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

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

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

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