกี่ยวกับเครือข่ายประสาทเทียม
ตามที่เราได้พูดถึงในบทนำ หนึ่งในวิธีที่จะสร้างความฉลาดคือการฝึก โมเดลคอมพิวเตอร์ หรือ สมองเทียม ตั้งแต่กลางศตวรรษที่ 20 นักวิจัยได้ลองใช้โมเดลทางคณิตศาสตร์ต่าง ๆ จนกระทั่งในช่วงไม่กี่ปีที่ผ่านมาแนวทางนี้ได้พิสูจน์แล้วว่าประสบความสำเร็จอย่างมาก โมเดลทางคณิตศาสตร์ของสมองเหล่านี้เรียกว่า เครือข่ายประสาทเทียม
บางครั้งเครือข่ายประสาทเทียมถูกเรียกว่า Artificial Neural Networks หรือ ANNs เพื่อระบุว่าเรากำลังพูดถึงโมเดล ไม่ใช่เครือข่ายของเซลล์ประสาทจริง ๆ
การเรียนรู้ของเครื่อง
เครือข่ายประสาทเทียมเป็นส่วนหนึ่งของศาสตร์ที่ใหญ่กว่าที่เรียกว่า การเรียนรู้ของเครื่อง ซึ่งมีเป้าหมายคือการใช้ข้อมูลเพื่อฝึกโมเดลคอมพิวเตอร์ที่สามารถแก้ปัญหาได้ การเรียนรู้ของเครื่องเป็นส่วนสำคัญของปัญญาประดิษฐ์ อย่างไรก็ตาม เราจะไม่ครอบคลุมการเรียนรู้ของเครื่องแบบคลาสสิกในหลักสูตรนี้
เยี่ยมชมหลักสูตร Machine Learning for Beginners ของเราเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการเรียนรู้ของเครื่องแบบคลาสสิก
ในการเรียนรู้ของเครื่อง เราสมมติว่าเรามีชุดข้อมูลตัวอย่าง X และค่าผลลัพธ์ที่สอดคล้องกัน Y ตัวอย่างมักจะเป็นเวกเตอร์ N มิติที่ประกอบด้วย คุณลักษณะ และผลลัพธ์เรียกว่า ป้ายกำกับ
เราจะพิจารณาปัญหาการเรียนรู้ของเครื่องที่พบได้บ่อยที่สุดสองประเภท:
- การจำแนกประเภท ซึ่งเราต้องจัดประเภทวัตถุที่ป้อนเข้าไปในสองหรือมากกว่าสองคลาส
- การถดถอย ซึ่งเราต้องทำนายค่าตัวเลขสำหรับแต่ละตัวอย่างที่ป้อนเข้าไป
เมื่อแสดงอินพุตและเอาต์พุตเป็นเทนเซอร์ ชุดข้อมูลอินพุตจะเป็นเมทริกซ์ขนาด M×N โดยที่ M คือจำนวนตัวอย่าง และ N คือจำนวนคุณลักษณะ ส่วนป้ายกำกับผลลัพธ์ Y จะเป็นเวกเตอร์ขนาด M
ในหลักสูตรนี้ เราจะมุ่งเน้นเฉพาะโมเดลเครือข่ายประสาทเทียมเท่านั้น
โมเดลของเซลล์ประสาท
จากชีววิทยา เราทราบว่าสมองของเราประกอบด้วยเซลล์ประสาท (neurons) ซึ่งแต่ละเซลล์มี "อินพุต" หลายตัว (dendrites) และ "เอาต์พุต" หนึ่งตัว (axon) ทั้ง dendrites และ axons สามารถนำสัญญาณไฟฟ้าได้ และการเชื่อมต่อระหว่างพวกมัน — ที่เรียกว่า synapses — สามารถแสดงระดับการนำไฟฟ้าที่แตกต่างกัน ซึ่งถูกควบคุมโดยสารสื่อประสาท
 |
 |
|---|---|
| เซลล์ประสาทจริง (ภาพ จาก Wikipedia) | เซลล์ประสาทเทียม (ภาพโดยผู้เขียน) |
ดังนั้น โมเดลทางคณิตศาสตร์ที่ง่ายที่สุดของเซลล์ประสาทจะมีอินพุตหลายตัว X1, ..., XN และเอาต์พุต Y พร้อมกับชุดของน้ำหนัก W1, ..., WN เอาต์พุตจะถูกคำนวณเป็น:
โดยที่ f คือ ฟังก์ชันการกระตุ้น 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 หนึ่งในโมเดลเครือข่ายประสาทเทียมยุคแรกสำหรับการจำแนกประเภทสองคลาส
- เครือข่ายหลายชั้น พร้อมกับโน้ตบุ๊ก วิธีสร้างเฟรมเวิร์คของเราเอง
- เฟรมเวิร์คเครือข่ายประสาทเทียม พร้อมกับโน้ตบุ๊กเหล่านี้: PyTorch และ Keras/Tensorflow
- Overfitting
ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้