บทที่ 9 โครงข่ายประสาทเทียมสำหรับการจำแนกข้อมูล

ภาพรวมบทเรียน

โครงข่ายประสาทเทียม (Artificial Neural Network: ANN) เป็นเทคนิคการเรียนรู้ของเครื่องที่ได้รับแรงบันดาลใจจากโครงสร้างและการทำงานของสมองมนุษย์ ใช้หน่วยประมวลผลเล็ก ๆ ที่เรียกว่า Neuron เชื่อมต่อกันเป็นชั้น ๆ เพื่อเรียนรู้รูปแบบจากข้อมูลและนำไปใช้จำแนกข้อมูลใหม่

ในงานเหมืองข้อมูล ANN ถูกใช้กับงานจำแนกข้อมูลที่มีรูปแบบซับซ้อน เช่น การจำแนกภาพ การรู้จำเสียง การวิเคราะห์ข้อมูลทางชีวภาพ การจำแนกข้อมูลจากเซนเซอร์ IoT และข้อมูลที่มี Feature จำนวนมาก

ภาพรวมการทำงานของ ANN

0. ทบทวนก่อนเรียน ANN

ก่อนเข้าสู่ ANN ควรทบทวนแนวคิด Machine Learning และการแบ่งข้อมูล เนื่องจาก ANN เป็นโมเดลแบบ Supervised Learning ที่ต้องใช้ข้อมูลฝึกสอนและข้อมูลทดสอบเพื่อประเมินความสามารถในการทำนายข้อมูลใหม่

9.1 บทนำและความหมายของ ANN

การจำแนกข้อมูล (Data Classification) เป็นงานสำคัญของเหมืองข้อมูลและ Machine Learning มีเป้าหมายเพื่อจัดกลุ่มข้อมูลออกเป็นประเภทต่าง ๆ ตามรูปแบบที่เรียนรู้จากข้อมูลตัวอย่าง ANN เป็นหนึ่งในเทคนิคที่ได้รับความนิยม เพราะสามารถเรียนรู้รูปแบบซับซ้อนและไม่เป็นเชิงเส้นได้ดี

Artificial Neural Network (ANN) หรือ โครงข่ายประสาทเทียม คือแบบจำลองที่ประกอบด้วย Neuron จำนวนมากเชื่อมต่อกันเป็นเครือข่าย แต่ละการเชื่อมต่อมีค่าน้ำหนัก (Weight) และแต่ละ Neuron อาจมีค่า Bias เพื่อปรับผลรวมก่อนส่งผ่านฟังก์ชันกระตุ้น

9.2-9.3 โครงสร้างและแนวคิดพื้นฐานของ ANN

ANN ประกอบด้วยชั้นข้อมูลหลายชั้น โดยข้อมูลจะไหลจากชั้นอินพุตไปยังชั้นเอาต์พุตผ่านชั้นซ่อน ระบบจะเรียนรู้โดยการปรับค่าน้ำหนักของการเชื่อมต่อให้ทำนายผลได้ใกล้เคียงค่าจริงมากขึ้น

9.4 หลักการทำงานของ Artificial Neural Network

การทำงานของ ANN สำหรับการจำแนกข้อมูลแบ่งได้เป็น 3 ส่วนหลัก คือ Forward Propagation, Loss Function และ Backpropagation

9.4.1 Forward Propagation

ข้อมูลไหลจาก Input Layer ผ่าน Hidden Layer ไปยัง Output Layer แต่ละ Neuron จะคำนวณผลรวมถ่วงน้ำหนักแล้วส่งผ่าน Activation Function

โดยที่ w คือค่าน้ำหนัก, x คือข้อมูลนำเข้า, b คือไบแอส, f คือฟังก์ชันกระตุ้น และ a คือผลลัพธ์หลังผ่านฟังก์ชันกระตุ้น

9.4.2 Activation Function

Activation Function ช่วยเพิ่มความไม่เป็นเชิงเส้นให้โมเดล ทำให้ ANN เรียนรู้รูปแบบที่ซับซ้อนได้ ตัวอย่างที่ใช้บ่อย ได้แก่

9.4.3 Loss Function

Loss Function ใช้วัดความแตกต่างระหว่างค่าที่โมเดลทำนายกับค่าจริง ยิ่ง Loss ต่ำ แสดงว่าโมเดลทำนายได้ใกล้เคียงค่าจริงมากขึ้น

• Binary Cross-Entropy: ใช้กับการจำแนกสองคลาส เช่น ป่วย/ไม่ป่วย
• Categorical Cross-Entropy: ใช้กับการจำแนกหลายคลาส เช่น จำแนกภาพออกเป็น 10 ประเภท
• Sparse Categorical Cross-Entropy: ใช้กับหลายคลาสเมื่อ Label เป็นตัวเลขลำดับ เช่น 0–9

9.4.4 Backpropagation

Backpropagation คือกระบวนการปรับ Weight ของเครือข่ายโดยอาศัย Gradient Descent เพื่อลดค่า Loss

โดยที่ η คือ Learning Rate หรืออัตราการเรียนรู้ ถ้าค่าสูงเกินไปอาจทำให้โมเดลแกว่งและไม่ลู่เข้า ถ้าต่ำเกินไปอาจเรียนรู้ช้า

9.5 ประเภทของการจำแนกข้อมูลด้วย ANN

9.6 กระบวนการพัฒนาโมเดล ANN

การพัฒนาโมเดล ANN ควรทำอย่างเป็นขั้นตอน เพื่อให้ได้โมเดลที่มีประสิทธิภาพและนำไปใช้จริงได้

9.7 ตัวชี้วัดประสิทธิภาพของโมเดล

การประเมินผล ANN ควรเลือกตัวชี้วัดให้เหมาะกับประเภทของปัญหา โดยเฉพาะงานที่ข้อมูลไม่สมดุล ไม่ควรดู Accuracy เพียงอย่างเดียว

9.8 TensorFlow + Keras คืออะไร?

TensorFlow และ Keras เป็นเครื่องมือสำคัญสำหรับสร้างโมเดล Machine Learning และ Deep Learning โดย TensorFlow ทำหน้าที่เหมือน Engine สำหรับการคำนวณ ส่วน Keras เป็น High-level API ที่ช่วยให้เขียนโมเดลง่าย อ่านโค้ดง่าย และเหมาะกับการเรียนการสอน

from tensorflow import keras
from tensorflow.keras import layers

model = keras.Sequential([
    layers.Dense(128, activation="relu"),
    layers.Dense(10, activation="softmax")
])

การติดตั้ง TensorFlow และ Keras

เมื่อติดตั้ง TensorFlow จะได้ Keras มาด้วย จึงไม่จำเป็นต้องติดตั้ง Keras แยกต่างหาก สำหรับการเรียนใน Windows และ VS Code แนะนำให้ใช้ Virtual Environment

python --version
python -m venv venv

# Windows PowerShell
.\venv\Scripts\activate

python -m pip install --upgrade pip
pip install tensorflow

# ทดสอบ TensorFlow
python -c "import tensorflow as tf; print(tf.__version__)"

# ทดสอบ Keras
python -c "from tensorflow import keras; print('Keras OK')"

ตัวอย่างการจำแนกภาพด้วย ANN: CIFAR-10

CIFAR-10 เป็นชุดข้อมูลมาตรฐานสำหรับ Image Classification มีภาพทั้งหมด 60,000 ภาพ แบ่งเป็น Train 50,000 ภาพ และ Test 10,000 ภาพ ขนาดภาพ 32×32 pixels แบบ RGB จำนวน 10 คลาส เช่น airplane, automobile, bird, cat, deer, dog, frog, horse, ship และ truck

import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers

# 1) โหลด dataset
(x_train, y_train), (x_test, y_test) = keras.datasets.cifar10.load_data()
y_train = y_train.flatten()
y_test = y_test.flatten()

# 2) เตรียมข้อมูล: normalize 0..1
x_train = x_train.astype("float32") / 255.0
x_test = x_test.astype("float32") / 255.0

num_classes = 10

# 3) สร้างโมเดล ANN (MLP)
model = keras.Sequential([
    layers.Input(shape=(32, 32, 3)),
    layers.Flatten(),
    layers.Dense(512, activation="relu"),
    layers.Dropout(0.3),
    layers.Dense(256, activation="relu"),
    layers.Dropout(0.3),
    layers.Dense(num_classes, activation="softmax"),
])

model.compile(
    optimizer=keras.optimizers.Adam(learning_rate=1e-3),
    loss="sparse_categorical_crossentropy",
    metrics=["accuracy"]
)

history = model.fit(
    x_train, y_train,
    validation_split=0.1,
    epochs=15,
    batch_size=128,
    verbose=1
)

test_loss, test_acc = model.evaluate(x_test, y_test, verbose=0)
print(f"Test accuracy: {test_acc:.4f}")

pred = model.predict(x_test[:10])
pred_labels = np.argmax(pred, axis=1)
print("Pred:", pred_labels)
print("True:", y_test[:10])

หลักการทำงานของโปรแกรมตัวอย่าง

9.9 ข้อดี ข้อจำกัด และแนวโน้มในอนาคต

แนวโน้มการพัฒนาในอนาคต

• Deep Learning: โครงข่ายเชิงลึกที่มีหลายชั้นเพื่อเพิ่มความสามารถในการเรียนรู้
• Explainable AI (XAI): ทำให้โมเดลอธิบายเหตุผลของการทำนายได้มากขึ้น
• Hybrid Models: ผสม ANN กับ CNN, SVM หรือโมเดลอื่นเพื่อเพิ่มประสิทธิภาพ
• ANN + IoT: ใช้ ANN กับข้อมูลเซนเซอร์จำนวนมากสำหรับ Smart Farm, Smart Health และ Smart System

แบบฝึกหัดท้ายบท

1. อธิบายความหมายของ Artificial Neural Network และเหตุผลที่ ANN เหมาะกับข้อมูลที่มีรูปแบบซับซ้อน
2. เปรียบเทียบหน้าที่ของ Input Layer, Hidden Layer และ Output Layer
3. อธิบายความแตกต่างระหว่าง Sigmoid, ReLU และ Softmax
4. อธิบายกระบวนการ Forward Propagation และ Backpropagation ด้วยภาษาของตนเอง
5. ทดลองรันโค้ด CIFAR-10 แล้วบันทึกค่า Accuracy ที่ได้ พร้อมอธิบายว่าทำไม ANN แบบ MLP จึงอาจแม่นยำน้อยกว่า CNN
6. เสนอแนวทางปรับปรุงโมเดล ANN ให้มีประสิทธิภาพสูงขึ้นอย่างน้อย 3 วิธี