การใช้งาน Implement Perceptron ในภาษา Node.js แบบง่าย ๆ พร้อมตัวอย่าง CODE

นักพัฒนาหลายคนอาจจะเคยได้ยินเกี่ยวกับ "Perceptron" หนึ่งในโมเดลพื้นฐานของการเรียนรู้ของเครื่อง (Machine Learning) ซึ่งเป็นองค์ประกอบสำคัญสำหรับการทำงานในระบบปัญญาประดิษฐ์ โดยเฉพาะในการจำแนกประเภท (Classification) ให้เราเริ่มต้นไปทำความเข้าใจการทำงานของ Perceptron และวิธีการ Implement มันใน Node.js กันเถอะ!

Perceptron คืออะไร?

Perceptron เป็นโมเดลทางคณิตศาสตร์ที่ถูกพัฒนาขึ้นในปี 1957 โดย Frank Rosenblatt ที่ออกแบบมาเพื่อจำแนกประเภทข้อมูลโดยการคำนวณค่าของฟังก์ชันเชิงเส้น (Linear Function) เมื่อเราใช้ฟังก์ชันนี้กับข้อมูลที่มีลักษณะเชิงเส้น มันสามารถแบ่งข้อมูลออกเป็นสองคลาสที่ถูกต้องได้อย่างแม่นยำ

โครงสร้างพื้นฐานของ Perceptron ประกอบด้วย:

- นำเข้าค่าจากข้อมูล (Input)

- ค่าถ่วงน้ำหนัก (Weights)

- ฟังก์ชันการ Activation

หลักการทำงานของ Perceptron

ในการทำงานของ Perceptron เราจะมีการคำนวณค่าของนอตโดยการคูณข้อมูลนำเข้าสำหรับแต่ละคุณลักษณะด้วยน้ำหนักที่เกี่ยวข้อง และนำผลรวมที่ได้ไปรวมกับ Bias (ค่าคงที่) ซึ่งสามารถนำไปผ่านฟังก์ชันการ Activation (เช่น Sigmoid หรือ Heaviside) เพื่อตัดสินใจว่า ค่าที่ได้จะถูกจัดอยู่ในคลาสไหน

การคำนวณใน Perceptron


การคำนวณจะเป็นตัวอย่างต่อไปนี้:

\[ y = f(w_1x_1 + w_2x_2 + ... + w_nx_n + b) \]

สำหรับ:

- \( x_i \) = นำเข้าสำหรับแต่ละคุณลักษณะ

- \( w_i \) = ค่าถ่วงน้ำหนัก

- \( b \) = Bias

- \( f \) = ฟังก์ชันการ Activation

ขั้นตอนการ Implement Perceptron ใน Node.js

มาเริ่มกันที่ขั้นตอนการ implement Perceptron ใน Node.js อย่างง่าย ๆ กันเลย โดยเราจะใช้ Node.js ในการสร้าง class สำหรับ Perceptron พร้อมทั้งฟังก์ชันในการ training และ testing โมเดล

1. สร้างโปรเจกต์ Node.js

เริ่มต้นกันโดยการสร้างโปรเจกต์ใหม่ใน Node.js หากคุณยังไม่เคยทำขั้นตอนนี้ ให้ทำตามนี้:

 mkdir perceptron-example
cd perceptron-example
npm init -y

2. สร้างไฟล์สำหรับ Perceptron

สร้างไฟล์ `perceptron.js` ด้วยคำสั่ง:

 touch perceptron.js

3. เขียนโค้ด Perceptron

ในไฟล์ `perceptron.js` ให้เขียนโค้ดต่อไปนี้:

 class Perceptron {
    constructor(learningRate = 0.01, maxIterations = 1000) {
        this.learningRate = learningRate;
        this.maxIterations = maxIterations;
        this.weights = [];
        this.bias = 0;
    }

    // ฟังก์ชัน Activation
    activation(sum) {
        return sum >= 0 ? 1 : 0;
    }

    // ฟังก์ชัน Training
    train(trainingInputs, labels) {
        const numberOfInputs = trainingInputs[0].length;
        this.weights = new Array(numberOfInputs).fill(0);

        for(let iteration = 0; iteration < this.maxIterations; iteration++) {
            for(let i = 0; i < trainingInputs.length; i++) {
                const sum = trainingInputs[i].reduce((acc, x, index) => acc + x * this.weights[index], this.bias);
                const prediction = this.activation(sum);
                // ปรับน้ำหนัก
                const error = labels[i] - prediction;

                for(let j = 0; j < numberOfInputs; j++) {
                    this.weights[j] += this.learningRate * error * trainingInputs[i][j];
                }
                this.bias += this.learningRate * error;
            }
        }
    }

    // ฟังก์ชัน Prediction
    predict(inputs) {
        const sum = inputs.reduce((acc, x, index) => acc + x * this.weights[index], this.bias);
        return this.activation(sum);
    }
}

module.exports = Perceptron;

4. ทดสอบโค้ด Perceptron

ต่อไปให้สร้างไฟล์ `test.js` เพื่อทำการทดสอบ Perceptron ของเรา:

 touch test.js

และเข้ามาเขียนโค้ดเพื่อทดสอบในไฟล์ `test.js`:

 const Perceptron = require('./perceptron');

const trainingInputs = [
    [0, 0],
    [0, 1],
    [1, 0],
    [1, 1]
];

const labels = [0, 0, 0, 1]; // AND logic gate

const perceptron = new Perceptron(0.1);
perceptron.train(trainingInputs, labels);

// Testing
console.log(perceptron.predict([0, 0])); // Output: 0
console.log(perceptron.predict([0, 1])); // Output: 0
console.log(perceptron.predict([1, 0])); // Output: 0
console.log(perceptron.predict([1, 1])); // Output: 1

5. รันโปรเจกต์

เมื่อคุณได้เขียนโค้ดเสร็จแล้ว คุณสามารถรันโค้ดเพื่อทดสอบได้โดยใช้คำสั่ง:

 node test.js

จะเห็นว่า Output ที่ได้ตรงตามที่คาดไว้ตามลักษณะของ AND logic gate

Usecase ของ Perceptron ในโลกจริง

สรุป

การนำ Perceptron มาใช้งานใน Node.js นั้นไม่ใช่เรื่องยาก และสามารถเป็นพื้นฐานในการพัฒนาระบบปัญญาประดิษฐ์ที่ซับซ้อนกว่าเดิมได้ สำหรับผู้ที่มีความสนใจในการเรียนรู้เกี่ยวกับการเขียนโปรแกรมและการพัฒนาระบบ AI, EPT (Expert Programming Tutor) เป็นที่ที่เหมาะสมสำหรับการเริ่มต้นศึกษาสายนี้ คุณจะได้รับความรู้ที่มีคุณค่าจากผู้เชี่ยวชาญ ขอเชิญให้ท่านเข้าศึกษาที่ EPT เพื่อเริ่มต้นการเดินทางสู่การเป็นนักพัฒนาที่เต็มเปี่ยมไปด้วยความสามารถ!

หมายเหตุ: ข้อมูลในบทความนี้อาจจะผิด โปรดตรวจสอบความถูกต้องของบทความอีกครั้งหนึ่ง บทความนี้ไม่สามารถนำไปใช้อ้างอิงใด ๆ ได้ ทาง EPT ไม่ขอยืนยันความถูกต้อง และไม่ขอรับผิดชอบต่อความเสียหายใดที่เกิดจากบทความชุดนี้ทั้งทางทรัพย์สิน ร่างกาย หรือจิตใจของผู้อ่านและผู้เกี่ยวข้อง