น.ส.กฤติกา วงศาวณิช นายศุภชัย ตั้งบุญญะศิริ

งานนำเสนอเรื่อง: "น.ส.กฤติกา วงศาวณิช นายศุภชัย ตั้งบุญญะศิริ"— ใบสำเนางานนำเสนอ:

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

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

3 Model ของ Neuron ในสมองมนุษย์

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

5 Model ของ Neuron ในคอมพิวเตอร์
Axon แปลงกระแส

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 สำหรับสิ่งที่เราต้องการ สามารถกำหนดให้คอมพิวเตอร์ปรับค่าต่าง ๆ ได้โดยการสอนให้รู้จัก pattern ของสิ่งที่เราต้องการ

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

10 Back propagation Algorithm
เป็นอัลกอริทึมที่ใช้ในการเรียนรู้ของเครือข่ายใยประสาท เพื่อปรับค่าน้ำหนักในเส้นเชื่อมต่อระหว่างโหนดให้เหมาะสม การปรับค่านี้จะขึ้นกับความแตกต่างของค่าเอาต์พุตที่คำนวณได้กับค่าเอาต์พุตที่ต้องการ

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

12 ขั้นตอน Back-propagation Algorithm
input output ชั้นที่ i

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

14 Supervised Learning การเรียนแบบมีการสอน
ชุดข้อมูลที่ใช้สอนวงจรข่ายจะมีคำตอบไว้คอยตรวจดูว่าวงจรข่ายให้คำตอบที่ถูกหรือไม่ ถ้าตอบไม่ถูก วงจรข่ายก็จะปรับตัวเองเพื่อให้ได้คำตอบที่ดีขึ้น เปรียบเทียบกับคน เหมือนกับการสอนนักเรียนโดยมีครูผู้สอนคอยแนะนำ

15 Supervised Learning

16 Unsupervised Learning
การเรียนแบบไม่มีการสอน วงจรข่ายจะจัดเรียงโครงสร้างด้วยตัวเองตามลักษณะของข้อมูล ผลลัพธ์ที่ได้ วงจรข่ายจะสามารถจัดหมวดหมู่ของข้อมูลได้ เปรียบเทียบกับคน เช่น การที่เราสามารถแยกแยะพันธุ์พืช พันธุ์สัตว์ตามลักษณะรูปร่างของมันได้เองโดยไม่มีใครสอน

17 Unsupervised Learning

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

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

20 Feedback network ข้อมูลที่ประมวลผลในวงจรข่าย จะมีการป้อนกลับเข้าไปยังวงจรข่ายหลาย ๆ ครั้ง จนกระทั่งได้คำตอบออกมา Input nodes Output nodes

21 Network Layer Single-layer perceptron Multi-layer perceptron

22 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

23 Network Layer Multi-layer perceptron
เครือข่ายใยประสาทจะประกอบด้วยหลายชั้นโดยในแต่ละชั้น จะประกอบด้วยโหนด ค่าน้ำหนักของเส้นที่เชื่อมต่อระหว่างโหนดของแต่ละชั้น

24 Perceptrons ทำงานเพื่อคัดเลือกสิ่งที่แตกต่างออกมาจากรูปภาพที่รับเข้าไป
perceptrons สามารถคัดลอกความคิดพื้นฐานภายในของสัตว์เลี้ยงลูกด้วยนม หลัก ๆ แล้วจะใช้ในรูปแบบ recognition

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