Blog : ความรู้จากการเข้าร่วมและนำเสนอผลงานเกี่ยวกับระบบโครงข่ายประสาทเทียม
รหัสอ้างอิง : 2152
ชื่อสมาชิก : เจนจิรา ทิพย์ชะ
เพศ : หญิง
อีเมล์ : jenjira_tc@mju.ac.th
ประเภทสมาชิก : บุคลากรภายใน [สังกัด]
ลงทะเบียนเมื่อ : 27/12/2559 9:49:29
แก้ไขล่าสุดเมื่อ : 27/12/2559 9:49:29

รายการบทความการแลกเปลี่ยนเรียนรู้ทั้งหมดของ Blog : ความรู้จากการเข้าร่วมและนำเสนอผลงานเกี่ยวกับระบบโครงข่ายประสาทเทียม
โครงข่ายประสาทเทียม (Neural network) เป็นแขนงหนึ่งของปัญญาประดิษฐ์ (Artificial Intelligence, AI) ที่มีโครงสร้างการทำงานคล้ายคลึงกับการทำงานของเซลล์สมอง หรือระบบประสาทของมนุษย์ โดยในทศวรรษที่ผ่านมาโครงข่ายประสาทเทียมมีหลากหลายชนิด เช่น recurrent neural networks, Hopfield neural networks cellular neural networks, Cohen-Grossberg neural networks, bidirectional memory associative (BAM) neural networks ซึ่งพบว่าสามารถแก้ปัญหาที่มีความซับซ้อน หรือใช้ในการทำนายหรือพยากรณ์พฤติกรรมที่มีลักษณะไม่เป็นเชิงเส้น (Nonlinear) ได้ดี และในปัจจุบันนิยมนำโครงข่ายประสาทเทียมมาประยุกต์ใช้แก้ปัญหางานจริงได้อย่างหลากหลายด้าน เช่น การเงินการธนาคาร, อวกาศ, ระบบป้องกันประเทศ, ระบบรักษาความปลอดภัย, การแพทย์, ระบบสื่อสาร, ระบบขนส่ง, การบันเทิง, ทางด้านวิศวกรรม รวมทั้งงานทางด้านการเกษตรซึ่งพบบ่อยมากขึ้น โดยนำโครงข่ายประสาทเทียมมาใช้ด้านเพื่อการจัดหมวดหมู่และแยกแยะวัสดุทางการเกษตร (Classification) การพยากรณ์ผลลัพธ์ของผลผลิต (Forecasting) การประมาณค่าความสัมพันธ์ระหว่างตัวแปรต้นและตัวแปรตาม (Estimating) การควบคุมสภาวะที่มีการเปลี่ยนแปลง (Control) การจดจำรูปแบบ (Recognition) การจัดกลุ่ม (Clustering) เป็นต้น ซึ่งในส่วนของประยุกต์ใช้แก้ปัญหางานดังกล่าวข้างต้นนั้นมักขึ้นกับสมบัติเชิงคุณภาพ (Qualitative property) ของจุดสมดุล (Equilibrium point) ของแต่ละชนิดของโครงข่ายประสาทเทียม คุณสมบัติที่สำคัญโครงข่ายประสาทเทียม คือความสามารถในการเรียนรู้จากตัวอย่าง โดยการพยายามคำนวณหาความสัมพันธ์ระหว่างปัจจัยนำเข้า (input)และ ผลลัพธ์(output) การเรียนรู้จะเร่ิมจากสุ่มค่าน้ำหนัก (Weight) และค่าเบี่ยงเบนเร่ิมต้น (Bias) ค่าผลลัพธ์ที่ได้จากค่าเริ่มต้นจะถูกนำมาเปรียบเทียบกับผลลัพธ์จริง ค่าที่แตกต่างจะถูกนำมาปรับค่านำ้หนักและค่าเบี่ยงเบนโดยวิธีลองผิดลองถูก จนได้ผลลัพธ์ที่ใกล้เคียงหรือตรงกับผลลัพธ์จริง ค่าน้ำหนักและค่าเบี่ยงเบนสุดท้ายจะถูกนำมาใช้ในการพยากรณ์ผลลัพธ์ที่เกิดจากข้อมูล (input) ใหม่
ความรู้จากการเข้าร่วมและนำเสนอผลงานเกี่ยวกับระบบโครงข่ายประสาทเทียม » Genetic Regulatory Networks :GRN
เครือข่ายควบคุมการแสดงออกของยีน (Genetic Regulatory Networks :GRN) ได้รับความสนใจเป็นอย่างมากในด้านชีววิทยาและชีวเวชศาสตร์ เนื่องจากเครือข่ายดังกล่าวสามารถสะท้อนการดำรงอยู่ของสิ่งมีชีวิตในระดับโมเลกุลและในระดับเซลล์ได้อย่างมีประสิทธิภาพ ดังนั้นเครือข่ายควบคุมการแสดงออกของยีน จึงได้มีการนำเสนออยู่ในรูปแบบ (model) ต่างๆ เช่น Bayesian network model, Boolean model และสมการเชิงอนุพันธ์
คำสำคัญ : Genetic Regulatory Networks :GRN,สมการเชิงอนุพันธ์  
กลุ่มบทความ : กลุ่มงานตามสมรรถนะบุคลากร
หมวดหมู่ : กลุ่มงานสายวิชาการ
สถิติการเข้าถึง : เปิดอ่าน 2158  ครั้ง | แสดงความคิดเห็น 0  ครั้ง
ผู้เขียน เจนจิรา ทิพย์ชะ  วันที่เขียน 26/9/2562 12:39:29  แก้ไขล่าสุดเมื่อ 28/3/2567 15:37:58
ความรู้จากการเข้าร่วมและนำเสนอผลงานเกี่ยวกับระบบโครงข่ายประสาทเทียม » โครงข่ายประสาทเทียม
โครงข่ายประสาทเทียม (Neural network) เป็นแขนงหนึ่งของปัญญาประดิษฐ์ (Artificial Intelligence, AI) ที่มีโครงสร้างการทำงานคล้ายคลึงกับการทำงานของเซลล์สมอง หรือระบบประสาทของมนุษย์ โดยในทศวรรษที่ผ่านมาโครงข่ายประสาทเทียมมีหลากหลายชนิด เช่น recurrent neural networks, Hopfield neural networks cellular neural networks, Cohen-Grossberg neural networks, bidirectional memory associative (BAM) neural networks ซึ่งพบว่าสามารถแก้ปัญหาที่มีความซับซ้อน หรือใช้ในการทำนายหรือพยากรณ์พฤติกรรมที่มีลักษณะไม่เป็นเชิงเส้น (Nonlinear) ได้ดี และในปัจจุบันนิยมนำโครงข่ายประสาทเทียมมาประยุกต์ใช้แก้ปัญหางานจริงได้อย่างหลากหลายด้าน เช่น การเงินการธนาคาร, อวกาศ, ระบบป้องกันประเทศ, ระบบรักษาความปลอดภัย, การแพทย์, ระบบสื่อสาร, ระบบขนส่ง, การบันเทิง, ทางด้านวิศวกรรม รวมทั้งงานทางด้านการเกษตรซึ่งพบบ่อยมากขึ้น โดยนำโครงข่ายประสาทเทียมมาใช้ด้านเพื่อการจัดหมวดหมู่และแยกแยะวัสดุทางการเกษตร (Classification) การพยากรณ์ผลลัพธ์ของผลผลิต (Forecasting) การประมาณค่าความสัมพันธ์ระหว่างตัวแปรต้นและตัวแปรตาม (Estimating) การควบคุมสภาวะที่มีการเปลี่ยนแปลง (Control) การจดจำรูปแบบ (Recognition) การจัดกลุ่ม (Clustering) เป็นต้น ซึ่งในส่วนของประยุกต์ใช้แก้ปัญหางานดังกล่าวข้างต้นนั้นมักขึ้นกับสมบัติเชิงคุณภาพ (Qualitative property) ของจุดสมดุล (Equilibrium point) ของแต่ละชนิดของโครงข่ายประสาทเทียม คุณสมบัติที่สำคัญโครงข่ายประสาทเทียม คือความสามารถในการเรียนรู้จากตัวอย่าง โดยการพยายามคำนวณหาความสัมพันธ์ระหว่างปัจจัยนำเข้า (input)และ ผลลัพธ์(output) การเรียนรู้จะเร่ิมจากสุ่มค่าน้ำหนัก (Weight) และค่าเบี่ยงเบนเร่ิมต้น (Bias) ค่าผลลัพธ์ที่ได้จากค่าเริ่มต้นจะถูกนำมาเปรียบเทียบกับผลลัพธ์จริง ค่าที่แตกต่างจะถูกนำมาปรับค่านำ้หนักและค่าเบี่ยงเบนโดยวิธีลองผิดลองถูก จนได้ผลลัพธ์ที่ใกล้เคียงหรือตรงกับผลลัพธ์จริง ค่าน้ำหนักและค่าเบี่ยงเบนสุดท้ายจะถูกนำมาใช้ในการพยากรณ์ผลลัพธ์ที่เกิดจากข้อมูล (input) ใหม่
คำสำคัญ : ประสาทเทียม  
กลุ่มบทความ : กลุ่มงานตามสมรรถนะบุคลากร
หมวดหมู่ : กลุ่มงานสายวิชาการ
สถิติการเข้าถึง : เปิดอ่าน 6429  ครั้ง | แสดงความคิดเห็น 0  ครั้ง
ผู้เขียน เจนจิรา ทิพย์ชะ  วันที่เขียน 2/9/2561 1:36:37  แก้ไขล่าสุดเมื่อ 28/3/2567 2:56:24

URL สำหรับอ้างอิงถึงหน้านี้