Artificial Neural Network โครงข่ายประสาทเทียม

Artificial Neural Networkโครงข่ายประสาทเทียม

ความมหัศจรรย์ของสมองมนุษย์ความมหัศจรรย์ของสมองมนุษย์ • - สมองมนุษย์มีประสิทธิภาพและมั่นคงมาก ทุกวันมีเซลล์ประสาทในสมองตายโดยที่ไม่ส่งผลกระทบต่อประสิทธิภาพของสมองโดยรวม • - ระบบสมองของมนุษย์ยืดหยุ่นมาก สามารถปรับตัวเข้ากับสิ่งแวดล้อมใหม่โดยการเรียนรู้ (ผิดกับคอมพิวเตอร์ที่จะต้องโปรแกรมใหม่) • สมองมนุษย์สามารถจัดการกับข้อมูลที่มีความไม่แน่นอน, มีสัญญาณรบกวน, และไม่สม่ำเสมอ ได้ดี • สมองสามารถประมวลผลข้อมูลขนาดมหาศาล เช่นรูปภาพ ในลักษณะการ ประมวลผลแบบขนานได้ดี • สมองมีขนาดเล็กและใช้พลังงานน้อย • โครงสร้างของสมองมนุษย์ได้วิวัฒนาการมาเป็นเวลาหลายล้านปี • และได้รับพิสูจน์จากธรรมชาติตราบจนกระทั่งทุกวันนี้

ทำไมคอมพิวเตอร์ในปัจจุบันที่มีความสามารถในการคำนวณสูงมากยังไม่สามารถเทียบกับความสามารถของสมองมนุษย์ในงานง่ายๆทำไมคอมพิวเตอร์ในปัจจุบันที่มีความสามารถในการคำนวณสูงมากยังไม่สามารถเทียบกับความสามารถของสมองมนุษย์ในงานง่ายๆ (สำหรับมนุษย์) บางอย่าง เช่น การจำใบหน้า การฟังและการตีความหมาย การแปลภาษา ความสามารถของสมองมนุษย์ vs คอมพิวเตอร์ เซลล์ประสาทส่งสัญญาณ ได้ในอัตราสูงสุดประมาณ 1000 ครั้ง/วินาที ความเร็วของคอมพิวเตอร์ ในปัจจุบันขึ้นไปถึง 1700 MHz ความเร็ว ซุปเปอร์คอมพิวเตอร์ปัจจุบัน C > 1000 MFLOP การคำนวณ เลขคณิต สมองคนD การจดจำและแยก แยะรูปภาพ, เสียง สมองคนC คอมพิวเตอร์D

วงจรข่ายนิวรอลเทียม Artificial Neural Networks เลียนแบบการทำงานของสมองมนุษย์ โดยใช้หน่วยประมวลผลง่ายๆ จำนวนมาก ต่อกันเป็นโครงสร้างขึ้นมา

ข่ายงานประสาทเทียม • ข่ายงานประสาท (neural network หรือ neural net) • เป็นการจำลองการทำงานบางส่วนของสมองมนุษย์ • โมเดลทางคณิตศาสตร์ สำหรับประมวลผลสารสนเทศด้วยการคำนวณแบบคอนเนคชันนิสต์ (connectionist) เพื่อจำลองการทำงานของเครือขายประสาทในสมองมนุษย์

วัตถุประสงค์ • สรางเครื่องมือซึ่งมีความสามารถในการเรียนรูการจดจำรูปแบบ(Pattern Recognition) และการอุปมานความรู ( Knowledge deduction) เชนเดียวกับความสามารถที่มีในสมองมนุษย์

หลักการของ Neural Network • neurons จะประกอบด้วย input และ output เช่นเดียวกัน • input แต่ละอันมี weight เป็นตัวกำหนดน้ำหนักของ input • neuron แต่ละหน่วยจะมีค่า threshold เป็นตัวกำหนดน้ำหนักรวมของ input

ตัวอย่างโครงสร้างของวงจรข่ายนิวรอลเทียมตัวอย่างโครงสร้างของวงจรข่ายนิวรอลเทียม Input nodes Output nodes Hidden nodes Connections Output ของแต่ละโหนด Xi = input จากโหนดอื่นๆ Wij= น้ำหนัก(weight)ของแต่ละแขน (connection)

การทำงาน • เมื่อมี input เข้ามายัง network ก็เอา input มาคูณกับ weight ของแต่ละขา ผลที่ได้จาก input ทุก ๆ ขาของ neuron จะเอามารวมกันแล้วก็เอามาเทียบกับ threshold ที่กำหนดไว้

การเรียนรู้สำหรับ Neural Network • Supervised Learning การเรียนแบบมีการสอน • การเรียนแบบมีการตรวจคำตอบเพื่อให้วงจรข่ายปรับตัว • มีชุดข้อมูลที่ใช้สอนเพื่อคอยดูว่าวงจรข่ายให้คำตอบถูกหรือไม่ • ถ้าไม่ถูก วงจรข่ายก็จะปรับตัวเพื่อให้ได้คำตอบที่ดีขึ้น

Unsupervised Learning การเรียนแบบไม่มีการสอน • การเรียนแบบไม่มีผู้แนะนำ • วงจรข่ายจะจัดเรียงตัวเองตามลักษณะของข้อมูล • วงจรข่ายจะสามารถจัดหมวดหมู่ของข้อมูลได้

Network Architecture Input nodes Output nodes Feedforward network ข้อมูลที่ประมวลผลในวงจรข่ายจะถูกส่งไปในทิศทางเดียวจาก Input nodes ส่งต่อมาเรื่อยๆจนถึง output nodesโดยไม่มีการย้อนกลับของข้อมูล หรือแม้แต่ Nodes ใน layerเดียวกันก็ไม่มีการเชื่อมต่อกัน Direction of data flow

Network Architecture Output nodes Input nodes Feedback network ข้อมูลที่ประมวลผลในวงจรข่ายจะมีการป้อนกลับเข้าไปยังวงจรข่ายหลายๆครั้ง จนกระทั่งได้คำตอบออกมา (บางทีเรียกว่า Recurrent network)

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

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

การประยุกตใชขายงานระบบประสาทควบคุมกระบวนการทางเคมีโดยวิธีพยากรณแบบจำลอง (Model Predictive Control) • การประยุกตใชขายงานระบบประสาทแบบแพรกระจายกลับในการทำนายพลังงานความรอนที่สะสม อยูในตัวอาคาร

สรุป • การสร้างคอมพิวเตอร์ที่จำลองเอาวิธีการทำงานของสมองมนุษย์ • input units ,output units โดยมีการกำหนดค่าน้ำหนักให้แก่เส้นทางการนำเข้าของ input แต่ละตัว • การสร้างการเรียนรู้สำหรับ Neural Network เพื่อ มีสองวิธี คือ Supervised Learning และ Unsupervised Learning

Artificial Neural Network โครงข่ายประสาทเทียม