All posts

  1. Deep Learning มันคืออะไร ?
  2. ประวัติ Deep Learning
  3. Principal Components Analysis
  4. Probability (Part 1)
  5. Probability (Part 2)
  6. Probability (Part 3)


Popular posts from this blog

Principal Components Analysis

Image
สมมุติว่าเรามีข้อมูลอัตราแลกเปลี่ยนเงินตราในแต่ละวัน และแต่ละวันนั้นก็มีข้อมูลประกอบต่างๆเช่น อัตราดอกเบี้ย ปริมาณการนำเข้าส่งออก หนี้สาธารณะ ความมั่นคงทางการเมือง ฯลฯ ของแต่ละประเทศ และสมมุติว่าเราสามารถวัดค่าพวกนั้นออกมาเป็นตัวเลขได้ เราก็จะได้ตารางประมาณนี้ Date Country Buy Sell Differentials in Inflation Differentials in Interest Rates Current-Account Deficits Public Debt Terms of Trade Political Stability Economic Performance 230517 USA 35 34 45 54 12.2 96 24 2 9 230517 AUD 30 29 52 44 15.8 78.9 30 4 7 230517 X ? ? ? ? ? ? ? ? ? 250517 Y ? ? ? ? ? ? ? ? ? 250517 Z ? ? ? ? ? ? ? ? ? 250517 . . . . . . . . . . 250517 . . . . . . . . . . *ตารางที่ยกมานี้เป็นเพียงข้อมูลสมมุติที่ใส่ไว้เพื่อให้พอเห็นภาพ จากตาราง สมมุติว่าเราพยายามวิเคราะห์ความสัมพันธ์ของข้อมูล ก็จะเห็นความเกี่ยวโยงกันอยู่เช่น ความแข็งอ่อนของค่าเงินมีผลโดยตรงกับเศรษฐกิจ การเมือง การนำเข้าส่งออก แต่บางทีการนำเข้าส่งออกกับการเมืองก็สวนทางกัน ทำให้เรตในแต่ละวันก็ออกมาแตกต่างกั...
Read more

Probability (Part 1)

Image
Discrete random variable : ตัวแปรที่ได้มาโดยการนับเอา จากการสุ่ม มีลักษณะที่แยกออกจากกันได้ จำนวนครั้งในการออกหัว เวลาโยนเหรียญ จำนวนลูกบอลสีฟ้าในขวดโหล (มีลูกบอลหลายสีในขวดโหล) แต่ไม่ใช่ทุกค่าที่สามารถนับได้ ! บางทีก็ต้องวัดเอา Continuous random variable : ตัวแปรที่ได้มาโดยการวัด (ค่า ขนาด) ที่สามารถแยกออกเป็นช่วงๆได้ มีเรื่องของความละเอียดไปเกี่ยวข้องกับข้อมูล ส่วนสูงของนักเรียนในห้อง เวลาที่ใช้ในการเดินทางจากที่หนึ่งไปอีกที่หนึ่ง Probability mass function : (PMF) ใข้กับ discrete variable. โดยปกติแล้วจะใช้สัญลักษณ์   P และมักใส่ตัวแปรไว้ในฟังก์ชั่นนี้ นั่นก็คือความน่าจะเป็นที่จะเกิดขึ้นสำหรับตัวแปรนั้นๆ เช่น P(x) ; ซึ่ง P(x) ก็จะเป็นคนละตัวกับ P(y) P(x) = 1 หมายความว่า โอกาสทีจะสุ่มได้ x คือ 100% P(x) = 0 หมายความว่า โอกาสทีจะสุ่มได้ x คือไม่มีทางเกิดขึ้นเลย P(x) สามารถเขียนได้อีกแบบว่า P(\text{x} = x) x \sim P(\text{x}) ก็คือความหมายเดียวกัน เหมือนข้อข้างบน เพียงแค่เอาตัวแปรมาก่อน ไม่ได้หมายความว่าเป็นค่าประมาณ Joint Probability: ความน่าจะเ...
Read more

ประวัติ Deep Learning

Image
Deep Learning เริ่มปรากฏประมาณปี 1940s แต่ที่ดูเหมือนใหม่น่ันเป็นเพราะว่าในยุคแรก ยังไม่มีอะไรโดนเด่นมากนัก และมีการเปลี่ยนชื่อไปเรื่อยๆ จนมาถึงปัจจุบันที่ใช้ในชื่อว่า Deep learning 1940s - 1960s ( Cybernetics ) 1980s - 1990s ( Connectionism ) 2006s - Present ( Deep Learning ) ในยุคแรกๆ โมเดลใน DL ถูกออกแบบให้เลียนแบบการทำงานของสมองมนุษย์ ซึ่งก็เป็นที่มาของคำว่า Artificial Neural Networks ( ANNs ). อันที่จริง ก็ไม่ได้จะสร้างให้เหมือนสมองของสิ่งมีชีวิตจริงๆ แต่ถูกจุดประกายด้วยเหตุผลสองข้อหลักคือ สมองได้พิสูจน์แล้วว่า การโต้ตอบแบบชาญฉลาดมีอยู่จริง ดังนั้นแล้ว ถ้าจะสร้างระบบที่ชาญฉลาด ก็แค่ reverse engineer ในส่วนของการคิดวิเคราะห์ของสมอง และทำเลียนแบบระบบนั้นๆ เพราะการศึกษาสมอง และหลักพื้นฐานของความฉลาด เป็นเรื่องที่น่าสนใจอยู่แล้ว ดังนั้นการจำลององค์ความรู้เหล่านั้นออกมาเป็นระบบในคอมฯ ก็เป็นเรื่องที่น่าสนใจ Deep learning ในปัจจุบัน ไม่ใช่เรื่องของการเอาไปเปรียบเทียบกับสมองอีกต่อไป แต่จะหมายถึงหลักของการเรียนรู้แบบ multiple levels of composition ซึ่งก็ถูกเอาไปใช้กับ Machine Le...
Read more