មាតិកា[លាក់][បង្ហាញ]
Artificial Intelligence (AI) ត្រូវបានគេគិតពីដំបូងថាជាសុបិនដែលនៅឆ្ងាយ ជាបច្ចេកវិទ្យាសម្រាប់អនាគត ប៉ុន្តែវាលែងមានទៀតហើយ។
អ្វីដែលធ្លាប់ជាប្រធានបទស្រាវជ្រាវ ឥឡូវនេះកំពុងផ្ទុះឡើងនៅក្នុងពិភពពិត។ ឥឡូវនេះ AI ត្រូវបានរកឃើញនៅកន្លែងផ្សេងៗគ្នា រួមទាំងកន្លែងធ្វើការ សាលារៀន ធនាគារ មន្ទីរពេទ្យ និងសូម្បីតែទូរសព្ទរបស់អ្នក។
ពួកគេជាភ្នែកនៃយានដែលបើកបរដោយខ្លួនឯង សំឡេងរបស់ Siri និង Alexa គំនិតនៅពីក្រោយការព្យាករណ៍អាកាសធាតុ ដៃនៅពីក្រោយការវះកាត់ជំនួយដោយមនុស្សយន្ត និងអ្វីៗជាច្រើនទៀត។
ក្លែងបន្លំ (AI) កំពុងក្លាយជាលក្ខណៈពិសេសធម្មតានៃជីវិតសម័យទំនើប។ ក្នុងរយៈពេលប៉ុន្មានឆ្នាំចុងក្រោយនេះ AI បានលេចចេញជាតួអង្គសំខាន់ក្នុងវិស័យបច្ចេកវិទ្យាព័ត៌មានវិទ្យាយ៉ាងទូលំទូលាយ។
ទីបំផុតបណ្តាញសរសៃប្រសាទត្រូវបានប្រើប្រាស់ដោយ AI ដើម្បីរៀនអ្វីថ្មីៗ។
ដូច្នេះថ្ងៃនេះ យើងនឹងសិក្សាអំពី Neural Networks របៀបដែលវាដំណើរការ ប្រភេទកម្មវិធី និងច្រើនទៀត។
តើបណ្តាញសរសៃប្រសាទគឺជាអ្វី?
In ការរៀនម៉ាស៊ីនបណ្តាញសរសៃប្រសាទគឺជាបណ្តាញកម្មវិធីនៃសរសៃប្រសាទសិប្បនិម្មិត។ វាព្យាយាមធ្វើត្រាប់តាមខួរក្បាលមនុស្សដោយមានស្រទាប់ជាច្រើននៃ "ណឺរ៉ូន" ដែលស្រដៀងនឹងណឺរ៉ូននៅក្នុងខួរក្បាលរបស់យើង។
ស្រទាប់ទីមួយនៃណឺរ៉ូននឹងទទួលយករូបថត វីដេអូ សំឡេង អត្ថបទ និងធាតុបញ្ចូលផ្សេងទៀត។ ទិន្នន័យនេះហូរតាមគ្រប់កម្រិត ដោយលទ្ធផលនៃស្រទាប់មួយហូរទៅបន្ទាប់។ នេះមានសារៈសំខាន់សម្រាប់កិច្ចការដ៏លំបាកបំផុត ដូចជាការកែច្នៃភាសាធម្មជាតិសម្រាប់ការរៀនតាមម៉ាស៊ីន។
ទោះយ៉ាងណាក៏ដោយ ក្នុងករណីផ្សេងទៀត គោលបំណងសម្រាប់ការបង្រួមប្រព័ន្ធដើម្បីកាត់បន្ថយទំហំគំរូខណៈពេលដែលការរក្សាភាពត្រឹមត្រូវ និងប្រសិទ្ធភាពគឺល្អជាង។ ការកាត់ចេញបណ្តាញសរសៃប្រសាទគឺជាវិធីសាស្ត្របង្ហាប់ដែលរួមបញ្ចូលការដកទម្ងន់ចេញពីគំរូដែលបានសិក្សា។ ពិចារណាបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតដែលត្រូវបានបណ្តុះបណ្តាលដើម្បីសម្គាល់មនុស្សពីសត្វ។
រូបភាពនឹងត្រូវបានបែងចែកទៅជាផ្នែកភ្លឺ និងងងឹតដោយស្រទាប់ទីមួយនៃណឺរ៉ូន។ ទិន្នន័យនេះនឹងត្រូវបានបញ្ជូនទៅស្រទាប់ខាងក្រោម ដែលនឹងកំណត់កន្លែងដែលគែមស្ថិតនៅ។
ស្រទាប់បន្ទាប់នឹងព្យាយាមទទួលស្គាល់ទម្រង់ដែលការបញ្ចូលគ្នារបស់គែមបានបង្កើត។ យោងតាមទិន្នន័យដែលវាត្រូវបានបណ្តុះបណ្តាល ទិន្នន័យនឹងឆ្លងកាត់ស្រទាប់ជាច្រើនក្នុងលក្ខណៈស្រដៀងគ្នាដើម្បីកំណត់ថាតើរូបភាពដែលអ្នកបានបង្ហាញគឺជាមនុស្ស ឬសត្វ។
នៅពេលដែលទិន្នន័យត្រូវបានផ្តល់ឱ្យទៅក្នុងបណ្តាញសរសៃប្រសាទ វាចាប់ផ្តើមដំណើរការវា។ បន្ទាប់ពីនោះទិន្នន័យត្រូវបានដំណើរការតាមកម្រិតរបស់វាដើម្បីទទួលបានលទ្ធផលដែលចង់បាន។ បណ្តាញសរសៃប្រសាទគឺជាម៉ាស៊ីនដែលរៀនពីការបញ្ចូលរចនាសម្ព័ន្ធ និងបង្ហាញលទ្ធផល។ មានបីប្រភេទនៃការរៀនដែលអាចកើតឡើងនៅក្នុងបណ្តាញសរសៃប្រសាទ៖
- ការរៀនដែលត្រូវបានត្រួតពិនិត្យ – ធាតុចូល និងលទ្ធផលត្រូវបានផ្តល់ទៅឱ្យក្បួនដោះស្រាយដោយប្រើទិន្នន័យដែលមានស្លាក។ បន្ទាប់ពីត្រូវបានបង្រៀនពីរបៀបវិភាគទិន្នន័យ ពួកគេបានព្យាករណ៍ពីលទ្ធផលដែលបានគ្រោងទុក។
- ការរៀនដែលគ្មានការត្រួតពិនិត្យ - ANN រៀនដោយគ្មានជំនួយពីមនុស្ស។ មិនមានទិន្នន័យដែលមានស្លាកទេ ហើយលទ្ធផលត្រូវបានសម្រេចដោយលំនាំដែលរកឃើញនៅក្នុងទិន្នន័យលទ្ធផល។
- ការរៀនសូត្រពង្រឹង គឺជាពេលដែលបណ្តាញរៀនពីមតិកែលម្អដែលវាទទួលបាន។
តើបណ្តាញសរសៃប្រសាទដំណើរការយ៉ាងដូចម្តេច?
ណឺរ៉ូនសិប្បនិម្មិតត្រូវបានប្រើក្នុងបណ្តាញសរសៃប្រសាទដែលជាប្រព័ន្ធទំនើប។ ណឺរ៉ូនសិប្បនិមិត្ត ដែលត្រូវបានគេស្គាល់ថាជា perceptrons ត្រូវបានបង្កើតឡើងដោយសមាសធាតុដូចខាងក្រោមៈ
- បញ្ចូល
- ទំងន់
- ខឹង
- មុខងារធ្វើឱ្យសកម្ម
- ទិន្នផល
ស្រទាប់នៃណឺរ៉ូនដែលបង្កើតជាបណ្តាញសរសៃប្រសាទ។ បណ្តាញសរសៃប្រសាទមានបីស្រទាប់៖
- ស្រទាប់បញ្ចូល
- ស្រទាប់លាក់
- ស្រទាប់លទ្ធផល
ទិន្នន័យក្នុងទម្រង់ជាតម្លៃលេខត្រូវបានផ្ញើទៅស្រទាប់បញ្ចូល។ ស្រទាប់លាក់របស់បណ្តាញគឺជាស្រទាប់ដែលធ្វើការគណនាច្រើនបំផុត។ ស្រទាប់លទ្ធផល ចុងក្រោយប៉ុន្តែមិនបានយ៉ាងហោចណាស់ ព្យាករណ៍លទ្ធផល។ ណឺរ៉ូនគ្រប់គ្រងគ្នាទៅវិញទៅមកនៅក្នុងបណ្តាញសរសៃប្រសាទ។ ណឺរ៉ូនត្រូវបានប្រើដើម្បីបង្កើតស្រទាប់នីមួយៗ។ ទិន្នន័យត្រូវបានបញ្ជូនទៅកាន់ស្រទាប់លាក់ បន្ទាប់ពីស្រទាប់បញ្ចូលទទួលបានវា។
ទម្ងន់ត្រូវបានអនុវត្តចំពោះការបញ្ចូលនីមួយៗ។ នៅក្នុងស្រទាប់លាក់នៃបណ្តាញសរសៃប្រសាទ ទម្ងន់គឺជាតម្លៃដែលបកប្រែទិន្នន័យចូល។ ទម្ងន់ដំណើរការដោយគុណទិន្នន័យបញ្ចូលដោយតម្លៃទម្ងន់ក្នុងស្រទាប់បញ្ចូល។
បន្ទាប់មកវាចាប់ផ្តើមតម្លៃនៃស្រទាប់ដែលលាក់ដំបូង។ ទិន្នន័យបញ្ចូលត្រូវបានបំប្លែង និងបញ្ជូនទៅកាន់ស្រទាប់ផ្សេងទៀតតាមរយៈស្រទាប់លាក់។ ស្រទាប់លទ្ធផលគឺទទួលខុសត្រូវក្នុងការបង្កើតលទ្ធផលចុងក្រោយ។ ធាតុបញ្ចូល និងទម្ងន់ត្រូវបានគុណ ហើយលទ្ធផលត្រូវបានបញ្ជូនទៅសរសៃប្រសាទស្រទាប់លាក់ទុកជាផលបូក។ ណឺរ៉ូននីមួយៗត្រូវបានផ្តល់ភាពលំអៀង។ ដើម្បីគណនាចំនួនសរុប ណឺរ៉ូននីមួយៗបន្ថែមធាតុចូលដែលវាទទួលបាន។
បន្ទាប់ពីនោះតម្លៃឆ្លងកាត់តាមរយៈមុខងារធ្វើឱ្យសកម្ម។ លទ្ធផលនៃមុខងារធ្វើឱ្យសកម្មកំណត់ថាតើណឺរ៉ូនត្រូវបានធ្វើឱ្យសកម្មឬអត់។ នៅពេលដែលណឺរ៉ូនសកម្ម វាបញ្ជូនព័ត៌មានទៅស្រទាប់ផ្សេងទៀត។ ទិន្នន័យត្រូវបានបង្កើតនៅក្នុងបណ្តាញរហូតដល់ណឺរ៉ូនឈានដល់ស្រទាប់លទ្ធផលដោយប្រើវិធីសាស្ត្រនេះ។ ការផ្សព្វផ្សាយបន្តគឺជាពាក្យមួយទៀតសម្រាប់រឿងនេះ។
បច្ចេកទេសនៃការបញ្ចូនទិន្នន័យទៅក្នុងថ្នាំងបញ្ចូល និងការទទួលបានលទ្ធផលតាមរយៈថ្នាំងទិន្នផល ត្រូវបានគេស្គាល់ថាជាការផ្សព្វផ្សាយបន្ត។ នៅពេលដែលទិន្នន័យបញ្ចូលត្រូវបានទទួលយកដោយស្រទាប់លាក់ ការផ្សព្វផ្សាយបន្តកើតឡើង។ វាត្រូវបានដំណើរការដោយអនុលោមតាមមុខងារធ្វើឱ្យសកម្មហើយបន្ទាប់មកបញ្ជូនទៅលទ្ធផល។
លទ្ធផលត្រូវបានព្យាករដោយណឺរ៉ូននៅក្នុងស្រទាប់លទ្ធផលដែលមានប្រូបាបខ្ពស់បំផុត។ Backpropagation កើតឡើងនៅពេលដែលទិន្នផលមិនត្រឹមត្រូវ។ ទម្ងន់ត្រូវបានចាប់ផ្តើមទៅនឹងការបញ្ចូលគ្នាខណៈពេលដែលការបង្កើតបណ្ដាញសរសៃប្រសាទមួយ។ Backpropagation គឺជាដំណើរការនៃការកែតម្រូវទម្ងន់នៃការបញ្ចូលនីមួយៗ ដើម្បីកាត់បន្ថយកំហុសឆ្គង និងផ្តល់នូវលទ្ធផលត្រឹមត្រូវជាងមុន។
ប្រភេទនៃបណ្តាញសរសៃប្រសាទ
1. Perceptron
ម៉ូដែល Minsky-Papert perceptron គឺជាគំរូណឺរ៉ូនសាមញ្ញបំផុត និងចំណាស់ជាងគេបំផុត។ វាគឺជាឯកតាតូចបំផុតនៃបណ្តាញសរសៃប្រសាទដែលធ្វើការគណនាជាក់លាក់ ដើម្បីស្វែងរកលក្ខណៈ ឬភាពវៃឆ្លាតអាជីវកម្មនៅក្នុងទិន្នន័យចូល។ វាត្រូវការធាតុបញ្ចូលដែលមានទម្ងន់ និងអនុវត្តមុខងារធ្វើឱ្យសកម្មដើម្បីទទួលបានលទ្ធផលចុងក្រោយ។ TLU (threshold logic unit) គឺជាឈ្មោះមួយផ្សេងទៀតសម្រាប់ perceptron ។
Perceptron គឺជាប្រព័ន្ធចាត់ថ្នាក់ប្រព័ន្ធគោលពីរ ដែលជាប្រព័ន្ធសិក្សាដែលមានការត្រួតពិនិត្យ ដែលបែងចែកទិន្នន័យជាពីរក្រុម។ ច្រកទ្វារតក្កវិជ្ជា ដូចជា AND, OR, និង NAND អាចត្រូវបានអនុវត្តជាមួយ perceptrons ។
2. បណ្តាញសរសៃប្រសាទបញ្ជូនបន្ត
កំណែមូលដ្ឋានបំផុតនៃបណ្តាញសរសៃប្រសាទ ដែលទិន្នន័យបញ្ចូលហូរចេញទាំងស្រុងក្នុងទិសដៅតែមួយ ឆ្លងកាត់តាមថ្នាំងសរសៃប្រសាទសិប្បនិម្មិត និងចេញតាមរយៈថ្នាំងលទ្ធផល។ ស្រទាប់បញ្ចូល និងទិន្នផលមានវត្តមាននៅកន្លែងដែលស្រទាប់លាក់អាចមាន ឬមិនមានវត្តមាន។ ពួកវាអាចត្រូវបានកំណត់ថាជាបណ្តាញសរសៃប្រសាទដែលមានស្រទាប់តែមួយ ឬពហុស្រទាប់ ដោយផ្អែកលើចំណុចនេះ។
ចំនួនស្រទាប់ដែលប្រើត្រូវបានកំណត់ដោយភាពស្មុគស្មាញនៃមុខងារ។ វាផ្សាយតែខាងមុខក្នុងទិសដៅមួយ ហើយមិនផ្សាយថយក្រោយទេ។ នៅទីនេះទម្ងន់នៅតែថេរ។ ធាតុបញ្ចូលត្រូវបានគុណនឹងទម្ងន់ដើម្បីបំពេញមុខងារធ្វើឱ្យសកម្ម។ មុខងារធ្វើឱ្យសកម្មចំណាត់ថា្នាក់ឬមុខងារធ្វើឱ្យសកម្មជំហានត្រូវបានប្រើដើម្បីធ្វើរឿងនេះ។
3. ពហុស្រទាប់ perceptron
ការណែនាំអំពីភាពទំនើប សំណាញ់សរសៃប្រសាទដែលក្នុងនោះទិន្នន័យបញ្ចូលត្រូវបានបញ្ជូនតាមរយៈស្រទាប់ជាច្រើននៃណឺរ៉ូនសិប្បនិម្មិត។ វាគឺជាបណ្តាញសរសៃប្រសាទដែលបានតភ្ជាប់ទាំងស្រុង ចាប់តាំងពីគ្រប់ថ្នាំងទាំងអស់ត្រូវបានភ្ជាប់ទៅណឺរ៉ូនទាំងអស់នៅក្នុងស្រទាប់ខាងក្រោម។ ស្រទាប់លាក់ច្រើន ពោលគឺយ៉ាងហោចណាស់ស្រទាប់បី ឬច្រើនមានវត្តមាននៅក្នុងស្រទាប់បញ្ចូល និងទិន្នផល។
វាមានការឃោសនាទ្វេទិសដែលមានន័យថាវាអាចផ្សាយទាំងទៅមុខនិងថយក្រោយ។ ធាតុបញ្ចូលត្រូវបានគុណនឹងទម្ងន់ ហើយផ្ញើទៅកាន់មុខងារធ្វើឱ្យសកម្ម ដែលពួកវាត្រូវបានផ្លាស់ប្តូរតាមរយៈការផ្សាយឡើងវិញ ដើម្បីកាត់បន្ថយការបាត់បង់។
ទម្ងន់គឺជាតម្លៃដែលរៀនដោយម៉ាស៊ីនពី Neural Networks ដើម្បីដាក់វាឱ្យសាមញ្ញ។ អាស្រ័យលើភាពខុសគ្នារវាងលទ្ធផលរំពឹងទុក និងការបញ្ចូលការបណ្តុះបណ្តាល ពួកគេធ្វើការកែតម្រូវដោយខ្លួនឯង។ Softmax ត្រូវបានប្រើជាមុខងារធ្វើឱ្យស្រទាប់លទ្ធផលបន្ទាប់ពីមុខងារធ្វើឱ្យសកម្មមិនមែនលីនេអ៊ែរ។
4. Convolutional Neural Network
ផ្ទុយទៅនឹងអារេពីរវិមាត្រប្រពៃណី បណ្តាញប្រសាទ convolution មានការកំណត់រចនាសម្ព័ន្ធបីវិមាត្រនៃណឺរ៉ូន។ ស្រទាប់ទីមួយត្រូវបានគេស្គាល់ថាជាស្រទាប់ convolutional ។ ណឺរ៉ូននីមួយៗនៅក្នុងស្រទាប់ convolutional ដំណើរការតែព័ត៌មានពីផ្នែកដែលមានកំណត់នៃវាលដែលមើលឃើញប៉ុណ្ណោះ។ ដូចជាតម្រង មុខងារបញ្ចូលត្រូវបានយកក្នុងទម្រង់ជាបាច់។
បណ្តាញយល់អំពីរូបភាពនៅក្នុងផ្នែក និងអាចអនុវត្តសកម្មភាពទាំងនេះជាច្រើនដងដើម្បីបញ្ចប់ដំណើរការរូបភាពទាំងមូល។
រូបភាពត្រូវបានបំប្លែងពី RGB ឬ HSI ទៅជាមាត្រដ្ឋានប្រផេះកំឡុងពេលដំណើរការ។ ការប្រែប្រួលបន្ថែមទៀតនៅក្នុងតម្លៃភីកសែលនឹងជួយក្នុងការរកឃើញគែម ហើយរូបភាពអាចត្រូវបានតម្រៀបជាក្រុមជាច្រើន។ ការផ្សព្វផ្សាយតាមទិសមួយកើតឡើងនៅពេលដែល CNN មានស្រទាប់ convolutional មួយ ឬច្រើនដែលតាមពីក្រោយដោយការដាក់បញ្ចូលគ្នា ហើយការបន្តពូជ bidirectional កើតឡើងនៅពេលដែល output នៃ convolution layer ត្រូវបានបញ្ជូនទៅបណ្តាញសរសៃប្រសាទដែលបានតភ្ជាប់យ៉ាងពេញលេញសម្រាប់ការចាត់ថ្នាក់រូបភាព។
ដើម្បីទាញយកធាតុមួយចំនួននៃរូបភាព តម្រងត្រូវបានប្រើប្រាស់។ នៅក្នុង MLP ធាតុបញ្ចូលត្រូវបានថ្លឹងថ្លែង និងផ្គត់ផ្គង់ទៅក្នុងមុខងារធ្វើឱ្យសកម្ម។ RELU ត្រូវបានប្រើក្នុងការបង្រួបបង្រួម ខណៈ MLP ប្រើមុខងារធ្វើឱ្យសកម្មមិនលីនេអ៊ែរតាមពីក្រោយដោយ softmax ។ ក្នុងការទទួលស្គាល់រូបភាព និងវីដេអូ ការញែកន័យធៀប និងការរកឃើញឃ្លា បណ្តាញប្រសាទ convolutional បង្កើតបានលទ្ធផលល្អបំផុត។
5. បណ្តាញលំអៀងរ៉ាឌីកាល់
វ៉ិចទ័របញ្ចូលត្រូវបានបន្តដោយស្រទាប់នៃណឺរ៉ូន RBF និងស្រទាប់លទ្ធផលដែលមានថ្នាំងមួយសម្រាប់ប្រភេទនីមួយៗនៅក្នុងបណ្តាញអនុគមន៍រ៉ាឌីកាល់។ ការបញ្ចូលត្រូវបានចាត់ថ្នាក់ដោយការប្រៀបធៀបវាជាមួយនឹងចំណុចទិន្នន័យពីសំណុំបណ្តុះបណ្តាល ដែលណឺរ៉ូននីមួយៗរក្សាគំរូដើម។ នេះគឺជាឧទាហរណ៍មួយនៃឈុតបណ្តុះបណ្តាល។
ណឺរ៉ូននីមួយៗគណនាចម្ងាយ Euclidean រវាងធាតុបញ្ចូល និងគំរូរបស់វា នៅពេលដែលវ៉ិចទ័របញ្ចូលស្រស់ [វ៉ិចទ័រ n-dimensional ដែលអ្នកកំពុងព្យាយាមចាត់ថ្នាក់] ត្រូវតែចាត់ថ្នាក់។ ប្រសិនបើយើងមាន class ពីរគឺ Class A និង Class B នោះការបញ្ចូលថ្មីដែលត្រូវចាត់ថ្នាក់គឺស្រដៀងទៅនឹង class A prototypes ជាង class B prototypes។
ជាលទ្ធផល វាអាចនឹងត្រូវបានដាក់ស្លាក ឬចាត់ថ្នាក់ជាថ្នាក់ A។
6. បណ្តាញសរសៃប្រសាទកើតឡើងវិញ។
បណ្តាញសរសៃប្រសាទកើតឡើងដដែលៗត្រូវបានរចនាឡើងដើម្បីរក្សាទុកលទ្ធផលរបស់ស្រទាប់មួយ ហើយបន្ទាប់មកបញ្ចូលវាទៅក្នុងធាតុបញ្ចូល ដើម្បីជួយព្យាករណ៍លទ្ធផលរបស់ស្រទាប់។ ការបញ្ជូនបន្ត បណ្តាញសរសៃប្រសាទ ជាធម្មតាគឺជាស្រទាប់ដំបូង បន្តដោយស្រទាប់បណ្តាញសរសៃប្រសាទដែលកើតឡើងដដែលៗ ដែលមុខងារអង្គចងចាំចងចាំផ្នែកនៃព័ត៌មានដែលវាមាននៅក្នុងជំហានមុន។
សេណារីយ៉ូនេះប្រើការផ្សព្វផ្សាយទៅមុខ។ វារក្សាទុកទិន្នន័យដែលនឹងត្រូវការនាពេលអនាគត។ ក្នុងករណីដែលការទស្សន៍ទាយមិនត្រឹមត្រូវ អត្រាសិក្សាត្រូវបានប្រើដើម្បីធ្វើការកែតម្រូវតិចតួច។ ជាលទ្ធផល នៅពេលដែលការបន្តពូជមានការរីកចម្រើន វានឹងកាន់តែមានភាពសុក្រឹត។
ការកម្មវិធី
បណ្តាញសរសៃប្រសាទត្រូវបានប្រើដើម្បីដោះស្រាយបញ្ហាទិន្នន័យនៅក្នុងភាពខុសគ្នានៃវិញ្ញាសាមួយ; ឧទាហរណ៍មួយចំនួនត្រូវបានបង្ហាញខាងក្រោម។
- ការទទួលស្គាល់មុខ - ដំណោះស្រាយសម្គាល់មុខបម្រើជាប្រព័ន្ធតាមដានដ៏មានប្រសិទ្ធភាព។ ប្រព័ន្ធទទួលស្គាល់ទាក់ទងនឹងរូបថតឌីជីថលទៅនឹងមុខមនុស្ស។ ពួកវាត្រូវបានប្រើនៅក្នុងការិយាល័យសម្រាប់ការចូលជ្រើសរើស។ ដូច្នេះ ប្រព័ន្ធផ្ទៀងផ្ទាត់មុខមនុស្ស ហើយប្រៀបធៀបវាទៅនឹងបញ្ជីលេខសម្គាល់ដែលរក្សាទុកក្នុងមូលដ្ឋានទិន្នន័យរបស់វា។
- ការព្យាករណ៍ភាគហ៊ុន - ការវិនិយោគត្រូវបានប៉ះពាល់នឹងហានិភ័យទីផ្សារ។ វាពិតជាលំបាកណាស់ក្នុងការទស្សទាយការវិវឌ្ឍន៍នាពេលអនាគតនៅក្នុងទីផ្សារភាគហ៊ុនដែលមានការប្រែប្រួលខ្លាំង។ មុនពេលបណ្តាញសរសៃប្រសាទ ដំណាក់កាលកើនឡើង និងការធ្លាក់ចុះជាបន្តបន្ទាប់គឺមិនអាចទាយទុកជាមុនបាន។ ប៉ុន្តែអ្វីគ្រប់យ៉ាងបានផ្លាស់ប្តូរ? ជាការពិតណាស់ យើងកំពុងនិយាយអំពីបណ្តាញសរសៃប្រសាទ… Multilayer Perceptron MLP (ប្រភេទនៃប្រព័ន្ធបញ្ញាសិប្បនិម្មិត feedforward) ត្រូវបានប្រើដើម្បីបង្កើតការព្យាករណ៍ភាគហ៊ុនជោគជ័យក្នុងពេលវេលាជាក់ស្តែង។
- ប្រព័ន្ធផ្សព្វផ្សាយសង្គម - មិនថាវាស្តាប់ទៅខុសយ៉ាងណាទេ ប្រព័ន្ធផ្សព្វផ្សាយសង្គមបានផ្លាស់ប្តូរផ្លូវនៃអត្ថិភាព។ អាកប្បកិរិយារបស់អ្នកប្រើប្រាស់ប្រព័ន្ធផ្សព្វផ្សាយសង្គមត្រូវបានសិក្សាដោយប្រើបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត។ សម្រាប់ការវិភាគប្រកួតប្រជែង ទិន្នន័យដែលបានផ្គត់ផ្គង់ប្រចាំថ្ងៃតាមរយៈអន្តរកម្មនិម្មិតត្រូវបានប្រមូលផ្តុំ និងពិនិត្យ។ សកម្មភាពរបស់អ្នកប្រើប្រាស់ប្រព័ន្ធផ្សព្វផ្សាយសង្គមត្រូវបានចម្លងដោយបណ្តាញសរសៃប្រសាទ។ អាកប្បកិរិយារបស់បុគ្គលអាចត្រូវបានភ្ជាប់ទៅនឹងគំរូនៃការចំណាយរបស់មនុស្សនៅពេលដែលទិន្នន័យត្រូវបានវិភាគតាមរយៈបណ្តាញប្រព័ន្ធផ្សព្វផ្សាយសង្គម។ ទិន្នន័យពីកម្មវិធីប្រព័ន្ធផ្សព្វផ្សាយសង្គមត្រូវបានជីកយកដោយប្រើ Multilayer Perceptron ANN ។
- ការថែទាំសុខភាព - បុគ្គលនៅក្នុងពិភពលោកបច្ចុប្បន្នកំពុងប្រើប្រាស់អត្ថប្រយោជន៍នៃបច្ចេកវិទ្យានៅក្នុងឧស្សាហកម្មថែទាំសុខភាព។ នៅក្នុងអាជីវកម្មថែទាំសុខភាព បណ្តាញសរសៃប្រសាទ Convolutional ត្រូវបានប្រើសម្រាប់ការរកឃើញកាំរស្មីអ៊ិច ការស្កេន CT និងអ៊ុលត្រាសោន។ ទិន្នន័យរូបភាពវេជ្ជសាស្ត្រដែលទទួលបានពីការធ្វើតេស្តដែលបានរៀបរាប់ខាងលើត្រូវបានវាយតម្លៃ និងវាយតម្លៃដោយប្រើគំរូបណ្តាញសរសៃប្រសាទ ដោយសារ CNN ត្រូវបានប្រើក្នុងដំណើរការរូបភាព។ នៅក្នុងការអភិវឌ្ឍន៍ប្រព័ន្ធសម្គាល់សំឡេង បណ្តាញសរសៃប្រសាទកើតឡើងវិញ (RNN) ក៏ត្រូវបានប្រើប្រាស់ផងដែរ។
- របាយការណ៍អាកាសធាតុ - មុនពេលអនុវត្តបញ្ញាសិប្បនិម្មិត ការព្យាករណ៍របស់នាយកដ្ឋានឧតុនិយមមិនច្បាស់លាស់ទេ។ ការព្យាករណ៍អាកាសធាតុត្រូវបានធ្វើឡើងយ៉ាងទូលំទូលាយដើម្បីទស្សន៍ទាយលក្ខខណ្ឌអាកាសធាតុដែលនឹងកើតឡើងនាពេលអនាគត។ ការព្យាករណ៍អាកាសធាតុកំពុងត្រូវបានប្រើប្រាស់ដើម្បីប្រមើលមើលលទ្ធភាពនៃគ្រោះមហន្តរាយធម្មជាតិនៅក្នុងសម័យទំនើបនេះ។ ការព្យាករណ៍អាកាសធាតុត្រូវបានធ្វើដោយប្រើ multilayer perceptron (MLP) បណ្តាញសរសៃប្រសាទ convolutional (CNN) និងបណ្តាញសរសៃប្រសាទកើតឡើង (RNN) ។
- ការការពារ - ភស្តុភារ ការវិភាគការវាយលុកប្រដាប់អាវុធ និងទីតាំងធាតុទាំងអស់ប្រើប្រាស់បណ្តាញសរសៃប្រសាទ។ ពួកគេក៏មានការងារក្នុងការល្បាតតាមអាកាស និងសមុទ្រ ក៏ដូចជាគ្រប់គ្រងយន្តហោះគ្មានមនុស្សបើកស្វ័យប្រវត្តិផងដែរ។ បញ្ញាសិប្បនិមិត្តកំពុងផ្តល់ឱ្យឧស្សាហកម្មការពារជាតិនូវការជំរុញដែលត្រូវការច្រើន ដែលវាត្រូវការដើម្បីពង្រីកបច្ចេកវិទ្យារបស់ខ្លួន។ សម្រាប់ការរកឃើញអត្ថិភាពនៃអណ្តូងរ៉ែក្រោមទឹក បណ្តាញសរសៃប្រសាទ Convolutional (CNN) ត្រូវបានប្រើ។
គុណសម្បត្តិ
- ទោះបីជាណឺរ៉ូនមួយចំនួននៅក្នុងបណ្តាញសរសៃប្រសាទមិនដំណើរការត្រឹមត្រូវក៏ដោយ បណ្តាញសរសៃប្រសាទនឹងនៅតែបង្កើតលទ្ធផល។
- បណ្តាញសរសៃប្រសាទមានសមត្ថភាពសិក្សាក្នុងពេលវេលាជាក់ស្តែង និងសម្របខ្លួនទៅនឹងការកំណត់ផ្លាស់ប្តូររបស់ពួកគេ។
- បណ្តាញសរសៃប្រសាទអាចរៀនធ្វើកិច្ចការផ្សេងៗ។ ដើម្បីផ្តល់នូវលទ្ធផលត្រឹមត្រូវដោយផ្អែកលើទិន្នន័យដែលបានផ្តល់។
- បណ្តាញសរសៃប្រសាទមានកម្លាំង និងសមត្ថភាពក្នុងការដោះស្រាយកិច្ចការជាច្រើនក្នុងពេលតែមួយ។
គុណវិបត្តិ
- បណ្តាញសរសៃប្រសាទត្រូវបានប្រើដើម្បីដោះស្រាយបញ្ហា។ វាមិនបង្ហាញពីការពន្យល់នៅពីក្រោយ "ហេតុអ្វី និងរបៀប" ដែលវាបានធ្វើការវិនិច្ឆ័យដែលវាបានធ្វើដោយសារតែភាពស្មុគស្មាញនៃបណ្តាញ។ ជាលទ្ធផល ការជឿទុកចិត្តលើបណ្តាញអាចត្រូវបានលុបចោល។
- សមាសធាតុនៃបណ្តាញសរសៃប្រសាទគឺពឹងផ្អែកគ្នាទៅវិញទៅមក។ នោះមានន័យថាបណ្តាញសរសៃប្រសាទទាមទារ (ឬពឹងផ្អែកខ្លាំងលើ) កុំព្យូទ័រដែលមានថាមពលកុំព្យូទ័រគ្រប់គ្រាន់។
- ដំណើរការបណ្តាញសរសៃប្រសាទមិនមានច្បាប់ជាក់លាក់ (ឬច្បាប់មេដៃ)។ នៅក្នុងបច្ចេកទេសសាកល្បង និងកំហុស រចនាសម្ព័ន្ធបណ្តាញត្រឹមត្រូវត្រូវបានបង្កើតឡើងដោយព្យាយាមបណ្តាញល្អបំផុត។ វាជានីតិវិធីមួយដែលទាមទារឱ្យមានការកែសម្រួលច្រើន។
សន្និដ្ឋាន
វាលនៃ បណ្តាញសរសៃប្រសាទ កំពុងពង្រីកយ៉ាងឆាប់រហ័ស។ វាមានសារៈសំខាន់ណាស់ក្នុងការសិក្សា និងស្វែងយល់ពីគោលគំនិតក្នុងវិស័យនេះ ដើម្បីអាចដោះស្រាយជាមួយពួកគេ។
បណ្តាញសរសៃប្រសាទជាច្រើនប្រភេទត្រូវបានគ្របដណ្តប់នៅក្នុងអត្ថបទនេះ។ អ្នកអាចប្រើបណ្តាញសរសៃប្រសាទដើម្បីដោះស្រាយបញ្ហាទិន្នន័យក្នុងវិស័យផ្សេងទៀត ប្រសិនបើអ្នកស្វែងយល់បន្ថែមអំពីវិន័យនេះ។
សូមផ្ដល់យោបល់