เขียนโปรแกรมเชิงวัตถุ คือ การเขียนโปรแกรมอีกรูปแบบหนึ่ง โดยมองสิ่งต่างๆ เป็นวัตถุ โดยในวัตถุจะมีคุณลักษณะและพฤติกรรม โดยแนวคิดการเขียนโปรแกรมมาจากพื้นฐานความจริงในชีวิตประจำวัน คุณลักษณะ (Attribute / Property) คือ สิ่งที่บ่งบอกลักษณะทั่วไปของวัตถุ พฤติกรรม (Method) คือ พฤติกรรมทั่วไปของวัตถุที่สามารถกระทำได้ องค์ประกอบพื้นฐาน คลาส (class) คือ ต้นแบบของวัตถุการจะสร้างวัตถุขึ้นมาได้จะต้องสร้างคลาสขึ้นมาเป็นต้นแบบของวัตถุก่อนเสมอ

JavaScript คือ ภาษาคอมพิวเตอร์ที่ใช้ในการพัฒนาเว็บร่วมกับ HTML เพื่อให้เว็บมีลักษณะแบบไดนามิก หมายถึง เว็บสามารถตอบสนองกับผู้ใช้งานหรือแสดงเนื้อหาที่แตกต่างกันไปโดยจะอ้างอิงตามเว็บบราวเซอร์ที่ผู้เข้าชมเว็บใช้งานอยู่ เป็นภาษาที่ทำงานฝั่งผู้ใช้ (Client Side Script) โดยเว็บเบราว์เซอร์จะทำหน้าที่ประมวลผลคำสั่งที่ถูกเขียนขึ้นมาและตอบสนองต่อผู้ใช้ได้ทันที เช่น การแสดงข้อความแจ้งเตือน (Alert) การตรวจสอบข้อมูลที่ผู้ใช้ป้อน (Validation) เป็นต้น

Blockchain คือ เทคโนโลยีการจัดเก็บข้อมูลแบบ Shared Database หรือ ที่รู้จักกันในชื่อ Distributed Ledger Technology (DLT) เป็นรูปแบบการเก็บข้อมูลที่มีความปลอดภัยสูงซึ่งใช้วิธีการตรวจสอบข้อมูลโดยการเช็คจากข้อมูลที่ถูกจัดเก็บไปก่อนหน้านั้น ข้อมูลดังกล่าวไม่สามารถที่จะเปลี่ยนแปลงหรือแก้ไขได้ซึ่งผู้ใช้ที่อยู่ในเครือข่ายจะเห็นข้อมูลชุดเดียวกันทั้งหมดเป็นและผู้ตรวจสอบข้อมูลโดยใช้หลักการ Cryptography (การเข้ารหัส)

ตะลุยเนื้อหา Nuxt.js สำหรับพัฒนาเว็บแบบ SPA (Single Page Application) และการทำ SSR (Server Side Rendering) ต้องมีพื้นฐาน Vue.js มาก่อน สามารถดูได้ที่ Playlist : Nuxt.js คืออะไร

หัวข้อนี้จะเป็นหัวข้อส่งท้ายเนื้อหา Python Machine Learning เบื้องต้น เราจะมาตะลุยการทำระบบจดจำและทำนายผลตัวอักษรโดยใช้ Neural Network แบบ Multi-Layer Perceptron (MLP) เพื่อเรียนรู้และสร้างโมเดลสำหรับทำนายผลตัวอักษร โครงข่ายประสาทเทียม (Neural Network) เป็นสาขาหนึ่งของปัญญาประดิษฐ์ Artificial Intelligence (AI) เป็นแนวคิดที่ออกแบบระบบโครงข่ายคอมพิวเตอร์ ให้เลียนแบบการทำงานของสมองมนุษย์ มนุษย์มีกระบวนการเรียนรู้โดยจดจำรูปแบบ คือ มนุษย์สังเกตุเห็นสิ่งของที่ไม่รู้จักเมื่อเกิดการเห็นบ่อยๆมากขึ้น เห็นในรูปแบบที่แตกต่างมากขึ้นก็จะเกิดการเรียนรู้และจดจำในสิ่งที่คล้ายๆกัน และเมื่อเห็นสิ่งนั้นอีกครั้งก็จะสามารถบอกได้ว่าสิ่งที่เห็นนี้คืออะไร

ในหัวข้อนี้เราจะมาตะลุยการทำระบบจดจำและทำนายผลใบหน้าโดยใช้วิธีการ PCA (Principal Component Analyis) เพื่อลดขนาดของ Feature และนำไปทำงานร่วมกับ SVM (Support Vector Machine) เพื่อเรียนรู้และสร้างโมเดลสำหรับทำนายผลใบหน้า Dataset ที่ใช้ - Labelled Faces in the Wild (LFW) Dataset ข้อมูลพื้นฐาน :

K-means คือ วิธีการสำหรับค้นหาจำนวนของคลัสเตอร์ (Cluster)จากข้อมูลที่ไม่ ปรากฎ Class หรือ ไม่มี Label ซึ่งเรียกว่า Unlabeled Data วิธีนี้เป็นวิธี Unsupervised Learning หรือแปลตรงๆคือการเรียนรู้แบบไม่ต้องสอน โดยหน้าที่หลักของ K-means คือการแบ่งกลุ่มแบบ Clustering การแบ่งกลุ่มในลักษณะนี้จะใช้พื้นฐานทางสถิติประกอบด้วย 2 กลุ่มข้อมูลขึ้นไป การทำงานของ K-Means

การวิเคราะห์องค์ประกอบหลัก (Principal Component Analysis : PCA) เป็นวิธีที่ใช้วิเคราะห์ข้อมูลหลายตัวแปร เพื่อหาความสัมพันธ์ของตัวแปรเหล่านั้นส่งผลทำให้เกิดการลดขนาด Matrix ที่มีความซับซ้อนเล็กลงง่ายต่อการอธิบาย นำมาประยุกต์ลดขนาดของคุณลักษณะ (Features) ให้มีขนาดเล็กลง ซึ่งจะส่งผลทำให้การสร้างโมเดลนั้นใช้เวลาน้อยลง ยกตัวอย่าง สมมุติว่ามีตัวแปรหรือคุณลักษณะประมาณ 50 ตัว แต่อาจจะไม่ได้ใช้งานตัวแปรเหล่านี้ทั้งหมด เราต้องอาศัยการเรียงลำดับความสำคัญของตัวแปร เช่น ตัวแปรใดบ้างส่งผลกระทบก็นำมาใช้งาน ตัวแปรใดแทบไม่มีเกี่ยวข้องเลยก็ไม่ต้องทำมาใช้งานนั่นเอง หลักการง่ายๆนี้แหละเรียกว่า (Principal Component Analysis : PCA)

Naive Bayes Classification เป็นการจัดหมวดหมู่โดยใช้หลักความน่าจะเป็นเข้ามาช่วยคำนวณ อธิบายสมการ แทนตัวแปร 3 ตัว คือ c คือ Class x คือ Attribute P คือ Probability (ความน่าจะเป็น) P(c|x) Posterior probability คือ ความน่าจะเป็นที่ข้อมูลที่มีแอตทริบิวต์เป็น x จะมีคลาส C P(x|c) Likelihood คือ ความน่าจะเป็นที่ข้อมูลที่มีคลาส C และมีแอตทริบิวต์ x P(c) Prior probability คือ จำนวน Classที่อาจจะเกิดขึ้น/จำนวนClass ทั้งหมด หรือความน่าจะเป็นของ Class C P(x) Predictor Prior probability คือ จำนวน Attribute ทั้งหมด…