งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

งานนำเสนอกำลังจะดาวน์โหลด โปรดรอ

Artificial Neural Network โครงข่ายประสาทเทียม. ความมหัศจรรย์ของ สมองมนุษย์ - สมองมนุษย์มีประสิทธิภาพและมั่นคงมาก ทุก วันมีเซลล์ประสาทในสมองตายโดยที่ไม่ส่งผล.

งานนำเสนอที่คล้ายกัน


งานนำเสนอเรื่อง: "Artificial Neural Network โครงข่ายประสาทเทียม. ความมหัศจรรย์ของ สมองมนุษย์ - สมองมนุษย์มีประสิทธิภาพและมั่นคงมาก ทุก วันมีเซลล์ประสาทในสมองตายโดยที่ไม่ส่งผล."— ใบสำเนางานนำเสนอ:

1 Artificial Neural Network โครงข่ายประสาทเทียม

2 ความมหัศจรรย์ของ สมองมนุษย์ - สมองมนุษย์มีประสิทธิภาพและมั่นคงมาก ทุก วันมีเซลล์ประสาทในสมองตายโดยที่ไม่ส่งผล กระทบต่อประสิทธิภาพของสมองโดยรวม - ระบบสมองของมนุษย์ยืดหยุ่นมาก สามารถ ปรับตัวเข้ากับสิ่งแวดล้อมใหม่โดยการเรียนรู้ ( ผิด กับคอมพิวเตอร์ที่จะต้องโปรแกรมใหม่ ) - สมองมนุษย์สามารถจัดการกับข้อมูลที่มีความ ไม่แน่นอน, มีสัญญาณรบกวน, และไม่สม่ำเสมอ ได้ดี - สมองสามารถประมวลผลข้อมูลขนาดมหาศาล เช่นรูปภาพ ในลักษณะการ ประมวลผลแบบ ขนานได้ดี - สมองมีขนาดเล็กและใช้พลังงานน้อย - โครงสร้างของสมองมนุษย์ได้วิวัฒนาการมา เป็นเวลาหลายล้านปี และได้รับพิสูจน์จากธรรมชาติตราบจนกระทั่ง ทุกวันนี้

3 ทำไมคอมพิวเตอร์ในปัจจุบันที่มี ความสามารถในการคำนวณสูงมากยังไม่ สามารถเทียบกับความสามารถของสมอง มนุษย์ในงานง่ายๆ ( สำหรับมนุษย์ ) บางอย่าง เช่น การจำใบหน้า การฟังและการตีความหมาย การแปลภาษา ความสามารถของสมองมนุษย์ vs คอมพิวเตอร์ เซลล์ประสาทส่งสัญญาณ ได้ในอัตราสูงสุดประมาณ 1000 ครั้ง / วินาที ความเร็วของคอมพิวเตอร์ ในปัจจุบันขึ้นไปถึง 1700 MHz ความเร็ว การคำนวณ เลขคณิต สมองคน  ซุปเปอร์คอมพิวเตอร์ปัจจุบัน C > 1000 MFLOP การจดจำและแยก แยะรูปภาพ, เสียง สมองคน  คอมพิวเตอร์ 

4 วงจรข่ายนิวรอลเทียม Artificial Neural Networks เลียนแบบการทำงานของสมองมนุษย์ โดยใช้หน่วยประมวลผลง่ายๆ จำนวนมาก ต่อกันเป็นโครงสร้างขึ้นมา

5 ข่ายงานประสาทเทียม ข่ายงานประสาท (neural network หรือ neural net) ข่ายงานประสาท (neural network หรือ neural net) เป็นการจำลองการทำงานบางส่วน ของสมองมนุษย์ เป็นการจำลองการทำงานบางส่วน ของสมองมนุษย์ โมเดลทางคณิตศาสตร์ สำหรับ ประมวลผลสารสนเทศด้วยการ คำนวณแบบคอนเนคชันนิสต์ (connectionist) เพื่อจำลองการ ทำงานของเครือขายประสาทใน สมองมนุษย์ โมเดลทางคณิตศาสตร์ สำหรับ ประมวลผลสารสนเทศด้วยการ คำนวณแบบคอนเนคชันนิสต์ (connectionist) เพื่อจำลองการ ทำงานของเครือขายประสาทใน สมองมนุษย์

6 วัตถุประสงค์ สรางเครื่องมือซึ่งมีความสามารถใน การเรียนรูการจดจำรูปแบบ (Pattern Recognition) และการอุปมานความ รู ( Knowledge deduction) เช นเดียวกับความสามารถที่มีในสมอง มนุษย์ สรางเครื่องมือซึ่งมีความสามารถใน การเรียนรูการจดจำรูปแบบ (Pattern Recognition) และการอุปมานความ รู ( Knowledge deduction) เช นเดียวกับความสามารถที่มีในสมอง มนุษย์

7 หลักการของ Neural Network neurons จะประกอบด้วย input และ output เช่นเดียวกัน neurons จะประกอบด้วย input และ output เช่นเดียวกัน input แต่ละอันมี weight เป็น ตัวกำหนดน้ำหนักของ input input แต่ละอันมี weight เป็น ตัวกำหนดน้ำหนักของ input neuron แต่ละหน่วยจะมีค่า threshold เป็นตัวกำหนดน้ำหนัก รวมของ input neuron แต่ละหน่วยจะมีค่า threshold เป็นตัวกำหนดน้ำหนัก รวมของ input

8 ตัวอย่างโครงสร้างของวงจรข่ายนิวรอลเทียม Input nodes Hidden nodes Output nodes Connections Output ของแต่ละโหนด W i j = น้ำหนัก (weight) ของแต่ละแขน (connection)X i = input จากโหนดอื่นๆ

9 การทำงาน เมื่อมี input เข้ามายัง network ก็ เอา input มาคูณกับ weight ของ แต่ละขา ผลที่ได้จาก input ทุก ๆ ขาของ neuron จะเอามารวมกัน แล้วก็เอามาเทียบกับ threshold ที่ กำหนดไว้ เมื่อมี input เข้ามายัง network ก็ เอา input มาคูณกับ weight ของ แต่ละขา ผลที่ได้จาก input ทุก ๆ ขาของ neuron จะเอามารวมกัน แล้วก็เอามาเทียบกับ threshold ที่ กำหนดไว้

10 การเรียนรู้สำหรับ Neural Network Supervised Learning การเรียนแบบมี การสอน Supervised Learning การเรียนแบบมี การสอน การเรียนแบบมีการตรวจคำตอบเพื่อให้ วงจรข่ายปรับตัว การเรียนแบบมีการตรวจคำตอบเพื่อให้ วงจรข่ายปรับตัว มีชุดข้อมูลที่ใช้สอนเพื่อคอยดูว่าวงจร ข่ายให้คำตอบถูกหรือไม่ มีชุดข้อมูลที่ใช้สอนเพื่อคอยดูว่าวงจร ข่ายให้คำตอบถูกหรือไม่ ถ้าไม่ถูก วงจรข่ายก็จะปรับตัวเพื่อให้ ได้คำตอบที่ดีขึ้น ถ้าไม่ถูก วงจรข่ายก็จะปรับตัวเพื่อให้ ได้คำตอบที่ดีขึ้น

11 Unsupervised Learning การ เรียนแบบไม่มีการสอน Unsupervised Learning การ เรียนแบบไม่มีการสอน การเรียนแบบไม่มีผู้แนะนำ การเรียนแบบไม่มีผู้แนะนำ วงจรข่ายจะจัดเรียงตัวเองตามลักษณะ ของข้อมูล วงจรข่ายจะจัดเรียงตัวเองตามลักษณะ ของข้อมูล วงจรข่ายจะสามารถจัดหมวดหมู่ของ ข้อมูลได้ วงจรข่ายจะสามารถจัดหมวดหมู่ของ ข้อมูลได้

12 Network Architecture Feedforward network ข้อมูลที่ประมวลผลในวงจรข่ายจะถูกส่งไปในทิศทางเดียวจาก Input nodes ส่งต่อมาเรื่อยๆจนถึง output nodes โดยไม่มีการย้อนกลับของข้อมูล หรือแม้แต่ Nodes ใน layer เดียวกันก็ไม่มีการเชื่อมต่อกัน Input nodesOutput nodes Direction of data flow

13 Network Architecture Feedback network ข้อมูลที่ประมวลผลในวงจรข่าย จะมีการป้อนกลับเข้าไปยังวงจรข่ายหลายๆครั้ง จนกระทั่งได้คำตอบออกมา ( บางทีเรียกว่า Recurrent network) Input nodes Output nodes

14 Neural Network Taxonomy Gradient Descent Recurrent Backpropagation RABAM Brownian annealing Boltzmann learning ABAM, ART-2, BAM Adaptive Resonance ART-1, ART-2 Vector Quantization Self-organizing maps Competitive learning Counter-propagation Least mean square Backpropagation Reinforcement learning Feedforward Feedback Supervised Unsupervised

15 การประยุกต์ใช้งาน Neural Network งานการจดจำรูปแบบที่มีความไม่แน่นอน เช่น ลายมือ ลายเซนต์ ตัวอักษร รูปหน้า งานการจดจำรูปแบบที่มีความไม่แน่นอน เช่น ลายมือ ลายเซนต์ ตัวอักษร รูปหน้า งานการประมาณค่าฟังก์ชันหรือการ ประมาณความสัมพันธ์ ( มี inputs และ outputs แต่ไม่ทราบว่า inputs กับ outputs มีความสัมพันธ์กันอย่างไร ) งานการประมาณค่าฟังก์ชันหรือการ ประมาณความสัมพันธ์ ( มี inputs และ outputs แต่ไม่ทราบว่า inputs กับ outputs มีความสัมพันธ์กันอย่างไร ) งานที่สิ่งแวดล้อมเปลี่ยนแปลงอยู่เสมอ ( วงจรข่ายนิวรอลสามารถปรับตัวเองได้ ) งานที่สิ่งแวดล้อมเปลี่ยนแปลงอยู่เสมอ ( วงจรข่ายนิวรอลสามารถปรับตัวเองได้ ) งานจัดหมวดหมู่และแยกแยะสิ่งของ งานจัดหมวดหมู่และแยกแยะสิ่งของ งานทำนาย เช่นพยากรณ์อากาศ พยากรณ์หุ้น งานทำนาย เช่นพยากรณ์อากาศ พยากรณ์หุ้น

16 การประยุกตใชขายงานระบบ ประสาทควบคุมกระบวนการทางเคมี โดยวิธีพยากรณแบบจำลอง (Model Predictive Control) การประยุกตใชขายงานระบบ ประสาทควบคุมกระบวนการทางเคมี โดยวิธีพยากรณแบบจำลอง (Model Predictive Control) การประยุกตใชขายงานระบบ ประสาทแบบแพรกระจายกลับในการ ทำนายพลังงานความรอนที่สะสม อยูในตัวอาคาร การประยุกตใชขายงานระบบ ประสาทแบบแพรกระจายกลับในการ ทำนายพลังงานความรอนที่สะสม อยูในตัวอาคาร

17 สรุป การสร้างคอมพิวเตอร์ที่จำลองเอา วิธีการทำงานของสมองมนุษย์ การสร้างคอมพิวเตอร์ที่จำลองเอา วิธีการทำงานของสมองมนุษย์ input units,output units โดยมี การกำหนดค่าน้ำหนักให้แก่เส้นทาง การนำเข้าของ input แต่ละตัว input units,output units โดยมี การกำหนดค่าน้ำหนักให้แก่เส้นทาง การนำเข้าของ input แต่ละตัว การสร้างการเรียนรู้สำหรับ Neural Network เพื่อ มีสองวิธี คือ Supervised Learning และ Unsupervised Learning การสร้างการเรียนรู้สำหรับ Neural Network เพื่อ มีสองวิธี คือ Supervised Learning และ Unsupervised Learning


ดาวน์โหลด ppt Artificial Neural Network โครงข่ายประสาทเทียม. ความมหัศจรรย์ของ สมองมนุษย์ - สมองมนุษย์มีประสิทธิภาพและมั่นคงมาก ทุก วันมีเซลล์ประสาทในสมองตายโดยที่ไม่ส่งผล.

งานนำเสนอที่คล้ายกัน


Ads by Google