การใช้งาน Implement Perceptron ในภาษา Swift แบบง่ายๆ พร้อมตัวอย่าง CODE

สวัสดีครับทุกคน! วันนี้เราจะมาทำความรู้จักกับ Perceptron ซึ่งเป็นอัลกอริธึมการเรียนรู้ของเครื่องที่มีความสำคัญในการพัฒนา AI ในยุคปัจจุบัน โดยเฉพาะอย่างยิ่งในด้านการจำแนกประเภทข้อมูล (Classification) สำหรับภาษาที่เราจะใช้ในการเขียนโค้ดวันนี้ก็คือ "Swift" นั่นเอง

Perceptron คืออะไร?

Perceptron เป็นโมเดลพื้นฐานของนิวรอนในเครือข่ายประสาทเทียม (Artificial Neural Networks) ที่ใช้แนวคิดการเรียนรู้แบบ Supervised Learning โดยทำงานในการจำแนกประเภทของข้อมูลที่แยกออกเป็นกลุ่มได้ เช่น การจำแนกอีเมลว่าเป็น Spam หรือไม่ Spam เป็นต้น

หลักการทำงานของ Perceptron จะทำการวิเคราะห์ข้อมูลนำเข้า (input features) และคำนวณค่าออกมาเป็น 0 หรือ 1 ขึ้นอยู่กับสถานะของข้อมูลที่ถูกนำเสนอ โดยการคำนวณจะพึ่งพาน้ำหนัก (weights) และ bias ที่เป็นค่าคงที่ที่เราสามารถปรับเพื่อพัฒนาความแม่นยำของโมเดลนั่นเอง

สูตรคำนวณของ Perceptron

โมเดล Perceptron สามารถอธิบายได้ดังนี้:

\[ Output = \begin{cases}

1 & \text{ถ้า } z \geq 0 \\

0 & \text{ถ้า } z < 0

\end{cases} \]

โดยที่ \( z = W \cdot X + b \)

- \( W \) คือ น้ำหนัก (weights)

- \( X \) คือ ข้อมูลนำเข้า

- \( b \) คือ bias

ตัวอย่างโค้ด Perceptron ใน Swift

มาดูกันครับว่าเราจะสามารถเขียนโค้ด Perceptron ใน Swift ได้อย่างไร ตัวอย่างโค้ดด้านล่างนี้จะสร้างคลาส Perceptron ที่สามารถเรียนรู้จากข้อมูลดิบและทำการจำแนกประเภทเบื้องต้นได้

 import Foundation

class Perceptron {
    var weights: [Double]
    var bias: Double

    init(inputSize: Int) {
        // กำหนดน้ำหนักแบบสุ่ม
        weights = (0..<inputSize).map { _ in Double.random(in: -1...1) }
        bias = Double.random(in: -1...1)
    }

    func predict(inputs: [Double]) -> Int {
        var sum = 0.0
        for (i, weight) in weights.enumerated() {
            sum += weight * inputs[i]
        }
        sum += bias
        return sum >= 0 ? 1 : 0
    }

    func train(trainingSet: [([Double], Int)], learningRate: Double, epochs: Int) {
        for _ in 0..<epochs {
            for (inputs, expected) in trainingSet {
                let output = predict(inputs: inputs)
                let error = expected - output

                // ปรับน้ำหนักและ bias
                for i in 0..<weights.count {
                    weights[i] += learningRate * Double(error) * inputs[i]
                }
                bias += learningRate * Double(error)
            }
        }
    }
}

// ตัวอย่างการใช้งาน
let perceptron = Perceptron(inputSize: 2)
let trainingData: [([Double], Int)] = [
    ([0, 0], 0),
    ([0, 1], 0),
    ([1, 0], 0),
    ([1, 1], 1)
]

perceptron.train(trainingSet: trainingData, learningRate: 0.1, epochs: 10)

// ทดสอบการจำแนกประเภท
print(perceptron.predict(inputs: [0, 0])) // 0
print(perceptron.predict(inputs: [0, 1])) // 0
print(perceptron.predict(inputs: [1, 0])) // 0
print(perceptron.predict(inputs: [1, 1])) // 1

การอธิบายโค้ด

Use Case ตัวอย่างในโลกจริง

Perceptron มีการนำไปใช้อย่างแพร่หลาย เช่น:

สรุป

การเรียนรู้เรื่อง Perceptron ช่วยให้เราเข้าใจถึงพื้นฐานของการจำแนกประเภทใน Machine Learning โดยการเขียนโค้ดในภาษา Swift นี้ไม่เพียงแต่ช่วยในการพัฒนาโปรแกรมที่ทำงานได้จริง แต่ยังเป็นการฝึกทักษะการเขียนโปรแกรมอีกด้วย

หากคุณสนใจในการเรียนรู้เพิ่มเติมเกี่ยวกับการเขียนโปรแกรม และ Machine Learning สามารถเข้าศึกษาได้ที่ EPT (Expert-Programming-Tutor) สถาบันสอนการเขียนโปรแกรมที่เต็มไปด้วยอาจารย์ผู้มีประสบการณ์และความรู้ที่พร้อมจะมาช่วยให้คุณเข้าใจในบทเรียนอย่างลึกซึ้ง

มาร่วมสร้างอนาคตในการเขียนโปรแกรมด้วยกันที่ EPT นะครับ!

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