ເຄື່ອຂ່າຍປະສາດທຽມ

ເປັນຫຍັງນັກພັດທະນາເວັບຈຶ່ງຄວນມີຄວາມເຂົ້າໃຈພື້ນຖານກ່ຽວກັບ Neural Networks?

• ເພື່ອທົດແທນວຽກງານການອອກແບບ UI/UX ທັງໝົດ.

• ເພື່ອສາມາດສ້າງເວັບໄຊທ໌ທີ່ມີຄວາມສາມາດອັດສະລິຍະ ແລະ ປະສົບການຜູ້ໃຊ້ທີ່ດີຂຶ້ນ.

• ເພື່ອຂຽນ CSS ທີ່ມີປະສິດທິພາບສູງຂຶ້ນ.

• ເພື່ອເພີ່ມຄວາມປອດໄພຂອງ Server ພຽງຢ່າງດຽວ.

ຟັງຊັນກະຕຸ້ນ ReLU (Rectified Linear Unit) ມີລັກສະນະການເຮັດວຽກແນວໃດ?

• ສົ່ງຄ່າ input ອອກໂດຍກົງຖ້າ input ເປັນບວກ, ແລະ ສົ່ງຄ່າ 0 ອອກຖ້າ input ເປັນລົບ ຫຼື ສູນ.

• ບີບອັດຄ່າ input ໃຫ້ຢູ່ໃນລະຫວ່າງ 0 ແລະ 1.

• ບີບອັດຄ່າ input ໃຫ້ຢູ່ໃນລະຫວ່າງ -1 ແລະ 1.

• ສົ່ງຄ່າ 1 ອອກຖ້າ input ໃຫຍ່ກວ່າ threshold, ແລະ 0 ຖ້າໜ້ອຍກວ່າ.

"Epoch" ໃນການຝຶກເຄື່ອຂ່າຍປະສາດທຽມໝາຍເຖິງຫຍັງ?

• ຈຳນວນນິວຣອນໃນຊັ້ນທີ່ເຊື່ອງໄວ້.

• ການສົ່ງຜ່ານຂໍ້ມູນຄັ້ງດຽວຜ່ານຊຸດຂໍ້ມູນຝຶກຫັດທັງໝົດ (ທັງ forward ແລະ backward pass).

• ຄວາມໄວໃນການຮຽນຮູ້ຂອງແບບຈຳລອງ.

• ປະເພດຂອງຟັງຊັນກະຕຸ້ນທີ່ໃຊ້.

ຂໍ້ໃດຕໍ່ໄປນີ້ ບໍ່ແມ່ນ ຕົວຢ່າງຂອງການນຳໃຊ້ Neural Networks ໃນການພັດທະນາເວັບ?

• ການສ້າງລະບົບແນະນຳສິນຄ້າໃນເວັບໄຊທ໌ E-commerce.

• ການອອກແບບໂຄງສ້າງຖານຂໍ້ມູນ (database schema design).

• ການພັດທະນາ Chatbot ເພື່ອຕອບຄຳຖາມລູກຄ້າ.

• ການກວດຈັບຮູບພາບທີ່ບໍ່ເໝາະສົມທີ່ຜູ້ໃຊ້ອັບໂຫຼດ.

TensorFlow.js ແມ່ນຫຍັງ?

• ພາສາການຂຽນໂປຣແກຣມໃໝ່ສຳລັບ Machine Learning.

• ຖານຂໍ້ມູນທີ່ເກັບເຄື່ອຂ່າຍປະສາດທຽມ.

• Libraries JavaScript ສຳລັບການພັດທະນາ ແລະ ນຳໃຊ້ແບບຈຳລອງ Machine Learning ໃນ browser ແລະ Node.js.

• ເຄື່ອງມືສຳລັບການສ້າງຮູບພາບດ້ວຍ AI.

ຖ້າທ່ານຕ້ອງການສ້າງ Chatbot ຫຼື ລະບົບແປພາສາອັດຕະໂນມັດ, ເຄື່ອຂ່າຍປະສາດທຽມປະເພດໃດທີ່ເໝາະສົມທີ່ສຸດສຳລັບການປະມວນຜົນຂໍ້ມູນລຳດັບ (sequential data) ເຊັ່ນ ຂໍ້ຄວາມ?

• Convolutional Neural Network (CNN)

• Decision Tree

• Recurrent Neural Network (RNN)

• K-Nearest Neighbors

ເຄື່ອຂ່າຍປະສາດທຽມປະເພດໃດທີ່ຖືກອອກແບບມາໂດຍສະເພາະ ແລະ ມີປະສິດທິພາບສູງໃນການປະມວນຜົນຂໍ້ມູນຮູບພາບ?

• Recurrent Neural Network (RNN)

• Multi-Layer Perceptron (MLP)

• Convolutional Neural Network (CNN)

• Autoencoder

ເຕັກນິກຫຼັກທີ່ໃຊ້ໃນການປັບປຸງນ້ຳໜັກ (weights) ໃນເຄື່ອຂ່າຍປະສາດທຽມໂດຍການຄຳນວນຫາ "ຄວາມຮັບຜິດຊອບ" ຂອງແຕ່ລະນ້ຳໜັກຕໍ່ກັບຄວາມຜິດພາດທັງໝົດ ເອີ້ນວ່າຫຍັງ?

• Forward Propagation

• Activation Function

• Backpropagation

• Data Augmentation

Loss Function ຖືກນຳໃຊ້ເພື່ອຫຍັງໃນຂະບວນການຝຶກເຄື່ອຂ່າຍປະສາດທຽມ?

• ເພື່ອເລືອກຟັງຊັນກະຕຸ້ນທີ່ເໝາະສົມ.

• ເພື່ອວັດແທກຄວາມແຕກຕ່າງ ຫຼື ຄວາມຜິດພາດລະຫວ່າງຄ່າທີ່ຄາດຄະເນໄດ້ກັບຄ່າຈິງ.

• ເພື່ອກຳນົດຈຳນວນນິວຣອນໃນແຕ່ລະຊັ້ນ.

• ເພື່ອເລັ່ງຄວາມໄວໃນການສົ່ງຂໍ້ມູນໄປຂ້າງໜ້າ.

ຂະບວນການທີ່ຂໍ້ມູນໄຫຼຜ່ານເຄື່ອຂ່າຍປະສາດທຽມຈາກຊັ້ນຂໍ້ມູນເຂົ້າໄປຍັງຊັ້ນຂໍ້ມູນອອກ ເພື່ອສ້າງຜົນການຄາດຄະເນ ເອີ້ນວ່າຫຍັງ?

• Backpropagation

• Gradient Descent

• Forward Propagation

• Weight Initialization