การเรียนรู้เชิงลึกและโครงข่ายประสาทเทียมคืออะไร

Neural NetworksและDeep Learningเป็นคำศัพท์ยอดนิยมสองคำที่ใช้ในปัจจุบันกับปัญญาประดิษฐ์ (Artificial Intelligence)การพัฒนาล่าสุดในโลกของปัญญาประดิษฐ์สามารถนำมาประกอบกับทั้งสองได้ เนื่องจากมีบทบาทสำคัญในการปรับปรุงปัญญาประดิษฐ์ของ AI

มองไปรอบ ๆ แล้วคุณจะพบเครื่องจักรที่ชาญฉลาดมากขึ้นเรื่อย ๆ ต้องขอบคุณNeural NetworksและDeep Learningงานและความสามารถที่ครั้งหนึ่งเคยถูกมองว่าเป็นมือขวาของมนุษย์กำลังถูกใช้งานโดยเครื่องจักร ทุกวันนี้ เครื่องจักรไม่ได้ถูกสร้างมาเพื่อกินอัลกอริธึมที่ซับซ้อนอีกต่อไปแล้ว แต่กลับถูกป้อนเพื่อพัฒนาให้เป็นระบบการสอนด้วยตนเองแบบอัตโนมัติที่สามารถปฏิวัติอุตสาหกรรมต่างๆ ได้

Neural NetworksและDeep Learningให้ความสำเร็จอย่างมากแก่นักวิจัยในงานต่างๆ เช่น การจดจำภาพ การรู้จำคำพูด การค้นหาความสัมพันธ์ที่ลึกซึ้งยิ่งขึ้นในชุดข้อมูล ด้วยความช่วยเหลือจากข้อมูลจำนวนมหาศาลและกำลังในการคำนวณ เครื่องจักรสามารถจดจำวัตถุ แปลคำพูด ฝึกฝนตนเองเพื่อระบุรูปแบบที่ซับซ้อน เรียนรู้วิธีวางแผนกลยุทธ์และจัดทำแผนฉุกเฉินแบบเรียลไทม์

แล้วมันทำงานยังไงกันแน่? คุณรู้หรือไม่ว่าทั้งNeutral NetworksและDeep-Learningเกี่ยวข้องกัน ในการทำความเข้าใจDeep learning คุณต้องเข้าใจเกี่ยวกับNeural Networks ก่อน ? อ่านต่อเพื่อทราบข้อมูลเพิ่มเติม

โครงข่ายประสาทเทียมคืออะไร

โครง ข่าย ประสาทเทียม(Neural)นั้นโดยทั่วไปแล้วเป็นรูปแบบการเขียนโปรแกรมหรือชุดของอัลกอริธึมที่ช่วยให้คอมพิวเตอร์เรียนรู้จากข้อมูลเชิงสังเกต โครง ข่าย ประสาทเทียม(Neural)คล้ายกับสมองของมนุษย์ ซึ่งทำงานโดยการจดจำรูปแบบต่างๆ ข้อมูลทางประสาทสัมผัสถูกตีความโดยใช้การรับรู้ของเครื่อง การติดฉลาก หรือการจัดกลุ่มอินพุตดิบ รูปแบบที่รู้จักเป็นตัวเลข อยู่ในเวกเตอร์ ซึ่งข้อมูลเช่น รูปภาพ เสียง ข้อความ ฯลฯ จะได้รับการแปล

Think Neural Network! Think how a human brain function

ดังที่ได้กล่าวไว้ข้างต้น โครงข่ายประสาทเทียมทำหน้าที่เหมือนกับสมองของมนุษย์ มันได้มาซึ่งความรู้ทั้งหมดผ่านกระบวนการเรียนรู้ หลังจากนั้น ตุ้มน้ำหนัก synaptic จะเก็บความรู้ที่ได้มา ในระหว่างกระบวนการเรียนรู้ น้ำหนัก synaptic ของเครือข่ายจะได้รับการปฏิรูปเพื่อให้บรรลุเป้าหมายที่ต้องการ

เช่นเดียวกับสมองของมนุษย์Neural Networksทำงานเหมือนกับระบบประมวลผลข้อมูลคู่ขนานที่ไม่เป็นเชิงเส้น ซึ่งทำการคำนวณอย่างรวดเร็ว เช่น การจดจำรูปแบบและการรับรู้ ด้วยเหตุนี้ เครือข่ายเหล่านี้จึงทำงานได้ดีในพื้นที่ต่างๆ เช่น การรู้จำเสียงพูด เสียง และภาพ โดยที่อินพุต/สัญญาณไม่เชิงเส้นโดยเนื้อแท้

พูดง่ายๆ ก็คือ คุณสามารถจดจำ Neural Network ว่าเป็นสิ่งที่สามารถเก็บสะสมความรู้ เช่น สมองของมนุษย์และใช้มันในการทำนาย(In simple words, you can remember Neural Network as something which is capable of stocking knowledge like a human brain and use it to make predictions.)

โครงสร้างของโครงข่ายประสาทเทียม

การเรียนรู้เชิงลึกและโครงข่ายประสาทเทียม

(เครดิตรูปภาพ: คณิตศาสตร์)

Neural Networksประกอบด้วยสามชั้น,

  1. ชั้นอินพุต,
  2. ชั้นที่ซ่อนอยู่และ
  3. ชั้นเอาท์พุท

แต่ละชั้นประกอบด้วยโหนดตั้งแต่หนึ่งโหนดขึ้นไป ดังแสดงในแผนภาพด้านล่างโดยวงกลมขนาดเล็ก เส้นระหว่างโหนดบ่งบอกถึงการไหลของข้อมูลจากโหนดหนึ่งไปยังโหนดถัดไป ข้อมูลไหลจากอินพุตไปยังเอาต์พุต เช่น จากซ้ายไปขวา (ในบางกรณีอาจมาจากขวาไปซ้ายหรือทั้งสองทาง)

โหนดของชั้นอินพุตเป็นแบบพาสซีฟ ซึ่งหมายความว่าจะไม่แก้ไขข้อมูล พวกเขาได้รับค่าเดียวจากอินพุตและทำซ้ำค่ากับเอาต์พุตหลายรายการ ใน ขณะ(Whereas)ที่โหนดของเลเยอร์ที่ซ่อนอยู่และเอาต์พุตทำงานอยู่ จึงสามารถปรับเปลี่ยนข้อมูลได้

ในโครงสร้างที่เชื่อมต่อถึงกัน แต่ละค่าจากชั้นอินพุตจะถูกทำซ้ำ และส่งไปยังโหนดที่ซ่อนอยู่ทั้งหมด ค่าที่เข้าสู่โหนดที่ซ่อนอยู่จะถูกคูณด้วยน้ำหนัก ซึ่งเป็นชุดของตัวเลขที่กำหนดไว้ล่วงหน้าซึ่งจัดเก็บไว้ในโปรแกรม อินพุตที่ถ่วงน้ำหนักจะถูกเพิ่มเพื่อสร้างตัวเลขตัวเดียว โครงข่ายประสาทเทียมสามารถมีจำนวนชั้นเท่าใดก็ได้ และจำนวนโหนดต่อชั้นเท่าใดก็ได้ แอปพลิเคชั่นส่วนใหญ่ใช้โครงสร้างสามชั้นที่มีโหนดอินพุตสูงสุดสองสามร้อยโหนด

ตัวอย่างโครงข่ายประสาทเทียม(Example of Neural Network)

พิจารณาโครงข่ายประสาทเทียมที่รู้จักวัตถุในสัญญาณโซนาร์ และมีตัวอย่างสัญญาณ 5,000 ตัวอย่างที่จัดเก็บไว้ในพีซี พีซีต้องหาว่าตัวอย่างเหล่านี้เป็นตัวแทนของเรือดำน้ำ ปลาวาฬ ภูเขาน้ำแข็ง หินทะเล หรือไม่มีอะไรเลย? วิธี DSP แบบธรรมดา(Conventional DSP)จะแก้ปัญหานี้ด้วยคณิตศาสตร์และอัลกอริทึม เช่น การวิเคราะห์สหสัมพันธ์และสเปกตรัมความถี่

ในขณะที่ใช้โครงข่ายประสาทเทียม ตัวอย่าง 5,000 ตัวอย่างจะถูกป้อนไปยังเลเยอร์อินพุต ส่งผลให้ค่าปรากฏขึ้นจากเลเยอร์เอาต์พุต โดยการเลือกน้ำหนักที่เหมาะสม ผลลัพธ์สามารถกำหนดค่าให้รายงานข้อมูลที่หลากหลาย ตัวอย่างเช่น อาจมีผลลัพธ์สำหรับ: เรือดำน้ำ (ใช่/ไม่ใช่), หินทะเล (ใช่/ไม่ใช่), วาฬ (ใช่/ไม่ใช่) เป็นต้น

ด้วยตุ้มน้ำหนักอื่นๆ ผลลัพธ์สามารถจำแนกวัตถุเป็นโลหะหรืออโลหะ ชีวภาพหรือไม่ใช่ชีวภาพ ศัตรูหรือพันธมิตร ฯลฯ ไม่มีอัลกอริธึม ไม่มีกฎเกณฑ์ ไม่มีขั้นตอน; เฉพาะความสัมพันธ์ระหว่างอินพุตและเอาต์พุตที่กำหนดโดยค่าของน้ำหนักที่เลือก

ทีนี้มาทำความเข้าใจแนวคิดของ Deep Learning กัน(Now, let’s understand the concept of Deep Learning.)

การเรียนรู้เชิงลึกคืออะไร

การเรียนรู้เชิงลึกนั้นเป็นส่วนย่อยของโครงข่ายประสาท(Neural Networks)เทียม บางทีคุณอาจพูดได้ว่า Neural Network(Neural Network)ที่ซับซ้อนซึ่งมีเลเยอร์ที่ซ่อนอยู่มากมาย

ในเชิงเทคนิค การเรียนรู้อย่างลึกซึ้ง(Deep)ยังสามารถกำหนดเป็นชุดเทคนิคที่มีประสิทธิภาพสำหรับการเรียนรู้ในโครงข่ายประสาทเทียม หมายถึงโครงข่ายประสาทเทียม ( ANN ) ที่ประกอบด้วยหลายชั้น ชุดข้อมูลขนาดใหญ่ ฮาร์ดแวร์คอมพิวเตอร์ที่ทรงพลัง เพื่อทำให้รูปแบบการฝึกที่ซับซ้อนเป็นไปได้ ประกอบด้วยคลาสของวิธีการและเทคนิคที่ใช้โครงข่ายประสาทเทียมที่มีฟังก์ชันการทำงานที่สมบูรณ์ยิ่งขึ้นหลายชั้น

โครงสร้างเครือข่ายการเรียนรู้เชิงลึก(Structure of Deep learning network)

เครือข่ายการเรียนรู้เชิง ลึก(Deep)ส่วนใหญ่ใช้สถาปัตยกรรมโครงข่ายประสาทเทียม และด้วยเหตุนี้จึงมักถูกเรียกว่าโครงข่ายประสาทลึก การใช้งาน "ลึก" หมายถึงจำนวนเลเยอร์ที่ซ่อนอยู่ในโครงข่ายประสาทเทียม โครงข่ายประสาทเทียมแบบทั่วไปมีเลเยอร์ที่ซ่อนอยู่สามชั้น ในขณะที่โครงข่ายลึกสามารถมีได้มากถึง 120-150

(Deep) การเรียนรู้(Learning)เชิงลึกเกี่ยวข้องกับการป้อนข้อมูลจำนวนมากให้กับระบบคอมพิวเตอร์ ซึ่งสามารถใช้ในการตัดสินใจเกี่ยวกับข้อมูลอื่นๆ ข้อมูลนี้ป้อนผ่านโครงข่ายประสาทเทียม เช่นเดียวกับในการเรียนรู้ของเครื่อง เครือข่ายการเรียนรู้เชิง ลึก(Deep)สามารถเรียนรู้คุณสมบัติได้โดยตรงจากข้อมูลโดยไม่ต้องแยกคุณสมบัติด้วยตนเอง

ตัวอย่างการเรียนรู้เชิงลึก(Examples of Deep Learning)

ปัจจุบัน Deep learning ถูกนำไปใช้ในเกือบทุกอุตสาหกรรมตั้งแต่รถยนต์(Automobile)การ บินและ อวกาศ(Aerospace)และระบบอัตโนมัติ(Automation)ไปจนถึงการแพทย์ (Medical)นี่คือตัวอย่างบางส่วน

  • Google , NetflixและAmazon : Googleใช้ในอัลกอริธึมการรู้จำเสียงและภาพ NetflixและAmazonยังใช้การเรียนรู้เชิงลึกเพื่อตัดสินใจว่าคุณต้องการรับชมหรือซื้ออะไรต่อไป
  • การขับขี่โดยไม่มีคนขับ: นักวิจัยกำลังใช้เครือข่ายการเรียนรู้เชิงลึกเพื่อตรวจจับวัตถุต่างๆ เช่น ป้ายหยุดและสัญญาณไฟจราจรโดยอัตโนมัติ การเรียนรู้เชิง ลึก(Deep)ยังใช้เพื่อตรวจจับคนเดินถนน ซึ่งช่วยลดอุบัติเหตุ
  • การบินและอวกาศและการป้องกัน: การเรียนรู้เชิงลึกใช้เพื่อระบุวัตถุจากดาวเทียมที่ค้นหาพื้นที่ที่น่าสนใจ และระบุโซนปลอดภัยหรือไม่ปลอดภัยสำหรับกองทัพ
  • ด้วยDeep Learningทำให้Facebookค้นหาและแท็กเพื่อนในรูปภาพของคุณโดยอัตโนมัติ Skype สามารถแปลการสื่อสารที่พูดได้แบบเรียลไทม์และแม่นยำเช่นกัน
  • การวิจัยทางการแพทย์: นักวิจัยทางการแพทย์ใช้การเรียนรู้เชิงลึกเพื่อตรวจหาเซลล์มะเร็งโดยอัตโนมัติ
  • ระบบอัตโนมัติทางอุตสาหกรรม(Industrial Automation) : การเรียนรู้เชิงลึกช่วยปรับปรุงความปลอดภัยของพนักงานรอบ ๆ เครื่องจักรหนัก โดยการตรวจจับโดยอัตโนมัติเมื่อบุคคลหรือวัตถุอยู่ในระยะที่ไม่ปลอดภัยของเครื่องจักร
  • อิเล็กทรอนิกส์: การเรียนรู้เชิง ลึก(Deep)ถูกนำมาใช้ในการแปลการได้ยินและคำพูดอัตโนมัติ

Read : Machine Learning และ Deep Learning(Machine Learning and Deep Learning)คืออะไร ?

บทสรุป(Conclusion)

แนวคิดของNeural Networksไม่ใช่เรื่องใหม่ และนักวิจัยได้พบกับความสำเร็จในระดับปานกลางในช่วงทศวรรษที่ผ่านมา แต่ตัวเปลี่ยนเกมที่แท้จริงคือวิวัฒนาการของ เครือข่าย Deep Neural

ด้วยการดำเนินการตามแนวทางการเรียนรู้ของเครื่องแบบดั้งเดิมที่ทำได้ดีกว่า ได้แสดงให้เห็นว่าโครงข่ายประสาทเทียมเชิงลึกสามารถฝึกฝนและทดลองได้ไม่เพียงแค่นักวิจัยเพียงไม่กี่คนเท่านั้น แต่ยังมีขอบเขตที่จะนำมาใช้โดยบริษัทเทคโนโลยีข้ามชาติเพื่อพัฒนานวัตกรรมที่ดีขึ้นในอนาคตอันใกล้

Thanks to Deep Learning and Neural Network, AI is not just doing the tasks, but it has started to think!



About the author

ฉันเป็นผู้ตรวจทานมืออาชีพและเพิ่มประสิทธิภาพการทำงาน ฉันชอบใช้เวลาออนไลน์เล่นวิดีโอเกม สำรวจสิ่งใหม่ ๆ และช่วยเหลือผู้คนเกี่ยวกับความต้องการด้านเทคโนโลยีของพวกเขา ฉันมีประสบการณ์กับ Xbox มาบ้างแล้วและได้ช่วยเหลือลูกค้าในการรักษาระบบของพวกเขาให้ปลอดภัยมาตั้งแต่ปี 2552



Related posts