น.ส.กฤติกา วงศาวณิช นายศุภชัย ตั้งบุญญะศิริ

Slides:



Advertisements
งานนำเสนอที่คล้ายกัน
อัลกอริทึม ITS101 2/2011.
Advertisements

ความรู้เบื้องต้นเกี่ยวกับระบบฐาจข้อมูล
การออกแบบฐานข้อมูลในระดับ Conceptual
ลีลาการเรียนรู้ Learning Style.
การศึกษาและประยุกต์ใช้ขั้นตอนวิธีเชิง วิวัฒน์แบบหลายจุดประสงค์บนคลังข้อมูล เจเมทัล Study of Evolutionary Algorithm in Multi- objective on Library jMetal.
ความรู้ทั่วไปเกี่ยวกับนวัตกรรมการศึกษา
การจำลองความคิด รายวิชา ง40102 หลักการแก้ปัญหาและการโปรแกรม
วงจรสวิตช์ประจุ(Switched Capacitor)
ลักษณะของหลักสูตร หลักสูตรที่เน้นเนื้อหาเป็นหลักสำคัญ
คลิก เข้าสู่การเรียนรู้
บทที่ 1 เทคโนโลยีและนวัตกรรมทางการศึกษา
รูปร่างและรูปทรง.
คอมพิวเตอร์เพื่องานอาชีพ
การแก้ปัญหาด้วยคอมพิวเตอร์
หน่วยที่ 2 วิธีการออกแบบโปรแกรม
Perceptron and Delta rule training for the NN
Back-Propagation Learning (การเรียนรู้แบบแพร่กลับ) (ต่อ)
Adaline and Delta rule training for NN
Decision Tree Analysis
คอมพิวเตอร์ช่วยสอน ประเภทเกม (Game).
Surachai Wachirahatthapong
การออกแบบโปรแกรมอย่างมีโครงสร้าง Structured Design
เทคนิคการสอนและการใช้สื่อคณิตศาสตร์ระดับประถมศึกษา
AI for Computer Game Dr.Yodthong Rodkaew
ขั้นตอนการประมวลผล แบบ FUZZY.
ขั้นตอนวิธี (Algorithm)
การวัดประสิทธิภาพ.
ประชากร และกลุ่มตัวอย่าง
ความหมาย ปัญญาประดิษฐ์
ขั้นตอนการทำงานและอุปกรณ์คอมพิวเตอร์
ระบบการผลิต ( Production System )
System Integration.
บทที่ 1 ความรู้พื้นฐานในการ พัฒนาระบบ
การออกแบบฐานข้อมูลและการบริหารธุรกิจ
8. ระบบผู้เชี่ยวชาญ.
Asst.Prof.Wipavan Narksarp Siam University
เรื่องข้อมูลและสาระสนเทศ
บทที่ 3 การวิเคราะห์ Analysis.
Artificial Intelligence (AI)
มัลติมีเดีย ประกอบประมวลสาระ
การออกแบบโครงสร้าง (Structured Design)
วิชา COSC2202 โครงสร้างข้อมูล (Data Structure)
หลักการเขียนโปรแกรม ( )
หลักการเขียนโปรแกรม ( )
ใบงาน 1. ให้นักเรียนคัดลอกเนื้อหาและตัวอย่างเรื่อง การวิเคราะห์ปัญหาและการจำลองความคิดตั้งแต่สไลด์ที่ 2-11 ลงในสมุด (ถ้าไม่มีให้ทำในกระดาษสมุด1คู่) 2.
การเขียนโปรแกรมเบื้องต้น
การนำระบบเทคโนโลยีสารสนเทศมาสนับสนุนการทำงาน
การเขียนผังงาน (Flowchart)
สำนักงานเขตพื้นที่การศึกษาระนอง
หลักการและวิธีการแก้ปัญหาด้วยกระบวนการเทคโนโลยีสารสนเทศ
หลักการแก้ปัญหา
กลวิธีการสอนคณิตศาสตร์ระดับประถมศึกษา
ครู สุนิสา เมืองมาน้อย
ความรู้เบื้องต้นเกี่ยวกับระบบ Introduction to the System
บทที่ 7 การนำโปรแกรมคอมพิวเตอร์มาใช้ในงานอุตสาหกรรม
กลยุทธ์และกระบวนการสร้างการเรียนรู้
stack #2 ผู้สอน อาจารย์ ยืนยง กันทะเนตร
Artificial Neural Network โครงข่ายประสาทเทียม
หลักการเขียนโปรแกรม ( )
โครงสร้าง ภาษาซี.
องค์ประกอบศิลป์ : รูปร่าง และรูปทรง
รูปร่างเครือข่ายคอมพิวเตอร์ จัดทำโดย เด็กชาย คณิศร อ้อยกลาง เลขที่ 36 ม.2/5 เสนอ อ.สายฝน เอกกันทา โรงเรียนจักรคำคณาทร จ.ลำพูน.
เทคโนโลยีสารสนเทศ.
โครงสร้างข้อมูลและอังกอลิทึม
Data Mining การทำเหมืองข้อมูล
การจัดเรียงข้อมูล (sorting)
โครงสร้างข้อมูลแบบ สแตก (stack)
การศึกษาผลการสอนด้วยวิธีการแบบ บูรณาการ ระหว่างการสอนแบบ CIPPA MODELกับการสอนแบบ MAIP รายวิชาห้องสมุดกับการรู้สารสนเทศ.
องค์ประกอบศิลป์ : รูปร่าง และรูปทรง
ซอฟต์แวร์ (software) จัดทำโดย นาย ยุทธพงศ์ คำยอง
ใบสำเนางานนำเสนอ:

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

Artificial neural network โมเดลทางคณิตศาสตร์ สำหรับประมวลผลสารสนเทศด้วยการคำนวณ จำลองการทำงานของเครือขายประสาทในสมองมนุษย์ มีความสามารถในการเรียนรูการจดจำแบบรูป( Pattern Recognition) และการอุปมานความรู (Knowledge deduction)

Model ของ Neuron ในสมองมนุษย์

โครงสร้าง Neural Network input และ output weight เป็นตัวกำหนดน้ำหนักของ input threshold ค่าของ input แต่ละหน่วยเป็นตัวกำหนดน้ำหนักรวมของ input (มากเท่าใดจึงจะสามารถส่ง output ไปยัง neurons ตัวอื่นได้) neuron นำแต่ละหน่วยมาต่อกันให้ทำงานร่วมกัน

Model ของ Neuron ในคอมพิวเตอร์ Axon แปลงกระแส

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

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

หลักการ Neural Network ต้องทราบค่า weight และ threshold สำหรับสิ่งที่เราต้องการ สามารถกำหนดให้คอมพิวเตอร์ปรับค่าต่าง ๆ ได้โดยการสอนให้รู้จัก pattern ของสิ่งที่เราต้องการ

ตัวอย่างหลักการ Neural Network แบ่ง input เป็น 9 ตัวคือเป็นตาราง 3x3 ถ้ามีเส้นขีดผ่านให้เอาค่าที่กำหนดมาคูณกับน้ำหนักแล้วนำมารวมกัน กำหนดค่าเพื่อแยกแยะระหว่างสี่เหลี่ยมกับสามเหลี่ยม

Back propagation Algorithm เป็นอัลกอริทึมที่ใช้ในการเรียนรู้ของเครือข่ายใยประสาท เพื่อปรับค่าน้ำหนักในเส้นเชื่อมต่อระหว่างโหนดให้เหมาะสม การปรับค่านี้จะขึ้นกับความแตกต่างของค่าเอาต์พุตที่คำนวณได้กับค่าเอาต์พุตที่ต้องการ

ขั้นตอน Back-propagation Algorithm 1. กำหนดค่าอัตราเร็วในการเรียนรู้ 2. คำนวณหาค่าเอาต์พุตโดยใช้ค่าน้ำหนักเริ่มต้นซึ่งอาจได้จากการสุ่ม 3. คำนวณค่าน้ำหนักที่เปลี่ยนแปลงไปสำหรับในทุกน้ำหนัก 4. เพิ่มค่าน้ำหนักที่เปลี่ยนแปลง สำหรับตัวอย่างอินพุตทั้งหมด และเปลี่ยนค่าน้ำหนัก

ขั้นตอน Back-propagation Algorithm input output ชั้นที่ i

การเรียนรู้สำหรับ Neural Network 1. Supervised Learning 2. Unsupervised Learning

Supervised Learning การเรียนแบบมีการสอน ชุดข้อมูลที่ใช้สอนวงจรข่ายจะมีคำตอบไว้คอยตรวจดูว่าวงจรข่ายให้คำตอบที่ถูกหรือไม่ ถ้าตอบไม่ถูก วงจรข่ายก็จะปรับตัวเองเพื่อให้ได้คำตอบที่ดีขึ้น เปรียบเทียบกับคน เหมือนกับการสอนนักเรียนโดยมีครูผู้สอนคอยแนะนำ

Supervised Learning

Unsupervised Learning การเรียนแบบไม่มีการสอน วงจรข่ายจะจัดเรียงโครงสร้างด้วยตัวเองตามลักษณะของข้อมูล ผลลัพธ์ที่ได้ วงจรข่ายจะสามารถจัดหมวดหมู่ของข้อมูลได้ เปรียบเทียบกับคน เช่น การที่เราสามารถแยกแยะพันธุ์พืช พันธุ์สัตว์ตามลักษณะรูปร่างของมันได้เองโดยไม่มีใครสอน

Unsupervised Learning

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

Feedforward network ข้อมูลที่ประมวลผลในวงจรข่ายจะถูกส่งไปในทิศทางเดียวจาก Input nodes ส่งต่อมาเรื่อย ๆ จนถึง output nodes โดยไม่มีการย้อนกลับของข้อมูล Input nodes Output nodes

Feedback network ข้อมูลที่ประมวลผลในวงจรข่าย จะมีการป้อนกลับเข้าไปยังวงจรข่ายหลาย ๆ ครั้ง จนกระทั่งได้คำตอบออกมา Input nodes Output nodes

Network Layer Single-layer perceptron Multi-layer perceptron

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

Network Layer Multi-layer perceptron เครือข่ายใยประสาทจะประกอบด้วยหลายชั้นโดยในแต่ละชั้น จะประกอบด้วยโหนด ค่าน้ำหนักของเส้นที่เชื่อมต่อระหว่างโหนดของแต่ละชั้น

Perceptrons ทำงานเพื่อคัดเลือกสิ่งที่แตกต่างออกมาจากรูปภาพที่รับเข้าไป perceptrons สามารถคัดลอกความคิดพื้นฐานภายในของสัตว์เลี้ยงลูกด้วยนม หลัก ๆ แล้วจะใช้ในรูปแบบ recognition

การประยุกต์ใช้งาน งานการจดจำรูปแบบที่มีความไม่แน่นอน เช่น ลายมือ ตัวอักษร งานการประมาณค่าฟังก์ชันหรือการประมาณความสัมพันธ์ งานที่สิ่งแวดล้อมเปลี่ยนแปลงอยู่เสมอ (วงจรข่ายนิวรอลสามารถปรับตัวเองได้) งานจัดหมวดหมู่และแยกแยะสิ่งของ งานทำนาย เช่น พยากรณ์อากาศ พยากรณ์หุ้น