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

(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!

What is Deep Learning and Neural Network

Neural Networks and Deep Learning are currently the two hot buzzwords that are being used nowadays with Artificial Intelligence. The recent developments in the world of Artificial intelligence can be attributed to these two as they have played a significant role in improving the intelligence of AI.

Look around, and you will find more and more intelligent machines around. Thanks to Neural Networks and Deep Learning, jobs and capabilities that were once considered the forte of humans are now being performed by machines. Today, Machines are no longer made to eat more complex algorithms, but instead, they are fed to develop into an autonomous, self-teaching system capable of revolutionizing many industries all around.

Neural Networks and Deep Learning have lent enormous success to the researchers in tasks such as image recognition, speech recognition, finding deeper relations in a data sets. Aided by the availability of massive amounts of data and computational power, machines can recognize objects, translate speech, train themselves to identify complex patterns, learn how to devise strategies and make contingency plans in real-time.

So, how exactly does this work? Do you know that both Neutral Networks and Deep-Learning related, in fact, to understand Deep learning, you must first understand about Neural Networks? Read on to know more.

What is a Neural Network

A Neural network is basically a programming pattern or a set of algorithms that enables a computer to learn from the observational data. A Neural network is similar to a human brain, which works by recognizing the patterns. The sensory data is interpreted using a machine perception, labeling or clustering raw input. The patterns recognized are numerical, enclosed in vectors, into which the data such are images, sound, text, etc. are translated.

Think Neural Network! Think how a human brain function

As mentioned above, a neural network functions just like a human brain; it acquires all the knowledge through a learning process. After that, synaptic weights store the acquired knowledge. During the learning process, the synaptic weights of the network are reformed to achieve the desired objective.

Just like the human brain, Neural Networks work like non-linear parallel information-processing systems which rapidly perform computations such as pattern recognition and perception. As a result, these networks perform very well in areas like speech, audio and image recognition where the inputs/signals are inherently nonlinear.

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.

Structure of Neural Networks

(Image Credit: Mathworks)

Neural Networks comprises of three layers,

1. Input layer,
2. Hidden layer, and
3. Output layer.

Each layer consists of one or more nodes, as shown in the below diagram by small circles. The lines between the nodes indicate the flow of information from one node to the next. The information flows from the input to the output, i.e. from left to right (in some cases it may be from right to left or both ways).

The nodes of the input layer are passive, meaning they do not modify the data. They receive a single value on their input and duplicate the value to their multiple outputs. Whereas, the nodes of the hidden and output layer are active. Thus that can they modify the data.

In an interconnected structure, each value from the input layer is duplicated and sent to all of the hidden nodes. The values entering a hidden node are multiplied by weights, a set of predetermined numbers stored in the program. The weighted inputs are then added to produce a single number. Neural networks can have any number of layers, and any number of nodes per layer. Most applications use the three-layer structure with a maximum of a few hundred input nodes

Example of Neural Network

Consider a neural network recognizing objects in a sonar signal, and there are 5000 signal samples stored in the PC. The PC has to figure out if these samples represent a submarine, whale, iceberg, sea rocks, or nothing at all? Conventional DSP methods would approach this problem with mathematics and algorithms, such as correlation and frequency spectrum analysis.

While with a neural network, the 5000 samples would be fed to the input layer, resulting in values popping from the output layer. By selecting the proper weights, the output can be configured to report a wide range of information. For instance, there might be outputs for: submarine (yes/no), sea rock (yes/no), whale (yes/no), etc.

With other weights, the outputs can classify the objects as metal or non-metal, biological or non-biological, enemy or ally, etc. No algorithms, no rules, no procedures; only a relationship between the input and output dictated by the values of the weights selected.

Now, let’s understand the concept of Deep Learning.

What is a Deep Learning

Deep learning is basically a subset of Neural Networks; perhaps you can say a complex Neural Network with many hidden layers in it.

Technically speaking, Deep learning can also be defined as a powerful set of techniques for learning in neural networks. It refers to artificial neural networks (ANN) that are composed of many layers, massive data sets, powerful computer hardware to make complicated training model possible. It contains the class of methods and techniques that employ artificial neural networks with multiple layers of increasingly richer functionality.

Structure of Deep learning network

Deep learning networks mostly use neural network architectures and hence are often referred to as deep neural networks. Use of work “deep” refers to the number of hidden layers in the neural network. A conventional neural network contains three hidden layers, while deep networks can have as many as 120- 150.

Deep Learning involves feeding a computer system a lot of data, which it can use to make decisions about other data. This data is fed through neural networks, as is the case in machine learning. Deep learning networks can learn features directly from the data without the need for manual feature extraction.

Examples of Deep Learning

Deep learning is currently being utilized in almost every industry starting from Automobile, Aerospace, and Automation to Medical. Here are some of the examples.

• Google, Netflix, and Amazon: Google uses it in its voice and image recognition algorithms. Netflix and Amazon also use deep learning to decide what you want to watch or buy next
• Driving without a driver: Researchers are utilizing deep learning networks to automatically detect objects such as stop signs and traffic lights. Deep learning is also used to detect pedestrians, which helps decrease accidents.
• Aerospace and Defense: Deep learning is used to identify objects from satellites that locate areas of interest, and identify safe or unsafe zones for troops.
• Thanks to Deep Learning, Facebook automatically finds and tags friends in your photos. Skype can translate spoken communications in real-time and pretty accurately too.
• Medical Research: Medical researchers are using deep learning to automatically detect cancer cells
• Industrial Automation: Deep learning is helping to improve worker safety around heavy machinery by automatically detecting when people or objects are within an unsafe distance of machines.
• Electronics: Deep learning is being used in automated hearing and speech translation.

Read: What is Machine Learning and Deep Learning?

Conclusion

The concept of Neural Networks is not new, and researchers have met with moderate success in the last decade or so. But the real game-changer has been the evolution of Deep neural networks.

By out-performing the traditional machine learning approaches it has showcased that deep neural networks can be trained and trialed not just by few researchers, but it has the scope to be adopted by multinational technology companies to come with better innovations in the near future.

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

Related posts

• SMS Organizer: SMS Application ขับเคลื่อนโดย Machine Learning

• อะไรคือ Machine Learning and Deep Learning ใน Artificial Intelligence

• วิธีการติดตั้ง Drupal โดยใช้ WAMP บน Windows

• Best Software & Hardware Bitcoin Wallets สำหรับ Windows, IOS, Android

• Setup Internet Radio Station ฟรีบน Windows PC

• วิธีการป้องกันด้วยรหัสผ่านและปลอดภัยเอกสาร PDf ด้วย LibreOffice

• 10 ที่ดีที่สุด USB LED โคมไฟสำหรับแล็ปท็อป

• Nine Nostalgic Tech Sounds คุณอาจไม่ได้ยินในปี

• เกิดข้อผิดพลาดขณะตรวจสอบการอัปเดตใน VLC

• Best ฟรี Secure Digital Notebook Software & Online Services

• วิธีการติดตั้ง Windows 95 บน Windows 10

• วิธีใช้ Template เพื่อสร้างเอกสารด้วย LibreOffice

• Whiteboard Fox เป็นฟรี online whiteboard ฟรีที่อนุญาต real-time sharing

• Data Analytics คืออะไรและมันใช้สำหรับอะไร

• คุณสมบัติที่ดีที่สุดใน LibreOffice Calc

• นำของคุณเอง Device (BYOD) Advantages, Best Practices, ฯลฯ

• บัญชีนั้นไม่ได้เชื่อมโยงกับ Mixer account ใด ๆ

• เครื่องมือที่ดีที่สุดในการส่ง SMS ฟรีจากคอมพิวเตอร์ของคุณ

• วิธีการแปลง Binary เป็นข้อความโดยใช้ข้อความนี้เป็น Binary Converter

• Silly Window Syndrome - Explanation and Prevention คืออะไร