15 พ.ย. 2019 เวลา 11:40 • ธุรกิจ
เทคโนโลยี่แห่งศตวรรษ 21 ที่จะผลิกโฉม ผลักดันเศรษฐกิจโลกอนาคต 250 ปี
EP 5/8 : AIฉลาดล้ำ Neural Networkเครือข่ายประสาทยิ่งซับซ้อน”
“Deep Machine Learning ต้องการ Deep Neural Network”
🚶‍♀️ก้าวแรก :
EP 1 – EP 3 : เห็นภาพมุมกว้าง เห็นภาพชัดเจน เห็นภาพความสัมพันธ์ AI, ML, & DML
😀Artificial Intelligence: ปัญญาประดิษฐ์
😀Machine Learning: ขบวนการเรียนรู้ด้วยตัวเอง ของปัญญาประดิษฐ์
😀Deep Machine Learning: ขบวนการเรียนรู้เชิงลึกด้วยตัวเอง ของปัญญาประดิษฐ์
🚶‍♀️🚶‍♀️ก้าวที่สอง :
EP 4 : เข้าใจภาพ “BIG DATA ให้กำเนิด DATA SCIENCE”
เห็นความสัมพันธ์ AI, ML, Big Data, & Data Science:
✌️AI จะทำงานได้ ต้องมีขบวนการ Machine Learning เป็นพื้นฐาน
✌️ML ทำงานบนพื้นฐาน Data Science และ สร้างองค์ความรู้ด้วยตัวเองจาก Big Data
✌️Big Data คือ Inputข้อมูล ในขบวนการ Data Science
✌️Data Science ทำงานโดยมี Data Analysis เป็นหัวใจ
🚶‍♀️🚶‍♀️🚶‍♀️ก้าวสาม: EP 5 มาเจาะลึกถึงองค์ความรู้หลักใน DATA SCIENCE
เจาะลึกให้เห็นภาพ เจาะประเด็นให้เห็นแก่น DATA SCIENCE …
🤖Data Science มี Data Analysis หรือ Deep Learning Algorithm เป็นหัวใจ
ขั้นตอนขบวนการทำงานภายใน Data Science:
✅Understand The Problem :
✅Identify Data:
✅Select Deep Learning Algorithm :
✅Training The Learning Machine
✅Test The Learning Machine Learning :
📚องค์ความรู้ภายใต้ DATA SCIENCE:
ในช่วง 20 ปีที่ผ่านมาขบวนการพัฒนา AI & Deep Machine Learning ได้มีการศึกษาและนำงานวิจัยเกี่ยวกับระบบขบวนการคิดวิเคราะห์ของมนุษย์ (Human Learning Algorithm) งานวิจัยเกี่ยวกับระบบประสาทภายในสมอง (Bio Neural Network) มาเป็นต้นแบบในการพัฒนา DEEP MACHINE LEARNING ALGORITHM & DEEP NEURAL NETWORK:
A. Deep Machine Learning Algorithm
(ขบวนการคิดวิเคราะห์เชิงลึกของML) มีหลากหลาย Algorithm ต่างก็เหมาะใช้งานกับประเภทข้อมูล (Input Data) ที่แตกต่างกัน ไม่มี General Algorithm ที่สามารถใช้งานได้กับทุกประเภทข้อมูล
Deep Machine Learning Algorithm แยกป็น 3 กลุ่มหลัก :
• Self-learning ML Algorithm คือ ขบวนการเรียนรู้ สร้างองค์ความรู้ คิดวิเคราะห์ด้วยตัวเอง แต่ขบวนการนี้ยังอยู่ในระหว่างการพัฒนา ด้วยศักยภาพAIในปัจจุบัน ยังห่างไกลจากความสามารถของคน ที่มีความซับซ้อนมากกว่า หลายสิ่งต้องอาศัยความเข้าถึงอารมณ์ ความรู้สึก ความเข้าใจศิลปวัฒธรรม
• Reinforcement ML Algorithm คือ ขบวนการเรียนรู้ตามกรอบความคิดและตัวแปรที่กำหนดไว้ หลักการทำงาน คือ Reinforcement ML จะพยายามหาวิธีเพื่อให้เข้าใกล้เป้าหมายมากที่สุด โดยเราไม่ต้องบอกวิธีการ อาทิเช่น
o Atari video games, GO board games, ระบบ Stock Trading system.
o ระบบการคัดเลือก New Story Headline ของ Microsoft MNS
• Supervised ML Algorithm คือ ขบวนการเรียนรู้ผ่านการแนะนำป้อนคำตอบโดยคน ว่าสิ่งที่กำลังเรียนรู้เป็นแบบไหน อันไหนใช่ หรือไม่ใช่ ยิ่งมี Training Dataมาก ผลลัพท์ในการเรียนรู้จะถูกต้อง แม่นยำ
จากงานวิจัยระบบเครือข่ายประสาท และขบวนการเรียนรู้คิดวิเคราะห์ของมนุษย์ พบว่าAlgorithmที่สำคัญโดดเด่นได้แก่
📍ปักหมุด: สำหรับผู้มุ่งก้าวสู่ AI & ML กูรู / developer/ Data Scientist
3
Top 10 Deep Learning Algorithm และถูกพัฒนาให้เป็น Deep Machine Learning Algorithm :
1. Deep belief networks
2. Convolutional neural networks
3. Convolutional Deep Belief Networks
4. Deep Boltzmann Machine
5. Stacked Auto Encoders
6. Deep Stacking Networks
7. Tensor Deep Stacking Networks (T-DSN)
8. Spike-and-Slab RBMs (ssRBMs)
9. Compound Hierarchical-Deep Models
10. Deep Coding Networks and Deep Kernel Machines.
นักพัฒนา Deep Machine Learning ได้นำเอา 10 Algorithmของมนุษย์เป็นต้นแบบ เพื่อพัฒนา Deep Machine Learning Algorithmสำหรับ AI เพื่อตอบโจทย์ AIทั้ง 3 กลุ่มหลักดังกล่าว:
• Self-learning ML Algorithm
• Reinforcement ML Algorithm
• Supervised ML Algorithm
ดังนั้นการเลือก Algorithmไหนมาใช้งาน ต้องเลือกให้เหมาะสมกับประเภทข้อมูล (Input Data Type) และประเภท AI ว่าต้องการใช้งาน Deep Machine Learning ประเภทไหน ( Self-learning ML Algorithm, Reinforcement ML Algorithm, หรือ Supervised ML Algorithm)
B. Deep Neural Network (เครือข่ายประสาทเทียมเชิงลึก) คือเครือข่ายประสาทที่เป็นโครงพื้นฐานที่ถูกออกแบบมารองรับการทำงานของ Deep Machine Learning Algorithm แต่ละประเภท
ลักษณะการทำงานและโครงสร้างเครือข่ายของ Neural Network ประกอบด้วยหลายๆ Layer มาเรียงซ้อนกัน โดย Layer แรกสุดจะทำหน้าที่ในการรับข้อมูล ( Input Layer ) Layer สุดท้ายจะทำหน้าที่ส่งผลลัพธ์การประมวลผลออกมา (Output Layer ) ส่วน Layer ระหว่าง Layer แรกสุด เเละ Layer สุดท้าย จะถูกเรียกว่า Hidden Layer
ถ้า Hidden Layer มากกว่า 2 ,Layer เรียงกองซ้อนกัน (Stack) ก็ถือเป็น Deep Learning ยิ่งมี Layer ที่จำนวนเยอะๆ ก็จะทำให้มีโครงสร้างที่ลึก(Deep) ยิ่งขึ้นนั่นเอง
📍ปักหมุด: สำหรับผู้มุ่งก้าวสู่ AI & ML กูรู / Developer/ Data Scientist
👌Top 10 Neural Network Architectures Machine Learning Researchers Need To Learn
1.) Perceptrons
2.) Convolutional Neural Networks
3.) Recurrent Neural Networks
4.) Long / Short Term Memory
5.) Gated Recurrent Unit
6.) Hopfield Network
7.) Boltzmann Machine
8.) Deep Belief Networks
9.) Autoencoders
10.) Generative Adversarial Network.
C. STATISTICS & MATHEMATICS :
จากงานวิจัยถึงขบวนการทำงานภายในสมองมนุษย์ พบว่าขบวนการค้นหาคำตอบในสมอง เป็นการทำงานในลักษณะ “คาดเดาผลลัพท์ (Predict result)” ว่าข้อมูลไหนน่าจะเป็นไปได้มากกว่ากัน ข้อมูลไหนน่าจะถูกต้องมากที่สุด (Probability )
ด้วยเหตุนี้เพื่อเลียนแบบขบวนการทำงานในสมอง ขบวนการใน Data Science จึงใช้หลักคิดทางด้าน Statistic & Mathematic เพื่อคาดเดาผลลัพท์(Probability) ถึงความเป็นไปได้ของคำตอบ ว่าข้อมูลไหนน่าจะเป็นไปได้มากกว่ากัน ข้อมูลไหนน่าจะถูกต้องมากที่สุด
📍ปักหมุด: สำหรับผู้มุ่งก้าวสู่ AI & ML กูรู / Developer/ Data Scientist
Statistics & Mathematics ที่ถูกใช้เพื่อคาดเดาผลลัพท์ ใน Data Science มากที่สุด 10 อันดับได้แก่
👌Top 10 Most Algorithms for Machine Learning Engineers Need to Know (สำหรับคนที่คิดจะจริงจังกับ AI)
ถ้าใครเห็นโอกาส และพร้อมจะก้าวสู่เส้นทางกูรู ก้าวสู่เส้นทางนักพัฒนา นี้เลย…
1. Linear Regression
2. Logistic Regression
3. Decision Tree
4. SVM (Support Vector Machine)
5. Naive Bayes
6. KNN (K- Nearest Neighbors)
7. K-Means
8. Random Forest
9. Dimensionality Reduction Algorithms
10. Gradient Boosting & AdaBoost
📍ปักหมุด: สำหรับผู้มุ่งก้าวสู่ AI & ML กูรู / Developer/ Data Scientist
D. Top 30 Deep Learning Algorithm Software :
ปัจจุบันบริษัทขนาดใหญ่ ไม่ว่า Google, FaceBook, Microsoft, NVIDIA, และ Startup มากมายได้มีพัฒนา Deep Machine Learning Algorithm Software สำเร็จรูป เราสามารถเลือกซื้อและติดตั้งSoftwareเพื่อใช้งานตรงตามประเภทข้อมูล (Input Data Type)ได้เลย Softwareเหล่านี้พัฒนาภายใต้หลักคิดงานวิจัยด้านระบบการคิดวิเคราะห์เรียนรู้ภายในสมอง และเครือข่ายประสาทมนุษย์
• Top 10 Deep Learning Algorithm
• Top 10 Most Algorithms for Machine Learning Engineers Need to Know
แน่นอนแต่ละโปรแกรมก็จะมีจุดเด่น เหมาะสำหรับแต่ละประเภทข้อมูล(Input Data) ไม่มีโปรแกรมสำเร็จรูปไหนสามารถใช้งานได้กับทุกประเภทข้อมูล มีโปรแกรมที่โดดเด่น 30 อันดับประจำปี 2019 ได้แก่ :
1. Neural Designer
2. GMDH Shell
3. Neuroph
4. Darknet
5. DeepLearningKit
6. Tflearn
7. ConvNetJS
8. NeuroSolutions
9. Torch
10. Keras
11. NVIDIA DIGITS
12. Stuttgart Neural Network Simulator
13. DeepPy
14. MLPNeuralNet
15. Synaptic
16. DNNGraph
17. NeuralN
18. AForge.Neuro
19. NeuralTalk2
20. cuda-convnet2
21. Knet
22. DN2A
23. Neon
24. HNN
25. Lasagne
26. Gobrain
27. LambdaNet
28. RustNN
29. Mocha
30. Deeplearn-rs
CR / อ่านเพิ่มเติมได้ : https://www.predictiveanalyticstoday.com/deep-learning-software-libraries/
📍ปักหมุด: สำหรับผู้มุ่งก้าวสู่ AI & ML กูรู / Developer/ Data Scientist
E. Top 10 Open Source AI Technologies For Startups
👏สำหรับ Startup สามารถติดตั้ง Open Source ML Software ใช้ฟรี :
1) Apache SystemML
2) OpenNN
3) TensorFlow
4) Neuroph
5) OpenCog
6) Caffe
7) Torch
8) Mycroft
9) Apache Mahout
10) Deeplearning4j
CR / อ่านเพิ่มเติมได้ : https://hackernoon.com/10-top-open-source-ai-technologies-for-startups-7c5f10b82fb1
เตรียมพบ EP 6/8 ในวันพุธหน้า 10:00 ...
ค่อยๆก้าว เรียนรู้AI ง่ายๆ …8 EP … From Zero To Hero!
#Harvard_Business_Review #THE_BIG_IDEA #Artificial_Intelligence #Machine_Learning #♾Man #alfa_man
📚สามารถค้นหาอ่านเพิ่มเติมได้ที่
• Artificial Intelligence, For Real” Published in Harvard Business Review; July 2017 Issue
• More Job Opportunity at eJobFair : https://www.ejoblive.com/ejobarticle/

ดูเพิ่มเติมในซีรีส์

โฆษณา