การใช้งาน Neural Network 2 Layers ในภาษา Dart แบบง่าย ๆ

ในยุคปัจจุบัน เทคโนโลยีการเรียนรู้ของเครื่อง (Machine Learning) และปัญญาประดิษฐ์ (Artificial Intelligence) ได้เข้ามามีบทบาทสำคัญในหลาย ๆ ด้าน ทั้งในอุตสาหกรรม การแพทย์ การเงิน และการพัฒนาแอปพลิเคชันต่าง ๆ ในบทความนี้ เราจะมาสำรวจการใช้งาน Neural Network แบบง่าย ๆ โดยใช้ภาษา Dart ซึ่งเป็นภาษาโปรแกรมที่มีความเรียบง่ายและเหมาะกับการพัฒนาแอปพลิเคชันในหลาย ๆ โครงการ

#### ทำความเข้าใจ Neural Network

Neural Network เป็นโมเดลที่เลียนแบบการทำงานของสมองมนุษย์ โดยประกอบด้วย "นิวรอน" (Neuron) ที่เชื่อมโยงกันในรูปแบบหลาย ๆ ชั้น (Layers) ในที่นี้เราจะสร้าง Neural Network ที่มี 2 ชั้น ได้แก่ Input Layer และ Output Layer

#### ตัวอย่างการเขียนโค้ด Neural Network 2 Layers ในภาษา Dart

 import 'dart:math';

// ฟังก์ชัน Sigmoid สำหรับการทำ Non-Linear Activation
double sigmoid(double x) {
  return 1 / (1 + exp(-x));
}

// ฟังก์ชัน Derivative ของ Sigmoid
double sigmoidDerivative(double x) {
  return x * (1 - x);
}

class NeuralNetwork {
  List<double> weightsInputHidden;
  List<double> weightsHiddenOutput;

  NeuralNetwork() {
    // กำหนดน้ำหนักเริ่มต้นแบบสุ่ม
    weightsInputHidden = List.generate(2, (_) => Random().nextDouble());
    weightsHiddenOutput = Random().nextDouble();
  }

  // ฟังก์ชัน Forward Pass
  double predict(List<double> inputs) {
    // คำนวณ Hidden Layer
    double hiddenLayer = sigmoid(inputs[0] * weightsInputHidden[0] + inputs[1] * weightsInputHidden[1]);

    // คำนวณ Output Layer
    double output = sigmoid(hiddenLayer * weightsHiddenOutput);
    return output;
  }

  // ฟังก์ชัน Train
  void train(List<List<double>> trainingInputs, List<double> trainingOutputs, double learningRate, int epochs) {
    for (int epoch = 0; epoch < epochs; epoch++) {
      for (int i = 0; i < trainingInputs.length; i++) {
        // ขั้นตอน Forward Pass
        double hiddenLayer = sigmoid(trainingInputs[i][0] * weightsInputHidden[0] + trainingInputs[i][1] * weightsInputHidden[1]);
        double output = sigmoid(hiddenLayer * weightsHiddenOutput);

        // คำนวณ Error
        double error = trainingOutputs[i] - output;

        // ขั้นตอน Backpropagation
        double outputDelta = error * sigmoidDerivative(output);
        double hiddenLayerDelta = outputDelta * weightsHiddenOutput * sigmoidDerivative(hiddenLayer);

        // ปรับ Weight
        weightsHiddenOutput += learningRate * hiddenLayer * outputDelta;
        weightsInputHidden[0] += learningRate * trainingInputs[i][0] * hiddenLayerDelta;
        weightsInputHidden[1] += learningRate * trainingInputs[i][1] * hiddenLayerDelta;
      }
    }
  }
}

void main() {
  NeuralNetwork nn = NeuralNetwork();

  // ข้อมูลการฝึกสอน (XOR Problem)
  List<List<double>> trainingInputs = [
    [0, 0],
    [0, 1],
    [1, 0],
    [1, 1],
  ];

  List<double> trainingOutputs = [0, 1, 1, 0];

  nn.train(trainingInputs, trainingOutputs, 0.1, 10000);

  // ทดสอบโมเดล
  print('Test [0, 0]: ${nn.predict([0, 0])}');
  print('Test [0, 1]: ${nn.predict([0, 1])}');
  print('Test [1, 0]: ${nn.predict([1, 0])}');
  print('Test [1, 1]: ${nn.predict([1, 1])}');
}

#### การอธิบายโค้ด

#### Use Case ในโลกจริง

Neural Networks สามารถนำไปใช้งานในหลาย ๆ ด้าน เช่น:

สรุป

การสร้าง Neural Network ในภาษา Dart ถือเป็นจุดเริ่มต้นที่ดีในการเรียนรู้เกี่ยวกับปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง ด้วยการใช้แนวทางที่เรียบง่ายและเข้าใจได้ เราหวังว่าคุณจะลองนำไปประยุกต์ใช้กับโปรเจ็กต์ของคุณเอง

หากคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการพัฒนาทักษะการเขียนโปรแกรมอย่างลึกซึ้งและมีความสนุกสนานกับการเรียนรู้ สามารถเข้ามาเรียนรู้กับเราได้ที่ EPT (Expert-Programming-Tutor) ซึ่งมีหลักสูตรที่ตอบโจทย์และอัพเดทเทคโนโลยีเสมอ!

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