นิตยสาร สสวท. ฉบับที่ 244

16 นิตยสาร สสวท. บทสรุป ความรู้สึกที่สำ�คัญที่สุดของมนุษย์คือ การมองเห็นโดยไม่ต้องสงสัย ดังนั้น การจดจำ�ภาพด้วยคอมพิวเตอร์ที่ใช้ในการรับรู้ของมนุษย์นั้นยิ่งใหญ่ขึ้น และเป็นงานที่ยากในด้านวิทยาการคอมพิวเตอร์ เนื่องจากค่อนข้างซับซ้อน ในการอธิบายให้เข้าใจ โครงข่ายประสาทเทียม (Artificial Neural Network) สามารถเรียนรู้ลักษณะเหล่านี้ด้วยตัวมันเองด้วยความก้าวหน้าในการเรียนรู้ ซึ่งโครงขายประสาทเทียมคือ การสรางคอมพิวเตอรที่จำ�ลองวิธีการทำ�งาน ของสมองมนุษย หรือทำ�ใหคอมพิวเตอรรูจักคิดและจดจำ�ในแนวเดียวกับ โครงขายประสาทของมนุษย เพื่อชวยใหคอมพิวเตอรเขาใจภาษามนุษย และรูจำ�ได ในบทความนี้ได้กล่าวถึงการเปรียบเทียบระหว่างระบบ เซลล์ประสาทจริงของมนุษย์กับโครงข่ายประสาทเทียม ทำ�ให้ผู้อ่านเข้าใจ วิธีการทำ�งานของสมองมนุษย์ จะทำ�ให้มีประโยชน์ต่อการนำ�ไปพัฒนา ตนเองและการสังเกตตนเองเพื่อไม่ให้เกิดข้อผิดพลาดซ้ำ�ๆ นอกจากนี้ ยังสามารถนำ�ไปประยุกต์กับงานด้านต่างๆ อีกหลายด้าน ตัวอย่างเช่น การรู้จำ�สิ่งของ การรู้จำ�ใบหน้า การทำ�นายหุ้น การรู้จำ�ตัวอักษร การแยกแยะข้อมูล 7.3 อัตราการเรียนรู้ (Learning Rate) อัตราการเรียนรู้ (Learning Rate) จะมีการปรับตัวตามสภาพแวดล้อม ที่เหมาะสม ตรงจุดนี้หากกำ�หนดอัตราการเรียนรู้สูงเกินไปผลการเรียนรู้ จะปรับลดค่าผิดพลาดได้เร็ว แต่จะไม่ทรงตัวเนื่องจากอาจเรียนรู้ข้าม บางขั้นตอนไป เช่น คนบางคนเรียนชั้นประถม มัธยมต้น มัธยมปลาย ปริญญาตรี ปริญญาโท ปริญญาเอก ติดต่อกันเลย คนประเภทนี้อาจเรียนรู้ ข้ามบางขั้นตอน ซึ่งอาจไม่มีประสบการณ์ในการทำ�งานมาเป็นฐานข้อมูล Breiman, L. (1996). Bagging Predictors. Machine Learning . 24: 123-140. Dave, A & George, M. K. (1992). Artificial Neural Networks Technology, A DACS State-of-the-Art Report . (Data & Analysis Center for Software) ELIN: A011, August 20, 1992. Rana Khudhair & Abbas Ahmed. (2016). Artificial Neural Networks in E-Learning Personalization: a review. International Journal of Intelligent Information Systems . 5 (6): 104-108. ISSN: 2328-7675, doi: 10.11648/j.ijiis.20160506.14. เดช ธรรมศิริ ณรงค์ โพธิ วาทินี นุ้ยเพียร และคณะ. (2551). การให้คะแนนสินเชื่อโดยวิธีการทําเหมืองข้อมูลด้วยเทคนิคโครงข่ายประสาทเทียมแบบแพร่กระจายย้อนกลับ . NCCIT 2008, 2551. บรรณานุกรม หากกำ�หนดอัตราการเรียนรู้ต่ำ�เกินไป จะทำ�ให้การเรียนรู้นั้นเป็นแบบ ค่อยเป็นค่อยไป คนประเภทนี้จะมีฐานข้อมูลสองฝั่งทั้งการเรียนรู้และ การทำ�งาน แต่จะทำ�ให้การเรียนรู้นั้นเป็นแบบค่อยเป็นค่อยไป 7.4. จำ�นวนรอบในการเรียนรู้ (Epoch) การใช้จำ�นวนรอบในการเรียนรู้ที่แตกต่างกันจะส่งผลให้ ผลลัพธ์ที่ได้แตกต่างกันด้วย หากกำ�หนดจำ�นวนของรอบในการเรียนรู้ต่ำ� จะมีผลทำ�ให้ความผิดพลาดมีค่าสูง เนื่องจากการเรียนรู้นั้นยังไม่เสร็จสิ้น ภาพ 5 อัตราการเรียนรู้ ที่มา: http://aishelf.org/sgd-learning-rate/ เช่น เวลาเราทำ�ข้อสอบ ถ้าเราคิดซ้ำ�น้อยไปคือ หาคำ�ตอบรอบเดียว แล้วกาเลยจะมีผลทำ�ให้ข้อนั้นผิดได้ แต่หากกำ�หนดให้จำ�นวนรอบใน การเรียนรู้มากเกินไป อาจทำ�ให้เกิดการต่อต้านของข้อมูลได้ จนทำ�ให้เกิด ความผิดพลาด เช่น เวลาเราทำ�ข้อสอบถ้าเราคิดซ้ำ�มากไปคือหาคำ�ตอบ 3 - 4 รอบ จะทำ�ให้เราเกิดการต่อต้านของข้อมูลว่าเราจะกาข้อไหนกันแน่ ทำ�ให้อาจเกิดความผิดพลาดได้เช่นกัน 8. การประยุกต์ใช้งาน Neural Networks 8.1. งานการจดจำ�รูปแบบ (Pattern Recognition) เช่น ลายมือ ลายเซ็น ตัวอักษร รูปหน้า 8.2. งานจัดหมวดหมู่และแยกแยะสิ่งของ (Classification) 8.3. งานทำ�นาย (Forecast) เช่น พยากรณ์อากาศ พยากรณ์หุ้น พยากรณ์ทอง พยากรณ์น้ำ�มัน 8.4. การรู้จำ�เสียง (Speech Recognition) 8.5. การหาคำ�ตอบที่เหมาะสมที่สุด (Optimization)