Neural Networks for Dummies: คู่มือที่ครอบคลุม

สมองของเราเป็นเครื่องจักรที่จดจำรูปแบบได้อย่างไม่น่าเชื่อ มันประมวลผล 'อินพุต' จากโลกภายนอก จัดหมวดหมู่พวกเขา (นั่นคือสุนัข นั่นคือพิซซ่า โอ้ นั่นคือรถบัสที่วิ่งมาหาฉัน!) แล้วสร้าง 'ผลลัพธ์' (การลูบคลำสุนัข รสชาติอร่อยของ พิซซ่านั่น ออกไปให้พ้นทางรถบัส!)
ทั้งหมดนี้ใช้ความพยายามเพียงเล็กน้อย เกือบจะหุนหันพลันแล่น เป็นระบบเดียวกับที่รับรู้ได้ว่ามีใครบางคนโกรธเรา หรือสังเกตเห็นสัญญาณหยุดโดยไม่ได้ตั้งใจขณะที่เราขับผ่านมันไป นักจิตวิทยาเรียกรูปแบบการคิดนี้ว่า 'ระบบ 1' และรวมถึงทักษะโดยกำเนิด เช่น การรับรู้และความกลัว ที่เราแบ่งปันกับสัตว์อื่นๆ (นอกจากนี้ยังมี 'ระบบ 2' หากต้องการทราบข้อมูลเพิ่มเติม โปรดดูการ คิด เร็ว และช้า โดย Daniel Kahneman ที่มี ข้อมูลครบถ้วน
ทั้งหมดนี้เกี่ยวข้องกับ Neural Networks อย่างไรคุณถาม รอ เราจะไปถึงที่นั่นในอีกสักครู่

ดูภาพด้านบน แค่ตัวเลขปกติของคุณ ซึ่งบิดเบี้ยวเพื่อช่วยให้คุณอธิบายการเรียนรู้ของ Neural Networks ได้ดีขึ้น แม้จะมองคร่าวๆ ก็ตาม จิตใจของคุณจะเตือนคุณด้วยคำว่า “192”
คุณไม่ได้ไปแน่นอน “อ่า นั่นดูเหมือนเป็นเส้นตรง ฉันคิดว่ามันเป็น 1” คุณไม่ได้คำนวณมัน – มันเกิดขึ้นทันที
ที่น่าสนใจใช่มั้ย?
มีเหตุผลง่ายๆ สำหรับเรื่องนี้ คุณเคยเจอตัวเลขมาหลายครั้งในชีวิตของคุณ โดยจากการลองผิดลองถูก สมองของคุณจะจดจำตัวเลขนั้นโดยอัตโนมัติ ถ้าคุณนำเสนอมันด้วยบางสิ่งที่ใกล้เคียงแม้กระทั่งจากระยะไกล
Data Science, Machine Learning และ Big Data แตกต่างกันอย่างไร

ตัดไปที่การไล่ล่า

Neural Network คือ อะไร ? มันทำงานอย่างไร?

ตามคำจำกัดความ โครงข่ายประสาทเทียมคือระบบของฮาร์ดแวร์หรือซอฟต์แวร์ ซึ่งมีลวดลายตามการทำงานของเซลล์ประสาทในสมองของมนุษย์ โดยพื้นฐานแล้ว มันช่วยให้คอมพิวเตอร์คิดและเรียนรู้เหมือนมนุษย์ ตัวอย่างจะทำให้สิ่งนี้ชัดเจนยิ่งขึ้น:
สมัยเด็กๆ ถ้าเราเคยจับแก้วกาแฟร้อน ๆ แล้วแก้วนั้นไหม้ เราก็จะไม่แตะแก้วกาแฟร้อนอีกเลย แต่เรามีแนวคิดเรื่องความเจ็บปวดในมโนธรรมก่อนที่เราจะสัมผัสหรือไม่? ไม่เชิง.
การปรับความรู้และความเข้าใจของเราเกี่ยวกับโลกรอบตัวเรานี้ขึ้นอยู่กับรูปแบบการจดจำ และเช่นเดียวกับเรา คอมพิวเตอร์ก็เรียนรู้ผ่านการรู้จำรูปแบบประเภทเดียวกัน การเรียนรู้นี้เป็นพื้นฐานทั้งหมดของการทำงานของ โครงข่ายประสาท เทียม
โปรแกรมคอมพิวเตอร์แบบเดิมๆ ทำงานบนลอจิกทรี - ถ้า A เกิดขึ้น แสดงว่า B จะเกิดขึ้น ผลลัพธ์ที่เป็นไปได้ทั้งหมดสำหรับแต่ละระบบสามารถตั้งโปรแกรมล่วงหน้าได้ อย่างไรก็ตาม สิ่งนี้ช่วยขจัดขอบเขตของความยืดหยุ่น ไม่มีการเรียนรู้ที่นั่น
และนั่นคือที่ มาของ Neural Networks ! โครง ข่ายประสาทเทียม ถูกสร้างขึ้นโดยไม่มีตรรกะเฉพาะใดๆ โดยพื้นฐานแล้วมันคือระบบที่ได้รับการฝึกฝนเพื่อค้นหาและปรับให้เข้ากับรูปแบบภายในข้อมูล มันถูกจำลองขึ้นตามวิธีที่สมองของเราทำงาน แต่ละเซลล์ประสาท (ความคิด) เชื่อมต่อกันผ่านทางประสาท ไซแนปส์แต่ละอันมีค่าที่แสดงถึงความน่าจะเป็นหรือความน่าจะเป็นของการเชื่อมต่อระหว่างสองเซลล์ประสาทที่จะเกิดขึ้น ลองดูภาพด้านล่าง:

เซลล์ประสาทคืออะไรกันแน่?
พูดง่ายๆ ก็คือ เซลล์ประสาทเป็นเพียงแนวคิดเอกพจน์ แก้วมัค, สีขาว, ชา - ความรู้สึกแสบร้อนเมื่อได้สัมผัสแก้วน้ำร้อน อะไรก็ได้ ทั้งหมดนี้เป็นเซลล์ประสาทที่เป็นไปได้ พวกเขาทั้งหมดสามารถเชื่อมต่อได้และความแรงของการเชื่อมต่อนั้นตัดสินโดยคุณค่าของไซแนปส์ มูลค่าที่สูงขึ้นการเชื่อมต่อที่ดีขึ้น มาดู การเชื่อมต่อ โครงข่ายประสาทเทียม ขั้นพื้นฐาน ที่จะช่วยให้คุณเข้าใจได้ดีขึ้น:

แต่ละเซลล์ประสาทเป็นโหนดและเส้นที่เชื่อมต่อกันคือไซแนปส์ ค่าไซแนปส์แสดงถึงความน่าจะเป็นที่จะพบเซลล์ประสาทหนึ่งเซลล์ข้างๆ อีกเซลล์หนึ่ง ดังนั้นจึงค่อนข้างชัดเจนว่าแผนภาพที่แสดงในภาพด้านบนกำลังอธิบายแก้วกาแฟที่มีสีขาวและร้อนจัด
การสร้างภาษาธรรมชาติ: เรื่องเด่นที่คุณต้องรู้

แก้วน้ำทั้งหมดไม่มีคุณสมบัติเหมือนกับแก้วที่มีปัญหา เราสามารถเชื่อมเซลล์ประสาทอื่นๆ เข้ากับแก้วได้ ตัวอย่างเช่น ชามักพบได้บ่อยกว่ากาแฟ โอกาสที่เซลล์ประสาทสองเซลล์จะเชื่อมต่อกันนั้นพิจารณาจากความแรงของไซแนปส์ที่เชื่อมต่อพวกมัน ยิ่งจำนวนแก้วร้อนมาก ไซแนปส์ก็ยิ่งแรงขึ้น
อย่างไรก็ตาม ในโลกที่แก้วไม่ได้ใช้เก็บเครื่องดื่มร้อน จำนวนแก้วร้อนจะลดลงอย่างมาก อนึ่งการลดลงนี้จะส่งผลให้ความแข็งแรงของไซแนปส์ที่เชื่อมแก้วกับความร้อนลดลง
ดังนั้น,

กลายเป็น

คำอธิบายของแก้วขนาดเล็กและดูเหมือนไม่สำคัญนี้แสดงถึงโครงสร้างหลักของ โครงข่ายประสาท เทียม
เราจับแก้วที่วางอยู่บนโต๊ะ — เราพบว่ามันร้อน มันทำให้เราคิดว่าแก้วทั้งหมดร้อน จากนั้นเราก็แตะแก้วอีกใบ คราวนี้แก้วที่เก็บไว้บนหิ้งไม่ร้อนเลย เราสรุปได้ว่าเหยือกในชั้นวางไม่ร้อน เมื่อเราเติบโตขึ้น เราก็มีวิวัฒนาการ
สมองของเรารับข้อมูลอยู่ตลอดเวลา ข้อมูลนี้ทำให้ระบุความน่าจะเป็นได้อย่างแม่นยำว่าแก้วที่เรากำลังจะสัมผัสจะร้อนหรือไม่ Neural Networks เรียนรู้ในลักษณะเดียวกัน
ตอนนี้ มาพูดคุยกันเล็กน้อยเกี่ยวกับรูปแบบแรกและพื้นฐานที่สุดของ โครงข่ายประสาทเทียม : The Perceptron!

Perceptron คืออะไร?

Perceptron เป็นรูปแบบพื้นฐานที่สุดของ โครงข่ายประสาทเทียม ใช้อินพุตไบนารีหลายตัว: x1, x2, … และสร้างเอาต์พุตไบนารีเดียว

มาทำความเข้าใจ โครงข่ายประสาท ข้างต้น กันดีกว่าโดยใช้การเปรียบเทียบ
บอกว่าคุณเดินไปทำงาน การตัดสินใจไปทำงานของคุณขึ้นอยู่กับสองปัจจัยหลัก ได้แก่ สภาพอากาศ และไม่ว่าจะเป็นวันธรรมดาหรือไม่ ปัจจัยด้านสภาพอากาศยังคงสามารถจัดการได้ แต่การทำงานในวันหยุดสุดสัปดาห์ไม่ใช่เรื่องใหญ่! เนื่องจากเราต้องทำงานกับอินพุตไบนารี เรามาเสนอเงื่อนไขเป็นคำถามใช่หรือไม่ใช่ อากาศดีไหม 1 สำหรับใช่ 0 สำหรับไม่ใช่ มันเป็นวันธรรมดา? 1 ใช่ 0 ไม่ใช่
คู่มือสำหรับผู้เริ่มต้นเพื่อทำความเข้าใจภาษาธรรมชาติ

จำไว้ว่าเราไม่สามารถบอก เงื่อนไขเหล่านี้ กับ โครงข่ายประสาท ได้อย่างชัดเจน มันจะต้องเรียนรู้ด้วยตัวมันเอง จะตัดสินลำดับความสำคัญของปัจจัยเหล่านี้ในขณะตัดสินใจอย่างไร? โดยใช้สิ่งที่เรียกว่า “ตุ้มน้ำหนัก” น้ำหนักเป็นเพียงการแสดงตัวเลขของการตั้งค่าที่ต้องการ น้ำหนักที่มากขึ้นจะทำให้ โครงข่ายประสาท พิจารณาการป้อนข้อมูลนั้นมีลำดับความสำคัญสูงกว่าส่วนอื่นๆ ซึ่งแสดงโดย w1, w2…ในผังงานด้านบน
“เอาล่ะ ทั้งหมดนี้น่าสนใจมาก แต่ Neural Networks หางานได้ที่ไหนในสถานการณ์จริง?”

การใช้งานจริงของ Neural Networks

หากคุณยังไม่ได้คิดออก นี่คือสิ่งที่ โครงข่ายประสาท สามารถทำทุกอย่างได้ตราบเท่าที่คุณสามารถได้รับข้อมูลเพียงพอและเครื่องจักรที่มีประสิทธิภาพเพื่อรับพารามิเตอร์ที่เหมาะสม สิ่งใดก็ตามที่แม้แต่การเรียนรู้ของเครื่องจากระยะไกลก็เปลี่ยนไปใช้ โครงข่ายประสาทเทียม เพื่อขอความช่วยเหลือ การเรียนรู้อย่างลึกซึ้งเป็นอีกโดเมนหนึ่งที่ใช้ โครงข่ายประสาทเทียม อย่างกว้างขวาง เป็นหนึ่งในอัลกอริธึมการเรียนรู้ของเครื่องที่ช่วยให้คอมพิวเตอร์ทำงานต่างๆ มากมาย เช่น การจัดประเภท การจัดกลุ่ม หรือการทำนาย

• ด้วยความช่วยเหลือของ โครงข่ายประสาทเทียม เราสามารถค้นหาวิธีแก้ไขปัญหาดังกล่าวซึ่งวิธีอัลกอริธึมดั้งเดิมมีราคาแพงหรือไม่มีอยู่จริง
• โครงข่ายประสาทเทียม สามารถเรียนรู้ได้จากตัวอย่าง ดังนั้นเราจึงไม่จำเป็นต้องตั้งโปรแกรมให้ใหญ่โต
• โครงข่ายประสาทเทียม นั้นแม่นยำและเร็วกว่าความเร็วปกติอย่างมาก

ด้วยเหตุผลที่กล่าวข้างต้นและอื่นๆ Deep Learning โดยการใช้ Neural Networks พบว่ามีการใช้งานอย่างกว้างขวางในด้านต่อไปนี้:

• การรู้จำเสียง: นำตัวอย่างของ Amazon Echo Dot – ลำโพงวิเศษที่ให้คุณสั่งอาหาร รับข่าวสารและข้อมูลอัปเดตสภาพอากาศ หรือเพียงแค่ซื้อของทางออนไลน์เพียงแค่พูดออกมา
• การรู้จำลายมือ: สามารถฝึกโครงข่ายประสาทเทียมเพื่อให้เข้าใจรูปแบบการเขียนด้วยลายมือของใครบางคน ดู แอปพลิเคชันการป้อนข้อมูลด้วยลายมือ ของ Google ซึ่งใช้ประโยชน์จากการรู้จำลายมือเพื่อแปลงการเขียนลวก ๆ ของคุณให้เป็นข้อความที่มีความหมายได้อย่างราบรื่น
• การจดจำใบหน้า: ตั้งแต่การปรับปรุงความปลอดภัยบนโทรศัพท์ของคุณ (Face ID) ไปจนถึง ตัวกรอง Snapchat สุดเจ๋ง การจดจำใบหน้ามีอยู่ทุกที่ หากคุณเคยอัปโหลดรูปภาพบน Facebook และถูกขอให้แท็กบุคคลในรูปภาพของคุณ คุณจะรู้ว่าการจดจำใบหน้าคืออะไร!
• การจัดหาปัญญาประดิษฐ์ในเกม: หากคุณเคยเล่นหมากรุกกับคอมพิวเตอร์ คุณรู้อยู่แล้วว่าปัญญาประดิษฐ์ให้พลังแก่เกมและการพัฒนาเกมอย่างไร เท่าที่ผู้เล่นใช้ AI เพื่อปรับปรุงกลยุทธ์และลองใช้กลยุทธ์ โดยตรง

สรุปแล้ว…
โครงข่ายประสาทเทียม เป็นแกนหลักของเทคโนโลยีหรือสิ่งประดิษฐ์ขนาดใหญ่แทบทุกอย่างที่คุณเห็นในปัจจุบัน เป็นเรื่องที่ยุติธรรมที่จะบอกว่าการจินตนาการถึงการเรียนรู้เชิงลึก/แมชชีนเลิร์นนิงโดยปราศจาก โครงข่ายประสาทเทียม นั้นแทบ จะเป็นไปไม่ได้เลย ขึ้นอยู่กับวิธีที่คุณใช้เครือข่ายและประเภทของการเรียนรู้ที่คุณใช้ คุณสามารถบรรลุผลได้มากมายจาก โครงข่ายประสาทเทียม เมื่อเทียบกับระบบคอมพิวเตอร์ทั่วไป

เรียนรู้หลักสูตร ML จากมหาวิทยาลัยชั้นนำของโลก รับ Masters, Executive PGP หรือ Advanced Certificate Programs เพื่อติดตามอาชีพของคุณอย่างรวดเร็ว