การทำ image transformation เราจำเป็นต้องรู้ parameters ของ transformation matrix ก่อน ตามที่ได้พูดถึงใน Geometric Transformation หลักการพื้นฐานของ Image Processing และการนำไปปรับใช้ในการออกแบบโครงสร้าง Neural Network แต่ถ้าหากเราไม่ทราบ parameters จะทำอย่างไรได้บ้าง ในตัวอย่างนี้จะขอยกตัวอย่าง projective transformation ที่มี matrix การ transform ดังนี้ ซึ่ง matrix สำหรับการ transform ประเภทนี้ จะมี parameters ทั้งหมด 8 ตัว แต่สำหรับการทำ projective transformation จะเป็นการ transform ที่ระนาบของวัตถุเปลี่ยน ซึ่งแตกต่างจากการ transform แบบ affine transform…

เทคนิคนี้เป็นการคำนวณเพื่อปรับรูปไปตาม transformation matrix ตามที่ได้พูดถึงไปใน Geometric Transformation หลักการพื้นฐานของ Image Processing และการนำไปปรับใช้ในการออกแบบโครงสร้าง Neural Network โดยในโพสนี้จะมาเล่ากลไกการทำงานที่ละเอียดขึ้น จะได้เข้าใจแบบเคลียร์ๆว่ามีกระบวนการอะไรบ้าง ดังนี้ สมมติว่า เรามีภาพของวัตถุสี่เหลี่ยมชิ้นหนึ่ง ดังภาพข้างล่าง coordinate ของภาพจะเริ่มที่จุด (0,0) จากมุมซ้ายบน โดยที่ทิศทางของแกน x จะชี้ไปทางขวา และทิศทางของแกน y จะชี้ลงข้างล่าง และมีจุดตำแหน่งสี่มุมดังรูป

การเข้าใจพื้นฐานด้าน Image Processing จะทำให้เรามีความรู้ความเข้าใจอย่างลึกซึ้งในโมเดลที่ซับซ้อนขึ้น และวันนี้ก็จะมาพูดถึง Geometric Transformation ซึ่งเป็นอีกหนึ่งพื้นฐานสำคัญของ Image Processing เลยทีเดียว หลังจากนั้นจะพูดถึงการนำความรู้นี้ไปออกแบบโมเดลด้วยค่ะ Geometric Transformation เป็นกระบวนการทางพีชคณิต ที่จะทำให้สามารถปรับเปลี่ยนรูปของเราได้ ทำให้วัตถุมีการเลื่อน หมุน ย่อขยาย ปรับเปลี่ยนมุมมอง และอื่นๆ ซึ่งมีหลายแบบ แต่วันนี้จะมาพูดถึงแบบพื้นฐานที่ใช้บ่อยมากๆให้ฟังค่ะ นั่นคือ

โพสนี้ขออธิบายความน่าจะเป็น 2 ประเภทที่สำคัญ ให้ได้เข้าใจความหมายโดยที่ไม่ได้อาศัยการท่องจำเพื่อเตรียมตัวไปสอบ และทั้งสามอย่างนี้ถูกใช้อย่างแพร่หลายใน Machine Learning ความหมายของ Machine Learning คือการหาความสัมพันธ์ระหว่าง random variable (คำนี้จะแปลแบบตรงตัวไม่ได้ ซึ่งคำน้ีเป็นศัพท์เชิงเทคนิค หมายถึงตัวแปรที่เราสนใจ) ซึ่งจะมีกี่ตัวแปรก็ได้ ยกตัวอย่างเช่น Conditional Probability สมมติว่า x เป็นตัวแปร มีค่า 3 ค่า แต่ละค่ามีค่าอยู่ที่ช่วงของ 0–255 แทนค่าของสี

ในโพสนี้จะมาอธิบายอัลกอริทึมที่แปลงจาก word เป็น vector ที่เป็นตัวพื้นฐานอย่างละเอียดๆ เข้าใจในที่มาที่ไปและความหมายของสมการต่างๆ การเรียนรู้ถ้าเริ่มต้นจากอะไรที่ง่ายก่อน จะทำให้เป็นรากฐานให้เข้าใจอัลกอริทึมที่แอดวานซ์ต่อไป จากบทความที่แล้ว Word Embedding การหา feature ของคำในการทำ NLP ขอยกสมการค่า Loss มาเพื่ออธิบายโมเดลต่อ โดยที่ค่า p(wₜ₊ⱼ|wₜ) สามารถนิยามได้ว่า

สำหรับคำถามที่ว่าควรมีจำนวน hidden layer กี่ชั้น สามารถอ่านได้ที่ Neural Network ควรมีกี่ชั้น? แต่มีใครเคยสงสัยไหมคะว่า ทำไมจึงต้องออกแบบให้โมเดลมี hidden layer? ในโพสนี้จะมาวิเคราะห์ความหมายของ hidden layer ค่ะ ซึ่งจะหมายถึงความหมายที่เชื่อมโยงกับโลกความเป็นจริง เพื่อให้เห็นว่า ความจริงแล้วโมเดลหรือคณิตรศาสตร์ต่างๆ สามารถตีความให้เข้าใจได้ และเมื่อมีความเข้าใจตรงนี้ ก็จะเป็นพื้นฐานในการออกแบบโมเดลด้วยตัวเองให้เข้ากับปัญหาของตัวเองได้ต่อไปค่ะ

ไม่ว่าจะประมวลผลข้อมูลแบบใดก็ตาม รูปภาพหรือข้อความ feature คือหนึ่งในปัจจัยที่สำคัญที่จะช่วยให้การประมวลผลนั้นมีความแม่นยำสูงได้ และได้กล่าวถึงความสำคัญของ feature เอาไว้ในตอน เจาะลึกโครงสร้าง Convolutional Neural Network สำหรับสาย NLP ส่วนมากแล้ว ก็จะต้องการรู้ความหมายของคำ ความหมายของคำตามหลักการของภาษาแล้ว จะทราบได้จากบริบทที่เราหยิบคำนั้นๆไปใช้ และบริบทก็จะสามารถรู้ได้จากคำที่อยู่รอบๆคำๆนั้น เช่น

โพสนี้ก็ออกมาพูดเรื่องเป้าหมายหลักของการออกมาทำคอนเท้น และให้ได้รู้จักกับความคิดของผู้เขียนมากขึ้น และความสำคัญของคนที่มีอาชีพเป็นครูบาอาจารย์ หรือ ‘อาชีพสร้างคน’ เป็นเรื่องปกติของนักวิจัยที่เรียนจบเอกที่มีความทะเยอทะยานสูง มีความรู้ความสามารถระดับนึง ถูกฝึกกระบวนการคิดมาระดับนึง และที่สำคัญรู้ว่าเอไอสามารถมาแก้ปัญหาอะไรให้บ้านเมืองเจริญขึ้นได้บ้าง ก็มีความคิดอยากที่จะสร้างนวัตรกรรมอะไรล้ำหน้าขึ้นมาซักอย่าง ก่อตั้งเป็นบริษัท start up มันก็คงจะเท่น่าดู และเข้ากับเทรนด์โลกสมัยนี้ด้วย

เคยสงสัยบ้างไหมอะไรคือหน้าที่หลักของ Activationโครงข่ายประสาทเทียมในเชิงคณิตศาสตร์? บทความนี้แหละที่จะมาให้ความกระจ่างมากขึ้น… จำที่เคยเรียนในช่วงมัธยมได้ไหม ที่อาจารย์สอนว่า ฟังก์ชั่นคืออะไร หา! อะไรนะ? ลืมแล้ว? ไม่เป็นไร เดี๋ยวจะเล่าให้ฟัง ฟังก์ชั่นคือความสัมพันธ์ระหว่างเซตของ Input และเซตของ Output โดยที่แต่ละค่าของ Input จะสัมพันธ์ได้เพียงแค่ค่าหนึ่งของ Output เท่านั้น เช่น เช่น y = x+2 เรียกอีกแบบได้ว่า y คือฟังก์ชั่นของ x โดยที่มี x เป็น Input และ y เป็น Output สามารถเขียนอีกแบบได้ดังนี้ f(x) = x+2…