งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

Neural Network น. ส. กฤติกา วงศาวณิช 463020380-4 นายศุภชัย ตั้งบุญญะศิริ 463020416- 9.

งานนำเสนอที่คล้ายกัน


งานนำเสนอเรื่อง: "Neural Network น. ส. กฤติกา วงศาวณิช 463020380-4 นายศุภชัย ตั้งบุญญะศิริ 463020416- 9."— ใบสำเนางานนำเสนอ:

1 Neural Network น. ส. กฤติกา วงศาวณิช นายศุภชัย ตั้งบุญญะศิริ

2 Artificial neural network โมเดลทางคณิตศาสตร์ สำหรับประมวลผล สารสนเทศด้วยการคำนวณ จำลองการทำงานของเครือขายประสาทใน สมองมนุษย์ มีความสามารถในการเรียนรูการจดจำแบบ รูป ( Pattern Recognition) และการอุปมาน ความรู (Knowledge deduction)

3 Model ของ Neuron ในสมองมนุษย์

4 โครงสร้าง Neural Network input และ output weight เป็นตัวกำหนดน้ำหนักของ input threshold ค่าของ input แต่ละหน่วยเป็น ตัวกำหนดน้ำหนักรวมของ input ( มากเท่าใดจึง จะสามารถส่ง output ไปยัง neurons ตัวอื่นได้ ) neuron นำแต่ละหน่วยมาต่อกันให้ทำงาน ร่วมกัน

5 Model ของ Neuron ในคอมพิวเตอร์

6 หลักการ Neural Network นำ input มาคูณกับ weight ของแต่ละขา รวมค่าของ input ทุก ๆ ขา เอาค่าที่ได้มาเทียบกับ threshold ที่กำหนดไว้ ถ้าผลรวมมีค่ามากกว่า threshold แล้ว neuron ก็จะส่ง output ออกไป output ที่ได้จะถูกส่งไปยัง input ของ neuron อื่น ๆ ที่เชื่อมกันใน network

7 หลักการ Neural Network สมการการทำงาน if (sum(input * weight) > threshold) then output

8 หลักการ Neural Network ต้องทราบค่า weight และ threshold สำหรับสิ่ง ที่เราต้องการ สามารถกำหนดให้คอมพิวเตอร์ปรับค่าต่าง ๆ ได้ โดยการสอนให้รู้จัก pattern ของสิ่งที่เรา ต้องการ

9 ตัวอย่างหลักการ Neural Network แบ่ง input เป็น 9 ตัวคือเป็นตาราง 3x3 ถ้ามีเส้นขีดผ่านให้เอาค่าที่กำหนดมาคูณกับ น้ำหนักแล้วนำมารวมกัน กำหนดค่าเพื่อแยกแยะระหว่างสี่เหลี่ยมกับ สามเหลี่ยม

10 Back propagation Algorithm เป็นอัลกอริทึมที่ใช้ในการเรียนรู้ของเครือข่ายใย ประสาท เพื่อปรับค่าน้ำหนักในเส้นเชื่อมต่อระหว่างโหนด ให้เหมาะสม การปรับค่านี้จะขึ้นกับความแตกต่างของค่า เอาต์พุตที่คำนวณได้กับค่าเอาต์พุตที่ต้องการ

11 ขั้นตอน Back-propagation Algorithm 1. กำหนดค่าอัตราเร็วในการเรียนรู้ 2. คำนวณหาค่าเอาต์พุตโดยใช้ค่าน้ำหนัก เริ่มต้นซึ่งอาจได้จากการสุ่ม 3. คำนวณค่าน้ำหนักที่เปลี่ยนแปลงไปสำหรับ ในทุกน้ำหนัก 4. เพิ่มค่าน้ำหนักที่เปลี่ยนแปลง สำหรับ ตัวอย่างอินพุตทั้งหมด และเปลี่ยนค่าน้ำหนัก

12 ขั้นตอน Back-propagation Algorithm outp ut input ชั้นที่ i

13 การเรียนรู้สำหรับ Neural Network 1. Supervised Learning 2. Unsupervised Learning

14 Supervised Learning การเรียนแบบมีการสอน ชุดข้อมูลที่ใช้สอนวงจรข่ายจะมีคำตอบไว้คอย ตรวจดูว่าวงจรข่ายให้คำตอบที่ถูกหรือไม่ ถ้า ตอบไม่ถูก วงจรข่ายก็จะปรับตัวเองเพื่อให้ได้ คำตอบที่ดีขึ้น เปรียบเทียบกับคน เหมือนกับการสอนนักเรียน โดยมีครูผู้สอนคอยแนะนำ

15 Supervised Learning

16 Unsupervised Learning การเรียนแบบไม่มีการสอน วงจรข่ายจะจัดเรียงโครงสร้างด้วยตัวเองตาม ลักษณะของข้อมูล ผลลัพธ์ที่ได้ วงจรข่ายจะ สามารถจัดหมวดหมู่ของข้อมูลได้ เปรียบเทียบกับคน เช่น การที่เราสามารถ แยกแยะพันธุ์พืช พันธุ์สัตว์ตามลักษณะรูปร่าง ของมันได้เองโดยไม่มีใครสอน

17 Unsupervised Learning

18 Network Architecture 1. Feedforward network 2. Feedback network 3. Network Layer 4. Perceptrons

19 Feedforward network ข้อมูลที่ประมวลผลในวงจรข่ายจะถูกส่งไปใน ทิศทางเดียวจาก Input nodes ส่งต่อมาเรื่อย ๆ จนถึง output nodes โดยไม่มีการย้อนกลับของ ข้อมูล Input nodesOutput nodes

20 Feedback network ข้อมูลที่ประมวลผลในวงจรข่าย จะมีการ ป้อนกลับเข้าไปยังวงจรข่ายหลาย ๆ ครั้ง จนกระทั่งได้คำตอบออกมา Input nodes Output nodes

21 Network Layer Single-layer perceptron Multi-layer perceptron

22 Network Layer Single-layer perceptron เครือข่ายใยประสาทที่ประกอบด้วยชั้นเพียงชั้น เดียว จำนวน input nodes ขึ้นอยู่กับจำนวน components ของ input data และ Activation function ขึ้นอยู่กับลักษณะข้อมูลของ Output เช่น ถ้า output ที่ต้องการเป็น “ ใช่ ” หรือ “ ไม่ใช่ ” เราจะต้องใช้ Threshold function

23 Network Layer Multi-layer perceptron เครือข่ายใยประสาทจะประกอบด้วยหลายชั้น โดยในแต่ละชั้น จะประกอบด้วยโหนด ค่าน้ำหนักของเส้นที่เชื่อมต่อระหว่างโหนดของ แต่ละชั้น

24 Perceptrons ทำงานเพื่อคัดเลือกสิ่งที่แตกต่างออกมาจาก รูปภาพที่รับเข้าไป perceptrons สามารถคัดลอกความคิดพื้นฐาน ภายในของสัตว์เลี้ยงลูกด้วยนม หลัก ๆ แล้วจะ ใช้ในรูปแบบ recognition

25 การประยุกต์ใช้งาน งานการจดจำรูปแบบที่มีความไม่แน่นอน เช่น ลายมือ ตัวอักษร งานการประมาณค่าฟังก์ชันหรือการประมาณ ความสัมพันธ์ งานที่สิ่งแวดล้อมเปลี่ยนแปลงอยู่เสมอ ( วงจร ข่ายนิวรอลสามารถปรับตัวเองได้ ) งานจัดหมวดหมู่และแยกแยะสิ่งของ งานทำนาย เช่น พยากรณ์อากาศ พยากรณ์หุ้น


ดาวน์โหลด ppt Neural Network น. ส. กฤติกา วงศาวณิช 463020380-4 นายศุภชัย ตั้งบุญญะศิริ 463020416- 9.

งานนำเสนอที่คล้ายกัน


Ads by Google