🎯 เป้าหมาย
- อธิบายหน่วยประมวลผลและชั้นในเชิงแนวคิด
- เข้าใจว่าการฝึกคือการปรับน้ำหนักจากความผิดพลาด
- ไม่สับสนระหว่างความสำเร็จทางสถิติกับความเข้าใจแบบมนุษย์
1. แรงบันดาลใจ ≠ สำเนาของสมอง
ชื่อ “neural network” ได้แรงบันดาลใจจากโครงข่ายประสาทชีวภาพ แต่ในทางปฏิบัติคือฟังก์ชันคณิตศาสตร์ขนาดใหญ่ที่ประกอบจากหน่วยคำนวณง่าย ๆ ต่อกันเป็นชั้น ไม่ได้จำลองเคมีของเซลล์ประสาทจริง
2. ชั้นอินพุต ชั้นซ่อน ชั้นเอาต์พุต
ชั้นอินพุตรับฟีเจอร์ ชั้นซ่อนสร้างแทนค่าภายใน (representation) ชั้นเอาต์พุตให้คำตอบ ความลึกช่วยให้โมเดลประกอบรูปแบบซับซ้อนได้ในหลายงานภาพและภาษา
3. การเรียนรู้ = ลดความผิดพลาดซ้ำ ๆ
ใน supervised learning ระบบเปรียบเทียบผลลัพธ์กับป้ายกำกับ แล้วปรับน้ำหนักทีละน้อยให้ผิดน้อยลงบนชุดฝึก ทำหลายรอบ (epochs) ภายใต้การควบคุมเพื่อไม่ให้ overfit
4. ข้อควรระวังในการตีความ
- ความแม่นยำสูงบนชุดทดสอบ ≠ ใช้งานได้ปลอดภัยในทุกบริบท
- คำอธิบายว่า “โมเดลคิดว่า...” เป็นภาษาพูด ไม่ใช่กระบวนการทางจิต
- โมเดลใหญ่ใช้พลังงานและข้อมูลมาก มีต้นทุนสิ่งแวดล้อมและเศรษฐกิจ
กิจกรรม: วาดแผนภาพง่าย ๆ 3 ชั้น (อินพุต–ซ่อน–เอาต์พุต) สำหรับงาน “แยกภาพผลไม้ 3 ชนิด” ระบุว่าอินพุตและเอาต์พุตคืออะไร
✅ สรุป
- Neural net = ฟังก์ชันหลายชั้นที่ปรับน้ำหนักจากข้อมูล
- การฝึกคือการลดความผิดพลาด ไม่ใช่การเกิดจิตสำนึก
- ตีความผลลัพธ์ด้วยความระมัดระวัง
📝 แบบฝึกหัดท้ายบท (5 ข้อ)
1. Weight มีบทบาทอะไร?
2. ชั้นซ่อนทำหน้าที่อะไรโดยคร่าว?
3. การฝึก supervised อาศัยอะไร?
4. Deep learning ในระดับแนวคิดคืออะไร?
5. ทำไมไม่ควรพูดว่าโมเดล 'เข้าใจ' แบบคน?