เอกสารประกอบการสอน วิชา 344-371 ...staff.cs.psu.ac.th/jarunee/344-371 AI-Ebook.pdf · 2019-01-08 · เอกสารประกอบการสอน

เอกสารประกอบการสอน

วชา 344-371 ปญญาประดษฐ 1

(ARTIFICIAL INTELLIGENCE I)

จารณ ดวงสวรรณ

ไดรบทนสนบสนนจาก คณะวทยาศาสตร มหาวทยาลยสงขลานครนทร ปงบประมาณ 2560

ค ำน ำ เอกสารฉบบนจดท าขนเพอใชเปนเอกสารประกอบการสอนรายวชา 344–371 ปญญาประดษฐ 1 (Artificial Intelligence I) ส าหรบนกศกษาชนปท 3 ภาควชาวทยาการคอมพวเตอร คณะวทยาศาสตร มหาวทยาลยสงขลานครนทร

ภายในเอกสารประกอบดวยเนอหาทางปญญาประดษฐซงเปนศาสตรทส าคญของนกศกษาในสาขา ดงน ความรเบองตนเกยวกบปญญาประดษฐ เอเจนตอจฉรยะ เทคนคทางปญญาประดษฐ ความรเบองตนการเรยนรเครอง กระบวนทศนการเรยนรของเครอง และการประมวลผลภาษาธรรมชาต

ผจดท าขอขอบพระคณคณะวทยาศาสตร มหาวทยาลยสงขลานครนทร เปนอยางยงทใหทนสนบสนนการจดท าเอกสารฉบบนและขอขอบคณคณะกรรมการทกทานทชวยตรวจสอบความถกตองของเอกสาร

จารณ ดวงสวรรณ

[email protected]

ธนวาคม 2559

mailto:[email protected]

สารบญ

หนา ค าน า

บทท 1 ความรเบองตนปญญาประดษฐ

1.1 ความหมายของปญญาประดษฐ ............................................................................................................. 1-1

1.2 ความเปนมาของปญญาประดษฐ ........................................................................................................... 1-6

1.3 ปญญาประดษฐในปจจบน .................................................................................................................. 1-11

บทท 2 เอเจนตอฉรยะ

2.1 เอเจนตและสภาพแวดลอม .................................................................................................................... 2-1

2.2 แนวคดของความมเหตผล ...................................................................................................................... 2-3

2.3 ลกษณะของสภาพแวดลอม.................................................................................................................... 2-5

2.4 โครงสรางเอเจนต ................................................................................................................................ 2-12

บทท 3 เทคนคทางปญญาประดษฐ

3.1 เทคนคทางปญญาประดษฐ ................................................................................................................... 3-1

3.2 เทคนค Describe and Match ................................................................................................................ 3-1

3.3 เทคนค Goal Reduction ....................................................................................................................... 3-6

3.4 เทคนค Constraint Satisfaction ........................................................................................................... 3-11

3.5 เทคนค Tree Searching ...................................................................................................................... 3-14

3.6 เทคนค Generate and Test ................................................................................................................ 3-18

3.7 เทคนค Rule Based Systems ............................................................................................................. 3-20

3.8 เทคนค Neural Networks .................................................................................................................... 3-22

3.9 เทคนค Genetic Algorithms ................................................................................................................ 3-29

สารบญ หนา บทท 4 ความรเบองตนการเรยนร

4.1 ความหมายของการเรยนร ...................................................................................................................... 4-1

4.2 การออกแบบระบบการเรยนร ................................................................................................................. 4-5

4.3 ภาพรวมระบบการเรยนรของเครอง ....................................................................................................... 4-14

4.4 องคประกอบระบบการเรยนรของเครอง ................................................................................................. 4-15

4.5 บทสรป .............................................................................................................................................. 4-17

บทท 5 กระบวนทศนการเรยนรของเครอง

5.1 กระบวนทศนการเรยนรของเครอง ........................................................................................................... 5-1

5.2 การเรยนรโดยการจ า.............................................................................................................................. 5-1

5.3 การเรยนรจากตวอยาง ........................................................................................................................... 5-2

5.4 การเรยนรบนพนฐานค าอธบาย ............................................................................................................ 5-22

5.5 การเรยนรโดยการจดกลม .................................................................................................................... 5-25

บทท 6 การประมวลผลภาษาธรรมชาต

6.1 บทน า................................................................................................................................................... 6-1

6.2 การประมวลผลหนวยค า ........................................................................................................................ 6-9

6.3 การประมวลผลไวยากรณ .................................................................................................................... 6-11

6.4 อรรถศาสตรและวจนปฏบตศาสตร ....................................................................................................... 6-16

บรรณานกรม

บทท 1 ความรเบองตนปญญาประดษฐ

(Introduction to Artificial Intelligence)

วตถประสงค

1 เพอใหนกศกษารค านยามของปญญาประดษฐ

2 เพอใหนกศกษารเบองหลงและความเปนมาของปญญาประดษฐ

3 เพอใหนกศกษารภาพรวมของปญญาประดษฐ สาขาตาง ๆ ของปญญาประดษฐ รวมทงตวอยางงานประยกต

ทางปญญาประดษฐในสาขาตาง ๆ

1.1 ความหมายของปญญาประดษฐ

ปญญาประดษฐ (Artificial Intelligence) หรอเอไอ (AI) ประกอบดวยค า 2 ค าคอ Artificial (แปลวาของเทยม ของท

สรางขนมา) กบ Intelligence (แปลวา อจฉรยะ) ดงนนเมอน าสองค านมารวมกนกจะแปลไดวา ความอจฉรยะเทยมท

สรางขน ซงหมายถงความอจฉรยะทไมไดมมาแตก าเนด หรอตดตวมาตงแตเกด ส าหรบปญญาประดษฐเปนสาขาท

เกดขนในปค.ศ.1995 โดยม John Mccarthy ซงเปนหนงในผบกเบกทางดานน และไดใหค าจ ากดอยางหยาบ ๆ และ

เปนค านยามแรกของ AI ดงน

“The Goal of AI is to Develop Machines That Behave as Though They were Intelligent”

จากค านยามขางตนไดกลาวไววาส าหรบวตถประสงคของปญญาประดษฐคอการพฒนาเครองกลทมพฤตกรรมทบง

บอกวาเครองกลเหลานนมความเปนอจฉรยะได เพอเปนการทดสอบค านยามดงกลาวโดยการจนตนาการตาม

สถานการณตอไปน ยานพาหนะจ านวนหนงก าลงเคลอนทอยในพนทปดรปสเหลยมจตรสทมขนาด 4x4 ตารางเมตร

แลวท าการสงเกตรปแบบพฤตกรรมตาง ๆ ทเกดขนของยานพาหนะเหลาน ซงจะเหนวายานพาหนะบางกลมอาจ

เคลอนทไดอยางชา ๆ ทละนด บางกลมจะเคลอนทอยางเปนอสระภายในขอบเขตทก าหนดและ บางกลมกจะมการ

ชนกน บางกลมจะเคลอนทตามยานพาหนะคนอน เปนตน ดงนนจากพฤตกรรมทสงเกตไดเหลาน พฤตกรรมใดทถอ

วาเปนพฤตกรรมอจฉรยะ (Intelligent Behavior) ซงหากดตามค านยามของ John Mccarthy แลวพบวาพฤตกรรม

ของยานพาหนะเหลานเปนพฤตกรรมอจฉรยะทงสน ตอมานกจตวทยาชอ Valentin Braitenberg ไดอธบายเพมเตม

จากค านยามของ John Mccarthy โดยการสรางยานพาหนะทชอวา Braitenberg Vehicles ซงเปนยานพาหนะท

สรางขนเพอใชแสดงใหเหนวาการแสดงพฤตกรรมอจฉรยะซงเปนพฤตกรรมทมความซบซอนสามารถสรางจากการใช

วงจรไฟฟาอยางงาย ๆ ส าหรบ Braitenberg Vehicles จะประกอบดวยลอสองลอทถกขบเคลอนดวยมอเตอรอยาง

มอสระจากกน ส าหรบความเรวของมอเตอรจะขนอยกบ Light Sensor ทอยดานหนาของยานพาหนะนน ดงแสดงใน

344-371 ปญญาประดษฐ 1 บทท 1 ความรเบองตนปญญาประดษฐ

จารณ ดวงสวรรณ ภาควชาวทยาการคอมพวเตอร คณะวทยาศาสตร ม.สงขลานครนทร 1-2 | P a g e

รปท 1.1 โดยทยงยานพาหนะตรวจจบแสงจาก Light Source ไดมากเทาใด มอเตอรกจะยงหมนไดเรวขนเทานน จาก

รปท 1.1 จะเหนไดวา Vehicle 1 จะเคลอนออกจาก Light Source ในขณะท Vehicle 2 เคลอนทเขาหา Light Source

นอกจากนหากท าการปรบเปลยนลกษณะของ Braitenberg Vehicles เพยงเลกนอย กจะสามารถสรางพฤตกรรมการ

เคลอนทในรปแบบอน ๆ ไดเพมเตม ซงเปนสนบสนนค านยามของ John Mccarthy ได อยางไรกตามจากค านยาม

ของ John Mccarthy นนยงไมเพยงพอส าหรบการใหนยามของ AI เนองจาก AI มวตถประสงคอกอยางหนงคอ การ

แกปญหาทมความซบซอน ซงในทางปฏบตแลว Braitenberg Vehicles ไมสามารถท าได

รปท 1.1 Braitenberg Vehicles และการตรวจจบแสงจาก Light Source

ทมา : Wolfgang Ertel (2011)

ค านยามทนาสนใจค านยามหนงคอจากค านยามของ Elaine Rich ซงใหไวดงน

“Artificial Intelligence is the Study of How to Make Computers do Things at Which, At The Moment, People are

Better.”

จากค านยามของ Elaine Rich จะเหนวาเปนการชใหเหนอยางชดเจนถงสงทนกวจยทางสาขา AI ก าลงท าอยใน

ระยะเวลา 50 ปทผานมา และจะยงมความทนสมยแมกระทงปค.ศ. 2050 กตาม ส าหรบงานบางงานเชนการ

ประมวลผลค านวณคาตาง ๆ แลวคอมพวเตอรจะท างานไดเรวกวามนษยมาก อยางไรกตามส าหรบงานบางงานเชน

เมอคน ๆ หนงเดนเขาไปในหองทไมคนเคยหรอไมเคยเขามากอน คน ๆ นนจะสามารถจดจ าสภาพแวดลอมตาง ๆ

ภายในหองดงกลาวไดเพยงเสยววนาทเทานนกจะสามารถตดสนใจเลอกวาจะกระท าสงใดตอไปจากสภาพแวดลอม

ปจจบนทสงเกตไดในขณะนน ซงงานดงกลาวนไมสามารถท าไดโดยเครองคอมพวเตอรทวไป แตจะเปนงานส าหรบ AI

อยางเชน Autonomous Robots เทานน อยางไรกตามหากใหนยามตามท Rich เสนอจะเหนไดวา AI จะไมสามารถ

สรางระบบอจฉรยะทสามารถใหเหตผลและแสดงการกระท าอยางมนษยได (Human Reasoning and Intelligent

Action) เนองจากการสรางระบบอจฉรยะแบบนจะตองอาศยหลกการทเรยกวา Neuroscience ซงเปนหลกการท

ส าคญอยางยงใน AI

นอกจากนการใหค านยามทนาสนใจในหนงสอ Russell, S. J. And P. Norvig (2003). Artificial Intelligence: A

Modern Approach, Pearson Education. ดงรปท 1.2 โดยค านยามเหลานไดใหความส าคญกบค าวา “อจฉรยะ

(Intelligence)” ซง Stuart Russell And Peter Norvig ไดแสดงใหเหนวาค านยามตาง ๆ เหลานนสามารถถกแบง

Vehicle 1 Vehicle 2

Light Source



ประเดนทส าคญออกเปนสามประเดนดวยกนคอ กระบวนการคด (Thought Processes) การใชเหตผล (Reasoning)

และพฤตกรรมหรอการกระท าทแสดงออก (Behaviors)

รปท 1.2 ค านยามตาง ๆ ของปญญาประดษฐ ซงถกจดออกเปน 4 ประเภท

ทมา : Russell and Norvig (2014)

เมอน าประเดนของกระบวนการคด การใชเหตผล และการกระท าแลวสามารถพจารณาเปนมมมองในแบบสองมต

เพอใชอธบายความหมายของค าวา “อจฉรยะ” ไดดงรปท 1.3 นนคอการทจะตดสนวาคอมพวเตอรมความเปน

อจฉรยะไดกตอเมอมคณสมบตครบทงสองมตคอทงในสวนของการคดและการกระท าดงรายละเอยดตอไปน

เหมอนมนษย (Like Human)

อยางมเหตมผล (Rationally)

การคด (Think)

วทยาศาสตรเชงปญญา (Cognitive Science)

กฎหมายของความคด (Laws Of Thought)

การกระท า (Act)

การทดสอบแบบทวรง (Turing Test)

เอเจนตทกระท าอยางมเหตมผล (Rational Agents)

รปท 1.3 แสดงมมมองแบบสองมต เพออธบายความหมายของค าวา”อจฉรยะ”



1.1.1 พฤตกรรมหรอการกระท าเหมอนมนษย (Acting Humanly)

สงหนงทจะบอกวาเครองคอมพวเตอรเครองนน(หรอระบบคอมพวเตอรระบบหนง)มความอจฉรยะหรอไมนนคอการท

คอมพวเตอรสามารถแสดงพฤตกรรมหรอการกระท าไดเหมอนมนษย โดยการทดสอบวาคอมพวเตอรสามารถกระท า

เหมอนมนษยไดหรอไมนนอาศยการทดสอบทเรยกวาแบบทดสอบทวรง (Turing Test) ซงถกเสนอโดย Alan Turing

เมอปค.ศ.1950 ส าหรบวธการทดสอบนจะใหฝายหนงคอมนษยสนทนาโตตอบกบอกฝายหนงคอมนษยและเครอง

คอมพวเตอรโดยไมใหทงสองฝายมองเหนกน รปแบบการสนทนาอาจจะเปนการพดคยหรอการพมพขอความโตตอบ

กนระหวางคสนทนา หากคสนทนาไมสามารถแยกแยะไดวาอกฝายทโตตอบมานนเปนคอมพวเตอรหรอเปนมนษยก

ถอวาเครองคอมพวเตอรนนผานการทดสอบของทวรง ซงหมายความวาคอมพวเตอรมความอจฉรยะเนองจาก

สามารถเลยนแบบมนษย

รปท 1.4 Turing Test

อยางไรกตามเพอใหคอมพวเตอรสามารถผานการทดสอบแบบทวรง คอมพวเตอรจ าเปนจะตองมความสามารถใน

ดานตาง ๆ ดงตอไปน

(1) การประมวลผลภาษาธรรมชาต (Natural Language Processing) คอการทคอมพวเตอรสามารถสอสารโดย

ใชภาษาองกฤษในการโตตอบได

(2) การแทนความร (Knowledge Representation) คอการทคอมพวเตอรสามารถจดเกบความรตาง ๆ ทได

รบมา

(3) การใชเหตผลอยางอตโนมต (Automated Reasoning) คอการทคอมพวเตอรสามารถใชความรทจดเกบไว

เพอการตอบค าถามหรอการใหไดมาเพอขอสรปใหม ๆ

wall

?

?

......

https://th.wikipedia.org/wiki/%E0%B8%84%E0%B8%AD%E0%B8%A1%E0%B8%9E%E0%B8%B4%E0%B8%A7%E0%B9%80%E0%B8%95%E0%B8%AD%E0%B8%A3%E0%B9%8C



(4) การเรยนรของเครอง (Machine Learning) คอการทคอมพวเตอรสามารถปรบตวหรอดดแปลงตวเองเมอ

เผชญกบสถานการณใหมทไมเคยพบเหนมากอน หรอสามารถตรวจสอบและคาดการณสถานการณใหม ๆ

ทจะเกดขนได

(5) คอมพวเตอรวทศน (Computer Vision) คอการทคอมพวเตอรสามารถประมวลผลภาพ เพอใหคอมพวเตอร

สามารถเขาใจภาพ หรอแยกแยะวตถตาง ๆ ได

(6) วทยาการหนยนต (Robotics) คอการทคอมพวเตอรสามารถรบรสงแวดลอมรอบตวและตอบสนองได

สามารถเคลอนไหวในลกษณะเลอนหรอหมน สามารถเคลอนทไดตามพกดทก าหนด เปนตน

1.1.2 คดแบบมนษย (Thinking Humanly)

การทจะท าใหคอมพวเตอรคดอยางมนษย ไดนน จะตองเรยนรถงกระบวนการคดวเคราะหของมนษยวาเปนอยางไร

โดยการเรยนรดงกลาวคอการเขาถงหลกการท างานทแทจรงของ Human Minds วาเปนอยางไร ซงเมอทราบถง

หลกการท างานดงกลาวแลวกจะสามารถน ามาสรางเปนทฤษฏในรปของโปรแกรมคอมพวเตอร ได ส าหรบการ

วเคราะหลกษณะการคดของมนษย เปนศาสตรทเรยกวา Cognitive Science ซงเปนศาสตรทศกษาวาสมองของ

มนษยท างานอยางไร มนษยคด วเคราะหและเรยนรอยางไร นอกจากนศาสตรดงกลาวยงเปนการรวมเอาความรจาก

หลากหลายสาขารวมถงศาสตรทางจตวทยามารวมเขากบการสรางแบบจ าลองทางคอมพวเตอรเพอสรางทฤษฎ

กระบวนการท างานของ Human Minds ทถกตองและสามารถทดสอบได

1.1.3 คดอยางมเหตผล (Think Rationally)

ความสามารถในการคดอยางมเหตผล หรอคดอยางถกตอง (Right Thinking) ตามกฎ Laws Of Thought ของอลสโต

เตล ซงเปนการใชหลกตรรกศาสตรในการวเคราะหขอเทจจรงทมอยขณะนนเพอหาค าตอบหรอขอสรปอยางมเหตผล

อยางไรกตามการพยายามท าใหคอมพวเตอรคดอยางมเหตผลอยางมนษยนนมอปสรรคทส าคญอย 2 ประการคอ (1)

การแทนองคความรทมลกษณะแบบไมเปนทางการ (Informal Knowledge) ดวยสญลกษณทางตรรกศาสตรนนท าได

ยาก โดยเฉพาะอยางยงเมอองคความรมความแมนย านอยกวา 100% (2) ความแตกตางกนอยางมากระหวางการ

แกปญหาเชงหลกการกบเชงปฏบต แมวาปญหาบางอยางจะมขอเทจจรงทชวยสนบสนนเพอใหไดมาซงขอสรป แต

อาจจะไมสามารถใหขอสรปไดโดยคอมพวเตอรเมอปราศจากการชแนะในการใหเหตผลจากมนษยได

1.1.4 กระท าอยางมเหตผล (Acting Rationally)

ความสามารถในการกระท าอยางมเหตผลเพอใหบรรลเปาหมายทตงไว ดงนนส าหรบเอเจนต (Agent) จะหมายถงสง

ใดสงหนงทสามารถกระท าได อยางไรกตามเพอใหคอมพวเตอรเปนเอเจนตทแตกตางจากโปรแกรมหรอระบบ

คอมพวเตอรทวไป นนคอการท าใหเปนคอมพวเตอรทสามารถควบคมโดยอตโนมต ในสวนของการรบรสภาพแวดลอม

ทเปนอย ณ ขณะนน การคงอยตลอด (Persisting Over a Prolonged Time Period) การปรบตวใหเขากบการ



เปลยนแปลงทเกดขน และการท าใหบรรลเปาหมายทตงไว ส าหรบเอเจนตทสามารถกระท าเพอใหบรรลเปาหมายทด

ทสดเรยกวา Rational Agent ตวอยางของ Rational Agent ไดแก (1)เอเจนตส าหรบระบบขบรถอตโนมต โดยม

เปาหมายคอการไปถงปลายทางดวยระยะทางทสนทสด ซงตองเลอกเสนทางทไปยงปลายทางทสนทสดทเปนไปไดจง

จะเรยกไดวาเอเจนตกระท าอยางมเหตผล (2) เอเจนตในเกมสหมากรก โดยมเปาหมายคอการเอาชนะคแขง ดงนน

ตองเลอกเดนหมากทจะท าใหชนะคแขงใหได เปนตน

1.2 ความเปนมาของปญญาประดษฐ

1.2.1 ยคบกเบกปญญาประดษฐ (ค.ศ.1943-1955)

(1) ค.ศ.1943 : งานแรกทไดรบการยอมรบวาเปนงานทางดานปญญาประดษฐ คองานของ Warren Mcculloch

และ Walter Pitts ซงทงสองทานไดน าเสนอโมเดลของประสาทเทยม(A Model of Artificial Neurons) โดยท

แตละประสาทเทยมจะถกก าหนดใหม 2 สถานะคอ on กบ off ทงนประสาทเทยมจะมสถานะเปน on ก

ตอเมอถกกระตนโดยประสาทเทยมจ านวนหนงทอยรอบ ๆ ขางประสาทเทยมนน โดยพวกเขาไดแสดงให

เหนวาฟงกชนทางคอมพวเตอรสามารถค านวณไดจากโครงขายประสาทเทยม (Artificial Neural Network)

รวมถงเชอมโยงกนดวยตวเชอมทางตรรกศาสตรเชน และ (and) หรอ (or) นเสธ (not) เปนตน กสามารถถก

สรางโดยการใชโครงสรางตาขายอยางงายไดเชนเดยวกน

(2) ค.ศ.1949 : Donald Hebb ไดท าการวจยเกยวกบความสมพนธระหวางโครงขายประสาทเทยม และไดเสนอ

กฏใหมขนมาเรยกวากฏการเรยนรของเฮบบ (Hebbian Learning) หรอปจจบนนเรยกวา Hebb's Rule ซง

เปนกฎแรกทถกคดค�นขนมาส าหรบโครงข�ายประสาทเทยม

(3) ค.ศ.1950 : Marvin Minsky และ Dean Edmonds ซงขณะนนก าลงศกษาระดบปรญญาตร อยท

มหาวทยาลยฮารเวรด ไดสรางคอมพวเตอรโครงขายประสาทเทยมขนเปนเครองแรก ชอวา Snarc

นอกจากนนในปเดยวกนน Alan Turing ไดเสนอในบทความทาง AI บทความแรกชอ “Computational

Machinery and Intelligence” ซงเปนบทความทน าเสนอเกยวกบ การทดสอบแบบทวรง (Turing Test)

แนวคดเกยวกบการเรยนรของเครอง (Machine Learning) ขนตอนวธเชงพนธกรรม (Genetic Algorithm)

และการเรยนรแบบเสรมก าลง (Reinforcement Learning)

1.2.2 ยคก าเนดปญญาประดษฐ (ค.ศ.1956)

(1) ค.ศ.1956 : John Mccarthy ไดเชญนกวจยทสนใจในสาขา Automata Theory, Neural Nets และสาขาอน

ๆ ทเกยวกบความอจฉรยะ (The Study Of Intelligence) เพอเขารวม Dartmouth Workshop ในปค.ศ.



1956 และใน Workshop นไดมการบญญตค าวา “ปญญาประดษฐ (Artificial Intelligence)” ขนมาใชเปน

ครงแรก

1.2.3 ยคของความคาดหวงอยางสงในสาขาปญญาประดษฐ (ค.ศ.1952-1969)

(1) Newell และ Simon ออกแบบโปรแกรมคอมพวเตอรเพอเลยนแบบการแกปญหาของมนษย(General

Problem Solver: GPS) ไดเปนส าเรจครงแรก

(2) ค.ศ.1958 : John Mccarthy ไดยายจาก Dartmouth กลบไปท MIT AI Lab และไดสรางภาษา Lisp ซงเปน

ภาษาระดบสงส าหรบการโปรแกรมปญญาประดษฐ และถอวาเปนภาษาระดบสงภาษาทสอง ตอจากภาษา

Fortran นอกจากน John Mccarthy ไดเสนอผลงานตพมพเรอง “Programs with Common Sense” ซงเปน

บทความทอธบายถง Advice Taker ซงเปนโปรแกรมสมมตฐาน (Hypothetical Program) ทถอวาเปนระบบ

ปญญาประดษฐทสมบรณระบบแรก ส าหรบ Advice Taker ใชหลกตรรกศาสตรในการแทนความร และการ

ใหเหตผล เพอการแกปญหาใดปญหาหนง

(3) ค.ศ.1963 - 1968 : John Mccarthy ไดยายจาก MIT AI Lab ไปยง Stanford AI Lab ซงทหองปฏบตแหงน

Mccarthy เนนการท าวจยทเกยวกบวธการทวไปส าหรบการใหเหตผลทางตรรกศาสตร (General-Purpose

Methods For Logical Reasoning) โดยไดน างานวจยดงกลาวมาสรางแอพพลเคชนตาง ๆ ไดแก Cordell

Green’s Question-Answering And Planning System, Shakey Robotics Project ของสถาบนวจย

Stanford เปนตน นอกจากนยงมการพฒนาโปรแกรมเพอแกปญหาทางคณตศาสตรเชนแคลคลส อนทเกรต

และพชคณต ไดแก James Slagle’s Saint Program (1963) , Tom Evans’s Analogy Program (1968),

Daniel Bobrow’s Student Program (1967)

1.2.4 ยคความเปนจรงแหงปญญาประดษฐ

ตงแตการเรมตนของปญญาประดษฐ นกวจยในสาขานไมไดรสกเขนอายเลยกบการทพวกเขาจะท านายความส าเรจ

ในอนาคตของพวกเขาดงเชนท Herbert Simon ไดกลาวไวในปค.ศ.1957 ดงน

“It is not my aim to surprise or shock you--but the simplest way i can summarize is to say that there are now in

the world machines that think, that learn and that create. Moreover, their ability to do these things is going to

increase rapidly until--in a visible future--the range of problems they can handle will be coextensive with the

range to which the human mind has been applied.”

ส าหรบค าวา Visible Future ท Simon ไดกลาวไวนนหมายถงภายในอก 10 ปขางหนา (เทยบกบในเวลาขณะนน)

คอมพวเตอรจะเปนแชมปหมากรก (Chess Champion) อยางไรกตามแมจะท านายไวไมถกตองแตสงทเปนจรงจาก



ค าท านายคอคอมพวเตอรเปนแชมปหมากรกภายใน40ป (แทนทจะเปน 10 ปตามค าท านายของ Simon) ทเปนเชนน

เนองจากขอจ ากดหรอปญหาในขณะนนเชน

(1) ความยากของปญหาเกดขนจากการทโปรแกรมในยคแรก ๆ มขดความสามารถจ ากดในการจดเกบเนอหา

หรอสาระส าคญของความรไดไมมากหรอไมมการจดเกบเลย ดงนนการท างานของโปรแกรมกท าไดแคใน

ระดบทเปนโครงสรางไวยกรณพนฐานเทานน เชนในปค.ศ.1957 ส านกงานคณะกรรมการวจยแหงชาตของ

อเมรกา ตองการจะใหทนเพอการสราง Machine Translation ทชวยแปลภาษารสเซยเปนภาษาองกฤษได

เรวขน (กวาการแปลดวยมนษย) โดยมวตถประสงคหลกคอเพอใชแปลบทความวชาการทางดาน

วทยาศาสตรเกยวกบดาวเทยมสปตนก (ดาวเทยมดวงแรกของโลก) ซงสรางโดยประเทศรสเซย โดยแนวคด

ของการสราง Machine Translationนเรมดวยการใชหลกการพนฐานดงนคอในขนแรกเปนการแปลงโดยใช

หลกไวยกรณพนฐานของภาษาองกฤษและภาษารสเซย จากนนจงแทนทค าแตละค าโดยใชดกชนนาร

อเลกทรอนกส แตในความเปนจรงแลวแนวคดดงกลาวยงไมเพยงพอเนองจากการแปลนนนอกจะอยบน

พนฐานของหลกไวยกรณแลว ยงจะตองค านงถงความหมายดวย ดงนนจงจ าเปนตองใชเนอหาหรอ

สาระส าคญของความรเฉพาะดาน เพอแกไขความก ากวมของประโยคและใหไดความหมายทถกตองตรง

ตามบรบท ในปค.ศ.1966 ทางคณะกรรมการวจยแหงชาตของอเมรกาประกาศยกเลกการใหทนดงกลาว

เนองจากไมสามารถสราง Machine Translation ทสามารถใชส าหรบขอความทางวทยาศาสตรทวไป

(General Scientific Text) ไดเลย ในปจจบนนแมจะไมม Machine Translation ทสมบรณแบบแต

Machine Translation ไดถกใชเปนเครองมอส าหรบหลาย ๆ งานดวยกน

(2) ความหลากหลายของปญหาตาง ๆ ทพยายามใชปญญาประดษฐในการแกปญหาเหลานน เนองจาก

โปรแกรมดานปญญาประดษฐ ในชวงแรกแกปญหาโดยทดลองน าขนตอนทมความหลากหลายตาง ๆ มา

เชอมโยงเขาดวยกนจนกระทงสามารถไดวธการแกไขปญหาเหลานน ซงวธการดงกลาวนประสบความส าเรจ

ในชวงเรมตนของการแกปญหา Microworlds เนองจากวตถตาง ๆ (Objects) มจ านวนนอยดงนนความ

เปนไปไดของการกระท าตาง ๆ (Actions) กมนอยซงท าใหล าดบการแกปญหาดงกลาวไมมความซบซอน

มากนก อยางไรกตามกอนทจะมทฤษฏการค านวณปญหาทมความยากและความซบซอน (Theory Of

Computational Complexity หรอ ทฤษฎความซบซอนเชงค านวณ) ขนนน แนวคดงาย ๆ ทวไปทใชอยใน

ขณะนนคอหากปญหามความยากหรอซบซอนขน กเพยงแตเพมขดความสามารถของฮารดแวรและขนาด

ของหนวยความจ าใหมากขนกนาจะเพยงพอและสามารถแกไขปญหาทมความยากหรอซบซอนขนไดแลว ซง

ในปจจบนนกวจยไดพสจนแลวแนวคดดงกลาวนนไมเพยงพอ

(3) ปญหาทเกดขนเนองจากขอจ ากดพนฐานของโครงสรางทวไปทใชส าหรบการสรางการกระท าหรอพฤตกรรม

อจฉรยะ (Intelligent Behaviour) ดงตวอยางทปรากฏในหนงสอของ Minsky และ Papert ชอ “Perceptron”

ในปค.ศ.1969 ไดพสจนใหเหนวาแมวาเพอรเซปตรอนหรอโครงขายประสาทเทยมสามารถทจะเรยนรสงตาง



ๆ ทสามารถอธบายไดแตโครงขายประสาทเทยมกสามารถอธบายไดนอยมาก โดยเฉพาะอยางยงในกรณทม

เปนโครงขายประสาทเทยมทประกอบดวยเพอรเซปตรอนน าเขา 2 ตว กจะไมสามารถถกฝกฝนใหจดจ าวา

เมอใดเพอรเซปตรอนน าเขา 2 ตวนนมความแตกตางกน แมวา Minsky และ Papert ไมไดใชการพสจนของ

พวกเขากบเพอรเซปตรอนหลายชนหรอโครงขายประสาทเทยมทมโครงสรางเปนแบบหลาย ๆ ชน

(Multilayer Networks) ดงนนเงนสนบสนนเพอการวจยทางดาน Multilayer Networks นจงคอย ๆ ลดลง

เรอยจดหมด อยางไรกตามงานวจยดานนไดฟนขนมาอกครงในชวงปค.ศ.1980

1.2.5 ยคระบบฐานความร (ค.ศ.1969-1979)

จากยคทแลววธการแกปญหาจะเปนลกษณะทยงไมสมบรณเพยงพอทจะน าไปใชงานจรงได (Weak Methods)

นกวจยดานปญญาประดษญจงหนมาสทางเลอกอกทางหนงทจะท าให Weak Methods มความสามารถมากยงขนคอ

การสรางความรเฉพาะดาน (Domain-Specific Knowledge) ซงน าไปสขนตอนทท าใหสมเหตสมผลมากยงขน และ

น าไปสการแกปญหาทยากขนหรอซบซอนขนได

(1) ในปค.ศ.1969 Ed Feigenbaum และ ทมวจยของมหาวทยาลยสแตนฟอรด ไดพฒนาโปรแกรม Dendral

ส าหรบหาโครงสรางโมเลกลโดยใชขอมลทไดจากการท า Mass Spectrometer ซงเปนเทคนคการวเคราะห

ผลการวดสดสวนมวลตอประจของอนภาคทมประจเพอตรวจสอบวาสารตวอยางนนม เลขมวล (Mass

Number) เปนเทาไร เพอทจะไดสามารถท านายไดวา สารนนประกอบดวยองคประกอบชนดใดบางและม

ปรมาณเทาไร โดยผลลพธทไดจากการท างานของโปรแกรม Dendral ในเวอรชนแรก ๆ นนสามารถสราง

โครงสรางโมเลกลทเปนไปไดทงหมด รวมทงสามารถท านาย แมสสเปกตรมของแตละโครงสรางไดดวย และ

ไดมการปรบปรงความสามารถของโปรแกรม Dendral มาเรอย ๆ จนกระทงไดโปรแกรมเวอรชนทสามารถ

สรางโครงสรางยอยทวไป (Common Substructures) ในโมเลกลได ซงหลกการทส าคญทใชในเวอรชนนคอ

การจดจ า (Recognizing) โครงสรางทวไปของโมเลกล (General Form) เพอท านายโครงสรางเฉพาะของ

โมเลกล (Special Form)

(2) ความส าเรจของโปรแกรม Dendral ถอไดวาเปนโปรแกรมแรกของระบบทใชความรขนสง (Knowledge-

Intensive System หรอในปจจบนคอ ระบบช านาญการ หรอ Expert System นนเอง) ซงเปนระบบทสราง

ความช านาญการของตวเองจากใชกฏส าหรบงานเฉพาะดานจ านวนมากทมอย ตอมาภายหลงโปรแกรม

Dendral ไดถกน าไปท างานรวมกบ Advice Task ของ Mccarthy ท าใหไดโปรแกรม Dendral ทมการแยก

สวนประกอบทส าคญสองสวนออกจากกนคอ สวนของความร(Knowledge Component)กบสวนทท าหนาท

ใหเหตผล (Reasoning Component)

(3) หลงจากความส าเรจของโปรแกรม Dendral แลว Ed Feigenbaum และ ทมวจยของมหาวทยาลย

สแตนฟอรด ไดน าทฤษฏดงกลาวไปประยกตใชกบงานดานอน ๆ ซงงานวจยทส าคญและมชอเสยงมาจนถง



ปจจบนนคอการสรางระบบช านาญการเพอวเคราะหการตดเชอในกระแสเลอดชอวา Mycin สวนประกอบท

ส าคญของ Mycin คอกฏจ านวน 450 กฏทใชในการวเคราะห ซงผลทไดคอ Mycin สามารถใหผลการ

วเคราะหไดเทยบเทากบแพทยผ เชยวชาญและดกวาแพทยทจบใหม ๆ หรอแพทยทมประสบการณท างาน

นอย นอกจากน Mycin ยงมความแตกตางจากการท างานของโปรแกรม Dendral 2 ประการคอ (1) กฏทใช

เปนกฏทไดจากการสมภาษณผ เชยวชาญเฉพาะดานโดยตรง ซงไดมาจากประสบการณจรงหรอจากต ารา

เฉพาะดานการแพทย (2) การน าทฤษฏแคลคลสทเรยกวา Certainty Factors มาใชกบกฏทมความไม

แนนอนซงเกยวของกบความรทางดานการแพทย เพอใหผลจากการวนจฉยมความถกตอง

(4) นอกจากนแลวยงมการน าความรเฉพาะดานหรอความรเฉพาะสาขา (Domain Knowledge) ไปใชใน

การศกษาและวจยเพอสรางระบบการเขาใจภาษาธรรมชาต (Understanding Of Natural Language) เชน

ระบบ Shrdlu พฒนาโดย Terry Winograd ท MIT ในชวงป 1968–1970 ซงเปนระบบทเปนการสนทนา

ระหวางผ ใชกบคอมพวเตอรเพอใหคอมพวเตอรเคลอนยายวตถรปทรงตาง ๆ ตามค าสงของผ ใช รวมถงการ

สงใหคอมพวเตอรเกบวตถในต าแหนงตาง ๆ ดวย นอกจากนยงสามารถสงใหคอมพวเตอรเคลอนยายวตถไป

ยง Block World ซงเปนกลองเสมอนจรงทสามารถบรรจวตถตาง ๆ ได ส าหรบระบบ Shrdlu ผ ใชกบ

คอมพวเตอรสนทนากนโดยใชภาษาองกฤษ

(5) การสรางงานประยกตเพอใชกบปญหาตาง ๆ ในโลกของความเปนจรงมการเตบโตและแพรหลายของไป

อยางรวดเรว และในงานประยกตเหลานมจ านวนมากทจะตองใชรปแบบการแทนขอมลและการใชเหตผลใน

การท างาน ดงนนงานประยกตจ านวนพวกนมกจะถกพฒนามาจากภาษาเฉพาะเชนภาษาโปรลอก (Prolog

Language), ภาษาตะกล Planner เปนตน

1.2.6 ยคปญญาประดษฐเขาสภาคอตสากรรม (ค.ศ. 1980-ปจจบน)

ความส าเรจแรกของการน าปญญาประดษฐไปใชในงานอตสากรรมในปค.ศ.1982 คอ โปรแกรม R1 ซงถกน าไปใชโดย

บรษท Digital Equipment Corporation ส าหรบโปรแกรม R1 ถกพฒนาขนโดย John P. Mcdermott ดวยภาษา Ops5

ในปค.ศ.1978 เปนโปรแกรมระบบผ เชยวชาญส าหรบชวยสงซอเครอง VAX ของบรษท DEC โดยอยบนพนฐานความ

ตองการของลกคา และจากการใชโปรแกรม R1 ตงแตปค.ศ. 1986 ท าใหบรษทสามารถประหยดคาใชจายไดถง 40

ลานเหรยญสหรฐตอป ดงนนจงสงผลใหนกวจยพฒนางานดานระบบผ เชยวชาญอยางตอเนองเชน เมอถงปค.ศ.1988

นกวจยของบรษท DEC ไดสรางระบบผ เชยวชาญจ านวน 40 ระบบและมอกหลาย ๆ ระบบทอยในระหวางการพฒนา

บรษท DU PONT ไดสรางระบบผ เชยวชาญจ านวน 100 ระบบมาใชงานและมอก 500 ระบบทอยในระหวางการ

พฒนาซงสงผลใหบรษทประหยดคาใชจายไดถง 10 ลานเหรยญสหรฐตอป เปนตน



1.3 ปญญาประดษฐในปจจบน

ในปจจบนปญญาประดษฐถกน าไปประยกตใชในหลาย ๆ ดานดงน

1.3.1 พาหนะหนยนตหรอพาหนะไรคนขบ (Robotic Vehicles)

เชน Stanley เปนหน(รถ)ยนตอตโนมตทมหาวทยาลยแสตนฟอรดไดรวมมอกบบรษท Volkswagen Electronics สราง

ขนมาเพอแขงขนในงาน 2005 Darpa Grand Challenge ซงไดรบชยชนะและไดเงนรางวล 2 ลานเหรยญสหรฐ

Stanley ถกออกแบบตามมาตรฐานโมเดลทเรยกวา Volkswagen Touareg พรอมตดตงอปกรณตาง ๆ ไดแกกลอง

เรดาร และเครองวดระยะดวยแสงเลเซอร (Laser Rangefinders) เพอรบรสภาพแวดลอมรอบขาง และใชโปรแกรม

ส าหรบการควบคมระบบการขบเคลอน ระบบเบรค และระบบควบคมความเปน

1.3.2 การรจ าเสยงพด (Speech Recognition)

คอ การทคอมพวเตอรสามารถรบรเสยงของมนษยไดโดยอตโนมต โดยเปนการวเคราะห และ จดจ าค าพด จาก

สญญาณเสยงพดแลวมกแปลงเสยงพดใหกลายเปนขอความตวอกษร ตวอยางเชน Pegasus: A Speech

Understanding Program that is a Travel Agent

1.3.3 การวางแผนและการจดตารางอตโนมต (Autonomous Planning And Scheduling)

เปนการน าเทคนคทางปญญาประดษฐเพอใชในการจดการตารางหรอการวางแผนงาน ตวอยางทส าคญคอ

โปรแกรมควบคมยานอวกาศระยะไกลขององคการนาซา (NASA) โดย Jonsson และคณะเมอปค.ศ.2000 ซงเปน

โปรแกรมควบคมแรกทอยในรปแบบของ Remote Agent ซงเปนซอฟแวรทประมวลผลโดยคอมพวเตอรภายในยาน

อวกาศ ของนาซาทชอวา Deep Space 1 ซงเปนยานอวกาศทอยหางออกไปจากโลกมากกวา 60 ลานไมล

1.3.4 การเลนเกมส (Game Playing)

เชน โปรแกรมคอมพวเตอรดบล (Deep Blue) ของบรษทไอบเอม เปนโปรแกรมเลนเกมสหมากรก สามารถเอาชนะคน

ทเลนหมากรกไดเกงทสดคอ Garry Kasparov ดวยคะแนน 3.5 ตอ 2.5 ในเกมสการแขงขนหาผชนะระดบโลก เมอป

ค.ศ. 1997

1.3.5 การตอสกบสแปม (Spam Fighting)

เปนการใชเทคนคทางปญญาประดษฐเชนเทคนค Bayesian Filtering เพอสรางอลกอลทมส าหรบการเรยนร

(Learning Algorithms) ในการแกปญหาการสงขอความถงผ ทไมตองการรบ ซงกอใหเกดความร าคาญ และเปนการ

ละเมดสทธความเปนสวนตว



1.3.6 การวางแผนโลจสตกส (Logistics Planning)

โลจสตกส หมายถง การจดระเบยบการด าเนนงานทกดานทเกยวกบสนคาและบรการใหมประสทธภาพ ทงในดานการ

ขนสง การกระจายสนคา การเกบรกษาสนคา รวมถงบคลากร ซงเปนการวางแผนทมความซบซอน ตวอยางหนงเชน

ในป ค.ศ. 1991 ประเทศสหรฐอเมรกาไดประสบภาวะวกฤตทเรยกวา Persian Gulf รฐบาลจงใชโปรแกรม Dart

(Dynamic Analysis And Replanning Tool) ในการวางแผน

1.3.7 วทยาการหนยนต (Robotics)

เทคโนโลยหนยนตขนสง ซงเปนเทคโนโลยทมงหวงใหมาท างานแทนมนษย โดยเฉพาะการท างานทตองเสยง

อนตรายมาก ๆ

1.3.8 การแปลดวยเครอง (Machine Translation)

หมายถง การใชเครองคอมพวเตอรชวยแปลขอความหรอเนอหาจากภาษาหนงเปนอกภาษาหนง เชนจากองกฤษเปน

ไทย หรอจากองกฤษเปนญป น เปนตน โดยการแปลจะตองอาศยความรในเรองศพท (Vocabulary) แลว ยงตองม

ความรในเรองไวยากรณ ค าเหมอน ค าสแลง ส านวนหรอค าพงเพยตาง ๆ อกดวย ซงสงเหลานจะตองถกเกบไวใน

คอมพวเตอรเพอเรยกออกมาใชได ส าหรบการน ามาท าการวเคราะหขอมลภาษาตนทาง เลอกค าแปล และสราง

ขอความของภาษาปลายทางทเปนผลลพยของการแปลออกมา

นอกจากสาขาตาง ๆ ทกลาวมาขางตนแลว AI ยงมสาขาอน ๆ ทเพมขนมาอกมากมาย เชน การท าเหมองขอมล

(Data Mining) ระบบผ เชยวชาญ (Expert System) ปญหาทางมโนทรรศน (Perception Problem) การประมวลผล

ภาษาธรรมชาต (Natural Language Processing) ขายงานประสาทเทยม (Neural Network) ขนตอนวธเชงพนธกรรม

(Genetic Algorithm) เปนตน

บทท 2 เอเจนตอจฉรยะ

(Intelligent Agents)


1 เพอใหนกศกษารและเขาใจถงความหมายของเอเจนต ลกษณะของเอเจนตประเภทตาง ๆ

2 เพอใหนกศกษารและเขาใจลกษณะของสภาพแวดลอมทเอเจนตอาศยอย ขอดหรอขอจ ากดของสภาพแวดลอม

ในแตละประเภท

3 เพอใหนกศกษารและเขาใจความสมพนธระหวางเอเจนตและสภาพแวดลอมประเภทตาง ๆ ผานตวอยาง หรอ

กรณศกษาหลากหลายรปแบบ

2.1 เอเจนตและสภาพแวดลอม

เอเจนต (Agent) หมายถงอะไรกไดทสามารถรบรถงสภาพแวดลอมผานเซนเซอร (Sensors) และสามารถตอบสนอง

ตอสภาพแวดลอมนนโดยตวควบคมหรอตวแสดงผล (Effectors) โดยโครงสรางพนฐานของเอเจนตแสดงดงรปท 2.1

และส าหรบสวนของตวอยางของเซนเซอรและตวแสดงผลในเอเจนตประเภทตาง ๆ ไดแสดงในตาราง 2.1

รปท 2.1 โครงสรางของพนฐานของเอเจนต


environment ?

percepts

actions

actuators

sensors

A

agent

344-371 ปญญาประดษฐ 1 บทท 2 เอเจนตอจฉรยะ


ตาราง 2.1 ตวอยางของเซนเซอรและตวแสดงผล

ประเภทเอเจนต เซนเซอร ตวแสดงผล Human agent ตา ห และอวยวะสวนอน ๆ ของรายกาย มอ ขา ปาก และอวยวะสวนอน ๆ ของรายกาย Robotic agent กลองจบภาพ, เครองวดระยะทางดวย

รงสอนฟาเรด มอเตอรชนดตาง ๆ

Software agent การเคาะแปนพมพ,แฟมขอมล,ระบบเนตเวรค

หนาจอแสดงผล, การเขยนแฟมขอมล,การสงแพคเกตของเนตเวรค

ค าวา “Percept” ในรปท 2.1 นนหมายถงการรบรเหตการณตาง ๆ ในขณะนน ซงถอวาเปนสวนของขอมลน าเขา

(Input) ของเอเจนต ในขณะทสวนของ “Percept Sequence” จะแทนประวตการจดเกบการรบรของเอเจนตทงหมดท

ไดรบรผานมาในอดตจนถงปจจบน หรอกลาวอกนยหนงวาการทเอเจนตจะตดสนใจวาจะเลอกทางเลอกใด หรอจะ

เลอกวาจะกระท าพฤตกรรมใดเปนล าดบถดไปนน จะขนอยกบการพจารณาสงทเคยรบรผานมาทงหมดตงแตอดต

จนถงการรบรปจจบน แตจะไมขนกบสงทเอเจนตไมไดรบร ดงนนหากจะแสดงการรบรของเอเจนตในเชงคณตศาสตร

แลวสามารถกลาวไดวา พฤตกรรมของเอเจนต (Agent’s Behaviour) จะถกอธบายโดยการใชฟงกชนเอเจนต (Agent

Function) นนเอง โดยฟงกชนนจะท าหนาทเชอมโยงจากสงทเอเจนตรบรไปสการกระท าหรอล าดบของการกระท าท

สอดคลองกน ซงสามารถแสดงในรปสมการทางคณตศาสตรไดดงน f: P* A เมอ f แทน agent function, P* แทน

ประวตการรบรของเอเจนต (Percept Histories) และ A แทน การกระท าใด ๆ (Actions) ดงนนส าหรบการสรางเอ

เจนตใด ๆ ขนมาเพอท างานนนจะตองประกอบดวยสวนส าคญหลก ๆ 2 สวนคอสวนของสถาปตยกรรม

(Architecture) ซงจะหมายถงสถาปตยกรรมทางกายภาพ และสวนของโปรแกรม (Agent Program) เพอใชควบคม

การท างานของสถาปตยกรรมทางกายภาพ หรอสามารถเขยนในรปแบบงาย ๆ คอ agent = architecture +

program นนเอง

เพอใหเขาใจลกษณะของเอเจนตชดเจนยงขน สามารถอธบายโดยใชตวอยางโลกของเอเจนตดดฝน (Vacuum-

Cleaner World) ดงแสดงในรปท 2.2 เมอก าหนดใหโลกของเอเจนตดดฝ นมเพยง 2 ต าแหนงคอ สเหลยม A และ

สเหลยม B และสงทเอเจนตดดฝ นรบรไดคอ ต าแหนงทเอเจนตอยในขณะนน และสถานะทรบรวาต าแหนงทอยนนม

หรอไมมขยะ สวนการกระท าทเอเจนตดดฝ นท าไดคอเคลอนทไปทางซาย เคลอนทไปทางขวา ดดขยะ และไม

กระท าใด ๆ เลย ส าหรบตวอยางของฟงกชนเอเจนตคอ ถาต าแหนงทเอเจนตอยขณะนนมขยะ กใหเอเจนตดดขยะ

มเชนนนแลวกใหเอเจนตเคลอนทไปยงต าแหนงอน ส าหรบฟงกชนเอเจนตอน ๆ ไดแสดงในตาราง 2.2



A B

รปท 2.2 โลกของเอเจนตดดฝ น (Vacuum-Cleaner World) ทมา : Russell and Norvig (2014)

ตาราง 2.2 ฟงกชนเอเจนตของเอเจนตดดฝ น

Percept sequence Action

[A, Clean]

[A, Dirty] [B, Clean] [B, Dirty]

[A, Clean], [A, Clean]

[A, Clean], [A, Clean] . . .

[A, Clean], [A, Clean], [A, Clean]

[A, Clean], [A Clean], [A, Dirty] . . .

Right

Suck

Left

Suck

Right Suck . . . Right

Suck . . .

2.2 แนวคดของความมเหตผล

2.2.1 ความมเหตผล (Rationality)

สงใด ๆ กตามจะมความสมเหตสมผลจะขนกบสงเหลาน 4 ประการ

การวดผลการด าเนนงาน ซงเปนตวก าหนดเกณฑหรอเงอนไขของความส าเรจ

ความรเกยวกบสภาพแวดลอมทเอเจนตมอย



การกระท าใด ๆ ทเอเจนตสามารถท าได

ล าดบการรบรของเอเจนตจากอดตจนถงปจจบน

ซงสงเหลานจะน าไปสนยามของ rational agent ดงน

“For each possible percept sequence, a rational agent should select an action that is expected to

maximize its performance measure, given the evidence provided by the percept sequence and

whatever built-in knowledge the agent has.”

จากค านยายขางตนกลาวไดวา Rational Agent คอเอเจนตทสามารถเลอกไดวาการกระท าใดทจะน าไปสคาคาดหวง

ทจะไดคาผลการด าเนนงานสงสด (Performance Measure) ภายใตสงทเอเจนตรบรไดในขณะนน ๆ รวมถงองค

ความรทเอเจนตมอยในขณะนน ส าหรบการวดผลการด าเนนงานหรอ Performance Measure คอ เกณฑหรอเงอนไข

ส าหรบความส าเรจของการกระท าของเอเจนต เชนส าหรบเอเจนตดดฝ นนน การวดผลการด าเนนงานสามารถวดได

จากสงตาง ๆ เหลาน เชน ปรมาณขยะทดดจนกระทงพนสะอาด เวลาทใชในการดดขยะ ปรมาณของกระแสไฟฟาท

ใช หรอเสยงรบกวนทขนในขณะทดดขยะ เปนตน ส าหรบการพจารณาวาเอเจนตดดฝ นนนเปน Rational Agent

หรอไม จ าเปนตองพจารณาถงสงตาง ๆ คอ พจารณาวาการวดผลการด าเนนงานคออะไร องคความรของ

สภาพแวดลอมของเอเจนตทเอเจนตมอยในขณะนน รวมถง Sensor และ Actuator ทเอเจนตมอยมประเภทใดบาง

2.2.2 ความรอบรทกสงอยาง การเรยนร และอสรภาพ

ความมเหตผลหรอความสมเหตสมผลจะตางจากความรอบรทกสงอยาง (Omniscience) หรอเรยกวาความสมบรณ

แบบ (Perfection) กลาวคอ Omniscience Agent เปนเอเจนตทรวาผลลพธทแนนอนของการกระท าแตละการ

กระท าคออะไร รวมถงตวเอเจนตจะรวาเอเจนตจะกระท าการใด ๆ ไดบาง ส าหรบ Omniscience Agent นนไมมอย

ในโลกแหงความเปนจรง แตส าหรบความมเหตผลเปนการท าใหคาคาดหวงของผลการด าเนนงาน (Expected

Performance) มคาสงสด ในขณะทความรอบรทกสงอยางหรอความสมบรณแบบนนเปนการท าใหคาผลการ

ด าเนนงานจรง (Actual Performance) มคาสงสด

ส าหรบ Rational Agent จ าเปนจะตองมความสามารถในการเรยนร (Learning) จากสงทเอเจนตไดรบร รวมถงการ

เรยนรจากประสบการณทผานมาของเอเจนตดวย นอกจากนจ าเปนตองมคณสมบตความอสระ (Autonomy) ซง

หมายถงการกระท าของเอเจนตจะขนอยสงทเอเจนตรบรขณะนนและประสบการณทเอเจนตมอย โดยจะเปน

ประสบการณทไดจากการเรยนรทผานมา และท าการปรบใหเขากบการรบรในขณะนน และจะตองไมขนกบองค

ความรทผออกแบบเอเจนตไดก าหนดไวใหเอเจนตในขนตอนของการออกแบบเอเจนต



2.3 ลกษณะของสภาพแวดลอม

สภาพแวดลอมของงาน (Task environment) เปนสงทใชระบปญหาทตองการใหเอเจนตแกไขปญหานน ๆ ซงม

ผลกระทบโดยตรงตอการออกแบบทเหมาะสมส าหรบการโปรแกรมเอเจนต

2.3.1 การระบสภาพแวดลอมของงาน (Specifying the task environment)

การอธบายสภาพแวดลอมของงานนนเราสามารถอธบายโดยการน าเสนอในรปแบบทเรยกวา PEAS (Performance,

Environment, Actuator, Sensor) ซงเปนการระบถงสงส าคญทใชส าหรบการออกแบบเอเจนต ดงตวอยางงาย ๆ ใน

โลกของเอเจนตดดฝ นทไดอธบายไปแลวขางตน หรอตวอยางทมความซบซอนมากขนกวาโลกของเอเจนตดดฝ น เชน

ระบบขบขแทกซแบบอตโนมต (An Automated Taxi Driver) สามารถอธบายสภาพแวดลอมของงานโดยใช PEAS

ไดดงตาราง 2.3

ตาราง 2.3 สภาพแวดลอมของระบบขบขแทกซแบบอตโนมตในรปของ PEAS

ประเภทเอเจนต

การวดผลการด าเนนงาน สภาพแวดลอม ตวแสดงผล

เซนเซอร

self-driving taxi

- ความปลอดภย - ความเรว - การกระท าทถกกฎหมาย - การเดนทางสะดวกสบาย - การไดประโยชนสงสด

- ถนน - สภาพจราจร - ทางคนเดน - คนเดน

- พวงมาลย - คนเรง - เบรค - สญญาณ - แตร - การแสดงผล

- กลอง - เครองมอตรวจจบวตถ - เครองวดความเรว - เครองวดความเรง - เซนเซอรเครองยนต - แปนพมพ

(1) การวดผลการด าเนนงาน (Performance measure)

จากตวอยางของระบบขบขแทกซแบบอตโนมตนน การวดผลการด าเนนงานไดแกการพจารณาถงสงตาง ๆ เชน การ

ไปถงจดหมายปลายทางทถกตอง การใชตนทนในการเดนทางนอยทสดไดแก เวลา น ามนเชอเพลง เปนตน การผด

กฎจราจรนอยทสด การรบกวนคนขบคนอน ๆ นอยทสด ความปลอดภยหรอความสะดวกสบายของผ โดยสารมาก

ทสด การไดประโยชนมากทสด ซงจากการวดผลการด าเนนงานทกลาวมาจะเหนวาเปาหมายบางอยางเกดความ

ขดแยงกน (goal conflict) เชนหาตองการใหไปถงจดหมายปลายทางเรวทสด กอาจจะตองฝาฝนกฎจราจรหลาย ๆ

ครง ดงนนจงจ าเปนจะตองการเลอกอยางใดอยางหนงวา จะใหถงจดหมายปลายทางเรวทสดแตจะตองฝาฝนกฎ

จราจร หรอจะตองปฏบตตามกฎจราจรแตอาจจะถงจดหมายปลายทางชาลง เปนตน



(2) สภาพแวดลอม (Environment)

สภาพแวดลอมในขณะขบขแทกซทจะประสบพบเจอไดแกลกษณะหรอรปแบบของถนนซงอาจจะเปนถนนเลนเดยว

หรอถนนหลายเลน ทางดวน ทางยกระดบ เปนตน รวมถงสภาพการจราจรบนถนน คนเดนบนทางเทา สตวเรรอน การ

ท างานหรอการซอมถนน รถต ารวจ หลมหรอแองน า เหลานเปนสภาพแวดลอมทผ ขบขแทกซจะตองตอบสนองใน

ขณะทขบรถไป นอกจากนสภาพแวดลอมทแทบจะไมมโอกาสเกดขนในทหนง อาจจะเปนสภาพแวดลอมทมโอกาส

เกดขนบอยมากในอกทหนง เชนหมะตกแทบจะไมเกดขนเลยใน Southern California แตเกดขนบอยใน Alaska อก

ตวอยางหนงคอโดยทวไปแลวการขบรถจะขบเลนขวา แตในองกฤษหรอญป นจะเปนการขบเลนซาย ดงนนจะเหนวา

สภาพแวดลอมยงมขอจ ากดนอยนนหมายถงสภาพแวดลอมมความยดหยนมาก จะท าใหการออกแบบเอเจนตเพอ

การขบขแทกซท าไดงายยงขน

(3) ตวแสดงผลหรอตวกระตนใหเกดการแสดงผล (Actuators)

ตวกระตนใหเกดการแสดงผลส าหรบระบบขบขแทกซแบบอตโนมต จะตวกระตนใหเกดการแสดงผลทใชโดยการขบข

แทกซโดยมนษย (Human Driver) ซงไดแกอปกรณตาง ๆ ทควบคมการท างานของเครองยนตเชน พวงมาลย

(Steering) คนเรง (Accelerators) เบรค (Brake) สญญาณ (Signal) แตร (Horn) รวมถงอปกรณเพมเตมพเศษอน ๆ

เชนอปกรณส าหรบการแสดงผล (Display) อปกรณส าหรบการวเคราะหเสยง (Voice Synthesizer) ส าหรบการพด

โตตอบกบผ โดยสารหรอใชตดตอกบแทกซคนอน ๆ

(4) เซนเซอรหรอตวรบร (Sensors)

ระบบขบขแทกซแบบอตโนมตจะประกอบดวยสวนของกลองรบภาพส าหรบการรบรสภาพแวดลอมบนทองถนน ซง

อาจจะมมากกวา 1 กลอง นอกจากนจะประกอบดวยเซนเซอรอน ๆ อก เชนเซนเซอรส าหรบตรวจจบวตถเพอตรวจวด

ระยะหางระหวางรถกบสงกดขวาง เซนเซอรวดความเรว (Speedometer) เพอใชควบคมความเรวไมใหเกนทกฎหมาย

ระบไว เซนเซอรวดความเรง (Accelerometer) เพอใชควบคมความเรวในขณะเขาโคงตาง ๆ เซนเซอรเครองยนต

(Engine Sensors) เพอใชตรวจสอบสภาวะของเครองยนตเชนระดบน ามน ระบบไฟฟาของเครองยนต เปนตน

รวมถงอปกรณอน ๆ เชน GPS (Global Positioning System) แปนพมพ (Keyboard) ไมโครโฟนเพอใหผ โดยสาร

ระบปลายทางหรอจดหมายทตองการได นอกจากตวอยางของระบบขบขแทกซแบบอตโนมตจากทกลาวมาขางตน

แลว ตาราง 2.4 แสดงใหเหน PEAS ของเอเจนตประเภทอน ๆ



ตาราง 2.4 ตวอยางเอเจนตและPEAS

Agent Type Performance Measure

Environment Actuators Sensors

Medical diagnosis system (ระบบวนจฉยทางการแพทย)

Healthy patient, reduced costs (คนไขมสขภาพด, ตนทนการรกษาลดลง)

Patient, hospital, staff (คนไข, โรงพยาบาล,เจาหนาท)

Display of question, tests, diagnoses, treatment, referrals (การแสดงของค าถาม แบบทดสอบ การวนจฉย การรกษาและการอางอง)

Keyboard entry of symptoms, findings, patient’s answers (แปนพมพส าหรบการใสขอมลเกยวกบการซกถามอาการคนไข, ค าตอบของคนไข)

Satellite image analysis system (ระบบวเคราะหภาพถายดาวเทยม)

Correct image categorization (การจ าแนกประเภทของภาพถายดาวเทยมทถกตอง)

Downlink from orbiting satellite (การรบสงขอมลจากดาวเทยมโคจร)

Display of scene categorization (การแสดงประเภทของภาพถายดาวเทยม)

Color pixel arrays (อารเรยพกเซลส)

Part-picking robot (หนยนตหยบจบชนสวน)

Percentage of parts in correct bins (เปอเซนตความถกตองในการจดวางชนสวนลงในทภาชนะส าหรบจดเกบ)

Conveyor belt with parts: bins (สายพานล าเลยงชนสวน, ภาชนะส าหรบจดเกบชนสวน)

Jointed arm and hand (สายพานล าเลยงชนสวน, ภาชนะส าหรบจดเกบชนสวน)

Camera, joint angle sensors (กลองรบภาพ, เซนเซอรตรวจจบการกางหรอการหมนของขอตอ)

Refinery controller (ตวควบคมการกลนน ามน)

Purity, yield, safety (ความบรสทธของน ามน,ปรมาณน ามนบรสทธทได, ความปลอดภย)

Refinery, operators (เครองกลนน ามน, พนกงานดแลการกลนน ามน)

Valves, pumps, heaters, displays (วาลว,ปม,เครองท าความรอน,อปกรณแสดงผลการกลนน ามน)

Temperature, pressure, chemical sensors (ตวตรวจจบอณหภม,ความดน และ ปรมาณสารเคม)



Agent Type Performance Measure

Environment Actuators Sensors

Interactive English tutor (การสอนภาษาองกฤษเชงโตตอบ)

Student’s score on test (คะแนนสอบของผ เรยน)

Set of students, testing agency (ผ เรยน, ตวอยางขอสอบ)

Display of exercises, suggestion, corrections (อปกรแสดง แบบฝกหด, ค าแนะน า, ค าเฉลย)

Keyboard entry (แปนพมพส าหรบการใสขอมล)

2.3.2 คณสมบตตาง ๆ ของสภาพแวดลอมของงาน (Properties of task environments)

(1) Fully Observable vs. Partially Observable

สภาพแวดลอมของงานจะมคณสมบตแบบ Fully Observable กตอเมอเซนเซอรของเอเจนตสามารถรบรสถานะท

สมบรณของสภาพแวดลอมทเอเจนตอยในขณะนนไดทนเวลา ซงขอดของการมสภาพแวดลอมแบบนคอ เอเจนตไม

จ าเปนจะตองเปลยนแปลงแกไขสวนทเปน Internal State เพอเกบสภาพแวดลอมทมความเปนปจจบน อยางไรกตาม

ในบางสถานการณทเกดขนสภาพแวดลอมของเอเจนตอาจจะเปนแบบ Partially Observable ซงอาจเกดจาก

สงรบกวนหรอความผดพลาดของเซนเซอร หรออาจเกดจากการสญหายของขอมลบางสวนของเซนเซอรกได ตวอยาง

กรณของ Vacuum Agent จากรปท 2.2 ซงหากเอเจนตมเฉพาะเซนเซอรทใชรบรสภาพแวดลอมภายในหอง A เทานน

ดงนนเอเจนตจะไมรเลยวาหอง B กยงมสงสกปรกทตองการใหเอเจนตไปท าความสะอาดดวยเชนกน หรอกรณ การ

ขบแทกซแบบอตโนมตนน คนขบจะไมสามารถรไดเลยวาคนขบแทกซคนอน ๆ คดอะไรอย อยางไรกตามหากเอเจนต

ไมมเซนเซอรส าหรบรบรสภาพแวดลอมท เอเจนตอยเราจะเรยกวาเปนสภาพแวดลอมแบบไมสามารถรบรได

(Unobservable Environments)

(2) Single Agent vs. Multiagent

กรณตวอยางของการใหเอเจนตแกปญหาเกยวกบปรศนาอกษรไขว (Crossword Puzzle) จะเปนสภาพแวดลอมแบบ

เอเจนตท างานแบบตวเดยว (Single Agent) ในขณะทเอเจนตทเลนหมากรก (Chess) อยในสภาพแวดลอมแบบเอ

เจนตหลายตวท างานรวมกน (Multiagent) โดยจะประกอบดวยเอเจนตสองตวทแขงขนกน นนคอในการเลนเกมส

หมากรกเอเจนตคตอสพยายามเอาชนะเอเจนตฝายตรงขาม โดยการท าใหคา Performance Measure ของฝายตรง

ขามมคานอยทสดเพอจะท าใหคา Performance Measure ของตวเองมคามากทสด ลกษณะเชนนเราเรยกวาเปน

สภาพแวดลอมแบบ A Completely Multiagent Environment แตส าหรบ Taxi-Driving Environment การพยายาม



หลกเลยงไมใหเกดการชนกน เปนการท าให Performance Measure ของเอเจนตทกเอเจนตทอยในสภาพแวดลอมนน

มคามากทสด ลกษณะเชนนเราเรยกวาเปนสภาพแวดลอมแบบ A Cooperative Multiagent Environment และใน

ขณะเดยวกนกจะมสภาพแวดลอมแบบ Partially Completive Environment เชนในกรณปญหาของการหาทจอดรถ

เนองจากในขณะใดขณะหนงจะมรถเพยงคนเดยวเทานนทจะไดทจอดรถ จากในบรรดารถหลาย ๆ คนทก าลงหาท

จอดรถเชนกน (รถ 1 คน แทน 1 เอเจนต)

(3) Deterministic vs. Stochastic

หากสถานะถดไปของสภาพแวดลอมของเอเจนตสามารถถกก าหนดไดอยางสมบรณดวยสถานะปจจบน และการ

กระท าของเอเจนตขณะนน สภาพแวดลอมดงกลาวจะเรยกวา Deterministic Environment อยางไรกตามถา

สภาพแวดลอมของเอเจนตเปนแบบ Partially Observable สภาพแวดลอมดงกลาวกจะเปนแบบ Stochastic ดวย

เชนกน แตสถานการณจรงทเกดขนซงมความซบซอนมากจงไมสามารถทจะก าหนดสภาพแวดลอมทสมบรณแบบได

ดงนนสภาพแวดลอมในโลกแหงความเปนจรงจะเปนแบบ Stochastic นนเอง ดงเชนการขบรถแทกซจะอยใน

สภาพแวดลอมแบบ Stochastic เนองจากคนขบแทกซจะไมสามารถท านายไดเลยวาสภาพจราจรทเกดขนจะเปน

อยางไร ยงไปกวานนอาจจะเกดเหตการณทไมคาดคดไดเชน มรถบางคนเกดยางแบนบนถนน หรอ เครองยนตดบ

อยางกะทนหน ซงเหลานอาจท าใหสภาพจราจรเปลยนแปลงไปจากปกตได ในกรณของ Vacuum World ตามทได

อธบายขางตนแลววามสภาพแวดลอมเปนแบบ Deterministic แตในสถานการณทเปลยนไปเชน การท าใหพนสกปรก

แบบสม หรอ กลไกของการดดฝ นไมมความนาเชอถอ กจะท าใหสภาพแวดลอมเปลยนเปนแบบ Stochastic แตหาก

สภาพแบบลอมของเอเจนตเปนแบบ Not Fully Observable และ Not Deterministic จะเรยกวาเอเจนตอยใน

สภาพแวดลอมแบบ Uncertain

(4) Episodic vs. Sequential

ในสภาพแวดลอมแบบ Episodic นน สภาพแวดลอมของเอเจนตจะแบงออกเปนตอนทแยกอสระจากกน

(Episode) ซงในแตละตอนนนเอเจนตรบรสงทมองเหนหรอสมผสไดในขณะนนเขามาแลวกระท าการอยางใดอยาง

หนงออกมา โดยการกระท าดงกลาวจะไมมผลตอตอนอน ๆ ทอยถดไป อกตวอยางหนงคอการท างานของหนยนต

เพอตรวจสอบชนสวนของอปกรณตาง ๆ ในงานประกอบชนสวน (Assembly Line) ของอปกรณหรอเครองมอ

เครองจกร ซงการตดสนใจวาชนสวนของอปกรณดงกลาวสมบรณหรอมขอผดพลาดหรอไมนนจะขนอยสภาพปจจบน

ทตรวจพบในขณะนนเทานน แตจะไมขนอยการตรวจสอบในขนตอนทผานมากอนหนาหรออยในขนถดไป และยงไป

กวานนคอผลของการตดสนใจในปจจบนกจะไมสงผลตอการตรวจในล าดบถดไปดวยเชนกน แตส าหรบ

สภาพแวดลอมแบบตอเนอง (Sequential Environment) นน ผลของการตดสนใจในปจจบนกจะมผลตอการตรวจใน



ล าดบถดไปดวย ซงตวอยางของสภาพแวดลอมเชนนไดแก Chess และ Taxi Driving ซงทงสองกรณการกระท าใด ๆ

จะมผลตอสงทจะเกดขนในเหตการณถด ๆ ไปหรอเหตการณในอนาคต ส าหรบสภาพแวดลอมแบบ Episodic

Environment นนมความซ าซอนนอยกวา Sequential Environment เนองจากเอเจนตไมจ าเปนตองตระหนกถงสงท

จะเกดขนในอนาคต

(5) Static vs. Dynamic

หากสภาพแวดลอมของเอเจนตสามารถมการเปลยนแปลงไดในขณะทเอเจนตก าลงคดตรกตรอง (Deliberating) วา

จะกระท า (Action) อะไรเปนล าดบถดไป เรยกวาเปนสภาพแวดลอมแบบ Dynamic ซงในสภาพแวดลอมเชนน เอ

เจนตจะตองมคดตรกตรองเพอหาค าตอบอยางเนองวาจะท างานหรอการกระท าใดเปนล าดบตอไปเรอย ๆ ซงหากใน

ขณะนนเอเจนตยงไมไดตดสนใจวาจะกระท าอะไร ระบบกจะถอวาเอเจนตตดสนใจวาจะไมท าสงใด ๆ ใน

สภาพแวดลอมทตรงกนขามทเรยกวา Static Environment นน จะไมมการเปลยนแปลงเกดขนในขณะทเอเจนตก าลง

คดตรกตรอง เพอตดสนวาจะท าการกระท าใดถดไป ตวอยางของสภาพแวดลอมแบบ Dynamic เชนระบบขบรถแทกซ

แบบอตโนมต สวนตวอยางของสภาพแวดลอมแบบ Static เชนระบบเลนเกมสปรศนาอกษรไขว

(6) Discrete vs. Continuous

การทจะบอกวาสภาพแวดลอมของเอเจนตเปนแบบ Discrete หรอ Continuous นน จะขนอยกบการพจารณาปจจย

3 ประการคอ (1) สถานะของสภาพแวดลอม (2) เวลา และ(3) การรบรและการกระท า ตวอยางเชนในกรณ

สภาพแวดลอมของการเลนหมากรกนน จ านวนของสถานะ (State) ทแตกตางกนจะเปนจ านวนจ ากดทเปนแบบไม

ตอเนอง (กรณทไมมการจบเวลาของการเลนเกมส ดงนนจงท าใหเวลา (Time) ไมมผลตอสภาพแวดลอมของการเลน

ดวย) นอกจากน การรบรและการกระท า (Percepts and Actions) มจ านวนทเปน Discrete เชนกน ดงนนจงเรยก

สภาพแวดลอมของการเลนหมากรกวาเปนสภาพแวดลอมแบบ Discrete Environment ในระบบขบรถแทกซแบบ

อตโนมต ความเรวและต าแหนงของการขบรถมการเปลยนไปเรอย ๆ อยางตอเนอง รวมถงการหมนของพวงมาลย การ

หมนของลอและอปกรณอน ๆ ซงเปนสวนของการกระท าส าหรบเอเจนตนนกมการเปลยนอยางตอเนองเชนเดยวกน

ดงนนจงเรยกวาเปนสภาพแวดลอมของระบบขบรถแทกซแบบอตโนมตวาเปนแบบ Continuous Environment

(7) Known vs. Unknown

สภาพแวดลอมของเอเจนตทรวาผลลพธทจะเกดจากการกระท าของแตละการกระท าวาคออะไรแลว จะเรยกวา

สภาพแวดลอมแบบ Known Environment ในทางตรงกนขามส าหรบสภาพแวดลอมแบบ Unknown Environment

นนเอเจนตจะไมรวาผลลพธทจะเกดขนจากแตละการกระท านนคออะไร ดงนนเอเจนตจ าเปนจะตองมการเรยนรดวย

ตวเอง เพอน าสงทไดจากการเรยนรไปชวยในการตดสนใจวาจะเลอกการกระท าใดถดไป โดยสวนใหญแลว จะเปนไป

ไดทเมอเปนสภาพแวดลอมแบบ Known Environment แลวจะเปนสภาพแวดลอมแบบ Partially Observable



พรอม ๆ กนดวย เชนในเกมสไพโซลแทร ถงแมผ เลนจะรกตกาการเลนเปนอยางด แตกไมสามารถรวาเปนไพอะไร

จนกวาไพนนจะถกเปด ในทางกลบกนเมอเปนสภาพแวดลอมแบบ Unknown Environment แลวจะเปน

สภาพแวดลอมแบบ Fully Observable พรอม ๆ กนดวย เชนในเกมสวดโอ หนาจอของเกมสแสดงป มตาง ๆ ทงหมด

ของเกมส แตเอเจนตหรอผ เลนจะไมรวาเปนป มอะไรจนกวาจะไดทดลองเลน

ตาราง 2.5 แสดงรายการของคณสมบตภายใตสภาพแวดลอมในรปแบบตาง ๆ

Task Environment observable Agents Deterministic Episodic Static Discrete

Crossword puzzle Chess with a clock

Fully Fully

Single Multi

Deterministic Deterministic

Sequential Sequential

Static Semi

Discrete Discrete

Poker Back gammon

Partially Fully

Multi Multi

Stochastic Stochastic


Static Static

Discrete Discrete

Taxi driving Medical diagnosis

Partially Partially

Multi Single



Dynamic Dynamic

Continuous Continuous

Image analysis Part-picking robot

Fully Partially

Single Single

Deterministic Stochastic

Episodic Episodic

Dynamic Dynamic

Continuous Continuous

Refinery controller Interactive English tutor

Partially Partially

Single Multi



Dynamic Dynamic

Continuous Discrete

จากตาราง 2.5 รายการของคณสมบตทแสดงอาจจะไมใชค าตอบสดทายนนหมายความวาอาจจะมการเปลยนแปลง

ภายหลงเชนในกรณของหนยนตหยบวตถดบหรอชนสวน ไดก าหนดไวเปนสภาพแวดลอมแบบ episodic เนองจาก

โดยทวไปแลวจะพจารณาแตละชนสวนแยกออกจากกน แตอาจเปนไปไดวาถาวนหนงวนใดชนสวนแตละชนสวน

เหลานนถกเอามาประกอบรวมกนเปนชนทใหญขน ดงนนหนยนตจะตองเรยนรจากการสงเกตหลาย ๆ ครงเพอใหรวา

การตรวจหาขอบกพรองของชนสวนเกดการเปลยนแปลง นอกจากนจะเหนวาในตาราง 2.5 ไมไดรวมเอา

สภาพแวดลอมแบบ known/unknown เขาไป ทงนเนองจากไดอธบายไวขางตนแลววาเปนสภาพแลวลอมทเอเจนต

ไมไดยดตด เชนสภาพแวดลอมบางสภาพแวดลอมในการเลนหมากรกหรอไพโปกเกอร ซงเปนเรองทไมยากนกทจะให

เอเจนตรถงกฎหรอกตกาในการเลน แตไมไดสนใจทจะพจารณาวาเอเจนตจะเรยนรวธเลนเกมสโดยปราศจากความร

เกยวกบกฎหรอกตกาเหลานนไดอยางไร



2.4 โครงสรางเอเจนต

ความสมพนธระหวางปญญาประดษฐและเอเจนตคอการใชปญญาประดษฐเพอออกแบบโปรแกรมเอเจนตซงเปน

โปรแกรมทสรางขนมาส าหรบแปลงจากสงทเอเจนตรบรไปเปนการกระท าใด ๆ ทสอดคลองหรอสมเหตสมผลกน

ภายใตสมมตฐานทวาโปรแกรมเหลานจะท างานอยบนอปกรณทางคอมพวเตอรในรปแบบตาง ๆ ทประกอบดวย

เซนเซอร (Sensor) และ ตวกระตนใหเกดการกระท าหรอด าเนนการ (Actuator) ซงอปกรณเหลานจะถกเรยกวา

สถาปตยกรรม (Architecture) ของเอเจนตนนเอง ดงนนจงกลาวไดวา เอเจนตเกดจากการรวมกนของสถาปตยกรรม

และโปรแกรมซงสามารถเขยนในรปแบบทเขาใจงาย ๆ คอ Agent = Architecture + Program โดยจะเหนไดวา

โปรแกรมทออกแบบใหเอเจนตนนจะตองสอดคลองกบสถาปตยกรรมของเอเจนตนน ๆ ดวย เชนหากเอเจนตถก

โปรแกรมใหมการเดน (Walking) ดงนนสถาปตยกรรมของเอเจนตดงกลาวจะตองมสวนทเปนขาดวยเชนกน

นอกจากนสถาปตยกรรมของเอเจนตอาจเปนเพยงเครองคอมพวเตอรทวไปกได หรออาจจะเปนเอเจนตทม

สถาปตยกรรมทมความซบซอนเชนรถหนยนตหรอรถยนตโรบอท (Robotic Car) ทประกอบไปดวยคอมพวเตอร

ภายในตวรถยนต (On Board Computer) กลองตรวจจบ และเซนเซอรประเภทตาง ๆ โดยทวไปสถาปตยกรรม

ของเอเจนตจะเปนตวรบรสภาพแวดลอมปจจบนของเอเจนต จากนนสงทรบรไดจะถกสงไปประมวลผลดวยสวนของ

โปรแกรม แลวโปรแกรมจะสงการกระท า (Action) ทถกเลอกไปยงสวนของตวกระตนใหเกดการกระท าเพอแสดงการ

กระท าดงกลาวออกมา

2.4.1 โปรแกรมเอเจนต

ส าหรบโปรแกรมเอเจนต (Agent Programs) ซงจะกลาวถงในบทนนนมโครงสรางพนฐานของโปรแกรมทเหมอนกนคอ

โปรแกรมรบการรบรปจจบน (Current Percept) โดยผานเซนเซอรเขามาเปนขอมลน าเขา (Input) ของโปรแกรม และ

จะสงคนผลลพธ (Output) ในรปแบบของการกระท าไปยงตวกระตนใหเกดการกระท า ขอสงเกตอยางหนงคอความ

แตกตางระหวางโปรแกรมเอเจนตกบฟงกชนเอเจนต (Agent Function) โดยฟงกชนเอเจนต คอ โปรแกรมเอเจนตทจะ

รบเอาเฉพาะการรบรปจจบนเขามาเปนสวนของขอมลน าเขา ในขณะท ฟงกชนเอเจนตนนมสวนของขอมลน าเขาเปน

การรบรทงหมดทผานมาจนถงการรบรปจจบนทงหมด (Percept History) โปรแกรมเอเจนตรบเอาเฉพาะการรบร

ปจจบนเขามาเปนสวนของขอมลน าเขาเทานน เนองจากไมมขอมลหรอการรบรอน ๆ ทเอเจนตตองการ ถาการกระท า

ของเอเจนตจ าเปนตองขนอยกบล าดบของการรบรทงหมดทเกดขน เอเจนตกจะตองจดจ าการรบรล าดบทงหมด

นนเอง

โปรแกรมเอเจนตอยางงายแสดงในรปของรหสเทยมหรอซโดโคด (Pseudo Code) ดงรปท 2.3 เปนซโดโคดทใชสราง

เอเจนตโดยใชวธการสรางตารางทเรยกวา Lookup Table (ดงนนเรยกเอเจนตประเภทนวา Lookup Table Agent ) ซ

โดโคดแสดงใหเหนวาสงทส าคญของโปรแกรมเอเจนตคอจะตองจดเกบรองรอยหรอตดตามของล าดบการรบร จากนน

จงใชล าดบเหลานเปนตวช (Index) ในการพจารณาเพอตดสนใจวาจะกระท าอะไรตอไป ส าหรบตาราง (Table) ในทน



เปนตวทใชจดเกบหนาทตาง ๆ ของเอเจนตและจะถกเขยนโคดฝงไวภายในโปรแกรมเอเจนต ส าหรบการสราง

Rational Agent ตามรปท 2.4 นนผออกแบบเอเจนตดงกลาวจะตองสรางตารางทจดเกบการกระท าทเหมาะสมตาง

ๆ ส าหรบล าดบการรบรทเปนไปไดทงหมด

function TABLE-DRIVEN-AGENT(percept)returns an action persistent: percepts, a sequence, initially empty table, a table of actions, indexed by percept sequences, initially fully specified append percept to end of percepts action LOOK UP (percepts, table) return action

รปท 2.3 รหสเทยมโปรแกรมเอเจนตอยางงาย



รปท 2.4 โครงสราง Rational Agent


หากพจารณาโปรแกรมเอเจนตทออกแบบโดยใชวธ Table-Driven Approach ตามรปท 2.4 ขางตนนนไมสามารถ

สรางเอเจนตไดในความเปนจรงเนองจากล าดบการรบรในชวงชวตการท างานของเอเจนต (Agent Lifetime) มจ านวน

มากมหาศาลดงนนปญหาทเกดขนคอ (1) ไมมเอเจนตใดทสามารถสรางขนมาแลวจะมเนอทใชเปนตารางในการ

จดเกบล าดบการรบรจ านวนมากมหาศาล (2) เนองจากใชเวลาอยางมากเพอสรางตาราง ดงนนผออกแบบเอเจนตไม

มเวลาทจะสรางตาราง และ (3) ไมมเอเจนตใดทสามารถเรยนรสงทจดเกบในตารางไดทงหมดโดยอาศยประสบการณ

ของเอเจนตเพยงอยางเดยว ดงนนจะเหนไดวาการสรางเอเจนตตามวธ Table-Driven Approach ไมสามารถท าได

ในทางปฏบตเนองจากเกดขอจ ากดตาง ๆ ขางตน นนคอการน ามาซงความทาทายทจะสรางเอเจนตโดยอาศยการ

สรางเอเจนตในรปแบบอน ๆ แทนการใชตารางขนาดมหมา ในบทนจะกลาวถงเอเจนตพนฐานซงเปนเอเจนตท

สามารถท างานไดตามหลกเกณฑของระบบอจฉรยะโดยแบงเอเจนตเปน 4 ประเภทคอ Simple Reflex Agents,

Model-Based Reflex Agents, Goal-Based Agents, Utility-Base Agents และส าหรบ Learning Agent จะกลาว

โดยละเอยดในบทท 4 การเรยนรของเครองเบองตน

(1) Simple Reflex Agents

เปนเอเจนตทมความซบซอนนอยทสดในบรรดาเอเจนตพนฐานทง 4 ประเภท โดยการทเอเจนตเลอกทจะกระท า

action ใดในขณะนนจะขนอยกบสงทเอเจนตรบรในปจจบน (The Current Percept) ซงจะไมสนใจสงรบรอน ๆ ทผาน

มาในอดต การออกแบบโปรแกรมส าหรบเอเจนตประเภทนโดยการแกปญหาการตองการตารางขนาดใหญเพอเกบ

Environment Agent

What action I should do now

What the world is like now

table lookup for entire history

Sensors

Actuators

current state of decision process



ล าดบการรบรของเอเจนตใน table-driven agent โดยการพยายามลดขนาดของตารางดงกลาว ดงนนจะจดเกบ

ความสมพนธกนระหวางการรบรของเอเจนตในปจจบนกบการกระท าทสอดคลองกบการรบรนน ๆ (Occurring

Input/Output Associations) ตวอยางของความสมพนธดงกลาวเชน หากรถคนขางหนาเบรค แลวไฟเบรคจะปรากฏ

ขน ดงนนรถคนทอยขางหลงจะตองเรมเบรคเชนกน และสามารถแสดงในรปแบบเงอนไขไดวา “ถารถคนขางหนา

เบรค” ดงนนสงทเกดขนนจะเปนตวกระตนใหเกดการกระท าทสมพนธหรอเชอมโยงกนถดมา นนคอการกระท า “เรม

การเบรค” ซงการเขยนในลกษณะเงอนไขดงกลาวสามารถเขยนใหอยในรปของ A Condition-Action Rules ดงน

if car-in-front-is-braking then initiate-braking.

Condition-Action Rules (หรอเรยกวา Situation–Action Rules, Productions, If–Then Rules) เปนรปแบบของการ

แสดงเงอนไขในรปของเหตและผลทเชองโยงกน ในมนษยการเชอมโดยในลกษณะดงกลาวสามารถเกดขนไดจากการ

เรยนร (Learn Responses) เชนการขบรถ และ เกดขนเองตามธรรมชาต (Innate Reflexes) เชนการกระพรบตาเมอม

บางสงบางอยางก าลงจะเขาตา รปท 2.5 แสดงโครงสรางของ Simple Reflex Agents เพอใหเหนการใช

Condition-Action Rules ในการเชอมโยงจากสงทเอเจนตรบรไปยงการกระท าทสมพนธกน โดยสญลกษณสเหลยม

แทนสถานะภายในปจจบนทเอเจนตใชในกระบวนการตดสนใจ และสญลกษณวงรแทนสารสนเทศทเอเจนตมอย

(จากรปคอสวนของ Condition-Action Rules นนเอง) และการโปรแกรมเอเจนตประเภทนสามารถท าไดงายดงแสดง

ในรปท 2.7 ซงจะมฟงกชน INTERPRET-INPUT ท าหนาทสรางค าอธบายของสถานะปจจบนทไดจากการรบร

ปจจบนของเอเจนต ฟงกชน RULE-MATCH ท าหนาทคนคากลบเปนกฎหรอเงอนไขแรกจากเซตของกฎทสอดคลอง

กบค าอธบายของสถานะปจจบนของเอเจนต

อยางไรกตามแมวาการโปรแกรมเอเจนตประเภทนมขอดคองายและไมซบซอน แตท าใหเอเจนตมขอจ ากดของความ

อจฉรยะนนคอจะเหนไดวาจากรปท 2.6 เอเจนตจะท างานกตอเมอการท าการตดสนใจสามารถถกท าภายใตสงทเอ

เจนตรบรปจจบนเทานน นนแสดงวาเอเจนตสามารถท างานไดภายใตสภาพแวดลอมแบบ Fully Observable เทานน

ดงนนหากการรบรปจจบนขาดหรอหายไปเพยงนอยนด กจะเปนผลท าใหเกดขอผดพลาดตาง ๆ ตามมาได เชน กฎ

การเบรค (Breaking Rule) จากทก าหนดขางตน ไดระบเงอนไขไววา รถคนหนาเบรค (car-in-front-is-braking) ซง

การทเอเจนตจะรวารถคนหนาเบรคนน คอภาพปจจบน (A Single Frame Of Video) ทถกบนทกไดจากกลองตรวจจบ

ของเอเจนต เอเจนตจะเรมการเบรค หากภาพปจจบนทรบเขามานนเปนภาพของไฟเบรคททายรถคนขางหนาสวาง

ขน อยางไรกตามเนองจากความแตกตางของต าแหนงไฟเบรคของรถแตละยหอนนแตกตางกนไป เชนต าแหนงอาจจะ

สลบกนระหวางไฟเบรค ไฟเลยว และไฟทาย ดงนนหากเอเจนตไมมขอมลเหลาน เอเจนตอาจจะไมตดสนใจทจะท า

การเบรคกได ดงนนจงกลาวไดวา Simple Reflex Agents ไมสามารถท างานไดในสภาพแววลอมแบบ Partially

Observable นนเอง



รปท 2.5 แสดงโครงสรางของ Simple Reflex Agents


function SIMPLE-REFLEX-AGENT(percept) returns action static: rules, a set of condition-action rules state INTERPRET-INPUT (percept) rule RULE-MATCH (state,rules) action RULE-ACTION [rule] return action

รปท 2.6 รหสเทยมโปรแกรมเอเจนตประเภท Simple Reflex Agents (Russell and Norvig, 2014)

(2) Model-Based Reflex Agents

จากตวอยางปญหาของ Simple Reflex Agents ขางตน สามารถก าจดปญหาดงกลาวไดโดยการเพมความสามารถ

ของเอเจนตในการตดตามขอมลในสวนทไมสามารถรบรไดในขณะนน หรอจะกลาวอกอยางหนงวาจะตองท าใหเอ

เจนตสามารถปรบปรงสวนของสถานะภายในของเอเจนต ทเกยวของกบสงทเอเจนตรบรในปจจบน ในกรณของ

ปญหาการเบรคของ Simple Reflex Agents ขางตนนน สถานะภายในทเกยวของกคอภาพทถกบนทกไดจากกลอง

ตรวจจบของเอเจนต กอนหนาภาพของไฟเบรคททายรถคนขางหนาสวางขน เพอใชในการตรวจสอบเมอไฟทายส

แดง 2 ดวงสวางพรอมกนหรอไม (ถาสวางพรอมกนเอเจนตจะตดสนใจท าการเบรค) หรอในกรณทในระหวางขบรถ

คนขบจะมองกระจกมองหลงนาน ๆ ครงเปนระยะ ๆ เพอตรวจสอบต าแหนงของรถคนอน ๆ ทขบอยใกลกนในขณะนน

วาอยในเลนหรอต าแหนงขบทปลอดภยหรอถกตองตามกฎหรอไม แตในชวงทคนขบไมไดมองกระจกหลงนน คนขบก

จะมองไมเหนรถคนอน ๆ ในเลนถดไป ซงหากคนขบตองการจะเปลยนเลนไปยงเลนถดไป คนขบจ าเปนตองรวามรถ

Environment



Condition-action rules

Sensors

Actuators

Agent



คนอน ๆ อยในเลนดงกลาวหรอไม ดงนนจะมปญหาทเกดขนเนองจากเซนเซอรไมสามารถจดเตรยมสถานะทสมบรณ

ของสถานการณดงกลาวได ในกรณเชนนเอเจนตจ าเปนจะตองมการเกบรกษาสถานะภายในบางสถานะเพอทจะใหร

วารถคนอน ๆ อยในต าแหนงใด ๆ บาง

การปรบปรงขอมลสถานะภายในของเอเจนตใหมความทนสมยนน จ าเปนจะตองอาศยองคความร 2 ประเภทเพอระบ

ไวในโปรแกรมเอเจนตคอ (1) ขอมลทเกยวกบการแสดงวาโลก (เชน Block World หรอโลกของบลอก, Driving World

หรอโลกของการขบข) เกยวของอยางอสระกบเอเจนตในลกษณะใด เชนรถทก าลงจะแซงขวาจะเขามาชดทาง

ดานหลงมากกวาตอนทรถยงไมแซง (2) ขอมลทเกยวกบการแสดงวาการกระท าของเอเจนต จะสงผลตอการ

เปลยนแปลงของโลกอยางไร เชนเมอเอเจนตหมนพวงมาลยตามทศตามเขมนาฬกา จะท าใหรถเลยวขวา ดงนนองค

ความรทใชก าหนดวา “How The World Works” ถกเรยกกวา โมเดลของโลก (A Model Of The World) และเอเจนตท

ใชโมเดลนจะถกเรยกวา Model-Based Agent

รปท 2.8 แสดงโครงสรางของ Model-Based Reflex Agent


Environment

How the world evolves

State

What my actions do

What the world Is like now

Condition-action rules What action I should

do now

Actuators

Agent Sensors



function MODEL-BASED REFLEX AGENT (percept) returns action static: state, a description of the current world state model, a description of how the next state depends on current state and action rules, a set of condition-action rules action, the most recent action, initially none state UPDATE-STATE (state, action, percept, model) rule RULE-MATCH (state, rules) action RULE-ACTION [rule] return action

รปท 2.9 รหสเทยมโปรแกรมเอเจนตประเภท model-based reflex agent


รปท 2.8 แสดงโครงสรางของ Model-Based Reflex Agent ทประกอบดวยสถานะภายในของเอเจนต ซงแสดงให

เหนการเชอมโยงจากการรบรปจจบนกบสถานะภายในเกาทมอยเพอจะปรบปรงสถานะภายในมความทนสมยขนกบ

การรบรปจจบน และสามารถเขยนใหอยในรปของโปรแกรมเอเจนตไดดงรปท 2.9 โดยมฟงกชน UPDATE-STATE ท า

หนาทในการสรางค าอธบายสถานะภายในใหมทไดรบการปรบปรงแลว อยางไรกตามจะเปนไปไดนอยมากทเอเจนต

จะสามารถระบสถานะปจจบนในสภาพแวดลอมแบบ Partially Observable ไดอยางถกตอง ดงนนจงจ าเปนตองเพม

สวนการท างานของ “What The World Is Like Now” ในเอเจนตประเภทนเพอเอเจนตใชส าหรบการเดาทดทสด

(Best Guess หรอบางครงอาจเปน Best Guesses ) เชนระบบขบขแทกซแบบอตโนมตอาจจะไมสามารถมองเหน

รอบ ๆ รถบรรทกคนใหญไดทงหมดทจอดอยขางหนารถแทกซและสามารถเพยงแตเดาไดวาแทกซจ าเปนจะตองรอ

กอน ดงนนความไมแนนอนของสถานะปจจบนอาจเปนสงทหลกเลยงไมได แตเอเจนตกยงจ าเปนตองตดสนใจภายใต

ความไมแนนอนทเกดขนนน ๆ

(3) Goal-Based Agents

การทเอเจนตรเพยงแตสถานะปจจบนของสถาพแวดลอมนนยงไมเพยงพอทเอเจนตจะใหส าหรบการตดสนใจวาจะ

กระท าการกระท าใดเปนล าดบถดไป ตวอยางเมอแทกซขบมาถงทางแยก ท าใหเอเจนตมทางเลอกทเปนไปไดมากกวา

หนงทางเลอกนนหมายความวาสามารถเลยวซาย เลยวขวา หรอตรงไปกได การตดสนใจทถกตองจงขนอยกบวา

แทกซก าลงขบไปยงจดหมายปลายทางทใด ซงแสดงใหเหนวานอกจากสถานะปจจบนของสถาพแวดลอมแลวเอ

เจนตยงตองการขอมลทเกยวกบวตถประสงคหรอเปาหมายทตองการดวย (Goal Information) ซงจากตวอยางขางตน

เปาหมายคอจดหมายปลายทางของผ โดยสารแทกซนนเอง โปรแกรมเอเจนตสามารถเชอมเปาหมายกบโมเดล

เพอทจะเลอกการกระท าทจะน าไปสการท าใหบรรลวตถประสงคหรอเปาหมาย รปท 2.10 แสดงโครงสรางของเอ



เจนต Goal-Based Agent โดยกรณทดทสดส าหรบเอเจนตประเภทนคอในบางครงการกระท าเพยงการกระท าเดยว

(A Single Agent) สามารถท าใหเอเจนตบรรลวตถประสงคได แตในบางครงเอเจนตจ าเปนจะตองพลกแพลง

สถานการณเมอจะตองด าเนนการการกระท าจ านวนมากเพอหาหนทางทน าไปสเปาหมายทตองการ ซงสถานการณ

เชนนจ าเปนตองใชทฤษฎ Search และ Planning เพอน าเอเจนตไปสเปาหมายดงกลาว

รปท 2.10 แสดงโครงสรางของเอเจนต Goal-Based Agent


การตดสนใจของ Goal-Based Agent จะตางไปจากรปแบบการตดสนใจภายใต A Condition-Action Rules ของเอ

เจนตประเภท Model-Based Reflex Agent แตจะรวมถงกบการพจารณาของอนาคตทเกยวกบ “What Will

Happen If I Do Such-And-Such?” และ “Will That Make Me Happy?” ซงการพจารณาทง 2 ประการไมเกดขนใน

การออกแบบ Reflex Agent เนองจากไมมการก าหนดขอมลทงสองประการไวลวงหนา แตผ ออกแบบโปรแกรมเอ

เจนตจะออกแบบเพยงสวนของ การกระท าทถกตองตาง ๆ ส าหรบกรณทแตกตางกนออกไป (The Correct Action

For Various Cases) ในกรณของ Reflex Agent จะเบรครถทนทเมอเหนสญญาณไฟเบรคของรถคนขางหนา แต

ส าหรบ Goal-Based Agent นน สามารถใหเหตผลวาถาเหนสญญาณไฟเบรคของรถคนขางหนาแลว จะตองลด

ความเรวลง ในความเปนจรงแลววตถประสงคหรอเปาหมายของการเบรคในทางปฏบตของโลกแหงความเปนจรงก

คอการทจะตองไมชนรถคนอน ๆ นนเอง จากตวอยางขางตนแสดงใหเหนวาประสทธภาพการท างานของ Goal-

Based Agent นอยกวาประสทธภาพการท างานของ Reflex Agent แตมความยดหยนมากกวา Reflex Agent

Environment


State

What my actions do


Goals What action I should do now

Actuators

Agent Sensor

What it will be like if I do action A



เนองจากขอมลหรอองคความรทใชสนบสนนการตดสนใจของเอเจนตนนถกก าหนดไวลวงหนาและสามารถปรบปรง

เปลยนแปลงได

(4) Utility-Based Agents

อยางไรกตามการก าหนดวตถประสงคหรอเปาหมายของเอเจนตอยางเดยวนนไมเพยงพอตอการสรางพฤตกรรมทม

คณภาพสงใหกบเอเจนต เชนกรณทจ าเปนตองมการกระท าหลาย ๆ การกระท าเพอใหบรรลวตถประสงคเชนการให

แทกซไปสงยงปลายทางตามทผ โดยสารตองการ นอกจากจะบรรลวตถประสงคคอการไปถงปลายทางทตองการแลว

จ าเปนจะตองพจารณาประเดนอนทเกยวของดวยเชน การไปถงปลายทางอยางรวดเรว ปลอดภย นาเชอถอและคา

โดยสารราคาถก เปนตน เนองจากวตถประสงคหรอเปาหมายเปนสวนทก าหนดความแตกตางอยางหยาบ ๆ ระหวาง

สถานะของ “Happy” และ “Unhappy” ในขณะทการการวดผลการด าเนนงานทวไปจะตองใหเหนความแตกตาง

ระหวางสถานะทงสองอยางชดเจน อยางไรกตามในทางวทยาการคอมพวเตอรจะใชค าวา“Utility” แทน “Happy”

Utility เปนฟงกชนทใชในการจบค (Mapping) ระหวางสถานะ (State) ไปยงคาจ านวนจรงหนง ๆ (Real Number)

เพอใชอธบายคาของความสข (Happiness) หรอกลาวไดวา Utility Function ของเอเจนตคอความรทฝงอยในตว

เอเจนตในเรองของวดผลการด าเนนงาน ซงเกดจากการน าความรทเคยเรยนรมาไปปฏบตจรง และจะรวมตวกนกลบ

เปนความรโดยนยและจะฝงตวในเอเจนตนน ๆ อกครง ซงจะกลายเปนทกษะหรอความสามารถอนมคาอยางยง

ดงนนการก าหนด Utility Function ทสมบรณแบบจะท าให Utility-Based Agents เปนเอเจนตทมความยดหยนและ

สามารถเรยนรได นอกจากนแลว Utility-Based Agents สามารถจดการกบปญหาในกรณทก าหนดวตถประสงคทไม

ครบถวนหรอเพยงพอ Utility-Based Agents ยงคงสามารถตดสนใจภายใตความสมเหตสมผลได ตวอยางของกรณ

ดงกลาวคอ (1) เมอเกดขอขดแยงระหวางวตถประสงค (Goal Conflict) เชนตองไปถงทหมายของผ โดยสารอยาง

รวดเรวแตตองถงอยางปลอดภยดวย ซงในกรณเชนน Utility-Based Agents จะก าหนดคา Tradeoff ทเหมาะสม (2)

เมอมวตถประสงคหลาย ๆ วตถประสงคทตองท าใหส าเรจ แตไมมวตถประสงคใดทอยภายใตความแนนนอน ดงนน

Utility-Based Agents จะจดเตรยมวธการส าหรบการใหคาน าหนกวตถประสงคแตละวตถประสงคเพอเปรยบเทยบ

ความส าคญของวตถประสงคเหลานน



รปท 2.11 แสดงโครงสรางของ utility-based agents


รปท 2.11 แสดงโครงสรางของ utility-based agents อยางไรกตองตามรปทแสดงในภาพรวม ซงในความเปนจรง

แลว การโปรแกรมเอเจนตประเภทนมความยงยากและซบซอนมาก เนองจากจ าเปนตองอาศยเทคนคตาง ๆ เชนการ

รบร การน าเสนอองคความร การใหเหตผล และการเรยนร เปนตน เพอท าใหเอเจนตสามารถตดสนใจไดภายได

ความสมเหตสมผลและใหไดคาสงสดของ utility (Maximum Utility)

Environment


State

What my actions do


Utility


Actuators

Agent Sensor

What it will be like if I do action A

How happy I will be in such a state

บทท 3 เทคนคทางปญญาประดษฐ

(Artificial Intelligent techniques)


1 เพอใหนกศกษาเขาใจขนตอนวธ ขอดและขอจ ากดของเทคนคทางปญญาประดษฐแตละประเภท

2 เพอใหนกศกษาเขาใจเกยวกบการน าเสนอ การจดการ และการใชเหตผลส าหรบองคความรเพอการปญหา

ทางดานปญญาประดษฐ

3 เพอใหนกศกษาเขาใจเทคนคตาง ๆ ทใชส าหรบการพฒนางานประยกตทางดานปญญาประดษฐ

3.1 เทคนคทางปญญาประดษฐ

เทคนคหลากหลายรปแบบถกพฒนาขนเพอใหสามารถประยกตใชกบงานทางไดปญญาประดษฐ โดยเทคนคเหลาน

ถกน ามาใชเพอการน าเสนอ (Represent) การจดการ (Manipulate) และการใหเหตผล (Reason )องคความร เพอ

การแกปญหาทางปญหาประดษฐ เทคนคตาง ๆ ทางดานปญญาประดษฐมดงน

1) Describe and match

2) Goal reduction

3) Constraint satisfaction

4) Tree searching

5) Generate and test

6) Rule based system

7) Neural Networks

8) Genetic algorithms

ส าหรบเทคนคท 1) - 6) เปนเทคนคทใชเพอใหการแกปญหามคณสมบตของความเปนอจฉรยะ และในสวนของ

เทคนคท 7) - 8) เปนเทคนคทถกพฒนาขนจากแรงบนดารใจจากศาสตรทางดานชววทยา

3.2 เทคนค Describe And Match

เปนวธการระบวตถใดวตถหนงโดยอาศยการอธบายถงลกษณะ (Feature) ของวตถนน ๆ แลวท าการจบคกบวตถใด

วตถหนงทถกจดเกบไวในคลงขอมลวตถทมอย ดงนนขนตอนของ Describe And Match 3 ขนตอนคอ

344-371 ปญญาประดษฐ 1 บทท 3 เทคนคทางปญญาประดษฐ


1. อธยายวตถโดยรปการน าเสนอทเหมาะสม (A Suitable Representation)

2. จบคค าอธบายวตถกบค าอธบายวตถในคลงขอมลวตถ

3. หากสามารถจบควตถได กก าหนดใหวตถเปนชนดทระบไวในคลงขอมลวตถนน แตถาไมสามารถจบคไดแสดงวาไม

สามารถระบวตถดงกลาวได

3.2.1 เทคนค Describe-and-Match กบ Geometry Analogy Problems

ส าหรบ แบบทดสอบไอควจะบงชถงความสามารถดานตาง ๆ เชน ดานการมองเหน ดานตวเลข ดานรปทรงเรขาคณต

และดานการใชเหตผล โดยทวไปแลวในการวเคราะหรปทรงเรขาคณตเพอใหผทดสอบจบครปทรงเรขาคณต ตวอยาง

แบบทดสอบแสดงดงรปท 3.1 วธทดสอบคอ ใหผ รบการทดสอบดภาพรปทรงเรขาคณต เชน สเหลยม วงกลม

สามเหลยม เปนตน และเลอกค าตอบ โดยไมมการพดคย ซกถาม โดยแบบทดสอบจะใหหาค าตอบวา จาก A

เปลยนเปน B แลวจาก C จะเปลยนเปนรปใด (ในทนแทนดวย X)

รปท 3.1 A geometrical analogy problem ทมา : Mitchell (1997)

การแกปญหาดงกลาวท าไดงายโดยดจากการแสดงหรอการน าเสนอของรปทรงทก าหนดมาให ในปค.ศ. 1964 Evans

ไดเสนอโปรแกรม ANALOGY เพอแกปญหาดงกลาว โดยใชหลกการทเรยกวา Describe and Match โดยโปแกรม

ANALOGY มขนตอนท างานดงน

1. อธบายกฎตาง ๆ ส าหรบการแปลงจาก A ไป B และจาก C ไปยง 1, 2, 3, 4, 5

2. ประเมนการจบคความเหมอนระหวางการแปลง A ไป B และจาก C ไปยง 1, 2, 3, 4, 5

3. เลอกการแปลงทมความเหมอนทมากทสด

ดงนนจะเหนวาไมสามารถอธบายและจบครปใด ๆ ไดทนท แตจะตองอธบายและจบคกฎการแปลง รปท 3.2 แสดง

การสรางค าอธบายโครงขาย (Net Descriptions) เพอการจบครปใด ๆ ซงประกอบดวย 4 ขนตอนคอ



(1) ตดปายรปทรงยอย (2) อธบายรป A (3) อธบายรป B (4) อธบายการเชอมโยงของการเปลยนแปลงรปทรงยอย

รปท 3.2 A semantic net for the ANALOGY problem ทมา : Mitchell (1997)

ถาหากการจบคการอธบายมความสมบรณแบบแลว การเลอกรปทเปนค าตอบทถกตองทสดกสามารถท าไดงาย แต

กรณเชนนมไดเกดขนบอย ๆ ดงนนจงจ าเปนทตองหาคาความเหมอน (Similarity) โดยการวดความเหมอนจะ

พจารณาจากสมการตอไปน

คาความเหมอน = จ านวนเสนเชอม (links) ปายทใชรวมกนระหวางโครงขายทงสองโครงขาย – α – β

เมอ α คอ จ านวนโครงขายทไมถกใชรวมกนระหวาง A และ B

β คอ จ านวนโครงขายทไมถกใชรวมกนระหวาง C และ X

สงทพจารณาเพมเตมคอ

(i) การใหคาน าหนกของเสนเชอมทอธบายความสมพนธเชงพนท (Spatial Relationships) เชน ดานบน

(Above) ดานใน (Inside) ดานซายของ (Left-Of) เปนตน จะมคามากกวาการใหคาน าหนกการ

เปลยนแปลงรปทรงยอย เชน การหดตว (Shrinking) การหมน (Rotating) เปนตน

(ii) รปทรงยอยทตางกนจะมการใหคาน าหนกทตางกนเชนกน

ตวอยางการเรยงล าดบของการใหคาน าหนกอาจเปนดงรปท 3.3



รปท 3.3 ตวอยางการเรยงล าดบของการใหคาน าหนก

ล าดบของความเหมอนสามารถชวยในการลดความก ากวมของการก าหนดค าอธบาย เชนในรปท 3.4 เปนการแสดง

ใหเหนความก ากวมของการเปลยนรป ซงอาจเกดจากการ (1) การลบรปสามเหลยมดานนอกออก หรอ(2) การลบรป

สามเหลยมดานในออกแลวจงหดขนาดใหเลกลง เปนตน

รปท 3.4 ความก ากวมของการเปลยนรป ทมา : Mitchell (1997)

3.2.2 เทคนค Describe-and-Match กบ Geometric Objects

ก าหนดไดอะแกรมของวตถทมรปรางเปนทรงเรขาคณตเปนดงรปท 3.5 และสวนของค าอธบาย (description) แสดงในตาราง 3.1

รปท 3.5 ไดอะแกรมของวตถทมรปรางทรงเรขาคณต ทมา : Mitchell (1997)

ตาราง 3.1 ค าอธบายท 1-4 (description no.1 – description no.4) ค าอธบายท

(description no.) กระบวนการ ผลลพธ

1 ตดปายรปทรงยอย s,c,t 2 อธบายรป A above(c,t), above(c,s), inside(s,t) 3 อธบายรป B leftof(s,t) 4 อธบายการเชอมโยงของการเปลยนแปลงรปทรง

ยอย delete(c), enlarge(s), shrink(t)



สงเกตวาแมจะไดมการอธบายถงการเปลยนแปลงของรปทรงยอยไวอยางชดเจน (Explicitly) แลวกตาม แตจะอธบายการเปลยนแปลงของโครงสรางของภาพรวมไวในลกษณะโดยออมหรออยางมนย (Implicitly) ดงเชนความแตกตางระหวางค าอธบายท 2 (description no.2) และ ค าอธบายท 3 (description no.3)

ไดอะแกรมรปท 3.6 และสวนของค าอธบายแสดงในตาราง 3.2 ขางลางแสดงใหเหนวาจะไปมงพจารณาเฉพาะสวนการจบคจากค าอธบายท 2 และค าอธบายท 3 ซงเปนสวนของการตดสนเกยวกบรปทรงยอยและลกษณะภายในของรปทรงยอยเหลานน ดงนนจงไมจ าเปนตองพจารณาค าอธบาย 4 และสามารถตดออกไปได

รปท 3.6 ไดอะแกรมการจบคส าหรบค าอธบายท 2 ทมา : Mitchell (1997)

ตาราง 3.2 ค าอธบายการจบคของค าอธบายท 2 และค าอธบายท 3

Transition Description 2 Description 3 A B above(t,s) leftof(t,s) C1 above(d,c) below(d,c) C2 above(d,c) rightof(d,c) C3 above(d,c) leftof(d,c)

จะเหนวาในตอนเรมตนนนไมมเหตผลใด ๆ ทจะเชอมความสมพนธระหวางจด d กบสามเหลยม t ดงนน C3 จะ

ถกเลอกใหเปนการจบคการเปลยนแปลงทดทสดทจะน าไปสการสรางความสมพนธระหวาง d และ t และ

ความสมพนธอน ๆ ในตวอยางถดไปไดอะแกรมรปท 3.7 และสวนของค าอธบายแสดงในตาราง 3.3 เปนกรณทม

การจบคกนโดยใชเพยงค าอธบายท 4 เทานน โดยจากไดอะแกรมและค าอธบายทก าหนดให ดงนน C1 จะถก

เลอกใหเปนการจบคการเปลยนแปลงทดทสดท

รปท 3.7 ไดอะแกรมการจบคส าหรบค าอธบายท 4 ทมา : Mitchell (1997)



ตาราง 3.3 การจบคโดยใชค าอธบายท 4

Transition Description 4 AB rotate(s,8) C1 rotate(+,8) C2 Nothing C3 magnify(+,0.5),rotate(+,\frac8)

3.3 เทคนค Goal Reduction

แนวคดพนฐานของเทคนคนคอการน าเสนอเปาหมายของปญหาทตองแกไข ทงทอยในรปแบบของเปาหมายหลก

เพยงเปาหมายเดยว หรอการแบงเปาหมายหลกเปนเปาหมายยอย ๆ (Subgoals) โดยกระบวนการของการแบงแยก

เปาหมายหลกเปนเปาหมายยอย ๆ เรยกวา Goal Reduction

ส าหรบ Goal Reduction เปนกระบวนการหรอขนตอนในการน าเสนอองคความร (Knowledge Representation)

รปแบบหนงในสาขาปญญาประดษฐ โดยเฉพาะอยางยงส าหรบการอธบายการน าเสนอองคความรเชงตรรกศาสตร

กระบวนการของ Goal Reduction มลกษณะดงน

เปนกระบวนการทเกยวของกบการแบงเปาหมายหลกของปญหาเปนเปาหมายยอย ๆ ในลกษณะล าดบชน

(Hierarchy) จนกระทงไดปญหายอยทเปนตวกลางการแกปญหาทจะน าไปสเปาหมายหลกของปญหา

เปนกระบวนการทถกน าเสนอโดยการใช AND/OR tree แบบคว าลงซงมองคประกอบทส าคญดงน

- Goal Levels คอล าดบชนของเปาหมาย ยงเปาหมายถกแบงเปนเปายอย ๆ จะท าให AND/OR

tree มล าดบชนมากขน (หรอสงขนนนเอง)

- Arcs คอ สวนของเสนจากเปาหมายในล าดบชนทสงวาเชอมตอไปยงเปาหมายยอยในล าดบทต า

กวา

- Node ทสวนลางของ AND/OR tree แทนสวนของเปาหมายยอยทไมสามารถแบงยอยไปไดอกแลว

โครงสราง AND/OR tree ใชส าหรบการน าเสนอความสมพนธระหวางเปาหมายหลก (Goals) เปาหมายยอย

(Subgoals) เปาหมายยอยทเปนทางเลอก (Alternative Subgoals) และเปาหมายยอยทตองถกรวมกน

(Conjoint Subgoals)



3.3.1 ตวอยาง โครงสราง AND/OR tree

รปท 3.8 โครงสราง AND/OR tree

จากรปท 3.8 เปนโครงสรางทอธบายสงตาง ๆ ดงน

แสดงความสมพนธแบบล าดบชนระหวางเปาหมายหลกและเปาหมายยอย จากรปแสดงใหเหนวา “Going

on strike” เปนเปาหมายยอย “Earning more money” และ “Earning more money” เปนเปาหมายยอย

“Improving standard of living” ซงเปนเปาหมายยอยของ “Improving enjoyment of life”

แสดงถงทางเลอกทสามารถใชส าหรบการไปใหถงเปาหมายของการแกปญหา จากรปแสดงใหเหนวา

สามารถเลอกกระท าเปาหมายยอยอนใดอนหนงระหวาง “Going on strike” และ “Improve

productivity” เพอใหบรรลเปาหมาย “Earn more money” ซงเปนเปาหมายในระดบทอยขนสงกวาของ

“Going on strike” และ “Improve productivity”

แสดงถงการบรรลเปาหมายรวมกนระหวางเปาหมายยอยมากกวา 1 เปาหมายทสามารถน าไปสการบรรล

เปาหมายหลกของการแกปญหา จากรปแสดงใหเหนวาเพอใหบรรลเปาหมาย “provide for old age” นน

จะตองท าใหเปาหมายยอย “earn more money” และ “save money” บรรลเปาหมายทงสองเปาหมาย



3.3.2 ตวอยางปญหา Towers of Hanoi

a

b

Initial State Goal State

รปท 3.9 the Towers of Hanoi Problem ทมา : Mitchell (1997)

Root Node 3AC แสดงแทนเปาหมายหลกของปญหาหอคอยฮานอยเมอตองการยายจาน 3 จานจากหมด

แทงท 1 คอหมด A ไปยงหมดแทงท 3 คอหมด C แสดงดงรปท 3.9b โดยมสถานะเรมตนของปญหาดงรปท

3.9a

เปาหมายหลกสามารถถกแยกออกเปนเปาหมายยอยดงนคอ 2AB, 1AC, 2BC โดยจะตองท าใหเปาหมาย

ยอยทงสามบรรลกอน จงจะน าไปสการบรรลเปาหมายหลก แสดงดงรปท 3.10

รปท 3.10 เปาหมายหลก 3AC ถกแยกออกเปนเปาหมายยอย 2AB, 1AC, 2BC

รปท 3.11 แสดงปญหาหอคอยฮานอยซงถกน าเสนอโดย AND tree โดยโหนดทกโหนดของ tree จะเปน

AND node ดงนนการทจะบรรลถงเปาหมายของการแกปญหานน จ าเปนจะตองบรรลเปาหมายของทก ๆ

เปาหมายยอยของ AND tree โดยมสถานะเรมตนของปญหาดงรปท 3.11A ซงเปนสวนของเปาหมายหลก

และจะถกแบงออกเปนเปาหมายยอย 2AB รปท 3.11B แลวจากนนจงแบงเปาหมายยอย 2AB ใหเปน

เปาหมายยอย 1AC รปท 3.11B และจะท าการแตกยอยไปใหไปจนกระทงบรรลวตถประสงคของเปาหมาย

หลกทตองการ โดยรปท 3.11H แสดงใหเหนวาการทจะบรรลวตถประสงคของเปาหมายหลกไดนนสามารถ

ท าได 2 ทางเลอกคอแบงออกเปนเปาหมายยอย 2AB หรอ แบงออกเปนเปาหมายยอย 2BC นนเอง



A

B

C

D

E

F

G

H

รปท 3.11 แสดงขนตอนการแกปญหาหอคอยฮานอยโดย AND tree

ทมา : Mitchell (1997)



3.3.3 ปญหา Eight Puzzle Tree

รปท 3.12 น าเสนอโดย OR tree ซงโหนดทกโหนดของ tree จะเปน OR node นนหมายความวาการทจะบรรลถง

เปาหมายของการแกปญหานน สามารถเลอกท าใหเปาหมายยอยเปาหมายใดเปาหมายหนงของ OR tree บรรลผล

เทานนได

รปท 3.12 แสดงขนตอนการแกปญหา Eight Puzzle Tree โดย OR tree


3.3.4 ปญหา Counterfeit-Coin

ตวอยางหนงของปญหาทถกน าเสนอโดย AND/OR tree คอ The Counterfeit-Coin Problem ซงโหนดของ tree จะม

ทง AND node และ OR node ดงรปท 3.13



รปท 3.13 แสดงขนตอนการแกปญหา The Counterfeit-Coin Problem โดย AND/OR tree

(ทมา: https://en.wikipedia.org/wiki/Balance_puzzle สบคนเมอ 20 พ.ค.2559)

3.4 เทคนค Constraint Satisfaction

เปนเทคนคทใชแกปญหาความพงพอใจของขอจ ากด โดย A Constraint Satisfaction Problem ( CSP) เปนปญหาท

ถกก าหนดดวยเซตของตวแปร X ซงประกอบดวยสมาชก X1, X2, . . . , Xn, และเซตของขอจ ากด C ซงประกอบดวย

สมาชก C1, C2. . ., Cm. โดยตวแปร Xi แตละตว จะถกก าหนดเปนคาใด ๆ ทอยภายในโดเมน Di สวนแตละ

ขอจ ากด Ci จะเกยวของกบเซตยอยของตวแปร รวมถงจะก าหนดการรวมกนของคาใด ๆ ในเซตยอยดงกลาว ส าหรบ

สถานะ (State) ของปญหาจะถกระบโดยการก าหนดคาใหกบตวแปรบางตวหรอตวแปรทกตวทเปนสมาชกของเซตตว

แปร X ดงนนจะไดวา {Xi = vi , Xj = vj , . . .} หากการก าหนดคาไมท าใหเกดการละเมดของขอจ ากดใด ๆ ทมอย

เรยกการก าหนดคาวาการก าหนดคาคงเสนคงวาหรอการก าหนดคาทถกกฎหมาย (A Consistent Or Legal

Assignment) การก าหนดคาทสมบรณ (Complete Assignment) คอการทสามารถก าหนดคาใหกบตวแปรทกตวใน

เซตตวแปร X และการแกปญหา CPS เปนการก าหนดคาทสมบรณทท าใหเกดความพงพอใจตอขอก าจดทกขอจ ากด

3.4.1 ปญหาทเกยวกบการจดสรรทรพยากร (Resource Allocation)

เชนปญหาการจดตารางสอบในโรงเรยนหรอสถานศกษาตาง ๆ (Examination Scheduling) โดยในการสอบนนมการ

ก าหนดชวงเวลาของการสอบ นอกจากนยงมขอจ ากดเกยวกบหองเรยนทใชสอบ หองเรยนทมขนาดตางกนกสามารถ

จจ านวนนกเรยนไดแตกตางกนดวย ดงนนการสอบจะสามารถจดไดเฉพาะหองเรยนทมทนงเพยงพอส าหรบนกเรยน

1 3 2 6 5 4

1 2 7 8 5 6

7 2 3 1 64 8 5

123 < 456 123 = 456 123 > 456

1 < 2 1 = 2 1 > 2 7 < 8 7 = 8 7 > 8 5 < 6 5 = 6 5 > 6

https://en.wikipedia.org/wiki/Balance_puzzle



รวมถงนกเรยนแตละคนจะสอบมากกวา 1 รายวชา ดงนนการจดเวลาของการสอบในแตละวชาจะไมสามารถจดใน

เวลาทตรงกนได ซงจากตวอยางขอจ ากดตาง ๆ เหลานเมอจดใหอยในรปแบบของ CPS จะไดวา การสอบของรายวชา

ตาง ๆ ถกก าหนดใหเปนเซตของตวแปร X ส าหรบเวลาสอบ และหองสอบ คอ โดเมน D และขอจ ากดตาง ๆ ของการ

จดการสอบ คอเซตของขอจ ากด C

3.4.2 N-Queens Problem

เมอก าหนดจ านวนเตม N โดยให N แทนจ านวน Queen ทอยบนกระดานหมากฮอส ขนาด N X N ซงการท าใหเกด

ความพงพอใจของขอจ ากดคอการทไมม Queen 2 ตวใด ๆ คกคามซงกนและกน นนหมายความวา Queen 2 ตวนน

จะตองไมอยในแถวเดยวกน หรอคอลมนเดยวกน หรอแนวทแยงเดยวกนนนเอง โมเดลของปญหาสามารถก าหนดดงน

สมมตให Queen แตละตวอยในคอลมนแตกตางกน

ก าหนดคาตวแปร Ri โดย i มคาตงแต 1 ถง N ซงเปนตวแปรทใชก าหนดหมายเลขคอลมน โดย

แตละคอลมนจะมการก าหนดต าแหนงของ Queen ในแตละแถว

ก าหนดขอจ ากดการไมคกคาม (No-Threatening Constraints) ระหวางคของ Queen (Ri และ

Rj) จากนนก าหนดอลกอรทมส าหรบการแกปญหา

ตวอยาง 8-Queens Problem จะมวธการแกปญหาทเปนไปไดทงหมด 92 รปแบบ แตจะม

เพยง 12 รปแบบเทานนทเปน Unique Solutions รปท 3.14 แสดง Unique Solution ทเปนไป

ได 2 รปแบบ

รปท 3.14 วธการแกปญหา 2 รปแบบ ของ 8-Queens Problem




3.4.3 ปญหา Map Coloring

ตวอยางแผนทประเทศออสเตรเลยทแสดงถงเมองและอาณาเขตของแตละเมองดงรปท 3.15a โดยตองการระบายส

เมองตาง ๆ เหลานดวยส 3 สคอ แดง เขยว และน าเงน โดยมขอก าหนดวาเมองทมอาณาเขตตดกนหามระบายดวยส

เดยวกน ดงนนสามารถแกปญหาดงกลาวโดยใชวธ CSP ซงสามารถก าหนดใหเซตของตวแปรคออาณาเขตของเมอง

ตาง ๆ ดงน

X = { WA, NT, Q, NSW , V, SA, T }

ส าหรบโดเมนของแตละตวแปร คอ Di = { red, green, blue } และขอจ ากดคอเมองทมอาณาเขตตดกนตองมส

แตกตางกน เนองจากสวนทเปนอาณาเขตของเมองทตดกนม 9 อาณาเขต ดงนนจงประกอบดวยขอจ ากด 9 ขอ

ดวยกน ซงจะไดเซตของขอจ ากดดงน

C = { SA WA, SA NT, SA Q, SA NSW , SA V, WA NT, NT Q, Q NSW , NSW V }

โดยทสญลกษณ SA WA ใชแทน { (SA, WA), SA WA } ซง SA WA สามารถเขยนแจกแจงเปนล าดบคอ

{(red, green), (red, blue), (green, red), (green, blue), (blue, red), (blue, green)} ดงนนวธแกปญหาทเปนไปได

มหลายวธ เชน

{ WA = red, NT = green, Q = red, NSW = green, V = red, SA = blue, T = red }

เพอใหเหนลกษณะของ CSP ไดเขาใจยงขน สามารถน าเสนอดวย A Constraint Graph ดงรปท 3.15b ซงโหนดแต

ละโหนดของกราฟใชแทนตวแปรของปญหา และเสนเชอมใชส าหรบเชอมตอตวแปรสองตวทเกยวของกบขอจ ากด

เดยวกน

รปท 3.15 (a) แสดงเสนแบงอาณาเขตของเมองในประเทศออสเตรเลย

(b) การน าเสนอ ปญหา Map Coloring ในรปแบบของกราฟ




3.5 เทคนค Tree Searching

ปญหาหลาย ๆ ปญหาสามารถถกอธบายโดยอาศยโครงสรางของ Search Tree เชน Goal Reduction, Constraint

Networks ซงการแกปญหาเหลานท าไดโดยการคนหาเสนทาง (Path) ของตนไมนนเอง โดยจะคนหาทวทงตนไม

จนกระทงไดเสนทางทพงพอใจ ซงการคนหาเชนนเรยกวา Exhaustive Search

รปท 3.16 แสดงตวอยางของตนไม (Trees) ประกอบดวยโหนด (Nodes) และเสนเชอมระหวางโหนด (Links) เสน

เชอมระหวางโหนดคอกงกาน (Branches) โหนดเรมตนคอโหนดราก (Root Node) สวนโหนดอน ๆ ในต าแหนงปลาย

สดของตนไมคอโหนดใบ (Leave Node) โหนดใด ๆ สามารถสรางทายาทได โดยทายาทรนแรกเรยกวาโหนดลก

(Child Nodes) ซงโหนดลกจะมโหนดพอแมเพยงโหนดเดยว (Parent Node) สวนโหนดทอยสงขนไปจากโหนดพอแม

คอโหนดบรรพบรษ (Ancient Nodes) ส าหรบโหนดและสวนของโหนดทายาทจะถกเรยกวาทรยอย (Subree) ถาทร

ยอยไมถกเขาถงหรอถกเขาถงเพยงบางสวนจะเรยกโหนดพอแมของทรยอยนนวา Open Node แตถาทรยอยถกเขาถง

ทกโหนดจะเรยกโหนดพอแมของทรยอยนนวา Closed Node ถาจ านวนของโหนดลกของโหนดทกโหนดในตนไม

แลวจ านวนของโหนดลกคอคา Branching Factor ตวอยางกรณ Binary Tree จ านวนของโหนดลกของโหนดทกโหนด

ในตนไมมคาเปน 2 ดงนน Branching Factor ของ Binary Tree เทากบ 2 นนเอง

รปท 3.16 แสดงตวอยางของตนไม

กลยทธการคนหาของตนไม (Tree Search Strategies) ทส าคญประกอบดวย 5 กลยทธ ดงน

3.5.1 Depth-First Search

การคนหาตามแนวลกกอนเปนวธส าหรบการคนหาของโครงสรางตนไมทอาศยการคนหาเชงลกจ ากดแบบวนเพม

ความลกไปเรอย ๆ เพอหาค าตอบทดทสด โดยการคนหาเรมตนจากโหนดรากทอยบนสด แลวเดนลงมาใหลกทสด

เมอถงโหนดใบซงเปนโหนดลางสดกจะยอนขนมาทจดสงสดของกงเดยวกนทมกงแยกและยงไมไดเดนผาน แลวเรม

เดนลงจนถงโหนดลกสดอก ท าเชนนสลบไปเรอยจนพบโหนดทตองการหาหรอส ารวจครบทกโหนดแลว รปท 3.17

แสดงล าดบการเดน (Traverse) ของการคนหาตามแนวลก



รปท 3.17 ล าดบการเดนของการคนหาตามแนวลก

3.5.2 Breadth-First Search

การคนหาตามแนวกวางกอน เปนวธการคนหาตามแนวกวางทละระดบ โดยเรมตนจากโหนดทก าหนดไปยงโหนดท

เชอมตอกนและอยในระดบเดยวกนทงหมดกอน หากไมพบขอมลทตองการกจะคนหาตอไปยงโหนดอนทเชอมตอ

โดยตรงกบโหนดในรอบการคนหาทผานมากอนหนา ส าหรบโหนดทเชอมตอโดยตรงแตยงไมไดท าการส ารวจจะเกบไว

ในควเพอท าการส ารวจในภายหลงตามล าดบ การคนหาจะคนหาจนกวาจะพบขอมลทตองการหรอสนสดการคนหา

โดยไมพบขอมลทตองการ รปท 3.18 แสดงล าดบการเดนของการคนหาตามแนวกวาง

รปท 3.18 ล าดบการเดนของการคนหาตามแนวกวาง

3.5.3 Hill Climbing

การคนหาแบบการปนเขา เปนวธการคนหาทเลยนแบบวธการเลอกเสนทางทสนทสดในการปนขนไปยงจดบนสด

ของเขา โดยการคนหาประเภทนมลกษณะเดยวกบการคนหาแบบแนวลก แตมการเพมประสทธภาพในการคนหาใหด

ขนโดยความสามารถในการหาคาประมาณระหวางทางเลอกหนงกบอกทางเลอก ทางเลอกใดจะดกวา ท าใหการ

จดล าดบการคนหาโหนดตาง ๆ ของตนไมมประสทธภาพมากกวาการจดล าดบการคนหาแบบแนวลก ส าหรบการจะ

หาวาทางเลอกใดระหวาง 2 ทางเลอกดกวากน สามารถท าไดโดยการวดคาระยะหาง (Distance) เชนการวดคา

ระยะหางระหวางโหนดใด ๆ กบโหนดเปาหมาย หากโหนดใดมคาระยะหางนอยทสด โหนดนนกจะถกเลอกเปนโหนด

ทจะถกเดนเปนล าดบถดไป



ตวอยาง ปญหา 8-Puzzle โดยก าหนดใหสถานะเรมตนและสถานะเปาหมายแสดงดงรปท 3.19a และ b ตามล าดบ

a

b

Initial state Goal state

รปท 3.19 สถานะเรมตนและสถานะเปาหมายของปญหา 8-Puzzle

เมอ h คอจ านวนของ tile ในสถานะปจจบนทไมอยในต าแหนงทก าหนดไวในสถานะเปาหมาย เชนในตอนเรมตน h =

-4 นนคอมจ านวน tile ทไมอยในต าแหนงทก าหนดไวในสถานะเปาหมายจ านวน 4 ชน ซงไดแก tile#2, tile#8, tile#1,

tile#6 และ h= 0 เมออยในสถานะเปาหมาย

รปท 3.20 ตวอยางการเทคนค Hill Climbing กบปญหา 8-Puzzle

รปท 3.20 แสดงการก าหนดล าดบของเสนทางทจะน าไปสสถานะเปาหมาย โดยเสนทางทเลอกคอเสนทางทสนทสด

จากเสนทางทเปนไปไดทงหมด จากรปจะเหนวาคา h ยงมคานอย แสดงวาเสนทางทจะไปสสถานะเปาหมายยงใกล

ขน เชนการจะเลอกเสนทางจาก สถานะเรมตนมเสนทางทเปนไปได 3 ทางเลอกซงมคา h เปน 5, 3, 5 ทางเลอกท 2

จะถกเลอกเนองจากมคา h นอยทสด



3.5.4 Beam Search

เปนวธการคนหาแบบเดยวกบการคนหาตามแนวกวางกอนแตในการคนหาในแตละระดบของตนไม (Level) แต

แทนทจะเลอกเสนทางจากโหนดทกโหนดทอยในระดบเดยวกน กจะเลอกเฉพาะโหนด (อาจมมากวา 1 โหนดกได)ท

จะน าไปสสถานะเปาหมาย จ านวนโหนดทถกเลอกเพอใชเปนเสนทางสสถานะเปาหมายเรยกวา Beam Width (ß)

อยางไรกตามการคนหาประเภทนกไมไดรบประกนวาจะสามารถไปสสถานะเปาหมายไดส าเรจ แตการคนหาประเภท

นจะมโอกาสไปสสถานะเปาหมายมากยงขนเมอมสถานะเปาหมายหลาย ๆ สถานะ

ตวอยาง ปญหา 4-Queen Puzzle เมอก าหนดให

ในตอนเรมตนการจดวาง Queen โดยการสมในต าแหนงตาง ๆ ตามแนวคอลมน

h คอจ านวน Queen ทไมอยในต าแหนงทก าหนดไวในสถานะเปาหมาย

ß = 1 ดงนนเมอท าการแกปญหาโดยใช Beam Search การคนหาเพอไปถงเปาหมายแสดงดงรปท 3.21

Initial State Goal State

รปท 3.21ตวอยางการเทคนค Beam Search กบปญหา 4-Queen Puzzle


3.5.5 Best-First Search

การคนหาแบบดทสดกอน เปนวธการคนหาทรวมเอาลกษณะขอดของการคนหาแบบ การคนหาตามแนวลกและ

การคนหาตามแนวกวางกอนเขาดวยกน ดงนนจะท าใหการคนหาแบบทดทสดกอนไมจ าเปนตองเลอกโหนดทกโหนด

ทอยในระดบเดยวกนซงเปนขอดของการคนหาตามแนวลก และจะไมเกดกรณของ Dead‐End Paths ซงเปนขอด

ของการคนหาตามแนวกวางกอน ดงนนการคนหาประเภทนจะสามารถก าหนดเสนทางเพยงเสนทางเดยวทน าไปส

สถานะเปาหมาย แตในระหวางทางทเลอกสามารถท าการสลบไปยงเสนทางอนเมอพบวาเปนเสนทางทดกวาเสนทาง

ทเลอกไวขณะนน



รปท 3.22 Best-First Search

รปท 3.22 แสดงตวอยางการคนหาแบบทดทสดกอน โดยการคนหาเรมจากโหนดราก คอ โหนด A จากนนจะ

ตรวจสอบโหนดลกของโหนด A ซงไดแก โหนด B โหนด C และโหนด D วาโหนดใดเปนโหนดของเสนทางทดทสด โดย

ในทนจะพจารณาจากคา h ซงคา h ของโหนด B โหนด C และโหนด D มคาเทากบ 3, 5 และ 1 ตามล าดบ ซงผลกคอ

โหนด D จะถกเลอก จากโหนด D เพมโหนดลกของ โหนด D ซงไดแก โหนด E และโหนด F จากนนพจารณาจากคา h

ของโหนดทเปนทางเลอกทงหมดคอ โหนด B โหนด C โหนด E และโหนด F ซงคา h เทากบ 3, 5, 4 และ 6 ตามล าดบ

ดงนนโหนด B จะถกเลอก ท าลกษณะเชนนไปเรอย ๆ จนกระทงพบสถานะเปาหมาย หรอไมสามารถเลอกเสนทางไป

ยงโหนดถด ๆ ไปไดอก

3.6 เทคนค Generate And Test

เปนเทคนคทมแนวคดอยางงายคอการเดาวาวธการทจะท าใหไปสสถานะเปาหมายนนมอะไรบาง จากนนน าวธการ

ดงกลาวมาทดสอบวาเปนวธการทไดผลส าเรจหรอไม ดงนนจะไดวากระบวนแบบ Generate And Test

ประกอบดวยขนตอนดงน

ตวสราง (Generator) ท าหนาทสรางวธการแกปญหาทเปนไปได

ตวทดสอบ (Tester) ท าหนาทน าวธการแกปญหามาตรวจสอบวาวธดงกลาวสามารถน าไปสสถานะ

เปาหมายหรอไม



ถาใชวธการแกปญหากจะระบวาการคนหาส าเรจ แตถาไมใชใหกลบไปทซ าตงแตขนตอนแรกเพอทดสอบ

วธการแกปญหาวธถดไป

เทคนค Generate And Test เปนวธการคนหาทไมมประสทธภาพเนองจากมวธแกปญหาทเปนไปไดทงหมดถกสราง

ขนแลวสงไปยงสวนของการทดสอบ ดงนนแลวสวนทไมใชค าตอบทถกตองจะถกทดสอบมจ านวนมาก นนหมายความ

วายงจ านวนวธการแกปญหาทเปนไปไดมจ านวนมาก กจะตองใชเวลาในการสราง และการทดสอบมากตามไปดวย

เชนกน อยางไรกตามวธการคนหาแบบนสามารถท าใหมประสทธภาพเพมขนโดยใช Heuristic Function เขาใชใน

การก าหนดกฎของการสรางวธแกปญหาทเปนไปได ซงท าใหสามารถลดจ านวนของวธการแกปญหาทจะถกน าไปท า

การทดสอบนนเอง

ตวอยาง การพยายามปลดลอคของรหสลอค

ก าหนดใหรหสปลดลอคประกอบดวยตวเลข 6 หลกคอ 00-00-00 ดงนนจ านวนรหสทเปนไปไดจะมคาเปน 106 หรอ

เทากบ 1,000,000 รหส สมมตวาใน 1 นาทสามารถทดสอบได 3 รหส ดงนนจะใชเวลาเพอสมทดสอบประมาณ

165,000 นาท = 2,750 ชวโมง หรอประมาณ 114 วน ซงจะเหนวาใชเวลาในการทดสอบนานมาก

ตวอยาง ระบบผ เชยวชาญ DENDRAL

เปนระบบผ เชยวชาญทสรางโดยกลมนกวจยจาก Stanford University โดยมวตถประสงคเพอชวยในการวเคราะห

โครงสรางสารประกอบทางเคมโดยอาศยเทคนคในการวเคราะหผลการวดสดสวนมวลตอประจ (Mass Spectra) และ

รปท 3.23 เทคนค Generate And Test

ทมา : http://intelligence.worldofcomputing.net/ai-search/ สบคนเมอ 20 พ.ค.2559



องคความรทางเคม เพอระบวาสารทน ามาทดสอบคอสารชนดใด ซงในเบองตนระบบนถกคดคนขนมาเพอใหองคการ

นาซาใชเพอวเคราะห Martian Soil ทไดมาจากภาระกจการส ารวจอวกาศ

ส าหรบระบบผ เชยวชาญ DENDRAL นนถกสรางโดยการใชหลกการของ Generate And Test โดยก าหนดสมมตฐาน

ทเปนไปไดเกยวกบโครงสรางโมเลกล จากนนน าสมมตฐานเหลานไปท าการทดสอบโดยการจบคกบขอมลจรงทมอย

เนองดวยตวระบบเปนลกษณะของผ เชยวชาญ ดงนนมการใช Heuristics Function เพอก าหนด Rules ส าหรบการ

ก าจดสมมตฐานบางสมมตฐานออกไป เพอใหการท า Generate And Test มประสทธทดยงขน

3.7 เทคนค Rule Based Systems (RBS)

เปนระบบทใชกฎเปนพนฐานในการสรางเครองมอส าหรบการแกปญหา โดยใชเครองมอดงกลาวในการตรวจจบความ

เชยวชาญของมนษยในเรองใดเรองหนง แลวน าเอาความเชยวชาญดงกลาวมาชวยในการตดสนใจ โดยความ

เชยวชาญของมนษยจะถกจดเกบในรปของกฏ (Rules) และจะถกแสดงในรปของ IF <condition> ELSE <action>

โดยสวนใหญแลวกฎตาง ๆ จะถกจดเกบในโครงสรางแบบล าดบขนอยางเชนโครงสรางของ AND/OR tree ส าหรบ

การท างานนน เมอตรวจพบวาเงอนไขของกฏเปนจรง กฎดงกลาวจะถกน ามาใชในการท างาน สวนประกอบทส าคญ

ของ RBS ม 3 สวนคอ working memory, rule base และ interpreter แสดงดงรปท 3.24

ตวอยางกฎ

IF the traffic light is green THEN the action is go

IF the traffic light is red THEN the action is stop

รปท 3.24 สวนประกอบของ RBS

Interpreter

Rule Base

Working Memory

Rules

Change Conditions

Observed

Data

Rule-Based System



3.7.1 Working Memory

เปนสวนทใชจดเกบขอเทจจรงทไดจากการรบรสภาพแวดลอม หรอเปนขอเทจจรงทไดมาจากกฎ โดยทวไปขอเทจจรง

ถกจดเกบในรปแบบขององคประกอบ 3 สวนคอ < object, attribute, values > เชน < car, color, red > ซงแทน

ขอเทจจรงของ “The color of my car is red” นอกจากขอเทจจรงแลวในสวนของ Working Memory ยงจดเกบ

องคความร (Knowledge) แตเปนการจดเกบไวชวคราว (Temporary Knowledge) เพอใชในขณะท าการแกปญหา

(Problem-Solving Session) สวนของขอเทจจรงและองคความรทเกบใน Working Memory สามารถถกปรบปรง

แกไขโดยกฎได

3.7.2 Rule Base

เปนสวนทใชจดเกบกฎตาง ๆ โดยกฎแตละกฎถกน าไปใชในกระบวนการแกปญหา โดยทวไปกฎจะเปนองคความร

ในขอบเขตของเรองใดเรองหนงซงระบบไมสามารถปรบปรงหรอแกไขกฎตาง ๆ ทก าหนดไวไดเอง ดงนนกฎจะถก

แกไขโดยผออกแบบระบบเทานน รปแบบของกฎถกน าเสนอในลกษณะ IF <condition> THEN <action> เชน

IF <(temperature, over, 20>

THEN <add (ocean, swimable, yes)>

ถาเงอนไขในกฎตรงกบขอเทจจรงหรอองคความรทเกบใน Working Memory ดงนนกฎจะถกน ามาใช ส าหรบการ

กระท าทเกดขนใน Rule Base ไดแกการเพมขอเทจจรงใน Working Memory , การลบขอเทจจรงออกจาก Working

Memory และการแกไขขอเทจจรงใน Working Memory

3.7.3 Interpreter

เปนสวนทใชตความของขอมลน าเขา ซงการตความจะขนอยกบกระบวนการของการใหเหตผลซงจะตองอาศยการ

เลอกกฎจาก Rule Base ทมอย จากนนท าการประมวลผลกฎทเลอกเพอใหไดผลลพธของการกระท า (Actions)

ออกมาเปนผลลพธ โดยวงจรการประมวลผลทเกดขนในสวน Interpreter คอ

- Retrieval คอกระบวนการคนหากฎใด ๆ ทตรงกบขอมลใน Working Memory ในขณะนน

- Refinement คอกระบวนการจดการกบขอแยง (Conflicts) ตาง ๆ ทเกดขน

- Execution คอกระบวนการประมวลผลการกระท าทไดเปนผลลพธจากการประยกตกฎทถกเลอก



3.8 เทคนค Neural Networks

โครงขายประสาทเทยม (Artificial Neural Networks) หรอเรยกสน ๆ วา โครงขายประสาท (Neural Networks หรอ

Neural Net) ถกสรางขนโดย Dr. Robert Hecht-Nielsen มวตถประสงคทจะสรางระบบคอมพวเตอรทเลยนแบบ

ความสามารถในการท างานของสมองมนษย เพอใหระบบคอมพวเตอรสามารถคด เขาใจและจดจ าในลกษณะ

เดยวกบทสมองของมนษยท าได

3.8.1 สมองมนษย (Human Brain)

รปท 3.25 Components of a neuron

ทมา : http://www.explainthatstuff.com/introduction-to-neural-networks.html สบคนเมอ 1 ส.ค. 2559

สมองของมนษยประกอบดวยหนวยยอยเรยกวา เซลลประสาท (Neuron หรอ Nerve Cell) ประมาณ 100

พนลานเซลล (1011)

โครงสรางของเซลลประสาทประกอบดวย ตวเซลล (Cell Body) และใยประสาท (Nerve Fiber)

ตวเซลลจะเชอมตอกบสวนของใยประสาททท าหนาทน าเขาขอมลมายงเซลลประสาทเรยกวาเดนไดรต

(Dendrites) และจะเชอมตอกบใยประสาททเรยกวาแอกซอน (Axons) ท าหนาทสงขอมลออกจากเซลล

ประสาทไปสเซลลประสาทอน ๆ

เดนไดรตเปนสวนของเซลลประสาททยนออกไป สวนใหญจะอยรอบ ๆ ตวเซลล โดยเซลลประสาทหนงตวจะ

มเดนไดรตไดหลายแขนง ในขณะทเซลลประสาทตวหนงจะมแอกซอนเพยงหนงแอกซอนเทานน

เซลลประสาทแตละเซลลจะเชอมตอกบเซลลประสาทอนโดยสวนปลายของแอกซอนทเรยกวาการซแนปส

(Synapse) ไปยงเดนไดรตของอกเซลลประสาทหนง เมอกระแสประสาทจากแอกซอนมาถงบรเวณซแนปส

ปลายแอกซอนจะผลตสารสอประสาท ซงท าหนาทกระตนใหเกดกระแสประสาททเดนไดรตของเซลลถดไป

http://www.explainthatstuff.com/introduction-to-neural-networks.html%20สบคนเมอ%201%20ส.ค



โดยเหตการณนจะเกด เชนเดยวกบทปลายแอกซอนของเซลลประสาทสงการ (Motor Neuron) ทตดกบ

กลามเนอ (Skeletal Muscle) ซงเปนการกระตนใหกลามเนอท างาน

รปท 3.26 synapse

ทมา : https://www.tutorialspoint.com/artificial_intelligence/artificial_intelligence_neural_networks.htm สบคนเมอ 1 ส.ค. 2559

ความแรงของกระแสประสาททถกสงไปยงเดรนไดรตขนอยกบความแรงของกระแสประสาทจากซแนปสซง

สามารถเปลยนแปลงได ซแนปสใชสารเคมทเรยกวาสารสอประสาท (Neurotransmitter) เปนตวสอสาร

ดงนนสมองจะเรยนรผานการเปลยนแรงความแรงของซแนปสนนเอง

โครงสรางแบบหยาบ ๆ ของสมองมนษยสามารถแบงออกเปนชน ๆ ดงรปท 3.27 โดย ชนแรก คอ Input

Layer เปนชนส าหรบการรบขอมลน าเขาจากสวนตาง ๆ ของรางกายมนษย และชนสดทาย คอ Output

Layer เปนชนทเปนตวขบเคลอนผลลพธทไดจากการท างานของสมอง ส าหรบชนกลาง คอ Middle Layers

เปนชนทประกอบดวยชนยอยหลาย ๆ ชนของเยอหมสมองทสมพนธกน (The Associative Cortex) ซงถอวา

เปนชนทส าคญทสด

https://www.tutorialspoint.com/artificial_intelligence/artificial_intelligence_neural_networks.htm



รปท 3.27 Neurons are Arranged in a Rough Layer-Like Structure

ทมา : Haupt (2004)

โครงขายประสาทเทยมประกอบดวยสวนการประมวลทเชอมโยงกนหลายตว โดยสวนการประมวลผลนท างานใน

ลกษณะคลายกบนวรอนของสมองมนษย เพอท าหนาทสงขอมลจากสวนการประมวลผลหนงไปยงอกหนวยหนง

โครงสรางพนฐานของโครงขายประสาทเทยมแสดงดงรป รปท 3.28 โดยสามารถแบงโครงสรางเปน Layer 3 Layer

คอ Input Layer, Hidden Layer และ Output Layer ในสวนของ Hidden Layer จะมมากกวา 1 Layer กได

a b

รปท 3.28 โครงสรางพนฐานของโครงขายประสาทเทยม


ในปค.ศ.1942 McCulloch และ Pitts ไดออกแบบจ าลองของนวรอนเทยม (An Artificial Neuron) เปนครงแรกและได

ก าหนดใหโครงขายประสาทเทยมมหลกการท างานคอเมอมขอมลน าเขา (Input) ถกสงเขามายงโครงขาย ขอมล

น าเขา ถกน ามาคณกบคาน าหนก (Weight) ผลทไดจากขอมลน าเขาทก ๆ ตวของนวรอน จะถกน ามารวมกน

จากนนจะน าไปเทยบกบคา Threshold ทก าหนดไว หากผลรวมมคามากกวา Threshold แลวนวรอนกจะสงผลลพธ

(Output) ออกไป ซงผลลพธนกจะถกสงไปเปนขอมลน าเขาของนวรอนอน ๆ ทเชอมกนในโครงขาย อยางไรกตาม

หากผลรวมมคานอยกวา Threshold แสดงวาไมมผลลพธ

reflexs

perception (sound, sight,…)

associative cortex motor output

(arms, legs, mouth,…)



โครงขายประสาทเทยมประกอบดวยองคประกอบพนฐาน 4 องคประกอบแสดงดงรปท 3.29

เซตของขอมลน าเขา (Set Of Inputs) ซงเปนสวนทเลยนแบบการท างานของ Dendrites

เซตของแรงตานทานแบบเปลยนคาได (Set Of Variable Resistances) ซงเปนสวนทเลยนแบบการท างาน

ของ Synapses

สวนการประมวลผล (Processing Element) ซงเปนสวนทเลยนแบบการท างานของ Neuron

ผลลพธ (A Single Output) ซงเปนสวนทเลยนแบบการท างานของ Axons

เมอก าหนดให

เซตของขอมลน าเขา คอ {I1, I2, I3}

เซตของแรงตานทานแบบเปลยนคาได คอ {W1, W2, W3}

สวนการประมวลผลคอ Summation And Activation

ผลลพธ คอ Oj

รปท 3.29 องคประกอบพนฐานโครงขายประสาทเทยม


สวนหลกของตวเซลลประกอบดวย

สวนของการหาผลรวม (Summation) โดยเปนผลรวมของผลคณของขอมลน าเขากบคาน าหนก ของขอมล

น าเขาทงหมด โดยผลรวมจะถกสงตอไปยงสวนของฟงกชน Activation

ฟงกชนการกระตนหรอฟงกชนการสงผาน (Activation Function or Transfer Function) ท าหนาทในการ

ปรบปรงผลลพธทไดจากสวนของการหาผลรวม กอนทจะสงออกเปนผลลพธเพยงผลลพธเดยว



3.8.2 ชนดของโครงขายประสาทเทยม

(1) Single Layer Feed-Forward Network

โครงขายประสาทเทยมทประกอบดวยสวนของ Input Layer และ Output Layer เทานน ซงค าวา Single Layer

Network ในทนหมายถงสวนของ Output Layer นนเองดงรปท 3.30

รปท 3.30 A Single Layer Feed-Forward Network ทมา : Haupt (2004)

(2) Multilayer Feed-Forward Network

โครงขายประสาทเทยมทประกอบดวยสวนของ Input Layer, Hidden Layers และ Output Layer โดยอาจจะม

Hidden Layer มากกวาหนง Layer กได แสดงดงรปท 3.31 โดยท

ในแตละ Hidden Layer ประกอบดวย Node ซงเรยกวา Hidden Unit หรอ Hidden Neuron โดยมหนาท (1)

ท าใหเกดการปฏสมพนธกนระหวางขอมลน าเขาจากภายนอกกบผลลพธโครงขายในรปแบบทเปนประโยชน

(2) ท าใหเกดการสกดของฟงกชนทางสถตในล าดบทสงขน (Higher Order Statistics)

The Source Nodes ในสวนของ Input Layer เปนตวสงสญญาณน าเขาไปยง Hidden Neuron ใน Layer ท

2 ของโครงขาย (แตเปน Layer ท 1 ของ Hidden Layer)

สญญาณผลลพธ (Output Signals) จาก Layer ท 2 ของโครงขาย ถกน าไปเปนสญญาณน าเขาส าหรบ

Layer ท 3 ของโครงขายและจะเปนลกษณะเชนนเรอย ๆ ไปใน Layer ถดไป

เซตของสญญาณผลลพธของนวรอนในสวนของ Output Layer ประกอบไปดวยการตอบสนองทงหมดของ

โครงขายไปยงรปแบบการกระตน (Activation Pattern) ทถกสงมากจาก Source Nodes ใน Input Layer

แรก



รปท 3.31 A Multilayer Feed Forward Network ทมา : Haupt (2004)

ลกษณะทวไปของโครงขายแบบ Feed-Forward

1. โดยทวไปแลวการกระตน (Activation) ถกสงมาจาก Input ไปยง Output โดยผาน Hidden Layers

2. ในเชงคณตศาสตรแลวจะเปนการสรางการจบคระหวาง Input กบ Output โดยอาศยคาทางสถต

3. โครงขายแบบ Feed-Forward ทเปนทนยมมากทสดคอโครงขายทมการใชการเรยนรแบบมผสอนโดย

อาศย Backpropagation Algorithm

4. เปนรปแบบทใชในการท า Pattern Generation/Recognition/Classification เนองจากมการก าหนด

Input และ Output ทแนนอน

(3) Recurrent Network

เปนโครงขายประสาทเทยมแบบ Feed-Forward ทประกอบดวยสวนของ Input Layer ,Hidden Layers และ Output

Layer โดยอาจจะม Hidden Layer มากกวาหนง Layer รวมทงประกอบดวยวงจรปอนกลบ (Feedback Loops)

อยางนอย 1 วรจร แสดงดงรปท 3.32 ส าหรบการปอนกลบอาจจะเปนการปอนกลบมาหาตวเอง (A Self Feedback)

เชนผลลพธของนวรอนอาจถกปอนกลบมาเปนขอมลน าเขาของตวมนเอง



รปท 3.32 A Recurrent Network ทมา : Haupt (2004)

นอกจากชนดของโครงขายประสาทเทยมทกลาวถงขางตนแลว ยงมโครงขายชนดอน ๆ ไดแก Delta-Bar-Delta,

Hopfield, Vector Quantization, Counter Propagation, Probabilistic, Hamming, Boltzman, Bidirectional

Associative Memory, Spacious-Temporal Pattern, Adaptive Resonance, Self-Organizing Map,

Recirculation เปนตน

3.8.3 การเรยนรส าหรบโครงขายประสาทเทยม

โครงขายประสาทเทยมมความสามารถในการเรยนร ซงการเรยนรเกดจากการปรบเปลยนคาของน าหนก การเรยนร

ส าหรบโครงขายประสาทเทยม

(1) การเรยนรแบบมการสอน (Supervised Learning)

เปนการเรยนรแบบทมการตรวจค าตอบเพอใหโครงขายประสาทเทยมปรบตว ชดขอมลทใชสอนโครงขายประสาท

เทยมจะมค าตอบไวลวงหนา เพอคอยตรวจดวาโครงขายประสาทเทยมใหค าตอบทถกหรอไม ถาตอบไมถก โครงขาย

ประสาทเทยมกจะปรบตวเองเพอใหไดค าตอบทดขน การเรยนรแบบนเปรยบเทยบกบการสอนนกเรยนโดยมครผสอน

คอยแนะน า

(2) การเรยนรแบบไมมการสอน (Unsupervised Learning)

เปนการเรยนรแบบไมตองมผ แนะน า และไมมการตรวจค าตอบวาถกหรอผด โครงขายประสาทเทยมจะจดเรยง

โครงสรางดวยตวเองตามลกษณะของขอมล ผลลพธทได โครงขายประสาทเทยมจะสามารถจดหมวดหมของขอมลได

การเรยนรแบบนเปรยบเทยบกบ การทเราสามารถแยกแยะพนธพช พนธสตวตามลกษณะรปรางของมนไดเองโดยไม

มใครแนะน า



(3) การเรยนรแบบเสรมแรง (Reinforcement Learning)

เปนการเรยนรแบบทไดจากการสงเกต โดยอาศยการมปฏสมพนธกบสงแวดลอมทเปลยนอยตลอดเวลาเพอการ

กระท าบางอยางโดยทไมมผสอนคอยบอกอยางจรงจงวาวธการทท าอยนนเขาใกลเปาหมายแลวหรอไม ตวอยางเชน

การเรยนรของหนโดยการวงในเขาวงกต โดยทกครงทหนเลยวไปทางซาย หนจะไดกนชส แตถาหนเลยวไปทางขวา หน

จะชอตดวยกระแสไฟฟาแรงดนต า ภายใตสนนษฐานทวาหนจะเรยนรตลอดเวลาเมอมนเลยวไปทางซาย นนคอ

โครงขายประสาทเทยมของหนตดสนใจภายใตผลลพธ (ซายหรอทางขวา) และสงเกตสภาพแวดลอมทเกดขน(อรอย

หรอเจบ) หากการสงเกตเปนเชงลบ โครงขายจะสามารถท าการปรบเปลยนคาน าหนกเพอทจะท าใหเกดความ

แตกตางของการตดสนใจในครงถดไปได นอกการนอกตวอยางหนงคอการเรยนรเพอเลนเกมส

3.9 เทคนค Genetic Algorithms

Genetic Algorithms (GA) เปนเทคนคส าหรบการแกปญหาทมความซบซอน โดยหลกการพนฐานของเทคนค

เลยนแบบหลกการของววฒนาการของมนษย ภายใตทฤษฏววฒนาการทชอวา "Survival of The Fittest" (หรอ “ผ

เหมาะสมทสดเทานนจงอยรอด”) ของ Charles Darwin ซงเปนทฤษฎทวาดวยเรองของการคดเลอกโดยธรรมชาต

ดงนน GA เปนขนตอนวธในการคนหาแบบสมเพอคนหาวธการแกปญหาชนดทเปนปญหาการหาคาทเหมาะสมทสด

(Optimization Problems) เนองจาก GA เปนเทคนคการแกปญหาทเลยนแบบกระบวนการทางธรรมชาตของ

ววฒนาการมนษย ดงนน GA จะอาศยกระบวนการตาง ๆ เชน การคดเลอก (Selection), การผสมสายพนธ (Cross

Over), การผาเหลา (Mutation) และ การยอมรบ (Acceptation) เพอใชหาวธการแกปญหา

3.9.1 แนวคดพนฐานเกยวกบพนธศาสตร (Basic Genetics)

เปนสาขาหนงของชววทยาทศกษาเกยวกบยน การถายทอดลกษณะทางพนธกรรม และความหลากหลาย

ทางพนธกรรมของสงมชวต

สงมชวตทกชนดจะมเซตของกฎทใชอธบายถงการเกดของสงมชวตนน ๆ รวมถงรหสทถกจดเกบไวในหนวย

พนธกรรมหรอยน (Gene)

ยนหลาย ๆ ตวจะถกเชอมตอเขาดวยกนเปนสายรหสทยาวขนเรยกวาโครโมโซม (Chromosome) โดย

โครโมโซมเปนสายอกขระของ DNA

ยนแตละตวจะก าหนดดวยคณลกษณะเฉพาะตว (Trait/Feature)ของสงมชวตแตละชนดและการจดเรยง

คณลกษณะดงกลาวกจะมรปแบบหลาย ๆ รปแบบทแตกตางกนไป เชน การจดเรยงคณลกษณะส าหรบยน

สผมทเปนสด ากบสน าตาล จะมการจดเรยงคณลกษณะทไมเหมอนกน



รปแบบทเปนไปไดทงหมดในการจดเรยงคณลกษณะเรยกวา อลลล (Allele)

ยนแตละตวจะมต าแหนงเปนของตนเองบนโครโมโซมเรยกวา โลคส (Locus)

ยนและการจดเรยงคณลกษณะจะเรยกวา จโนไทป (Genotype) ซงจะเปนสวนการแสดงออกลกษณะทาง

พนธกรรม

ลกษณะของสงมชวตทสรางขนอนประกอบดวยลกษณะทางพนธกรรม (จโนไทป) และพฤตกรรมอนเกดจาก

การหลอหลอมของสงแวดลอม รวมกนเรยกวา ฟโนไทป (Phenotype)

เมอสงมชวต 2 สงเขาคกนหรอแตงงานกนท าใหเกดยนรวมกน ซงจะสงผลใหทายาทมลกษณะของยนทไดมา

จากครงหนงของแตละฝาย เรยกกระบวนการนวาการผสมพนธ (Cross over หรอ Recombination)

ยนอาจเกดการผาเหลา (Mutation) และมการแสดงโครงสรางของคณลกษณะเฉพาะตวแบบใหมออกมาได

ซงค าวาผาเหลาหมายถงการทสมาชกของ DNA เกดการเปลยนแปลงไปจากเดมเลกนอย

ความเหมาะสม (Fitness) ถกวดจากการทสงมชวตจะสามารถด ารงชวตอยไดหรอไม

รปท 3.33 แสดงไดอะแกรมและซโดโคดของกระบวนการววฒนาการ (Evolutionary Process )ของ

พนธกรรม

Pseudo-Code

BEGIN INITIALISE population with random candidate solution. EVALUATE each candidate; REPEAT UNTIL (termination condition ) is satisfied DO 1. SELECT parents; 2. RECOMBINE pairs of parents; 3. MUTATE the resulting offspring; 4. SELECT individuals or the next generation; END.

รปท 3.33 แสดงไดอะแกรมและซโดโคดของกระบวนการววฒนาการ (Evolutionary Process) ของพนธกรรม



3.9.2 ค าศพททเกยวของกบ GA

- โครโมโซม คอเซตของยน แตละโครโมโซมประกอบวธการแกปญหาในรปของยน

- ยน เปนสวนหนงของโครโมโซม ดงนนยนประกอบดวยสวนของการแกปญหา และยนจะเปนตวตดสนเลอกวธ

แกปญหา เชน ถา 16743 เปนโครโมโซม ดงนน 1, 6, 7, 4 และ 3 จะเปนยน

- ความเปนเฉพาะบคคล หรอ Individual มลกษณะเดยวกบโครโมโซม

- ประชากร หรอ Population จ านวนของการแสดงความเปนเฉพาะบคคลทมความยาวโครโมโซมเทากน

- ความเหมาะสมหรอ Fitness เปนคาทก าหนดใหกบเฉพาะบคคลซงคาทใหขนอยกบวาความเปนเฉพาะบคคลนน

ใกลเคยงกบวธการแกปญหามากนอยแคไหน คาความเหมาะสมยงมากแสดงวายงเขาใกลวธการแกปญหา

- ฟงกชนความเหมาะสม (Fitness Function) ท าหนาทก าหนดคาความเหมาะสมใหกบความเปนเฉพาะบคคล

- การผสมพนธ (Breeding) คอ การน าลกษณะเฉพาะบคคล 2 ลกษณะมาผสมพนธกนเพอสรางลกษณะเฉพาะ

บคคลลกษณะใหม 2 ลกษณะขนมา

- การผาเหลาหรอการกลายพนธ (Mutation) เปนการเปลยนแปลงของยนอยางสมในลกษณะเฉพาะบคคล

- การคดเลอก (Selection) เปนการคดเลอกลกษณะเฉพาะบคคลส าหรบการสรางรนถดไป

3.9.3 หลกการท างานของ GA

เรมตนดวยเซตของวธการแกปญหาซงเรยกวาประชากร (Population) โดยวธแกปญหาแตละวธถกน าเสนอในรปของ

โครโมโซม

วธการแกปญหาจากประชากรหนงจะถกน าไปใชส าหรบการสรางประชากรใหม ซงลกษณะนอยภายใต

ความนาจะเปนทวาประชากรใหมทไดจะดกวาประชากรเดมทมอย

วธการแกปญหาถกคดเลอกตามความเหมาะสมส าหรบการสรางวธการแกปญหาแบบใหม (ในทนคอ

Offspring ) ความเหมาะสมยงมาก โอกาสของการสบพนธกยงมากขน

การท างานจะวนซ าไปเรอย ๆ จนกระทงมเงอนไขทท าใหเกดความพงพอใจ เชนเมอไดจ านวนประชากรท

ตองการ หรอเมอเกดการปรบปรงใหดขนจนไดวธการแกปญหาทดทสด เปนตน



3.9.4 เคาโครงพนฐานของ GA

เคาโครงพนฐานของ GA แสดงผงงานการท างานดงรปท 3.34 โดยมรายละเอยดดงน

1. [Start]: สรางประชากรแบบสมของ n โครโมโซม เชนวธการแกปญหาทเหมาะสม

2. [Fitness] : ประเมนความเหมาะสมของแตละโครโมโซม x ซงเปนสมาชกของประชากรแบบสม

3. [New population]: สรางประชากรใหมโดยการท าซ าตามขนตอนตอไปนจนกระทงไดประชากรใหมทสมบรณ

a. การคดเลอก (Selection) เพอหาโครโมโซมพอและโครโมโซมแมทมความเหมาะสมจากประชากรทมอย ยงโครโมโซมพอและโครโมโซมแมมความเหมาะสมยงมาก โครโมโซมพอและโครโมโซมแมดงกลาวยงมโอกาสทจะถกเลอก

b. การสลบสายพนธหรอการไขวเปลยนสายพนธ (Crossover) การผสมพนธกนของโครโมโซมพอและโครโมโซมแมท าใหไดลกใหมออกมา หากไมมการสลบสายพนธ ลกจะมลกษณะเหมอนกบพอและแมทกประการ

c. การกลายพนธ (Mutation) เปลยนรปของลกในแตละโลคส(ต าแหนงในโครโมโซม)

d. การยอมรบ (Acceptation) แทนทลกทเกดใหมในกลมประชากรใหม

4. [Replace]: การแทนท โดยใชประชากรรนใหมทถกสรางขนส าหรบการท างานของอลกอรทม

5. [Test]: การทดสอบ หากเงอนไขสดทายเปนทนาพอใจ การท างานของอลกอรทมกจะหยดลง และจะยอนกลบ

ไปใชวธการแกปญหาทดทสดในกลมประชากรปจจบน

6. [Loop]: วนกลบไปท างานซ าตงแตขนตอนท 2

ประสทธภาพการท างานของ G A ขนอยกบ Operator ทส าคญ 2 Operator คอ Crossover และ Mutation ซงถอวา

ทงสอง Operators เปนสวนทส าคญทสดของ GA



รปท 3.34 Program Flow Chart For Genetic Algorithm

ทมา : http://www.myreaders.info/ สบคนเมอ พฤษภาคม 2559

3.9.5 การสรางโครโมโซม

กอนทจะใชเทคนค GA เพอแกปญหาใด ๆ ขนตอนทจ าเปนทจะตองท ากอนคอการสรางโครโมโซมซงแทนวธ

แกปญหาใด ๆ ในรปแบบทคอมพวเตอรสามารถประมวลผลได หลกการหนงของการสรางโครโมโซมคอการเขารหส

ดวยเลขฐานสองเพอสรางสายรหสเลขฐานสองของโครโมโซมขนมา ขอมลภายในโครโมโซมจะเปรยบเสมอนยนเพอ

บงบอกลกษณะของโครโมโซมนน ๆ

ตวอยางโครโมโซม

Chromosome 1: 1 0 1 1 0 0 1 0 1 1 0 0 1 0 1 0 1 1 1 0 0 1 0 1

Chromosome 2: 1 1 1 1 1 1 1 0 0 0 0 0 1 1 0 0 0 0 0 1 1 1 1 1



นอกจากการสรางโครโมโซมในลกษณะของสายรหสเลขฐานสอง ยงมการสรางโครโมโซมดวยหลกการอน ๆ อกเชน

Value Encoding, Permutation Encoding, Tree Encoding ซงจะไมกลาวถงรายละเอยดในทน

3.9.6 Operators of Genetic Algorithm

Genetic Operators ทส าคญของ GA คอ

1) Reproduction (or Selection)

2) Crossover (or Recombination)

3) Mutation

นอกจาก operator ทงสามแลว ยงมพารามเตอรทถอวาเปนสวนทส าคญกคอขนาดของประชากร (Population Size)

เนองจาก

ขนาดของประชากรเปนตวก าหนดจ านวนโครโมโซมในแตละรน (Generation)

ถาขนาดของประชากรมนอย จะท าใหความเปนไปไดของการ Crossover ใน GA มนอยตามไปดวย ซงสงผล

ใหขนาดของ Space ส าหรบการคนหาค าตอบของปญหามขนาดเลกดวย

หามโครโมโซมจ านวนมาก จะท าให GA ท างานชา

อยางไรกตามไดมการท าวจยแลวพบวาเมอเพมขนาดของประชากรถงคา ๆ หนงแลว กไมท าใหการหา

ค าตอบของปญหาเรวขน ขนาดของประชากรขนอยกบชนดของการเขารหสโครโมโซมและชนดของปญหาท

ตองการวธแกไขดวย

(1) Selection

การเลอกทางธรรมชาต เปนกระบวนการคดสรรสงมชวตทเหมาะกบสภาพแวดลอม ซงสงมชวตทถกคดเลอกจะ

สามารถด ารงชวต และขยายพนธ ตอไปได GA ไดน าหลกการนมาคดเลอกโครโมโซมทเหมาะสมจากประชากรตน

ก าเนด เพอน าไปเปนโครโมโซมพอและโครโมโซมแมเพอใชในการสลบสายพนธ หรอเพอสรางเปนโครโมโซมลกในรน

ถดไป โดยสงทตองค านงถงในการคดเลอกเปนตามทฤษฏววฒนาการของดารวนคอคดเลอกโครโมโซมทดทสดท

สามารถด ารงชวตอยและสามารถขยายพนธใหโครโมโซมลกได ปจจยหนงทใชในการคดเลอกโครโมโซมคอคาความ

เหมาะสม ซงไดจากฟงกชนความเหมาะสม (Fitness Function) เปนฟงกชนทใชวดความเหมาะสมของโครโมโซมท

สามารถอยรอดเพอน าไปขยายพนธตอได โดยลกษณะของฟงกชนความเหมาะสมอยในรปของสมการคณตศาสตร

พนฐานในรปแบบทแตกตางกนไป ส าหรบการบอกคาความเหมาะสมของโครโมโซมจะขนอยกบแตละปญหาท

พจารณา หลกการทใชคดเลอกโครโมโซมทเหมาะสมจะมหลายวธคอ Roulette Wheel Selection, Rank Selection,



Boltzmann Selection, Steady State Selection, Tournament Selection แตวธทนยมใชกนอยางแพรหลายคอ

Roulette Wheel Selection (การสมเลอกแบบวงลอรเลต)

Roulette Wheel Selection

การเลอกโครโมโซมโดยการสมเลอกแบบวงลอรเลตหรอรจกกนในอกชอหนงวา การเลอกจากสดสวนความเหมาะสม

(Fitness-Proportionate Selection) ดงนนโครโมโซมทมคาความเหมาะสมมากมโอกาสทจะถกเลอกมากกวา

โครโมโซมทมความเหมาะสมนอย ตวอยางดงรปท 3.35

รปท 3.35 Roulette-Wheel Shows 8 Individual With Fitness

จากรปท 3.35 แบงวงลอรเลตออกเปน 8 สวนทแตละสวนมขนาดตามคาความเหมาะสม (Fi) ซงคาความเหมาะสม

ของโครโมโซมตวท 5 กบตวท 8 ทมคาสงกวาตวอน ๆ ดงนนทงสองตวนจะมโอกาสถกเลอกมากกวาตวอน ๆ คา

ความเหมาะสมจะถกค านวณในขณะทท าการหมนวงลอ โดยจะหมนทงหมด 8 ครง โดยตวทถกเลอกกคอตวทถกช

ดวยตวชเมอวงลอหยดหมน ดงนนคาความนาจะเปนทสายอกขระโครโมโซมล าดบท i (The Probability of The ith

String) จะถกเลอกค านวณไดจากฟงกชน pi = Fi/(

n

j

Fj1

) เมอ Fi คอ คาความเหมาะสมของสายอกขระ

โครโมโซมล าดบท i ในกลมประชากร โดยถกแทนดวย f(x), pi คอ ความนาจะเปนทสายอกขระโครโมโซมล าดบท i จะ

ถกเลอก และ n คอ จ านวนโครโมโซมทถกเลอกมาเปนประชากร

เนองจากวงลอรเลตถกแบงตามคาความเหมาะสมของสายอกขระโครโมโซม ดงนนกลไกการเลอกแบบวงลอรเลตจะ

ถกคาดหวงวาจะสามารถสรางส าเนาของสายอกขระโครโมโซมแตละสายอกขระไดเทากบ F/ average of F ส าเนา

เมอ Average of F หรอ Average fitness = Fj / n แล Expected count = n x pi (ในทน n = 5) ดงนน

Cumulative Probability5 =

5

1i

pi



Crossover

การไขวเปลยนในทางพนธศาสตร จะเกดขนหลงจากสงมชวตผสมพนธกน โดยเปนการรวมโครโมโซม 2 โครโมโซมคอ

โครโมโซมพอและโครโมโซมแม (Parents) เพอสรางโครโมโซมใหมคอโครโมโซมลก (Offspring) ขนมา ภายใตแนวคด

ทวาโครโมโซมลกควรจะดกวาโครโมโซมพอและโครโมโซมแมถาหากโครโมโซมลกเลอกเอาลกษณะหรอคณสมบตทด

ทสดของโครโมโซมพอและโครโมโซมแม การไขวเปลยนม 2 แบบใหญ ๆ คอ การไขวเปลยนแบบจดเดยว และไขว

เปลยนแบบสองจด

การไขวเปลยนแบบจดเดยว (One-Point Crossover)

เปนการสมจดตดขนมาเพยงจดเดยวบนโครโมโซมพอกบโครโมโซมแม เพอใชเปนจดไขวเปลยน จากนนท าการ

คดลอกทก ๆ อยางของโครโมโซมพอหรอโครโมโซมแมกอนถงจดไขวเปลยน แลวจงคดลอกทก ๆ อยางของโครโมโซม

พอหรอโครโมโซมแมหลงจดไขวเปลยน เปนล าดบถดไป ตวอยางการไขวเปลยนแบบจดเดยวแสดงดงรปท 3.36

รปท 3.36 ตวอยางการไขวเปลยนแบบจดเดยว

การไขวเปลยนแบบสองจด (Two-Point Crossover)

จะสมจดตดขนมา 2 จดบนโครโมโซมพอและโครโมโซมแม จากนนไขวเปลยนขอมลทอยระหวางจดตดทง 2 จด

ตวอยางการไขวเปลยนแบบสองจดแสดงดงรปท 3.37

รปท 3.37 ตวอยางการไขวเปลยนแบบสองจด

crossover crossover



(2) Mutation

การกลายพนธในทางพนธศาสตร มกจะเกดขนหลงจากกระบวนการไขวเปลยนโครโมโซม ลกษณะของสงมชวตทเกด

การกลายพนธ จะแตกตางจากพอละแมโดยสนเชง เนองจากมยนบางสวนภายในโครโมโซมเกดการกลายพนธ การ

กลายพนธเปนกระบวนการทท าใหเกดความหลากหลายของพนธกรรมจากรนหนงไปสอกรนหนง อยางไรกตามโอกาส

ทจะเกดการกลายพนธนนมนอยมาก ส าหรบ GA ไดอาศยหลกการการกลายพนธเพอมาชวยในการสรางค าตอบใหม

โดยจะยอมใหคาในโครโมโซมสามารถกลายพนธได ต าแหนงในโครโมโซมทจะกลายพนธ จะมาจากการสม และ

จะตองก าหนดระดบของการกลายพนธดวย วธการกลายพนธมหลายรปแบบ ส าหรบวธทเปนทงายทสดคอ Flip Bit

ซงเปนวธการทใชส าหรบโครโมโซมทมสายรหสเลขฐานสอง (A Binary String) โดยการเปลยนจากคา 0 เปน 1 และ 1

เปน 0 ดงตวอยางในรปท 3.38 นอกจากนยงมวธกลายพนธอน ๆ เชน Boundary, Non-Uniform, Uniform, and

Gaussian เปนตน

รปท 3.38 ตวอยางการกลายพนธแบบ Flip Bit ส าหรบโครโมโซมทมสายรหสเลขฐานสอง

3.9.7 ตวอยาง GA

ตวอยางตอไปนแสดงถงขนตอนการสมเลอกประชากร (Random Population) การหาคาความเหมาะสม Fitness การ

สมเลอกแบบวงลอรเลต (Selection) การไขวเปลยน (Crossover) การกลายพนธ (Mutation) และการยอมรบ

(Accepting) โดยมรายละเอยดดงน

ก าหนดใหอลกอรทมววฒนาการ (Evolutionary Algorithm) คอการหาคาสงสดของฟงกชน f(x) = x2 เมอ x เปน

เลขจ านวนเตมระหวาง 0 และ 31

1. ขนตอนแรกเปนการเขารหสโครโมโซม โดยใชการเขารหสแบบเลขฐานสองจ านวน 5 บต

2. ก าหนดให population size มขนาดเทากบ 4

3. ท าการสมประชากรโครโมโซม เชน 01101, 11000, 01000, 10011

4. ค านวณคาความเหมาะสมของแตโครโมโซมทสมได

mutation



4.1 แปลงคาโครโมโซมทสมไดใหอยในรปของเลขจ านวนเตม (ถกเรยกวา phenotypes)

เชน 01101 → 13; 11000 → 24; 01000 → 8; 10011 → 19;

4.2 ประเมนคาความเหมาะสมโดยใชฟงกชน f(x) = x2

เชน 13 → 169; 24 → 576; 8 → 64; 19 → 361

5. เลอกโครโมโซมพอและโครโมโซมแมตามคาความเหมาะสม โดยในทนก าหนดใหใชการสมเลอกแบบวงลอร

เลต ดงนนจะตองพจารณาความเหมาะสมจากคาความนาจะเปนของสายอกขระโครโมโซมล าดบท i (the

probability of the ith string)ในกลมประชากรจากฟงกชน Pi = Fi/(

n

j

Fj1

) เมอ

Fi คอ คาความเหมาะสมของสายอกขระโครโมโซมล าดบท i ในกลมประชากร โดยถกแทนดวย f(x)

Pi คอ ความนาจะเปนทสายอกขระโครโมโซมล าดบท i จะถกเลอก

n คอ จ านวนโครโมโซมทถกเลอกมาเปนประชากร ซงในทนขนาดของประชากรเทากบ 4

n * pi คอ คาจ านวนทถกคาดหวงไว



ตาราง 3.4 แสดงคาความเหมาะสมของสายอกขระโครโมโซมทง 4 โครโมโซม

จากตาราง 3.4 จะเหนวาสายอกขระโครโมโซมล าดบท 2 มคาความเหมาะสมมากทสดเทากบ 576 ดงนนจงมโอกาส

ทจะถกคดเลอกมากทสด

6. ขนตอนถดไปคอการไขวเปลยนเพอสรางโครโมโซมรนถดไป โดยเลอกโครโมโซมพอและโครโมโซมแมจากทม

อย โดยมขนตอนดงน

6.1 โดยการแบงขอมลออกเปน 4 ชวงโดยแตละชวงขนอยกบคาความเหมาะสมทใช จากนนระบคา Pi ของ

สายโครโมโซมวาตกอยในชวงใด สมมตการแบงขอมลออกเปนชวงไดดงตารางท 3.5

ตาราง 3.5 แสดงการแบงชวงของขอมล

Strings Pi Associated Range

0 1 1 0 1 0.14 0.0 . . . 0.14 1 1 0 0 0 0.49 0.14 . . . 0.63 0 1 0 0 0 0.06 0.63 . . . 0.69 1 0 0 1 1 0.31 0.69 . . . 1.00

6.2 จากนนท าการสรางจ านวนเลขทไดมาจากการสม 4 จ านวน โดยแตละจ านวนจะมคาระหวาง 0 ถง 1

แลวตรวจสอบจ านวนเลขทไดมาจากการสม 4 จ านวนตกอยในชวงใดของขอ 6.1

String No Initial Population

x value Fitness Fi f (x) = x2

Pi Expected count N * Pi

1 0 1 1 0 1 13 169 0.14 0.58 2 1 1 0 0 0 24 576 0.49 1.97 3 0 1 0 0 0 8 64 0.06 0.22 4 1 0 0 1 1 19 361 0.31 1.23

Sum 1170 1.00 1.00 Average 293 0.25

Max 576 0.49

1 | 0

0.14

0.63

0.69

Roulette-Wheel



ตาราง 3.6 คาตวเลขทไดจากการสม 4 จ านวน

7. สมเลอกโครโมโซมหนงคเพอใชสรางโครโมโซมรนถดไป สมมตในทนก าหนดใหโครโมโซมทถกเลอกคอ

โครโมโซมล าดบท1 คกบโครโมโซมล าดบท 2 และ โครโมโซมล าดบท 3 คกบโครโมโซมล าดบท 4

8. ท าการการไขวเปลยนโครโมโซมแตละค

โครโมโซมคแรก : 0 1 1 0 1 , 1 1 0 0 0 แสดงการไขวเปลยนโครโมโซมดงน

โครโมโซมคทสอง : 1 1 0 0 0 , 1 0 0 1 1 แสดงการไขวเปลยนโครโมโซมดงน

9. เนองจากโอกาสทจะเกดการกลายพนธนนมนอยมาก ในทนจงสมมตวาไมเกดการกลายพนธ

10. กลบไปวนท าซ าทขนท 2 และท าการประเมนคาความเหมาะสมอกครงหนงเพอใชกบประชากรรนใหม(ทได

จากการท างานในรอบกอนหนา) ตาราง 3.7 แสดงตวอยางของการประเมนคาความเหมาะสมส าหรบ

ประชากรรนใหม

Random No Falls into bin Chosen String

0.08 0.0 . . . 0.14 0 1 1 0 1 0.24 0.14 . . . 0.63 1 1 0 0 0 0.52 0.63 . . . 0.69 1 1 0 0 0 0.87 0.69 . . . 1.00 1 0 0 1 1

0.14

1 | 0

0.63

0.69

Roulette-Wheel



ตาราง 3.7 ตวอยางการประเมนคาความเหมาะสมส าหรบประชากรรนใหม

String No Initial Population

(chromosome)

X value (Phenotypes)

Fitness f(x)=x2

Prob i (fraction of total) Expected count

1 0 1 1 0 0 12 144 0.082 0.328 2 1 1 0 0 1 25 625 0.356 1.424 3 1 1 0 1 1 27 729 0.415 1.660 4 1 0 0 0 0 16 256 0.145 0.580

Total (sum) 1754 1.000 4.000 Average 439 0.250 1.000

Max 729 0.415 1.660

บทท 4 ความรเบองตนการเรยนรของเครอง

(Introduction to Machine learning)


1 เพอใหนกศกษาร และเขาใจความหมายทส าคญของการเรยนรทใชในบรบทของการเรยนรของเครองคอมพวเตอรในสาขาปญญาประดษฐ รวมถงความส าคญของการท าใหเครองคอมพวเตอรเกดการเรยนร

2 เพอใหนกศกษาร และเขาใจหลกการพนฐานทน ามาใชส าหรบการออกแบบการเรยนรของเครองคอมพวเตอร 3 เพอใหนกศกษาร และเขาใจภาพรวมของการเรยนรของเครอง และสามารถประยกตใหเขากบแอพพลเคชนท

เกยวของกบการเรยนรของเครองได

4.1 ความหมายของการเรยนร

การเรยนรของเครอง หรอ Machine Learning เปน Multidisciplinary Field ซงเปนสาขาวชาทเกดขนจากการรวมเอาปญญาประดษฐเขากบวชาการหรอศาสตรอน ๆ เขาดวยกน ซงศาสตรตาง ๆ ประกอบดวย

- ทฤษฏความนาจะเปนและสถตศาสตร (Probability and Statistics)

โดยทวไปกระบวนการทางสถตจะใชไดดกบปญหาทตองการค าตอบโดยใชขอมลตวอยางเพอวเคราะหหรอท านายขอมลใหมของปญหา ซงกระบวนการเชนนจะเกยวของกบปญหาในศาสตรการเรยนรของเครอง เนองจากการตดสนใจหรอการท านายสงทเปนไปไดจะขนอยกบฐานขอมลตวอยาง (A Corpus Of Samples) ของสภาพแวดลอมของปญหาเหลานน

- ทฤษฎความซบซอนในการค านวณ (Computational Complexity Theory)

เปนทฤษฎทเกยวกบการวเคราะหเวลาและหนวยความจ า (Time and Memory) ทใชส าหรบการแกปญหาหนง ๆ ส าหรบปญหาทางสาขาปญญาประดษฐอยางเชนปญหาดานการประมวลผลภาษาธรรมชาต (Natural Language Processing) ทไดน าทฤษฏออโตมาตา (Automata Theory) มาประยกตใชเพอการนยามไวยากรณ (Grammar) ซงเปนกฎเกณฑทถกก าหนดขนส าหรบการสรางภาษาใดๆขนมา เชนเดยวกบไวยากรณทใชในภาษามนษย เปนตน

- ทฤษฎระบบควบคม (Control Theory)

ทฤษฎระบบควบคมเปนการศกษาเกยวกบปญหาของการควบคมการประมวลผลทเกยวของกบพารามเตอรทไมรจก (Unknown Parameters) ซงเปนพารามเตอรทถกประมาณคาในขณะทเกดการประมวลผล โดยทวไปแลวพารามเตอรทไมรจกนจะเกดการเปลยนแปลงในระหวางการประมวลผล ดงนนการควบคมการประมวลผลจะตองตดตามการเปลยนแปลงทเกดขนดงกลาว ทฤษฎระบบควบคมจะถกน ามาประยกตใชในสวนของการออกแบบการควบคมหนยนตทรบขอมลจากเซนเซอร ซงขอมลดงกลาวเกดการเปลยนแปลงจะตลอดเวลา

344-371 ปญญาประดษฐ 1 บทท 4 ความรเบองตนการเรยนรของเครอง


- จตวทยา (Psychology)

นกจตวทยาศกษาเกยวกบประสทธภาพของมนษยในการเรยนรงานในรปแบบตาง ๆ ซงการศกษานถกน าไปใชในการอธบายทฤษฏของการเรยนรใน ตนไมตดสนใจ (Decision Tree) เปนการเรยนรทใชการแทนความรในรปของตนไมตดสนใจเพอการจ าแนกประเภทของขอมลตวอยาง โครงขายความหมาย (Semantic Network) ซงเปนการแทนความรในรปโครงขาย (Network) พฒนาโดยเลยนแบบหนวยความจ าของมนษย เปนตน

- ประสาทชววทยา (Neurobiology)

เปนการศกษาเกยวกบเซลลและการจดเรยงของเซลลชนดตาง ๆ ในระบบประสาท โดยลกษณะการจดเรยงของเซลลเหลานจะมผลตอการประมวลผลขอมลและการแสดงออกทางพฤตกรรมของมนษย ส าหรบการเรยนรของเครองไดน าทฤษฏดงกลาวมาประยกตใชโดยเฉพาะการศกษาการท างานเซลลสมองของมนษย เพอสรางเทคนคในการเรยนร เชน โครงขายประสาท (Neural Networks) ซงเปนโครงขายของสมาชกไมเชงเสน (Nonlinear Elements) โดยสมาชกแบบไมเชงเสนจะถกเชอมโยงกนดวยตวเชอมทางตรรกศาสตรท าใหสามารถสรางฟงกชนหรอกระบวนการเพอใหคอมพวเตอรเกดการเรยนรได

นอกจากนยงมศาสตรอน ๆ ทเกยวของ เชน ทฤษฏสารสนเทศ (Information Theory) ปรชญา (Philosophy) ประสาทชววทยา (Neurobiology) แบบจ าลองววฒนาการ (Evolutionary Model) เปนตน

4.1.1 การเรยนร (Learning)

การเรยนรตามค านยามทระบในพจนานกรมเปนดงน

“gain or acquire knowledge of or skill in (something) by study, experience, or being taught.”

ซงแปลไดวาการไดมาซงความร หรอทกษะ ในสงใดสงหนงนน โดยการศกษาเรยนร หรอโดยประสบการณ หรอการถกสอนจากสงใดสงหนงนนเอง

การเรยนรของเครอง (Machine Learning)

ในทนการเรยนรของเครองจะหมายถงเครองคอมพวเตอร ซงการท าใหคอมพวเตอรสามารถเรยนรไดนนจะใชหลกการหรอทฤษฎการเรยนรทเลยนแบบเทคนคการเรยนรของคนหรอสตวนนเอง ดงนนการใหนยามของค าวาเรยนรในบรบทของคอมพวเตอร ไดใหความหมายของการเรยนรของเครองดงน

“As regards machines, we might say, very broadly, that a machine learns whenever it changes its structure, program, or data (based on its inputs or in response to external information) in such a manner that its expected future performance improves.”

จากนยามดงกลาวค าวาการเรยนรโดยใหความส าคญวาหากคอมพวเตอรมการเปลยนแปลง (Changes) นนหมายถงคอมพวเตอรมการเรยนรได ซงการเปลยนแปลงนอาจเปนการเปลยนแปลงในรปแบบตาง ๆ ของคอมพวเตอรเชน การ



เปลยนแปลงของโครงสราง การเปลยนแปลงของโปรแกรม หรอการเปลยนแปลงของขอมล เปนตน ซงการเปลยนแปลงตาง ๆ เหลานจะมผลตอประสทธทดขนในการท างานของคอมพวเตอร อยางไรกตามไมใชวาการเปลยนแปลงทกรปแบบจะหมายถงการเกดการเรยนร เชนระบบฐานขอมล การเพมขอมล (Insertion) กถอเปนการเปลยนแปลงแตไมใชการเปลยนแปลงทท าใหเกดการเรยนรของคอมพวเตอร อยางไรกตามประสทธภาพทดขนของระบบจดจ าเสยง เมอผานการไดยนเสยงบคคลเดมซ า ๆ กนหลาย ๆ ครง จะถอวาคอมพวเตอร (ในหมายถงระบบจดจ าเสยง) เกดการเรยนร โดยทวไปแลวการเปลยนแปลงทเกดจากการเรยนรนน จะหมายถงการเปลยนในงาน (Tasks)ทางปญญาประดษฐ เชนงานทเกยวกบการจดจ า (Recognition) การวนจฉย (Diagnosis) การวางแผน (Planning) การควบคมหนยนต (Robotic Control) การท านาย (Prediction) เปนตน การเปลยนแปลงทเกดขนจากการเรยนรอาจจะท าใหระบบเดมทมอยมประสทธภาพการท างานทดขน หรออาจท าใหเกดการสรางระบบใหมขนมากได

Tom M. Mithchell ไดนยามความหมายของการเรยนรอยางกวาง ๆ ไววา การทจะกลาววาคอมพวเตอรมการเรยนรไดนนกตอเมอคอมพวเตอรสามารถท างานเดม ๆ หรองานแบบเดยวกนไดมประสทธภาพมากยงขนในการท างานครงถด ๆ ไป ส าหรบค านยามทมความละเอยดมากยงขนกลาวไวดงน

“ A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P, if its performance at tasks in T , as measured by P, improves with experience E.”

จากค านยามขางตนในทนจะเนนไปทการเรยนรของเครองคอมพวเตอร ตวอยางเชน โปรแกรมคอมพวเตอรส าหรบเลนเกมสหมากฮอส (Checkers) หากโปรแกรมดงกลาวมความสามารถในการเรยนร นนหมายความวา โปรแกรมจะตองสามารถท าใหประสทธภาพของการเลนเกมสในแตละครงมการพฒนาทดขนเรอย ๆ โดยการวดประสทธภาพในทนกคอความสามารถทโปรแกรมสามารถชนะการแขงขนในการเลนแตละครงได ซงการทจะชนะเกมสในการเลนแตละครงไดนนโปรแกรมจะตองมการเรยนรจากการเดนหมากในรปแบบตาง ๆ ในแตละครง ซงเปนลกษณะการเรยนรจากประสบการณทเกดขนระหวางการเลนนนเองและเมอเรยนรแลวความรทไดจากการเรยนจะถกเกบไวในฐานความรดวยรปแบบการแทนความรอยางใดอยางหนง เชน กฎ ฟงกชน เปนตน โดยทวไปแลวเราสามารถเขยนรปแบบของปญหาส าหรบการเรยนรใหอยในรปของการก าหนดลกษณะทส าคญ (Feature) 3 ลกษณะคอ 1) ชนดของงาน(The Class of Tasks) 2) ตววดประสทธภาพของงาน (The Measure of Performance to be Improved) และ 3) แหลงทมาของประสบการณ (The Source Of Experience) ดงนนส าหรบเกมสหมากฮอส สามารถเขยนใหอยในรปปญหาของการเรยนร (A Checkers Learning Problem) ซงสอดคลองกบค านยามขางตนไดดงน

I. Task T: การเลนเกมสหมากฮอส II. Performance measure P: จ านวนครงทชนะคตอส

III. Training experience E: การฝกฝนเลนเกมสโดยการแขงกบตนเอง

นอกจากนเราสามารถก าหนดปญหาอน ๆ ใหอยในรปแบบของลกษณะส าคญทงสามลกษณะ เชนปญหาของการเรยนรการจดจ าค าทเขยนดวยลายมอ ปญหาการเรยนรการขบแบบอตโนมตของรถหนยนต เปนตน



4.1.2 สาเหตทท าใหเครองสามารถเรยนรได

มหลายเหตผลทพยายามท าใหคอมพวเตอรเกดการเรยนร ซงเหตผลส าคญทสดคอการพยายามท าใหคอมพวเตอรสามารถมกลไกการเรยนรไดเหมอนกบสงมชวตอยางมนษยและสตวมากทสด นอกจากนยงมเหตผลอน ๆ คอ

1. งานบางประเภทไมสามารถออกแบบวธการแกปญหาหรออลกอลทมทดไดในชวงของการออกแบบโปรแกรมหรอระบบ แตจะสามารถหาวธการทดขนเมอระบบไดพบปญหาหรอกรณตวอยางตาง ๆ ทถกน ามาประมวลผลกบวธการดงกลาว นนหมายความวาระบบสามารถรบขอมลน าเขา (Input) และสามารถแสดงผลลพธ (Output) ของขอมลน าเขาดงกลาวได อยางไรกตามจะไมสามารถระบถงความสมพนธระหวางขอมลน าเขาและผลลพธทตองการได ดงนนควรจะออกแบบวธการแกปญหาทคอมพวเตอรสามารถปรบเปลยนโครงสรางภายในเพอท าใหไดผลลพธทถกตองและสอดคลองกบขอมลน าเขาจ านวนมากของระบบ รวมถงสามารถก าหนดความสมพนธ ฟงกชน หรอขอจ ากดระหวางขอมลน าเขาและผลลพธ เพอใชในการประมาณการหรอท านายผลลพธทนาจะไปไดเมอมตวอยางขอมลน าเขาใหม

2. อาจจะเปนไปไดทมความสมพนธและความเกยวของทส าคญของขอมลถกซอนทามกลางกลมของขอมลจ านวนมหาศาล ดงนนจงจ าเปนตองใชหลกการการเรยนรของเครองในการสกดความสมพนธเหลานออกมา ตวอยางเชน data mining

3. บอยครงทผ ออกแบบระบบหรอคอมพวเตอรไดออกแบบใหระบบไมสามารถท างานดเทาทคาดหวงไว เนองจากสภาพแวดลอมทระบบหรอคอมพวเตอรท างานอยนนอาจจะไมสมบรณซงหมายถงลกษณะสภาพแวดลอมบางประการไมไดถกก าหนดไวในชวงของการออกแบบ จงจ าเปนตองใชหลกการการเรยนรของเครองซงสามารถ ใชส าหรบพฒนาในการออกแบบเครองทเปนอยใหดขนเมออยในสภาพแวดลอมทเปนจรงและไมสมบรณได

4. ความรเกยวกบงานหนงอาจจะมจ านวนมากมายจนเกนกวาทมนษยผ ออกแบบระบบส าหรบการท างานดงกลาวจะก าหนดใหครอบคลมความรทกประการไดในขณะท าการสรางหรอเขยนโปรแกรม (Coding) อยางไรกตามคอมพวเตอรทสามารถเรยนรไดจะเรยนรความรนทละเลกทละนอยจนสามารถสกดเอาประเดนทตองการออกมาไดมากกวาทมนษยท าการเขยนหรอก าหนดให

5. ในสภาพแวดลอมทเปลยนแปลงอยตลอดเวลา คอมพวเตอรทสามารถปรบเปลยนไปตามสงแวดลอมทเปลยนไปจะชวยลดความจ าเปนในการออกแบบระบบใหมได

6. ในโลกแหงความเปนจรงนนการคนพบสงใหม ๆ ของมนษยเกดขนไดตลอดเวลา การเกดค าศพทใหม ๆ การเกดเหตการณใหม ๆ ทไมเคยเกดขนมากอน ลกษณะเหลาน จ าเปนอยางยงทจะออกแบบระบบหรอคอมพวเตอร โดยเฉพาะอยางยงระบบงานทางดานปญญาประดษฐทมการพฒนาและวจยระบบในสาขาดงกลาวอยางตอเนองตลอดมา ดงนนหลกการการเรยนรของเครองสามารถท าใหระบบรจกหรอจดการกบสงใหม ๆ เหลานไดเปนอยางด



4.2 การออกแบบระบบการเรยนร

เพอใหเหนถงหลกการและการออกแบบพนฐานส าหรบการเรยนรของเครอง และเพอใหเกดความชดเจนในการออกแบบดงกลาว ในหวขอนจะใชตวอยางการออกแบบเกมสหมากฮอสเพอใหเครอง (โปรแกรม)เกดการเรยนรในระหวางการเลนเกมส โดยวตถประสงคของการออกแบบครงนคอเพอใหเครองสามารถแขงขนเกมสหมากฮอสในระดบโลกได ซงจะวดประสทธภาพของเครองโดยอาศยเปอรเซนทเครองชนะการแขงขน

4.2.1 Choosing The Training Experience (การเลอกขอมลฝกฝน)

สงแรกของการออกแบบการเรยนรของเครองคอการเลอกขอมลฝกฝนซงเปนขอมลทไดจากประสบการณการเลนเกมสหมากฮอสทผานมาก เพอใชเปนขอมลส าหรบการเรยนหรอการสอนคอมพวเตอร (Training Experience) โดยประสบการณทจะเลอกมาใชนนจะตองมทงประสบการณทน าไปสความส าเรจและประสบการณทน าไปสความลมเหลว (Success Or Failure) ดงนนคณลกษณะ (Attribute) ทใชในการพจารณาเลอกประสบการณดงกลาวมดงน

เปนประสบการณแบบทใหผลยอนกลบโดยตรงหรอโดยออม (Direct Or Indirect Feedback) ตวอยางในการเรยนรการเลนเกมสหมากฮอสนน ประสบการณโดยตรงทเครองใชส าหรบเรยนรไดเชน สถานะตาง ๆ บนกระดานหมากฮอส รวมถงการเดนทถกตองของแตละสถานะดงกลาว ส าหรบตวอยางของประสบการณโดยออมไดแกขอมลล าดบในการเดนแตละครง รวมถงผลลพธทไดจากล าดบในการเดนแตละครงซงจะมหลากหลายรปแบบ ส าหรบล าดบในการเดนในชวงตน ๆ นนมกจะสงผลตอผลลพธของการเลนเกมสวาเปนฝายแพหรอชนะ ดงนนการเรยนรของเครองจะเผชญกบปญหาชนดหนงทเรยกวา Credit Assignment ซงเปนก าหนดวาการเดนหมากแตละครงนนเปน Credit หรอเปน Blame ตอผลลพธสดทายของการเลนเกมส(แพ/ชนะ) อยางไรกตามแม Credit Assignment จะก าหนดวาการเดนทผานมานนเปน Credit ซงหมายถงเปนการเดนหมากทเหมาะสมและสามารถน าไปสชยชนะได แตส าหรบผลลพธสดทาย อาจเปนไปไดวาอาจจะท าใหผลของการเลนเกมสเกดการพายแพได หากการเดนหมากในภายหลงทเกดขนเปนการเดนทไมเหมาะสม ดงนนการเรยนรของเครองผานประสบการณแบบทใหผลยอนกลบโดยตรงนนงายกวาประสบการณแบบทใหผลยอนกลบโดยออม

ระดบการควบคม (Degree) ของผ เรยนทมตอตวอยางส าหรบการเรยนร โดยระดบการควบคมแบงออกเปนสามระดบคอ ระดบท 1 ผ เรยน (Learner) จ าเปนจะตองพงพาหรออาศยผสอน (Teacher) ในการเลอกสถานะตาง ๆ บนกระดานหมากฮอสเพอเตรยมการเดนทถกตองของหมากแตละตว ระดบท 2 ผ เรยนเปนผเลอกสถานะตาง ๆ บนกระดานหมากฮอสเอง ยกเวนบางสถานะทผ เรยนรสกสบสน กจะรองขอใหผสอนเปนฝายเดนหมากทถกตองในสถานะนน ๆ ระดบท 3 ผ เรยนเปนผควบคมการเดนหมากของทงฝายผ เรยนและฝายผสอนเอง โดยลกษณะดงกลาวนจะเกดขนเมอผ เรยนเลนเกมสในลกษณะทตอสกบตวเองโดยปราศจากผสอนนนเอง โดยในแบบสดทายนผ เรยนสามารถเลอกระหวางการทดลองดวยสถานะแบบใหมทไมเคยพบหรอไมเคยเจอมากอนหนาน หรอเลอกทจะเพมทกษะหรอท าใหทกษะทมอยดขนโดยการเดนหมากในรปแบบตาง ๆ เพอหาวธการเลนทดและเหมาะกบสถานะแบบใหมน



ลกษณะการกระจายของตวอยางทมผลตอการวดประสทธภาพครงสดทายของระบบ (Final System Performance) โดยทวไปการเรยนรจะมความนาเชอถอมากทสดกตอเมอ ขอมลฝกฝน (Training Examples) นนมการกระจายเหมอนกบตวอยางขอมลทดสอบในอนาคต (Future Test Examples) ส าหรบสถานการณเกมสหมากฮอส ประสทธภาพครงสดทายของเกมสคอเปอรเซนของการทเครองเปนฝายชนะในการแขงขนระดบโลก อยางไรกตามหากการฝกฝนใหเครองเรยนรการเลนเกมสหมากฮอสในลกษณะทใหเครองตอสหรอแขงขนกบตวมนเองเทานน ลกษณะเชนนถอวาการกระจายของขอมลฝกฝนเปนแบบไมสมบรณแบบ(not Be Fully Representative of the Distribution) เนองจากขอมลทใชไมครอบคลมสถานการณทจะเกดขนจรงในภายหลงได เชน เมอเครองจะตองแขงขนเกมสกบแชมปโลกทเปนมนษย ซงเครองจะเผชญกบสถานการณใหม ๆ ทไมเคยผานการฝกฝนมาเลย หรอไมเคยผานการตอสมากอนกเปนไปได อยางไรกตามในทางปฏบต สงทเกดขนบอยครงคอการเรยนรจากการกระจายของขอมลทอาจแตกตางไปจากขอมลทจะใชส าหรบการวดประสทธภาพครงสดทายของระบบ (เชนแชมปเกมสหมากฮอสอาจจะไมสนใจทจะสอนหรอฝกฝนโปรแกรมเลนเกมสหมากฮอส) สถานการณบางสถานการณอาจท าใหเกดปญหาขนมาไดเพราะการเรยนรของการกระจายของขอมลรปแบบหนง อาจจะไมน าไปสประสทธภาพทดของการกระจายของอกรปแบบหนง ในทฤษฏของการเรยนรของเครองบางทฤษฏตงอยบนสมมตฐานทวาการกระจายของขอมลฝกฝนจะสามารถระบถงการกระจายของขอมลทดสอบ อยางไรกตามในทางปฏบตอาจจะเกดกรณทไมเปนไปตามทฤษฏดงกลาวได ตวอยาง เมอก าหนดใหการฝกฝนการเลนเกมสของเครองเปนลกษณะทใหเครองตอสหรอแขงขนกบตวมนเองเทานน ดงนนเครองจะสามารถสรางขอมลฝกฝนเพอเครองใชในการเรยนรไดมากเทาทเวลาก าหนดไว ดงนนการก าหนดปญหาการเรยนรของเครองในเกมสหมากฮอสจะเปนดงน Task T คอ การเลนเกมสหมากฮอส Performance measure P คอ เปอรเซนของการชนะในการแขงขนระดบโลก Training experience E คอจ านวนเกมสทระบบใชในการตอสหรอแขงขนกบตวมนเอง

และเพอใหการออกแบบระบบการเรยนรของเครองมความสมบรณ จงจ าเปนจะตองก าหนดสงตาง ๆ ตอไปน

1.ชนดขององคความรทใชในการเรยนร

2.ตวอยางหรอตวแทนขององคความรในขอ 1.

3. กลไกของการเรยนร

4.2.2 Choosing The Target Function (การเลอกฟงกชนเปาหมาย)

ขนตอนถดไปของการออกแบบระบบการเรยนรของเครองคอก าหนดประเภทขององคความร (Knowledge) ทจะถกน ามาใชเพอการเรยนร รวมถงการออกแบบวาองคความรประเภทนจะถกน ามาใชในการวดประสทธภาพของระบบไดอยางไร ในกรณของโปรแกรมเลนเกมสหมากฮอสนนโปรแกรมจะรวาในสถานะปจจบนของกระดานหมากฮอสนน โปรแกรมจะสามารถเดนไปยงต าแหนงใด ๆ ไดบาง (Legal Moves) และโปรแกรมจะตองเรยนรวาจะเลอกเดนใน



ต าแหนงใดทถอวาเปนต าแหนงทดทสด (The Best Move) ในบรรดาต าแหนงทสามารถเดนไดในขณะนน ซงภาระการเรยนรในการเลอกเดนในต าแหนงทถอวาเปนต าแหนงทดทสดนถอวาเปนตวแทนของคลาสขนาดใหญของภาระงานส าหรบต าแหนงทสามารถเดนหมากทเปนไปไดทงหมดซงจะถกก าหนดใหอยในรปของ Large Search Space ทรกอนลวงหนา แตจะไมรวา The Best Search Strategy นนคออะไร

การเรยนรวาจะเลอกเดนไปยงต าแหนงไหนในบรรดาต าแหนงทสามารถเดนหมากทเปนไปไดทงหมดในขณะนน ถอเปนหนาททส าคญอยางยงเนองจากต าแหนงทถกเลอกเดนครงถดไปนนถอวาเปนต าแหนงทดทสดนนเอง เมอก าหนดให ChooseMove เปนฟงกชนส าหรบการเดนหมากไปยงต าแหนงถดไปทถอวาเปนต าแหนงทดทสด ณ ขณะนน และก าหนดใหสญลกษณ ChooseMove : B M แทนการรบขอมลน าเขาเปนสถานะใด ๆ จากเซต B (legal board states B) เขาสการประมวลผลของฟงกชน ChooseMove และผลลพธจากการประมวลผลของฟงกชนดงกลาวคอต าแหนงการเดนใด ๆ ทอยในเซตของ M (legal moves M) ซงจะเหนวา ChooseMove นนถอวาเปน target function ส าหรบการสอนใหเครองเรยนรการเลนเกมสหมากฮอส อยางไรกตามการก าหนด target function นนท าไดยากเมอใชตวอยางของประสบการณแบบโดยออมส าหรบการเรยนรในการเลนเกมส ดงนนสามารถใชสงทเรยกวาฟงกชนเปาหมายทางเลอก (Alternative Target Function) แทนการใชฟงกชนเปาหมายทแทจรงได ฟงกชนเปาหมายทางเลอกในทนกคอฟงกชนการประเมน (Evaluation Function) ซงเปนฟงกชนทใชส าหรบการก าหนดคาคะแนนใหกบสถานะของกระดานหมากแตละสถานะในขณะนน ในทนจะแทนฟงกชนการประเมนดวยฟงกชน

เปาหมาย V (Target Function V) และใช V : B แทนการทฟงกชน V ท าการจบค (Mapping) คา Legal

Board States จากเซต B ไปยงเลขจ านวนจรงใด ๆ (เมอ แทนจ านวนจรงใด ๆ ) ดงนนสถานะใดทมคาคะแนนสง แสดงวาสถานะดงกลาวดกวาสถานะอน ๆ ทคาคะแนนต ากวา และถาสถานะดงกลาวมคาคะแนนสงสดแสดงวาสถานะนนเปนสถานะทจะถกเลอกเดนในการเดนหมากครงตอไป นนคอถาเครองประสบความส าเรจในการเรยนรฟงกชนเปาหมาย V กจะท าใหเครองสามารถเลอกการเดนหมากทดทสดในขณะนนได ซงสงทจะชวยใหประสบความส าเรจใหไดมาฟงกชนเปาหมาย V นนคอการสรางสถานะกระดานหมากฮอสของสถานะผลลพธทจะตามมา (Successor Board State) ของทก ๆ การเดนหมากทเปนไปไดทงหมดในขณะนน ดงนนจงกลาวไดวาฟงกชนเปาหมาย V จะใหผลลพธสองอยางคอ The Best Successor State และ The Best Legal Move นนเอง

เพอใหงายในการออกแบบอลกอรทมส าหรบการสอน (A Training Algorithm) ดงนนก าหนดให Target Function V(B) คอการท B แทนสถานะใดสถานะหนงของกระดานหมากฮอสทเปนไปไดซงอยในเซต B ในขณะนน โดยท

กรณท 1 ถา b เปนสถานะสดทายของกระดานหมากฮอส และเปนผชนะเกมสการแขงขน ดงนนคา V(b) = 100

กรณท 2 ถา b เปนสถานะสดทายของกระดานหมากฮอส และเปนผพายแพเกมสการแขงขน ดงนนคา V(b) = -100

กรณท 3 ถา b เปนสถานะสดทายของกระดานหมากฮอส และเปนเกมสการแขงขนทเสมอกน ดงนนคา V(b) = 0

กรณท 4 ถา b ไมใชสถานะสดทายของกระดานหมากฮอส ดงนน V(b) = V(b) โดย b คอ The Best Final Board State ทเรมการเดนหมากจากสถานะ b ไปสถานะสดทายของกระดานหมากฮอส (จบเกมส)



การหาคาของ V(b) จะเปนลกษณะนยามเวยนเกด (Recursive Definition) นนคอจะตองท าการวนท าซ าทก ๆ สถานะ b ทมอยในเซต B อยางไรกตามส าหรบเกมสหมากฮอสทกลาวถงในบทเรยนนสามารถค านวณคาของ V(b) ไดอยางมประสทธภาพเมอ b คอสถานะสดทายของกระดานหมากฮอส(กรณท1-3) แตจะไมสามารถท าไดอยางมประสทธภาพในกรณท 4 เนองจากการจะหาคา V(b) ในกรณนจ าเปนจะตองคนหาเสนทางในการเดนทเหมาะสมของทก ๆ เสนทางทสามารถน าไปสสถานะสดทายของกระดานหมากฮอสได (สถานะจบเกมส) ดงนนการใหนยามเวยนเกดในลกษณะขางตนไมสามารถน ามาใชกบเกมสหมากฮอสทกลาวถงในบทเรยนน นยามดงกลาวจงถกเรยกวา A Nonoperation Definition อยางไรกตามวตถประสงคของการเรยนรในเกมสหมากฮอสนกเพอตองการทจะคนหาใหไดมาซง An Operation Description Of V โดยสามารถท าไดดวยการลดงานของการเรยนรใหนอยลง แลวจงจะสามารถน าไปสการคนพบ An Operation Description Of The Ideal Target Function V นนเอง ทเปนเชนนเพราะเปนการยากมากทจะสามารถเรยนร An Operational Form ของ V ทสมบรณแบบได เนองจากในความเปนจรงแลวสงทไดจากอลกอรทมการเรยนรนนคอฟงกชนเปาหมายส าหรบการประมาณคาเทานน ดวยเหตนจงเรยกฟงกชนเปาหมายทไดจากขนตอนการเรยนรวา Function Approximation อยางไรกตามเพอใหเหนความแตกตางจะใชสญลกษณ V แทนฟงกชนเปาหมายทางอดมคต (The Ideal Target Function V หรอ Function Approximation : V)

และแทนฟงกชนเปาหมายทไดจากขนตอนการเรยนรดวยสญลกษณ ��

4.2.3 Choosing A Representation For The Target Function

หลงจากก าหนดนยามหรอความหมายของฟงกชน V ในหวขอ 4.2.2 แลว จ าเปนจะตองก าหนด รปแบบการน าเสนอ

(Representation) ทจะถกน าไปใชในกระบวนการเรยนรเพอใชส าหรบอธบายฟงกชน �� โดยการอธบายฟงกชน �� สามารถท าไดหลายรปแบบเชน (1) โดยใช A Large Table ซงเปนการใชตารางขนาดใหญทประกอบไปดวยขอมลทอธบายถงคาของสถานะของตารางหมากฮอสทแตกตางกน หรอ (2) โดยใช A Collection Of Rules ซงเปนใชชดของกฎทใชอธบายถงลกษณะหรอคาของสถานะของตารางหมากฮอสทแตกตางกน หรอ (3) โดยใช Quadratic Polynomial Function หรอ (4) โดยใช Artificial Neural Network เปนตน ส าหรบการจะเลอกวาจะใชรปแบบใดใน

การน าเสนอ ฟงกชน �� นนจะตองเลอกอยางใดอยางหนง (Tradeoff) คอหากตองการทจะใหไดคาประมาณคาของ

Ideal Target Function V ใกลเคยงกบคา ฟงกชน �� มากทสดกจ าเปนจะตองเตรยมชดขอมลฝกฝนจ านวนมากส าหรบใชในกระบวนการเรยนร อยางไรกตามส าหรบเกมสหมากฮอสทกลาวถงในบทเรยนนจะเลอกใชวธทงายทสด

ในการน าเสนอเพอใชส าหรบอธบายฟงกชน �� กคอการใชการค านวณเชงเสนของการรวมคณลกษณะทส าคญตาง ๆ ดงน

X1 คอจ านวนหมากด า (black pieces) ทงหมดทอยบนกระดาน

X2 คอจ านวนหมากแดง (red pieces) ทงหมดทอยบนกระดาน

X3 คอจ านวนฮอสด า (black kings) ทงหมดทอยบนกระดาน

X4 คอจ านวนฮอสแดง (red kings) ทงหมดทอยบนกระดาน

X5 คอจ านวนหมากด า (black pieces) ทงหมดทจะถกรกดวยหมากแดง

X6 คอจ านวนหมากแดง (red pieces) ทงหมดทจะถกรกดวยหมากด า



ดงนนเกมสหมากฮอสทกลาวถงในบทเรยนนจะน าเสนอคาฟงกชน �� ในรปของฟงกชนเชงเสนซงอยในรป

��(𝑏) = 𝑤0 + 𝑤1𝑥1 + 𝑤2𝑥2 + 𝑤3𝑥3 + 𝑤4𝑥4 + 𝑤5𝑥5 + 𝑤6𝑥6

เมอ w0 - w6 คอคาสมประสทธ (Numerical Coefficients) หรอ คาน าหนก (Weights) ทถกเลอกโดยกระบวนการเรยนร โดยท

w0 เปน An Addictive Constant คอ คาคงททไมขนกบ Board Features

w1 - w6 เปนคาคงททขนกบ Board Features

ดงนนจะเหนวาสงทไดออกแบบไวทผานมาขางตนนน ท าใหเราสามารถก าหนด learning task ของเกมสหมากฮอสเพมเตม (สวนของ IV และ V) ไดดงน

I. Task T: การเลนเกมสหมากฮอส II. Performance Measure P: จ านวนครงทชนะคตอส

III. Training Experience E: การฝกฝนเลนเกมสโดยการแขงกบตนเอง

IV. Target Function: V : Board V. Target Function Representation:

��(𝑏) = 𝑤0 + 𝑤1𝑥1 + 𝑤2𝑥2 + 𝑤3𝑥3 + 𝑤4𝑥4 + 𝑤5𝑥5 + 𝑤6𝑥6

โดยจะเหนวา I – III นนจะสอดคลองกบการก าหนดงานส าหรบการเรยนร (Learning Task) ในสวนของ IV และ V ถกน าไปใชในการสรางโปรแกรมการเรยนร (Implementation of Learning Program)

4.2.4 Choosing A Function Approximation Algorithm

ในขนตอนนคอการประมาณคาฟงกชน �� โดยจ าเปนจะตองอาศยชดของขอมลฝกฝน (A Set Of Training Examples) ซงแตละขอมลฝกฝน จะอธบายถงสถานะของกระดาน B และคาการฝกฝน (Training Value)ของขอมลฝกฝนนน ๆ ดงนนสามารถเขยนขอมลฝกฝนใหอยในรปแบบคความสมพนธ (b, Vtrain(b)) ดงตวอยาง

((x1 = 3, x2 = 0, x3 = 1, x4 = 0, x5 = 0, x6 = 0), +100)

ซงอธบายไดวาฝายทเดนหมากสด าเปนฝายชนะเนองจากสถานะของกระดาน(b)ในขณะนนประกอบดวย

X1 คอจ านวนหมากด า (black pieces) ทงหมดทอยบนกระดาน เทากบ 3 ตว

X2 คอจ านวนหมากแดง (red pieces) ทงหมดทอยบนกระดาน เทากบ 0 ตว

X3 คอจ านวนฮอสด า (black kings) ทงหมดทอยบนกระดาน เทากบ 1 ตว

X4 คอจ านวนฮอสแดง (red kings) ทงหมดทอยบนกระดาน เทากบ 0 ตว

X5 คอจ านวนหมากด า (black pieces) ทงหมดทจะถกรกดวยหมากแดง เทากบ 0 ตว

X6 คอจ านวนหมากแดง (red pieces) ทงหมดทจะถกรกดวยหมากด า เทากบ 0 ตว



และคาฝกฝนเปน +100 หมายถงสถานะสดทายของกระดาน b ซงเปนผ ชนะเกมสการแขงขน ดงนนสามารถอธบายขนตอนของการไดมาซงคความสมพนธของขอมลฝกฝนเพอใชส าหรบการเรยนรนน ประกอบดวย 2 ขนตอนดงน

ขนท1: การประมาณคาการฝกฝน (Estimating Training Values)

จากการก าหนดรปแบบปญหาการเรยนรทกลาวมาขางตน จะเหนวาขอมลทใชในการเรยนรหรอฝกฝนนน มเพยงการระบผลลพธสดทายของการเลนเกมสหมากฮอสคอการแพหรอชนะเทานน อยางไรกตามจ าเปนจะตองมขอมลฝกฝนทเปนคาคะแนนของสถานะใด ๆ ของกระดานในระหวางการเดนเกมสดวยเชนกน ในขณะทการก าหนดคาคะแนนของสถานะสดทายของกระดานนนท าไดงาย (แพหรอชนะ) แตส าหรบคาคะแนนของสถานะใด ๆ ของกระดานในระหวางการเดนเกมสท าไดยาก อยางไรกตามในความเปนจรงนนไมวาผลของการแขงขนจะแพหรอชนะ สถานะใด ๆ ของกระดานในระหวางการเดนเกมสอาจจะมทงสถานะทด (หมายถงสถานะทอาจจะน าไปสชยชนะ) และอาจจะเปนสถานทไมด (หมายถงสถานะทอาจจะน าไปสความพายแพ) ดงนนอาจเปนไปไดวาสถานะใด ๆ ระหวางการเดนเกมสอาจจะน าไปสความพายแพหรอชยชนะกได เชนในกรณทแพการแขงขน อาจเปนไปไดวาสถานะของกระดานในชวงตน ๆ ของการเดนเกมสเปนสถานะทมคาคะแนนสงมาก ๆ แตคาคะแนนสถานะของกระดานในชวงหลง ๆ อาจมคาคะแนนต าดงนนจงน าไปสงความพายแพนนเอง

จากประเดนทกลาวถงขางตนจะเหนวาเปนปญหาทเกยวกบการประมาณคาขอมลฝกฝนของสถานะตาง ๆ ของกระดานในระหวางการเดนเกมส ซงการแกไขปญหาดงกลาวนสามารถท าไดโดยอาศยหลกการงาย ๆ และใหผลทนาพอใจเปนอยางยงคอ หลกการของการก าหนดคาสถานะกระดาน b โดยอาศยคาของสถานะของกระดานทตามหลงมา (Successor(b)) โดยสามารถแสดงใหอยในรปแบบของกฎการประมาณคาขอมลฝกฝน(Rule For Estimation Training Values) ไดดงน

Vtrain(b) ��(𝑆𝑢𝑐𝑐𝑒𝑠𝑠𝑜𝑟(𝑏))

เมอ Successor(b) คอสถานะถดไปของกระดานหมากฮอสทเกดขนหลงจากการเดนของสถานะกระดาน b

ดงนนจากกฎดงกลาวจะไดวาคาขอมลฝกฝนของสถานะกระดาน b ใด ๆ จะมคาเทากบคาโดยประมาณทถกก าหนดดวยตวเรยนร ณ ขณะนนนนเอง ซงความถกตองของคาประมาณนจะเพมขนเมอสถานะของกระดานใกลเขาสสถานะสดทายของเกมส (จบเกมส)

ขนท2: การปรบแตงคาน าหนก (Adjusting The Weights)

ในขนนเปนการก าหนดกระบวนการเรยนรเพอใชส าหรบการเลอกคาน าหนกทเหมาะสมกบชดขอมลฝกฝนมากทสด (best fit) โดยในขนแรกจะตองมการใหนยามของค าวาเหมาะสมทสด (Best Fit) นนหมายความวาอยางไร ซงการใหนยามนอาจะหมายความวาเปนสมมตฐานทดทสด (The Best Hypothesis) หรอเปนชดของคาน าหนก (a Set of Weights)ทท าใหคาความคลาดเคลอนหรอความผดพลาด (E) ระหวาง คาขอมลฝกฝน กบ คาทไดจากการประมาณ

โดย �� มคานอยทสด เมอก าหนดให



E ∑ (𝑉𝑡𝑟𝑎𝑖𝑛(𝑏) − ��(𝑏))2 (𝑏,𝑉𝑡𝑟𝑎𝑖𝑛(𝑏)) 𝑡𝑟𝑎𝑖𝑛𝑖𝑛𝑔 𝑒𝑥𝑎𝑚𝑝𝑙𝑒𝑠

การหาคาน าหนกของฟงกชนเชงเสนเพอใหคาความคลาดเคลอนมคานอยทสดนนสามารถใชวธการหรออลกอรทมไดหลากหลายวธ แตอลกอรทมทสามารถเพมความถกตองใหคาน าหนกวธหนง โดยการลดคาความคลาดเคลอนทจะเกดขนคออลกอรทมทเรยกวา the least mean squares (LMS Training Rule) ซงเปนวธการทจะปรบคาน าหนกของขอมลฝกฝนขนทละนอยในทศทางทท าใหคาของความคลาดเคลอนลดลง ส าหรบอลกอรทม LMS เปนดงน

ส าหรบแตละขอมลฝกฝน (b, Vtrain(b))

ใชคาน าหนกปจจบนเพอค านวณคา ��(𝑏)

แตละคาน าหนก 𝑤𝑖 ท าการปรบเปลยนคาใหเปนดงน

𝑤𝑖 𝑤𝑖 + (𝑉𝑡𝑟𝑎𝑖𝑛(𝑏) − ��(𝑏))𝑥𝑖

เมอ เปนคาคงททมคานอย ๆ (เชน มคาเปน 0.1) ซงใชเพอปรบเปลยนคาน าหนก ดงนนเมอคาความคลาดเคลอน (𝑉𝑡𝑟𝑎𝑖𝑛(𝑏) − ��(𝑏)) มคาเปน 0 จะมผลท าใหคาน าหนกไมเกดการเปลยนแปลง และเมอคา (𝑉𝑡𝑟𝑎𝑖𝑛(𝑏) −

��(𝑏)) มากกวา 0 (คอเมอคา ��(𝑏) มคาต ามาก ๆ ) จะท าใหคาน าหนกแตละคามคาเพมขนเปนสดสวนทสอดคลองกบคณลกษณะทสมพนธกน(ซงในทนคอ Xi ) นนคอจะท าใหคา ��(𝑏) เพมขนและคาความคลาดเคลอนกจะลดลง ขอสงเกตถาคาของคณลกษณะหนง ( Xi ) มคาเปน 0 ดงนนคาน าหนกของคณลกษณะดงกลาวจะไมมผลตอคาความคลาดเคลอน ดงนนการปรบเปลยนคาน าหนกจะเกดขนกบกระดานหมากของขอมลฝกฝนเทานน

รปท 4.1 แสดงการออกแบบของเกมสหมากฮอส




4.2.5 The Final Design

การออกแบบสดทายของเกมสหมากฮอสทน าเสนอในบทเรยนนสามารถอธบายโดยโมดลทส าคญ 4 โมดล ดงรปท 4.1 ซงโมดลเหลานถอวาเปนองคประกอบหลกส าหรบการออกแบบระบบการเรยนรทวไปไดดงน

The Performance System เปนโมดลทจะตองแกปญหาเกยวกบ Performance Task ทถกใหมา ส าหรบในกรณเกมสหมากฮอสนนจะใช The Learned Target Function(S) ซงฟงกชนนจะรบปญหาใหม (New Game) เขามา แลวใหผลลพธเปน เสนทางการเดนหมากในอดต(Game History)ทใชแกปญหาใหมทรบเขามา ในกรณของเกมสหมากฮอสนวธทใชส าหรบ Performance System เพอเลอกการเดนหมากตวถดไปนนจะถกก าหนดโดย The Learned �� Evaluation Function ดงนนประสทธทดขนกคอการท Evaluation Function นมคาความถกตองเพมขนนนเอง

The Critic รบขอมลน าเขาเปน รปแบบการเดนหมากในอดต และจะใหผลลพธเปน Target Function ของชดขอมลฝกฝน จากรปท 4.1 จะเหนวา แตละชดขอมลฝกฝนสอดคลองกบสถานะของเกมสบางสถานะในเสนทางการเดนหมากในอดตพรอมกบคาโดยประมาณของ 𝑉𝑡𝑟𝑎𝑖𝑛 ส าหรบเกมสหมากฮอสทกลาวถงในบทเรยนน critic กคอกฎการเรยนรตามกฎการประมาณคาขอมลฝกฝนนนเอง

The generalizer รบขอมลน าเขาเปนขอมลฝกฝน และจะใหผลลพธเปนสมมตฐาน (Hypothesis) ทใชในการประมาณคา target function โดยตวสรางสมมตฐานนจะสรางจากขอมลฝกฝนแบบเฉพาะเจาะจง (The Specific Training Examples) แลวตงสมมตฐานในรปแบบของฟงกชนทวไป (A General Function) ทครอบคลมทงขอมลฝกฝนแบบเฉพาะเจาะจงและขอมลฝกฝนอน ๆ นอกเหนอจากขอมลฝกฝนแบบเฉพาะเจาะจงดงกลาว ส าหรบเกมสหมากฮอสทกลาวถงในบทเรยนนในสวนของ Generalizer คอ อลกอรทม LMS และสมมตฐานผลลพธกคอ ฟงกชน �� ทถกอธบายโดยคาน าหนก w0 ,w1 … w6

The Experiment Generator รบขอมลน าเขาเปนสมมตฐานปจจบนทใชในขณะนน (The Current Hypothesis) และจะใหผลลพธเปนปญหาใหม (เชนสถานะเรมตนของเกมส) เพอให Performance System ท าการส ารวจ หนาทของ Experiment Generator คอการเลอกปญหาเชงปฏบตปญหาใหมขนมา ซงจะท าใหอตราการเรยนรของระบบโดยรวมมคาสงสด ส าหรบเกมสหมากฮอสทกลาวถงในบทเรยนน Experiment Generator นนสามารถใชกลวธงาย ๆ คอเมอเรมตนของการเลนเกมสทกครง จะก าหนดใหสถานะกระดานหมากฮอสมลกษณะเหมอนกนทก ๆ ครงนนเอง



รปท 4.2 แสดงล าดบของทางเลอกการออกแบบ (Design Choices) เกมสหมากฮอสทกลาวถงในบทเรยนน เปนทางเลอกการออกแบบทมขอจ ากดในการเรยนรในหลาย ๆ ขอจ ากดดวยกน เชนขอจ ากดของประเภทองคความรทท าใหไดมาเพยง A Single Liner Evaluation Function เทานน นอกจากนยงมขอจ ากดของ Evaluation Function ซงจะขนอยกบคณลกษณะของกระดานหมากฮอสเพยง 6 คณลกษณะเทานน (x1…x6) ดงนนถาหากวา Target Function V ทแทจรงสามารถน าเสนอโดยใชคณลกษณะของกระดานหมากฮอสเพยง 6 คณลกษณะทกลาวถงแลว จะท าใหโปรแกรมสามารถเรยนรการเลนเกมสได ในทางตรงกนขามหากคณลกษณะทง 6 คณลกษณะนไมเพยงพอทจะสามารถให Target Function V ทแทจรง แตควรจะเปนการเรยนรทสามารถประมาณคาไดใกลเคยง Target Function V ทแทจรง มากทสดได

ในความจรงแลวการออกแบบโปรแกรมเกมสหมากฮอสนน สามารถเลอกใชอลกอรทมส าหรบการเรยนรไดหลากหลายอลกอรทม ตวอยางอลกอรทมทงาย ๆ ไดแก (1) การจดเกบขอมลฝกฝนของเกมสไวในรปแบบตาง ๆ เชนฐานขอมล แลวพยายามหาขอมลฝกฝนทใกลเคยงทสดกบสถานการณใหมของเกมส ณ ขณะนน (เชนใช Nearest Neighbor Algorithm ในการหาคาความใกลเคยง) หรอ (2) โดยการสรางโปรแกรมเกมสหมากฮอสหลาย ๆ รปแบบ

รปท 4.2 ล าดบของทางเลอกการออกแบบเกมสหมากฮอส




แลวใหโปรแกรมเหลานนแขงขนกนเอง เพอหาโปรแกรมรปแบบทดทสด(สามารถใชหลกการของ Genetic Algorithm เพอหาโปแกรมทดทสดได) เปนตน

4.3 ภาพรวมการเรยนรของเครอง

โดยภาพรวมแลวส าหรบการเรยนรของเครองนนเกยวของกบการคนหาสมมตฐานทเปนไปไดจากหลาย ๆ สมมตฐานทมอย (A Very Large Space of Possible Hypotheses) เพอใหเปนสมมตฐานอนหนงทเหมาะสมกบขอมลทถกสงเกตและองคความรทตวเรยนรมมากอนหนา (The Observed Data and Any Prior Knowledge) ตวอยาง พจารณาสเปซของสมมตฐานทสามารถเปนผลลพธของตวเรยนรเกมสหมากฮอสทกลาวถงในบทเรยนน โดยสเปซของสมมตฐานประกอบดวย evaluation function ทงหมดทสามารถถกน าเสนอโดยบางคาน าหนกตงแต w0 ถง w6 ดงนนงานของตวเรยนรกคอคนหาสมมตฐานในสเปซขนาดใหญนเพอใหไดสมมตฐานทเหมาะสมกบขอมลฝกฝนทมอยนนเอง อลกอรทม LMS ส าหรบการใหไดคาน าหนกทเหมาะสม สามารถท าโดยการวนรอบซ า ๆ หลาย ๆ รอบเพอ (1) ปรบคาน าหนก และ (2) เพมคาความถกตองใหกบคาน าหนกแตละคาในแตละครงของการท านายคาน าหนกทแตกตางไปจากคาน าหนกทไดจากคาฝกฝน โดยอลกอรทม LMS สามารถท างานไดดเมอการน าเสนอสมมตฐานโดยการระบสเปซของสมมตฐานแบบพารามเตอรตอเนอง

ส าหรบอลกอรทมเพอคนหาสมมตฐานทเหมาะสมภายในสเปซของสมมตฐานทมอย (โดยสมมตฐานสามารถถกน าเสนอในรปแบบตาง ๆ เชนอยในรปแบบของ Linear Functions, Logical Descriptions, Decision Trees, Artificial Neural Networks เปนตน) โดยสมมตฐานทถกน าเสนอในรปแบบทตางกนจะเหมาะกบการเรยนร Target Function ทแตกตางกนเชนกน กลาวคอส าหรบแตละรปแบบน าเสนอของสมมตฐานจะใชอลกอรทมของการเรยนรทสอดคลองกบรปแบบการน าเสนอนน ๆ เพอใหไดประโยชนของโครงสรางทถกซอนอยทตางกนเพอใชจดการการคนหาทวทงสเปซของสมมตฐาน

4.3.1 Issues In Machine Learning

ค าถามทว ๆ ไปเกยวกบการเรยนรของเครอง ทจ าเปนจะตองหาค าตอบใหได มดงนคอ

มอลกอรทมใดทสามารถเรยนรจากตวอยางขอมลฝกฝนแบบเฉพาะเจาะจง แลวสามารถสราง target function แบบทวไปได หรอจะตองมตดตงอยางไรเพอทจะแปลงจากอลกอรทมเฉพาะเจาะจงแบบหนงเพอใหไดฟงกชนทสามารถท างานไดตามความตองการ ซงจ าเปนจะมตองขอมลฝกฝนทเพยงพอมากนอยเทาไร นอกจากนยงจะตองพจารณาวาอลกอรทมใดทสามารถท างานไดดทสดส าหรบประเภทของปญหาและรปแบบของการน าเสนอปญหานน

จ าเปนจะตองใชขอมลฝกฝนมากเทาใดจงจะเพยงพอ มความสมพนธใดบางทสามารถสรางความมนใจในการเชอมโยงความสมพนธระหวางสมมตฐานทเกดจากการเรยนรกบขอมลฝกฝนทน ามาใชในการเรยนร รวมถงการเชอมโยงความสมพนธระหวางสมมตฐานทเกดจากการเรยนรกบคณลกษณะของสเปซของสมมตฐานส าหรบการเรยนรดงกลาวเชนกน



เมอใดทองคความรทตวเรยนรมมากอนหนาจะถกน ามาใช และจะถกน ามาใชอยางไรเพอเปนแนวทางในการสรางหลกการทวไป (Generalizing) จากขอมลฝกฝนทมอย นอกจากนสามารถใชองคความรทตวเรยนรมมากอนหนาไดหรอไมหากองคความรนนเปนเพยงการประมาณคาเทานน

อะไรคอกลยทธทดทสด (The Best Strategy) ส าหรบการเลอกขอมลฝกฝนทจะน ามาใชในครงถดไป และกลยทธทถกเลอกนนจะเปลยนแปลงความซบซอนของปญหาการเรยนรหรอไม

วธการใดเปนวธทดทสดทท าใหภาระงานการเรยนรลดลง และวธการดงกลาวจะมฟงกชนเฉพาะฟงกชนใดทระบบจ าเปนจะตองเรยนร และระบบจะเรยนรดวยตวระบบเองอยางอตโนมตหรอไม

ตวเรยนรจะสามารถเปลยนแปลงรปแบบของการน าเสนอไดโดยอตโนมตหรอไม เพอทจะน าไปสการเพมความสามารถทดขนในการน าเสนอและการเรยนร Target Function

4.4 องคประกอบการเรยนรของเครอง

จากสวนประกอบหลก 4 สวนประกอบส าหรบการเรยนรของเครองและสามารถแสดงเปนแผนภาพสถาปตยกรรมของ

ระบบการเรยนรของเครองส าหรบ learning agent ดงรปท 4.3

1) Performance Element หรอ Performance System คอตวด าเนนการหรอตวกระท าการ หรอระบบ

ด าเนนการหรอระบบกระท าการ เปนสวนทท าหนาทดงน

1.1) แกปญหาทมอยในขณะนนโดยใชสมมตฐานทไดจากการเรยนรของ Learning Element (หรอ

เรยกวา Generalizer หรอ Learner กได)

1.2) รบขอมลน าเขาทไมเคยเจอมากอน (Unseen Percepts) และประมวลผลภายใตสมมตฐานทไดจาก

การเรยนรเพอใหผลลพธออกมา

2) Critic เปนสวนทท าหนาทดงน

2.1) แจงสวน Learning Element ใหทราบวาของผลตอบกลบหรอขอเสนอแนะของการกระท าตาม

ผลลพธทไดจาก 1.2) นนประสบผลส าเรจหรอไม โดยการจะบอกวาส าเรจหรอลมเหลวนน สวนของ Critic จะ

ท าการเปรยบเทยบผลทเกดขนกบ Standard Performance ทก าหนดไว

2.2) จดเตรยมขอมลฝกฝนส าหรบ Learning Element

3) Learning Element เปนสวนทปรบปรงการท างานของสวน Performance Element ใหดขน โดยมท าหนาท

ดงน

3.1) น าเขาขอมลตาง ๆ ดงน (a) ขอมลฝกฝน จาก 2.2) (b) องคความรทเกยวกบ Performance

Element และ (c) ผลตอบกลบหรอขอเสนอแนะจากสวน Critic เพอทจะก าหนดวาจะท าการปรบปรง

อยางไร



3.2) ผลลพธทไดคอสมมตฐาน (Hypothesis หรอ Learned Hypothesis หรอ กคอ Learned

Approximation of The Target Function นนเอง)

4) Experiment Generator หรอ Problem Generator เปนสวนทแนะน าปญหาหรอการกระท าตาง ๆ ทใช

สรางตวอยางหรอประสบการณ (Problems or Actions) เพอจะน ามาใชในการฝกฝนในระบบการเรยนร

ตอไป นนคอสวนประกอบนจะท าหนาทดงน

4.1) น าเขาขอมลสมมตฐานทไดจาก 3.2)

4.2) ผลลพธทไดคอปญหาใหมทสวนของ Performance System จะตองคนหาค าตอบหรอวธการ

แกปญหาใหมนน

ตวอยาง Learning Agent คอเอเจนตทสามารถเรยนรได โดยองคประกอบหลกของ Learning Agent ในสวนของ

ระบบการเรยนรแสดงดงรปท 4.3

รปท 4.3 Learning Agent ทมา : Russell and Norvig (2014)

ตวอยางหนงของ learning agent คอ เอเจนตขบรถแทกซอตโนมต อธบายถงสวนประกอบของระบบการเรยนรตาง ๆ

ดงน (เมอเปนการขบรถบนถนนในเมอง ๆ หนง)

1) Performance Element หรอ Performance System คอ องคความรและวธการขบรถ

2) Critic คอการสงเกตสภาพแวดลอมทเกดขนในขณะนน แลวจงแจงสงทสงเกตไดไปยงสวนของ Learning

Element เชน เลยวขวาอยางรวดเรวเมอตองการขามถนน 3 เลน หรอ สงเกตปฏกรยาโตตอบของผขบรถคน

อน ๆ บนถนน เปนตน



3) Learning Element เปนสวนทก าหนดเปาหมายหรอวตถประสงค เชนเรยนรกฎในการเบรค หรอการ

ปรบเปลยนความเรวของรถ เรยนรสภาพทางภมศาสตรของเมองนน ๆ เปนตน

4) Experiment Generator เชน พยายามขบรถบนถนนในเมอง ๆ หนงทอยทางตอนใต (ทมลกษณะสภาพ

ภมศาสตรตางไปจากถนนในเมองทเคยขบมากอน หรอมกฎราจารถทตางกน เปนตน)

4.5 บทสรป

การเรยนรของเครองจดการค าถามทวาจะสรางโปรแกรมคอมพวเตอรอยางไรเพอใหประสทธภาพการท างานบางอยางใหมประสทธภาพทดขนโดยอาศยประสบการณทผานมา ซงในบทเรยนนไดกลาวถงประเดนหลก ๆ ดงน

อลกอรทมการเรยนรของเครองไดรบการพสจนแลววามคณคาในเชงปฏบตอยางมากส าหรบงานแอพพลเคชนหลากหลายโดเมนโดยเฉพาะงานทางดาน (1) Data Mining ซงสามารถใชอลกอรทมการเรยนรของเครองในการคนหากฎเกณฑหรอระเบยบทถกซอนไวในฐานขอมลขนาดมหมาได เชน การวเคราะหผลลพธของการรกษาทางการแพทยจากฐานขอมลคนไข หรอการเรยนรกฎเกณฑทวไป ส าหรบความนาเชอถอทางเครดตจากฐานขอมลการทางเงน เปนตน (2) โดเมนของแอพพลเคชนทยากตอการท าความเขาใจเนองจากมนษยอาจจะไมมองคความรเกยวกบโดเมนดงกลาว ดงนนองคความรนจ าเปนจะตองถกพฒนาโดยอลกอรทมทมประสทธภาพ เชนแอพพลเคชนทางดาน Human Face Recognition เปนตน และ (3) โดเมนของปญหาทจะตองถกปรบเปลยนเมอเงอนไขทเกยวของเกดการเปลยนแปลง เชนการควบคมกระบวนการการผลตทอยภายใตการเปลยนแปลงอปทานหน (Supply Stock) หรอการปรบเปลยนของการอานทผอานแตละคนใหความสนใจ เปนตน

การเรยนรของเครองประกอบขนดวยการน าแนวคดหลาย ๆ แนวคดมารวมกนไดแกแนวคดทางดานปญญาประดษฐ ทฤษฏความนาจะเปนและสถตศาสตร ทฤษฎความซบซอนในการค านวณ ทฤษฎระบบควบคม จตวทยา ประสาทชววทยา เปนตน

การก าหนดรปแบบปญหาการเรยนรทดจ าเปนจะตองมการระบทชดเจนของภาระงาน การวดประสทธภาพ และแหลงทมาของขอมลฝกฝน

การออกแบบหลกการเรยนรของเครองเกยวของกบทางเลอกของการออกแบบทหลากหลาย ซงรวมถงการเลอกชนดของขอมลฝกฝน การเลอก Target Functionทใชส าหรบการเรยนร การเลอกรปแบบส าหรบการน าเสนอ Target Function และการเลอกอลกอรทมส าหรบการเรยนร Target Function จากชดขอมลฝกฝน

การเรยนรเกยวของกบการคนหา (Searching) โดยจะคนหาผานสเปซของสมมตฐานเพอจะใหไดสมมตฐานทดทสดและเหมาะสมกบชดขอมลฝกฝนทมอย ตลอดจนขอจ ากดและองคความรทมมากอนหนา

บทท 5 กระบวนทศนการเรยนรของเครอง

(Machine Learning Paradigms)


1 เพอใหนกศกษาร และเขาใจประเภทของกระบวนทศนการเรยนรของเครองในแตละชนด 2 เพอใหนกศกษาเขาใจขนตอนการท างานของกระบวนทศนการเรยนรของเครองในแตละประเภทหลกทนยมใชกน

ในสาขาปญญาประดษฐ

5.1 กระบวนทศนการเรยนรของเครอง

กระบวนทศนการเรยนรของเครองเปนกระบวนการทางความคดและปฏบตการเกยวกบการเรยนรของเครอง โดยเนอหาในบทนแนะน ากระบวนทศนการเรยนรของเครองนยมใชกนในสาขาปญญาประดษฐพรอมทงอธบายพรอมกบยกตวอยางเพอใหเขาใจมากยงขน โดยกระบวนทศนการเรยนรของเครองทจะกลาวถงไดแก

1. Rote Learning: Learning By Memorization, Learning Something By Repeating. 2. Learning From Example : Induction, Winston's Learning, Version Spaces Decision Trees 3. Explanation Based Learning (EBL) : General Approach, EBL Architecture, EBL System,

Generalization Problem, Explanation Structure. 4. Clustering: Distance Functions, K-Mean Clustering Algorithm.

5.2 การเรยนรโดยการจ า

การเรยนรโดยการจ า (Rote Learning) เปนเทคนคการเรยนรทอาศยการเกบองคความรตาง ๆ เอาไว แลวจงสามารถ

น าเอาความรทเกบไวมาใช โดยการจ าจะเกดขนเมอมการท าซ าหรอการเกดขนซ า ๆ หลาย ๆ รอบ ดงนนการเรยนร

ดวยเทคนคนจงไมมความซบซอน อาศยเพยงหลกการของการจดเกบขอมลและการดงขอมลขนมาใชเทานน สงท

ส าคญคอการจ า (Memorization) ซงจ าเปนจะตองพจาณาวาเปนสวนทจะมความซบซอนมากนอยเพยงไร

กระบวนการจ าทมความซบซอนมาก กจะท าใหการจดเกบขอมลไดดยงขน ซงสงผลในการเรยกใชขอมลทตองการท า

ไดรวดเรวขน

ตวอยางทวไปของการใชเทคนคการเรยนรโดยการจ าเชน การจดจ าอกขระและตวเลข การจดจ าสตรคณ การจดจ าการ

สะกดค า การจดจ าตารางธาตทางเคม เปนตน ซงจะเหนวาเทคนคการเรยนรแบบการจ านนเกดขนในการเรยนการ

สอนในหองเรยนทวไป ซงเกดขนโดยผ เรยนไมรตวนนเอง

นอกจากนยงมตวอยางของการเรยนรโดยการจ าทมความซ าซอนขนเชน Caching ซงมขนตอนดงน

344-371 ปญญาประดษฐ 1 บทท 5 กระบวนทศนการเรยนรของเครอง


จดเกบขอมลทผานการค านวณคาแลว

เรยกใชขอมลจาก a เมอตองการน ามาค านวณคาอกครง

การเรยกใชขอมลเกดขนในเวลารวดเรวมาก

Samuel's Checkers Program นนไดใชการเรยนรโดยการจ าเปนวธหนงในเกมส

ใชวธการของ Minimax Procedure ในคนหาต าแหนงทดทสดทจะเดนหมากในครงถดไป อยางไรกตามกระบวนการนมขอจ ากดเรองของเวลาในการคนหาขอมล ดงนนท าใหการคนหาไดไมสมบรณ จงใชวธจดเกบรายละเอยดของต าแหนงตาง ๆ ของกระดานแตละกระดานทเคยเจอมากอนหนาในระหวางการเลนเกมส คกบคาสนบสนน (Backed-Up Value)

ตอมาภายหลงเมอเจอต าแหนงตาง ๆ ของกระดานทเคยเจอมาแลว (ซงถกจดเกบไวคกบคาสนบสนน) กจะท าการเรยกใชคาทถกจดเกบไวขนมาใชเพอการเดนหมากในครงนน

ประเดนส าคญทตองพจารณาส าหรบการเรยนรแบบจ าคอ

การจดเกบขอมล ซงการเขาถงหรอการเรยกใชขอมลจะตองท าไดเรวกวาการตองค านวณขอมลซ าอกครงหนง ซงเทคนคหนงทใชคอ Hashing, Indexing, Sorting เปนตน ส าหรบใน Samuel's Checkers Program นนใช Indexing โดยการจดเกบต าแหนงของกระดานโดยการใชจ านวนของหมากทอยบนกระดานเปนคาดชน

จ านวนขอมลทจดเกบ ยงจดเกบขอมลจ านวนมากกยงจะมโอกาสของการเกดปญหาการจดการเกยวกบหนวยความจ าท ในกรณของ จดเกบเฉพาะ ต าแหนงส าหรบการเดนของหมากขาวเทานน

การเรยนรโดยการจ าเปนเทคนคทมประสทธภาพส าหรบสภาพแวดลอมทไมมการเปลยนแปลงอยางรวดเรว เนองจากในสภาพแวดลอมดงกลาวนนตวเรยนรสามารถตรวจสอบและบนทกสงทเกดการเปลยนแปลงไดอยางถกตอง

การ Tradeoff เพอเลอกระหวางจะจดเกบขอมลหรอจะท าการค านวณหรอประมวลผลใหม ซงการเลอกนจะตองไมท าใหประสทธภาพของระบบลดลง ในบางครงการตดสนใจครงแรกวาวธการจดเกบขอมลนนดกวาการประมวลผลใหม อาจจะเปนการตดสนใจไมถกตองในภายหลง ตวอยางในการหาผลคณ (Multiplication) การค านวณใหมของผลคณของจ านวน 2 จ านวนจะดกวาการจดเกบตารางสตรคณขนาดใหญ

5.3 การเรยนรจากตวอยาง

การเรยนรจากตวอยาง (Learning From Examples หรอ Induction) เปนเทคนคการเรยนรจากตวอยางทก าหนดให

กลมหนง ซงกลมตวอยางทใชในการเรยนรนจะตองเปนตวอยางทมขนาดใหญหรอมจ านวนขอมลจ านวนมากระดบ

หนง จากนนระบบจะพยายามทจะสรางกฎทวไป (General Rule) ขนมา ซงเปนกฎทสอดคลองกบลกษณะหรอ



รปแบบทไดจากการเรยนรของกลมตวอยางทก าหนดใหนนเอง ดงนนกระบวนการเรยนรในลกษณะเชนน เปนรปแบบ

หนงของการเรยนรแบบทตองอาศยผสอน (Supervised Learning) เพอการแจกแจงและการสรางค านยามของคลาส

ซงถกเรยกวา การอปนย (Induction) หรอ การเรยนรแนวคด (Concept Learning)

เทคนคทใชส าหรบการสรางค านยามของคลาส (Class Definition) หรอการเรยนรแนวคด ม 3 เทคนคคอ

1. Winston’s Learning Program

2. Version Spaces

3. Decision Trees

5.3.1 Winston’s Learning Program

ในปค.ศ. 1975 Patrick Winston ไดอธบายเกยวกบโปรแกรมเรยนร Blocks World ซงโปรแกรมนเปนโปรแกรมทม

ท างานเหมอนกบโปรแกรมทเกยวของ Block Domain ทว ๆ ไป โดยวตถประสงคของโปรแกรมเรยนร Blocks World

นคอการสรางการน าเสนอค าจ ากดความของ Concept ตาง ๆ ทอยภายใตขอบเขตของบลอก (Block Domain)

ส าหรบตวอยางขอมลทใชส าหรบการเรยนรนนจะมทงตวอยางทเปน Positive Training Data และ Negative

Training Data โดย Positive Training Data นนคอตวอยางขอมลทมลกษณะตรงตามค าจ ากดความของ Concept

ใด Concept หนงทก าหนดไว ในขณะ Negative Training Data เปนตวอยางขอมลทมลกษณะเกอบจะตรง (Near

Misses) ตามค าจ ากดความของ Concept ใด Concept หนงทก าหนดไว เชนการน าเสนอเกยวกบ Concept ของ

“arch” เปนดงน “ arch – as 2 non-touching bricks supporting a third wedge or brick.”



รปท 5.1 positive examples and near misses for the concept “arch”

ทมา : Winston (1975)

ส าหรบโปรแกรมเรยนร Blocks world ทถกสรางโดย Patrick Winston หรอทเรยกวา Winston’s Learning program

โดยขนตอนพนฐานส าหรบการสราง concept 3 ขนตอนดงนคอ

(1) Concept Definition

เปนขนตอนทโปรแกรมท าการเลอกขอมลตวอยางใดตวอยางหนงมาเพอทจะใหค านยามของ Concept เปาหมายท

ตองการ (Target Concept) โดยน าเสนอ concept ในรปแบบของ Semantic Networks เชนรปท 5.2a เปนขอมล

ตวอยางทตรงตามค านยาม Concept ของ “arch” และในรปท 5.2b แสดงค านยาม Concept ของ “arch” ในรปของ

Semantic Networks

(2) Generalization

เปนขนตอนทโปรแกรมตรวจสอบค านยาม Concept ทไดจากขนตอนท 1 กบขอมลตวอยางอน ๆ โดยโปรแกรมจะท า

การ Generalize กราฟของ Semantic Networks จากขนตอนท 1 ใหสามารถใชกบขอมลตวอยางอน ๆ ได เชน เมอ

ก าหนดใหขอมลตวอยางในรปท 5. 2c เปนขอมลทจะน ามาใชทดสอบ Concept ของ “arch” จากขนตอนท 1 ซงจะ



ไดวาขอมลตวอยางดงกลาวไมสอดคลองกบ Concept ทก าหนดไว เนองจากสวนบนของ arch เปนรปทรง ปรามด

แทนทจะเปนกอนหรอแทงอฐ ดงนนโปรแกรมจะท าการ Generalize กราฟ โดยการจดค (Matching) เพอหาความ

แตกตางระหวาง Semantic Networks ของ Concept “arch” กบ Semantic Networks ของขอมลตวอยางอนท

น ามาตรวจสอบ โดยในทนคอการจบคหาความแตกตางระหวางรปท 5.2b กบ รปท 5.2c ซงผลทไดคอมสวนทตางกน

อย 1 สวนกคอ สวนทเปนองคประกอบสวนบนของ arch ซงในรปท 5.2b จะเปนองคประกอบทเรยกวา brick ในขณะ

ทในรปท 5. 2c จะเปนองคประกอบทเรยกวา pyramid เนองจาก Winston’s Learning Program ประกอบดวย

สวนของ Background Knowledge ซงเปนสวนทจดเกบล าดบขนของลกษณะทวไปของ Concept ใน Blocks World

ดงนนโปรแกรมจะใช Background Knowledge เหลานเขามาชวยการท า Generalize กราฟของ Semantic

Networks ดวย รปท 5.3 เปนสวนหนงของ Background Knowledge ทมอย ดงนนโปรแกรมจะท าการแทนท

องคประกอบทเรยกวา brick และ pyramid ดวย องคประกอบทเรยกวา polygon ซงเปนองคประกอบตนแบบ

(Supertype) ของ brick และ pyramid ผลลพธทไดของ Semantic Networks ทใชในการนยาม Concept “arch”

เปนดงรปท 5.4

(3) Specialization

ส าหรบ a near miss จะเปนขอมลตวอยางทมคณสมบตอยางใดอยางหนงแตกตางไปจากทนยามไวตาม Concept

ดงนนโปรแกรมจะท าการระบลกษณะเฉพาะเจาะจงอยางหนงขนมาเพอทจะท าการแยกแยะขอมลตวอยางดงกลาว

จากทนยามไวตาม concept รปท 5.5 แสดงขอมลตวอยางทเปน near miss ซงสวนขององคประกอบ touch เปน

สวนทท าใหเกดความแตกตางจากนยาม Concept “arch” ดงนนโปรแกรมจะเพมการระบลกษณะเฉพาะเจาะจงท

เรยกวา must-not-touch link ลงไปดงรปท 5.6 ซงท าให Concept “arch” ทไดนนสามารถยกเวนกรณของ near

miss ได

จากขนตอนการท างานของ Winston’s Learning Program จะเหนไดวาโปรแกรมดงกลาวประกอบดวย Operation ท

ส าคญ 2 Operation คอ Generalizing และ Specializing เมอ Generalizing เปนการแทนทโหนดหรอลงคใด ๆ ดวย

โหนดหรอลงคทเปน Concept ทมลกษณะทวไปมากกวา (A More General Concept) ในขณะท Specializing เปน

การเพมลงคลงไปในกราฟของ Semantic Networks ทใชนยามหรออธบาย Concept ดงนน Operation 2

Operation ดงกลาวนจะท าใหโปรแกรมสามารถก าหนดสเปซของค านยามทเปนไปไดทงหมดของ Concept (A

Space Of Possible Concept Definitions) จากนนโปรแกรมจะใชเทคนค A Hill Climbing Search กบ สเปซของ

ค านยามทเปนไปไดทงหมดของ Concept ทถกชน าโดยขอมลตวอยางทน ามาฝกฝน อยางไรกตามเนองจาก

Winston’s Learning Program ไมสามารถท าการ Backtrack ได ดงนนประสทธภาพการท างานของโปรแกรมจง

ขนอยกบล าดบของขอมลตวอยางทน ามาฝกฝน (The Order Of The Training Examples) ดงนนล าดบการฝกฝน

ของขอมลตวอยางทไมด กอาจจะน าโปรแกรมไปสทางตนในสเปซของการคนหาได นนคอการน าขอมลตวอยางมา



ฝกฝนจะตองมการจดล าดบทดเพอจะชวยใหการเรยนรของโปรแกรมสามารถน าไปสการนยาม Concept ทถกตอง

ตามความตองการ ซงกเปรยบเทยบไดกบการทครจดเรยงล าดบบทเรยนเพอใหนกเรยนสามารถเรยนรแลวเขาใจถง

บทเรยนตาง ๆ ได หรออาจกลาวไดวาคณภาพและล าดบของขอมลตวอยางเพอการฝกฝนเปนสวนทมความส าคญตอ

กระบวนการจบคกราฟในการท างานของ Winston’s Learning Program นนเอง

a b

c d

รปท 5.2 ตวอยางของ “arch” และ semantic networks


รปท 5.3 background knowledge ของ “bricks” และ “pyramids”




รปท 5.4 semantic network ของ“arch” ทมการรวม background knowledge ของ “bricks” และ “pyramids”


รปท 5.5 near miss ของ“arch”


รปท 5.6 semantic network ของ“arch” ทมการก าจด near miss




5.3.2 เวอรชนสเปซ

เวอรชนสเปซ (Version Space) เปนการแทนองคความรในรปแบบตามล าดบชนทจดเกบเสนทางของสารสนเทศทม

ประโยชนทกสารสนเทศ โดยสารสนเทศเหลานไดมาจากตวอยางขอมลส าหรบการเรยนรทปราศจากการอาศย

ความจ า ส าหรบขนตอน Version Space นนเปนขนตอนหรอกระบวนการของการเรยนรแนวคด(A Concept

Leaning Process) ซงเปนเทคนคของการเรยนรรปแบบหนงน าเสนอโดย Mitchell ในปค.ศ.1977

(1) Version Space Properties

น าเสนอค าอธบายของเวอรชนสเปซ (Version Space Descriptions) ทเปนไปไดทงหมด โดยค าอธบาย

เหลานอาจจะเปนค าอธบายทเปนสวนหนงของชดทดสอบสอบเชงบวก (Positive Examples) หรอชด

ทดสอบเชงลบ (Negative Examples) กได

ค าอธบายของเวอรชนสเปซประกอบดวย 2 Complementary Tree ดงน

o Complementary Tree ทโหนดแตละโหนดถกเชอมเขาดวยกนเพอใหเกดลกษณะ General Model

และ

o Complementary Tree ทโหนดแตละโหนดถกเชอมเขาดวยกนเพอใหเกดลกษณะ Specific Model

คาแอตทรบวตของโหนดแตละโหนดจะเปนคาไมตอเนอง (Discrete)

อยภายใตสมมตฐานทวา

o ขอมลถกตอง ไมมขอผดพลาดใด ๆ

o ค าอธบายทถกตอง คอ การเชอมกนของแอตทรบวตบางแอตทรบวตกบคาใด ๆ

(2) Version Space Method

เวอรชนสเปซเปนกระบวนการเรยนรแนวคดโดยอาศยวธการจดการกบโมเดลหลาย ๆ โมเดลทอยในเวอรชนสเปซนน

ๆ โดยท าการระบลกษณะเฉพาะเจาะจงใหกบ general models และในขณะเดยวกนกจะท าการระบลกษณะทวไป

ใหกบ specific models ซงกระบวนการดงกลาวสรางอธบายโดยอาศยไดอะแกรมเวอรชนสเปซ (Version Space

Diagram) ดงรปท 5.7



รปท 5.7 แสดง version space diagram

ไดอะแกรมเวอรชนสเปซประกอบดวย

1. โหนดของตนไม โดยท

a. โหนดแตละโหนดเชอมตอไปยงโมเดล 1 โมเดล

b. โหนดตาง ๆ ใน Generalization Tree เชอมตอไปยงโมเดลทสอดคลอง (Matching) กบทก ๆ อยาง

ในทรยอย (Sub-Tree) ของ Generalization Tree

c. โหนดตาง ๆ ใน Specialization Tree เชอมตอไปยงโมเดลทสอดคลองกบเพยง 1 อยางเทานนในทร

ยอย (Sub-tree) ของ Specialization Tree

2. เสนเชอมระหวางโหนดโดยท

a. เสนเชอมระหวางโหนดแทนความสมพนธแบบลกษณะทวไป ใน Generalization Tree

b. เสนเชอมระหวางโหนดแทนความสมพนธแบบเฉพาะเจาะจง ใน Specialization Tree

ไดอะแกรมขางตนประกอบดวย 2 สวนคอสวนของ Specialization Tree ซงแทนดวยทรทประกอบดวยโหนดโปรงใส

และสวนของ Generalization Tree ซงแทนดวยทรทประกอบดวยโหนดทบ



Specialization Tree

แถวท 1 บนสดของ Specialization Tree คอสมมตฐานทมการระบลกษณะทวไปมากทสด

แถวท 2 จากบนสดของ Specialization Tree คอสวนทมการขยายโหนดจากแถวบนสด ดงนนในแถวนจง

แทนสวนของสมมตฐานทมการระบลกษณะทวไปทลดนอยกวาแถวบนสด

แถวท 3 จากบนสดของ Specialization Tree คอสวนของชดทดสอบเชงบวกทเหลอทเปนผลลพธจากการ

ประมวลผลชดทดสอบเชงบวกทงหมดแลวท าการลบชดทดสอบเชงบวกทขดแยง (Inconsistent Nodes) กบ

General Specialization

Generalization Tree

แถวท 1 ลางสดของ Generalization Tree คอสมมตฐานทมการระบลกษณะเฉพาะเจาะจงมากทสด

แถวท 2 จากลางสดของ Generalization Tree คอสมมตฐานลกษณะเฉพาะเจาะจง (Specific

Hypothesis) ทถกขยายเพมขนจากแถวท 1

แถวท 3 จากลางสดของ Generalization Tree คอสมมตฐานทเหลออยหลงจากสมมตฐานใด ๆ ทขดแยงกบ

ชดทดสอบเชงลบ ถกลบออกจาก Generalization Tree

ผลลพธ

แถวท 4 โหนด แทนผลลพธของแนวคดทได

(3) Version Space Convergence

คณลกษณะทวไปและคณลกษณะเฉพาะเจาะจงน าไปสการมาบรรจบกนของเวอรชนสเปซ (Version Space Convergence) ซงหมายถงการน าไปสแนวคดหรอ Concept ซงเปนผลลพธของการเรยนรนนเอง

สงทส าคญในการเรยนรแบบเวอรชนสเปซคอในการทจะระบลกษณะเฉพาะเจาะจงใหกบ General Models และการระบลกษณะทวไปใหกบ Specific Models นนอาจจะน าไปสโมเดลเพยงโมเดลเดยวเทานนทสอดคลองกบชดขอมลทดสอบเชงบวกทกชดและไมสอดคลอง (Matching) กบชดขอมลทดสอบเชงลบใด ๆ เลย สงเหลานแสดงใหเหนวา

ในแตละครงทใชชดขอมลทดสอบเชงบวกเพอก าหนดคณลกษณะเฉพาะเจาะจงใหกบ General Models ดงนน Specific Models ทไมสอดคลองกบชดขอมลทดสอบเชงลบ จะถกก าจดหรอถกลบออก

ในแตละครงทใชชดขอมลทดสอบเชงลบเพอก าหนดคณลกษณะทวไปใหกบ Specific Models ดงนน General Models ทไมสอดคลองกบชดขอมลทดสอบเชงบวก จะถกก าจดหรอถกลบออก



ในทสดแลวทงชดขอมลทดสอบเชงบวกและชดขอมลทดสอบเชงลบ อาจจะมเพยง 1 General Models และ 1 Specific Model เหลออยเทานน

(4) Version Space Learning Algorithm

อลกอรทมทใชในการเรยนเวอรชนสเปซเรยกวา the Candidate-Elimination algorithm (การก าจดผ ทาชงหรอผ เขาแขงขน) เปนอลกอรทมส าหรบหาสมมตฐานค าอธบายทเปนไปไดทงหมดซงสอดคลองกบชดขอมลทดสอบทใชในการเรยนร โดยกระบวนการของเวอรชนสเปซนนจะจดการกบชดขอมลทดสอบเชงบวกและชดขอมลทดสอบเชงลบในลกษณะทสมมาตรกน

เมอก าหนด

ภาษาเพอการน าเสนอหรอการบรรยาย (Representation Language) และเซตของชดขอมลทดสอบเชงบวกและชดขอมลทดสอบเชงลบ โดยชดขอมลทดสอบทงสองประเภทจะถกเสนอดวยภาษาดงกลาว

ผลลพธ

ค าอธบายแนวคด (Concept Description) ทสอดคลองกบชดขอมลทดสอบเชงบวกทงหมด แตไมสอดคลองกบชดขอมลทดสอบเชงลบใด ๆ เลย

ดงนนอลกอรทม Candidate-Elimination จะมขนตอนการท างานดงน

ก าหนดให

G เปนเซตของ General Concepts และ S เปนเซตของ Specific Concepts

Training Examples ซงประกอบดวย Positive Training Examples และ Negative Training Examples

อลกอรทม

1. ก าหนดคาเรมตนของ G ซงประกอบดวยสมาชกเพยง 1 ตว คอ null ซงหมายถงการก าหนดใหทก ๆ คณสมบต(Features) แทนดวยตวแปรใด ๆ (Variable)

2. ก าหนดคาเรมตนของ S ซงประกอบดวยสมาชกเพยง 1 ตว คอ positive training example กรณท 1 (The First Positive Example)

ท าซ าขนตอนตอไปน จนกระทงทง S และ G เปน Singleton Sets

น าเขาชดทดสอบ p เปนชดถดไป



ถาชดทดสอบ p เปน A Positive Example o ใหท าการลบทก ๆ ค าอธบาย (Description) ของ G ทไมครอบคลมคณสมบตของชดทดสอบ p o หลกจากนนท าการปรบปรง S เพอให Version Space มความเปนลกษณะเฉพาะเจาะจงมากทสด

รวมทงใหครอบคลมค าอธบายคณสมบตของชดทดสอบ p ทเขามา และชดทดสอบอน ๆ ทมอยในVersion Space ขณะนนดวย

ถาชดสอบ p เปน A Negative Example o ใหท าการลบทก ๆ ค าอธบาย (Description) ของ S ทครอบคลมคณสมบตของชดทดสอบ p o หลกจากนนท าการปรบปรง G เพอให Version Space มความเปนลกษณะทวไปมากทสด รวมทง

ไมใหครอบคลมค าอธบายคณสมบตของชดทดสอบ p ทเขามา และชดทดสอบอน ๆ ทมอยใน Version Space ขณะนนดวย

3. ถา S และ G ใหผลลพธเหมอนกนแสดงวา ไดค าตอบ

4. ถาS และ G ใหผลลพธไมเหมอนกนแสดงวา ไมไดค าตอบ นนคอ Training Set มลกษณะไมคงเสนคงวา (Inconsistency)

(5) Version Space Problem

ตวอยางท 1 : Learning The Concept of "Japanese Economy Car"

Examples 1 to 5 of features: Country of Origin, Manufacturer, Color, Decade, Type

Example Origin Manufacturer Color Decade Type Example Type 1 Japan Honda Blue 1980 Economy Positive 2 Japan Toyota Green 1970 Sports Negative 3 Japan Toyota Blue 1990 Economy Positive 4 USA Chrysler Red 1980 Economy Negative 5 Japan Honda White 1980 Economy Positive

ขนตอนการแกปญหาดงน

ขนท1: ก าหนดคาเรมตนเพอท าใหสมมตฐานมความเปนลกษณะทวไปมากทสด และ มความเปนลกษณะเฉพาะเจาะจงมากทสด โดย



ก าหนดคาเรมตนใหกบ G โดย G คอเซตของสมมตฐานทงหมดทมคาความเปนลกษณะทวไปมากทสด นนคอ G = null description ซงหมายความวาเปนการก าหนดใหทก feature ของ G ถกแทนดวยตวแปรใด ๆ ดงนนจะไดวา G = {f1, f2, f3, f4, f5} เมอ f1, f2, f3, f4, f5 แทนตวแปรใด ๆ

ก าหนดคาเรมตนใหกบ S โดย S คอเซตของสมมตฐานทงหมดทมคาความเปนลกษณะเฉพาะเจาะจงมากทสด นนคอจะประยกตเขากบชดขอมลทดสอบเชงบวกชดท 1 จะไดวา S ={Japan,Honda,Blue,1980,Economy}

ผลลพธทไดคอโหนดของทร 2 โหนด โดยทโหนดโปรงใส แทนสมมตฐานความเปนลกษณะเฉพาะเจาะจง และ โหนดทบแทนสมมตฐานความเปนลกษณะทวไป โดยเปนทงสองโหนดถกใชในการเรยนรเพอน าไปสการหาค าอธบายของแนวคด “Japanese Economy Car” ซงอาจจะอยในทใดทหนงในเวอรชนสเปซ

ขนท2: ประยกตเขากบชดขอมลทดสอบเชงลบชดท 2: (Japan, Toyota, Green, 1970, Sports)

ก าหนดลกษณะเฉพาะเจาะจง G เพอแยกชดขอมลทดสอบเชงลบออกไป ตวอยางเชน การก าหนดลกษณะเฉพาะเจาะจง G ทท าให ชดขอมลทดสอบเชงลบไมอยในเวอรชนสเปซอกตอไป ดงนนลกษณะเฉพาะเจาะจงทไดคอ

G = { (?, Honda, ?, ?, ?), (?, ?, Blue, ?, ?), (?, ?, ?, 1980, ?), (?, ?, ?, ?, Economy) }

ผลลพธทไดในรปของโหนดและเสนเชอมโยงดงรปท 5.8

รปท 5.8 ผลลพธทจากการประยกตขอมลทดสอบเชงลบชดท 2



ขนท3: ประยกตเขากบชดขอมลทดสอบเชงบวกชดท 3: (Japan, Toyota, Blue, 1990, Economy)

เลม (Prune) G เพอแยกค าอธบายทไมสอดคลองกบชดขอมลทดสอบเชงบวก เชนลบค าอธบายทก ๆ ค าอธบายทไมสอดคลองกบชดขอมลทดสอบเชงบวกออกจาก G ดงนนจะไดเซต G เซตใหมคอ

G = { (?, ?, Blue, ?, ?), (?, ?, ?, ?, Economy) }

ก าหนดลกษณะทวไป S เพอทจะรวมชดขอมลทดสอบชดใหมทเขาไป ดงนนจะไดเซต S เซตใหมคอ S = {(Japan, ? , Blue, ? , Economy)}


รปท 5.9 ผลลพธทจากการประยกตขอมลทดสอบเชงบวกชดท 3

จากผลลพธเซต G และ เซต S ทได ท าใหสามารถก าหนดเวอรชนสเปซดวยประโยคคราว ๆ วา แนวคดอาจจะถกระบดวยประโยคทวา "Japanese, blue economy car"

ขนท4: ประยกตเขากบชดขอมลทดสอบเชงลบชดท 4: (USA, Chrysler, Red, 1980, Economy)

ก าหนดลกษณะเฉพาะเจาะจง G (แตในขณะเดยวกนจะตองสอดคลองกบ S ดวย) เพอแยกชดขอมลทดสอบเชงลบออกไป เชน เซต G จะตองไมครอบคลมชดขอมลทดสอบชดใหมทเขาไป ดงนนจะไดเซต G เซตใหมคอ

G = { (?, ?, Blue, ?, ?), (Japan, ?, ?, ?, Economy) }

เลม (Prune) ทกโหนดทเปนสมมตฐานความเปนลกษณะเฉพาะเจาะจงและเปนชดขอมลทดสอบเชงลบ ดงนนเมอไมพบลกษณะโหนดดงกลาวขางตนแสดงวาเซต S ไมมการเปลยนแปลงนนเอง ดงนนเซต S มคาเหมอนเดมคอ S = { (Japan, ?, Blue, ?, Economy) }




รปท 5.10 ผลลพธทจากการประยกตขอมลทดสอบเชงลบชดท 4

จากผลลพธทไดจะภาพทชดเจนขนซงท าใหรวารถดงกลาวจะตองเปนรถของญป น (Japanese) เนองจากทก ๆ ค าอธบายในเวอรชนสเปซประกอบดวยสวนทระบวา origin คอ Japan

ขนท5: ประยกตเขากบชดขอมลทดสอบเชงบวกชดท 5: (Japan, Honda, White, 1980, Economy)

เลม(prune) G เพอแยกค าอธบายทไมสอดคลองกบชดขอมลทดสอบเชงบวก G = { (Japan, ?, ?, ?, Economy) }

ก าหนดลกษณะทวไป S เพอทจะรวมชดขอมลทดสอบชดใหมทเขาไป S = { (Japan, ?, ?, ?, Economy) }


รปท 5.11 ผลลพธทจากการประยกตขอมลทดสอบเชงบวกชดท 5



รปท 5.12 จากผลลพธทไดจะเหนวาทง G และ S มคณสมบตเปน singleton set รวมทง S = G ดงนนจะไดวาอลกอรทมถกท าใหบรรจบกน จงไมจ าเปนตองการชดขอมลทดสอบใด ๆ แลว การท างานของอลกอรทมจงสนสดลง

รปท 5.12 ผลลพธสดทาย

5.3.3 Decision Trees: ตนไมตดสนใจ

ตนไมตดสนใจเปนเครองมอทมประสทธภาพส าหรบการจ าแนก (Classification) และการท านาย (Prediction) โดยตนไมตดสนใจน าเสนอกฎตาง ๆ (Rules) ในรปของโครงสรางตนไมซงประกอบดวยโหนดตาง ๆ ดงนนท าใหมนษยสามารถเขาใจและรเรยนกฎตาง ๆ ไดงาย

ลกษณะของตนไมตดสนใจ

1. เปนเครองมอในการจ าแนกทประกอบดวย Leaf Nodes และ Decision Nodes โดยท - Leaf Nodes จะเปนโหนดทระบคาแอตทรบวตเปาหมายตาง ๆ ของชดขอมลตวอยางส าหรบ Decision

Node จะก าหนดการทดสอบทจะถกด าเนนการดวย Attribute Value 2. เปนการเรยนรแบบ Inductive Approach โดยเรยนรองคความรจากการจ าแนก โดยมเงอนไขตอไปน

- ค าอธบายคาแอตทรบวต วตถหรอกรณศกษาจะตองถกน าเสนอหรอแสดงในรปของกลมของคณสมบตทมจ านวนคงท หรอกลมของแอตทรบวตทเปนคาไมตอเนอง

- ประเภทของคลาสทจะก าหนดใหกบชดขอมลตวอยางจะตองถกก าหนดไวลวงหนา - เปนคลาสแบบไมตอเนอง นนคอคลาสตาง ๆ จะตองมการระบไวอยางชดเจน ส าหรบคลาสแบบตอเนอง

จะถกแบงออกเปนประเภทหยาบ ๆ ไดสามประเภทคอ Hard Class, Flexible Class, และ Soft Class - มขอมลเพยงพอ โดยจะตองมชดขอมลส าหรบการสอนทเพยงพอส าหรบการแบงรปแบบตาง ๆ ทเปนไป

ได



3. รปท 5.13 ตวอยางตนไมตดสนใจ

รปท 5.13 ตวอยางตนไมตดสนใจ

4. ในการสรางตนไมตดสนใจโดยทวไปแลวสรางจากอลกอรทมทเรยกวา ID3 Algorithm (Iterative Dichotomiser 3) ซงพฒนาโดย J. Ross Quinlan จาก the University of Sydney เมอป ค.ศ.1975

รายละเอยดของอลกอรทมท ID3 มดงน - ID3 สรางตนไมตดสนใจจากเซตของตวอยาง (a set of "examples") โดยตวอยางเหลาน

ประกอบดวยแอตทรบวต หลาย ๆ แอตทรบวต แตละแอตทรบวต มคาทเปนไปได 2 คาคอ "ใช" หรอ "ไมใช" ( yes or no )

- โหนดใบประกอบดวยชอคลาส (Class Name) - โหนดตดสน (Decision Node) คอการทดสอบแอตทรบวต

5. การเลอกแอตทรบวต (Attribute Selection) คอการท ID3 ตดสนใจวาแอตทรบวตใดเปนแอตทรบวตทดทสด ส าหรบเงอนไขทใชในการเลอกแอตทรบวตถกก าหนดใหเปนแอตทรบวตทดสอบ (A Test Attribute) ทจะปรากฏเปน Branch Node ของตนไมตดสนใจ เงอนไขทนยมใชการเลอกแอตทรบวตคอ Information Gain (IG) ซงเปนฟงกชน Log ฐานสองเพอใชในการก าหนดจ านวนของบตทใชในการน าเสนอขอมล โดย IG เกยวของกบสงตาง ๆ ตอไปน

1) Entropy เปนตววด Information Content ทอยในแอตทรบวตโดยก าหนดเปนคา Information Entropy ส าหรบ Information Entropy อยในรปของตวแปร X ซงแทนสถานะทเปนไปไดทงหมด (หรอ คอผลลพธนนเอง) คอ x1, . . . ,xn เมอ

H(X) = ∑ p(xi) • log2 (1

p(xi))

𝑛

𝑖=1

= − ∑ p(xi) • log2(p(xi))

𝑛

𝑖=1

เมอ p(xi) = P(X = xi) แทนความนาจะเปนของผลลพธตวท i ของ X 2) IG ของแอตทรบวต X ทเกยวกบคลาสแอตทรบวต Y หรอแทนดวยสญลกษณ I(Y ; X)

เมอก าหนดให Y และ X เปนตวแปรแบบไมตอเนอง (Discrete Variables) ซงมคาอยในเซต {y1 . . . yi . . . yk} และ {x1 . . . xj . . . xl } ตามล าดบ ดงนน IGของแอตทรบวต



X ทเกยวกบคลาสแอตทรบวต Y คอการลดความไมแนนอน (Uncertainty) ของคา Y เมอรคา X ซงเขยนแทนดวยสญลกษณ I(Y ; X) เมอ

ความไมแนนอนของคา Y วดจากคา Entropy นนคอคา H(Y) ความไมแนนอนของคา Y เมอรคา X วดจากคา Entropy แบบมเงอนไขนนคอคา H(Y|X)

ดงนนจงไดวา I(Y ; X) ค านวณไดจาก I(Y; X) = H(Y) - H(Y |X) เมอ

H(Y) เปนคา Entropy เรมตนของ Y ทค านวณไดจาก

H(Y) = − ∑ p(yi) • log2(p(yi))

𝑘

𝑖=1

H(Y |X) เปนคา Entropy แบบมเงอนไขของ Y ทค านวณไดจาก

H(Y|X) = − ∑ p(xj) • H(Y|xj)

𝑙

𝑗=1

โดยท

H(Y |xj) = − ∑ p(yi|xj) • log2(p(yi|xj))

𝑙

𝑗=1

(H(Y | xj) คอคา entropy ของ Y ทก าหนดใหผลลพธ xj แตละตว )

3) ตวอยางการสรางตนไมตดสนใจจากขอมลสภาพอากาศทถกรวบรวมไวสองสปดาหกอนหนา เพอหาค าตอบวาควรจะเลนกอลฟหรอเลนบาสเกตบอล ขนท 1 ก าหนดตวอยางขอมล (Training Data) สภาพอากาศแสดงในตาราง 5.1



ตาราง 5.1 Training Data สภาพอากาศ

Day Outlook Temp Humidity Wind Class (play) 1 Sunny 85 85 week no 2 Sunny 80 90 strong no 3 Cloudy 83 78 week yes 4 Rainy 70 96 week yes 5 Rainy 68 80 week yes 6 Rainy 65 70 strong no 7 Cloudy 64 65 strong yes 8 Sunny 72 95 week no 9 Sunny 69 70 week yes

10 Rainy 75 80 week yes 11 Sunny 75 70 strong yes 12 Cloudy 72 90 strong yes 13 Cloudy 81 75 week yes 14 Rainy 71 85 strong no

ขนท 2 จากขอมลตวอยางขางตนประกอบดวย 5 แอตทรบวตคอ 1) Temperature 2) Humidity 3) Outlook 4) Wind และ 5) Play โดย แอตทรบวตคอ 2) และ 3) เปนขอมลแบบตอเนอง (Continuous Data) แตส าหรบการสรางตนไมตดสนใจโดยอลกอรทม ID3 นนขอมลจ าเปนจะตองเปนขอมลแบบไมตอเนอง (Discrete Data) เทานน ดงนนสามารถเปลยน แอตทรบวต 2) และ 3) ใหเปน ขอมลแบบไมตอเนอง ไดดงตาราง 5.2

ตาราง 5.2 Training Data สภาพอากาศ ในรปแบบของ Discrete Data

Attribute Possible Values Outlook Sunny Cloudy Rainy Temperature Hot Medium Cold Humidity High Normal

Wind Strong Week Class play No play Decision n(negative) p(positive)



ดงนนการก าหนดคาแบบไมตอเนอง(Discrete Value) ใหกบแตละแอตทรบวต โดยท าการแบงคาแอตทรบวตแบบตอเนองใหอยในรปไมตอเนองตามทก าหนดไวดงตาราง 5.3 ซงเปลยนแปลงขอมลตวอยางจากตาราง 5.1 ใหอยในรป Discrete Value ได ตาราง 5.4

ตาราง 5.3 การก าหนด Discrete Value ใหกบแตละแอตทรบวต

Temperature: Hot (H) 80 to 85 Medium (M) 70 to 75 Cold (C) 64 to 69

Humidity: High (H) 81 to 96 Normal (N) 65 to 80 Class: Yes (Y) Play No (N) No play

ตาราง 5.4 Training Data สภาพอากาศในรป Discrete Value

Day Outlook Temp Humidity Wind Class (play) 1 Sunny 85 Hot 85 High week no 2 Sunny 80 Hot 90 High strong no 3 Cloudy 83 Hot 78 High week yes 4 Rainy 70 Medium 96 High week yes 5 Rainy 68 Cold 80 Normal week yes 6 Rainy 65 Cold 70 Normal strong no 7 Cloudy 64 Cold 65 Normal strong yes 8 Sunny 72 Medium 95 High week no 9 Sunny 69 Cold 70 Normal week yes

10 Rainy 75 Medium 80 Normal week yes 11 Sunny 75 Medium 70 Normal strong yes 12 Cloudy 72 Medium 90 High strong yes 13 Cloudy 81 Hot 75 Normal week yes 14 Rainy 71 Medium 85 High strong no

ขนท3 การเลอกแอตทรบวต โดยการหาคา entropy และ คา IG ก าหนด S คอ Training Data ซงประกอบดวย 14 ตวอยางโดยแบงเปนคลาส YES 9 ตวอยางและคลาส NO 5 ตวอยาง ดงนนจะได

Entropy(S) = - (9/14) Log2(9/14) - (5/14) Log2(5/14) = 0.940 จะเหนวา S ไมใชแอตทรบวตแตเปนเซตของตวอยางทงหมด (the entire sample set) และส าหรบคา Entropy จะอยในชวงตงแต 0 ถง 1 (0 หมายถง "perfectly classified" และ 1 หมายถง "totally random" )



คา IG ของ S ส าหรบแอตทรบวต A หาไดจาก

Information Gain(S, A) = Entropy(S) - ∑ ((|Sv| / |S|) * Entropy(Sv))

เมอ ∑ คอผลรวมของคา v ของคาทเปนไปไดทงหมดของแอตทรบวต A

Sv คอเซตยอยของ S ส าหรบแอตทรบวต A ทมคา v

|Sv| คอจ านวนสมาชกของ Sv

|S| คอจ านวนสมาชกของ S

จาก S ทก าหนดใหคอขอมลตวอยาง 14 ตวอยาง โดยมแอตทรบวต Wind มคาทเปนไปไดคอ Weak หรอ Strong ดงนนสามารถแยกคลาสโดยใชแอตทรบวต Wind โดยท 8 ตวอยางมคาเปน Weak และ 6 ตวอยางมคาเปน Strong และจาก 8 ตวอยางมคาเปน Weakนนแบงเปน 6 ตวอยางทมคลาสเปน YES และอก 2 ตวอยางทมคลาสเปน NOในขณะท 6 ตวอยางมคาเปน Strong นน แบงเปน 3 ตวอยางทมคลาสเปน YES และอก 3 ตวอยางทมคลาสเปน NO ดงนนจะไดวา

Information Gain(S, wind) = Entropy(S)-(8/14)•Entropy(Sweak)–(6/14)• Entropy(Sstrong)

= 0.940 - (8/14) • 0.811 - (6/14) • 1.00 = 0.048

Entropy(Sweak) = - (6/8) • log2(6/8) - (2/8) • log2(2/8) = 0.811

Entropy(Sstrong) = - (3/8) • log2(3/6) - (3/6) • log2(3/6) = 1.00

แตละแอตทรบวตจะถกน ามาค านวณหาคา IG โดยแอตทรบวตใดมคา IG สงทสดจะถกน ามาเปนโหนดตดสนใจ (the decision node) เมอท าการหาคา IG ของแตละแอตทรบวตจะไดผลลพธของตนไมตดสนใจเพอหาค าตอบวาควรจะเลนกอลฟหรอเลนบาสเกตบอลดงรปท 5.14



รปท 5.14 ตนไมตดสนใจ

5.4 การเรยนรบนพนฐานค าอธบาย

5.4.1 แนวคดทวไปและหลกการท างาน

การเรยนรบนพนฐานค าอธบาย (Explanation Based Learning : EBL) เปนการเรยนรส าหรบการสรางแนวคดทวไป (A General Concept) จากขอมลตวอยางเฉพาะเจาะจงชดใดชดหนง (A Specific Training Example) โดยอาศยหลกการวเคราะหขอมลตวอยางเฉพาะเจาะจงในรปขององคความรเฉพาะดาน (Domain Knowledge) และแนวคดแบบมเปาหมาย (Goal Concept) ผลลพธของ EBL คอโครงสรางค าอธบาย (An Explanation Structure) ซงใชส าหรบการอธบายเหตผลวาเพราะเหตใดขอมลตวอยางจงเปนตวอยางหนงของแนวคดทวไป นอกจากนโครงสรางค าอธบายยงถกน ามาเปนพนฐานของการสรางแนวคดทวไปเชนกน กระบวนการเรยนรแบบ EBL แสดงดงรปท 5.15

รปท 5.15 กระบวนการเรยนรแบบ EBL

ขอมลน าเขาส าหรบ EBL แบงออกเปน 4 ประเภทคอสวนท (1) – (4) ของรปท 5.15 โดยทงสสวนนไมถอวาเปนองคประกอบของ EBL

(1) Training example อาจเปนค าอธบายสถานการณใดสถานการณหนง (Situation Description) หรออาจเปนขอเทจจรงใด ๆ (Facts) ส าหรบตวอยาง (An Example) หมายถงเซตของขอเทจจรงทใชอธบายถงกรณตวอยางของแนวคดเปาหมาย (An Instance of the Goal Concept)



(2) Goal concept ซงอยในรปประโยคแคลคลสภาคแสดง (Predicate Calculus Statement) หรอเรยกเตม ๆ วา ประโยคแคลคลสภาคแสดงอนดบทหนง (First-Order Predicate Calculus Statement) ในทนอยในรปของค าอธบายแนวคดระดบสง (A High Level Description Of Concept ) เพอใชส าหรบใหโปรแกรมเรยนร เชน การใหนยามของวตถทเรยกวา "Cup" ค านยามทใหคอ (lift-able, stable, open-vessel . . .) ซงค านยามดงกลาวจะเกยวของกบคณสมบตเชงหนาท (Functional Properties) แทนทจะก าหนดค านยามเปน (light, part of, pointing . . .) ซงเปนนยามทอธบายถงคณสมบตเชงโครงสราง (Structural Features)

(3) Domain theory เปนสวนของกฎการอนมาน (Inference Rule) ซงจะน าเสนอขอเทจจรงและกฎทตองการใหผ เรยนทราบหรอร โดยทขอเทจจรง (Facts) อธบายตวอยางของแนวคดเปาหมาย ในขณะทกฎ (Rules) อธบายความสมพนธระหวางวตถใด ๆ (Objects) กบการกระท า (Actions) ในโดเมนนน ๆ เชนส าหรบโดเมนของ "cup" จะไดวา

Facts: concavities, bases, and lugs

Rules: about lift ability, stability and what makes an open vessel

(4) Operational criterion เปนค าอธบายแนวคดทอยในรปของ an appropriate form ของแนวคดสดทาย

อลกอรทม EBL ประกอบดวย 2 ขนตอนคอ (1) Explain เปนขนตอนของการสรางค าอธบาย (An Explanation) ในรปแบบของทฤษฎเฉพาะดาน

(The Domain Theory) ทใชแสดงวาชดขอมลตวอยางเปนลกษณะตรงตามค านยามของ goal concept อยางไร

(2) Generalize เปนขนตอนของการระบเซตของเงอนไขภายใตค าอธบายทถกสรางขนจากขนตอนท 1โดยเงอนไขดงกลาวนจะตองอยในรปของ operationally criterion

5.4.2 ตวอยางปญหา "cup" Generalization

ก าหนด Logical Operator ทใชม 3 operatorดงน 1) สญลกษณ “^” แทน and 2) สญลกษณ “”

แทน การอนมาน if .. then และ 3) สญลกษณ “” แทน if and only if

ก าหนด Goal Concept คอ lift-able(X) ^ stable(X) ^ open-vessel(X) cup(X)

ก าหนด Training Example ดงน colour(Obj23, Blue) ^ has-part(Obj23, Handle16) ^ has-part(Obj23, Bottom19) ^ owner(Obj23, Ralph) ^ has-part(Obj23, Concavity12) ^ is(Obj23, Light) ^ is(Ralph, Male) ^ isa(Handle16,Handle) ^ isa(Bottom19, Bottom) ^ is(Bottom19, Flat) ^ isa(Concavity12, Concavity) ^



is(Concavity12, Upward-Pointing)

ก าหนด Domain theory ดงน

has-part(x,y) ^ isa(y,Concavity) ^ is(y, Upward-Pointing) open-vessel(x)

is(x, Light) ^ has-part(x,y) ^ isa(y,Handle) liftable(x)

has-part(x,y) ^ isa(y, Bottom) ^ is(y,Flat) stable(x)

ก าหนด Operationally Criterion

การก าหนดแนวคดจะแสดงในรปของคณสมบตเชงโครงสราง โดยในขนตอนแรกของการท า EBL เปน

การแสดงใหเหนวาชดขอมลตวอยางเปนลกษณะตรงตามค านยามของ “cup” ซงจ าเปนจะตองการ

พสจน (a proof) อยางไรกตามการพสจนแสดงใหเหนเพยงสวนของ Operationally Criterion เทานน

ส าหรบสวนทไมเกยวของกบ Operationally Criterion อยาง Owner และ Color จะถกตดทงไม

ส าหรบ Explanation Structure ของ “cup” ทไดจากกระบวนการ EBL ในรอบท 1 แสดงดงรปท 5.16

ซงเปนการพสจนวาเหตใดชดตวอยางขอมลจงเปนตวอยางของ“cup”

รปท 5.16 Explanation Structure ของ “cup”

ส าหรบการพสจนในขนตอน Generalize อาศยเทคนค A Goal Regression ซงจากตวอยางขางตน

เมอท าการแทนคาคงทดวยตวแปร จะท าใหไดลกษณะทวไปของ “cup” (Generalization of The

cup) ดงน

has-part(x, y) U isa(y, Concavity) U is(y, Upward-Pointing) U

has-part(x, z) U isa(z, Bottom) U is(z, Flat) U has-part(x,w) U

isa(w, Handle) U is(x, Light)



5.5 การเรยนรโดยการจดกลม

การเรยนรโดยการจดกลม(Clustering) เปนวธการจดกลมของขอมลออกเปนกลมยอย ตงแต 2 กลมขนไป โดยขอมล

ทอยในกลมเดยวกนจะมลกษณะทเหมอนกนหรอคลายกน สวนขอมลทอยตางกลมกน จะมลกษณะทแตกตางกน

โดยทวไปเรยก Clustering วาเปน Unsupervised Learning รปท 5.17 แสดงการแบงชดของขอมลของจดตาง ๆ

ออกเปน 3 กลม

รปท 5.17 แสดงการท า Clustering ของขอมลของจด (Data Points)

เทคนคการจดกลมนนยมใชส าหรบกบการท าเหมองขอมล (Data Mining) เพอแบงกลมทตองใชขอมลของทกกลมใน

การหาจดเดนของแตละกลมออกมาใหเหนอยางชดเจน เพอไดมาซงลกษณะเฉพาะของกลมนน ๆ ส าหรบ

clustering เปนเทคนคการจดกลมทไมมแอตทรบวตเปาหมาย (Target Attribute) ดงนนเซตของขอมลจะตองคนหา

วาโครงสรางภายใน (Intrinsic Structures) ของเซตขอมลนนเปนอยางไร โดยจะเหนวาเทคนคแบบนตางจากเทคนค

การจ าแนกขอมล (Classification) ในสวนท Clustering จะไมมการระบ Predefined Classes ดงนนจะตองเรยนร

การจ าแนกขอมลจากเซตของขอมลนนเอง ส าหรบเทคนคของ Clustering ทนยมใชกนไดแก

1. Similarity Measure : เปนเทคนคการวดความคลายกนของขอมล โดยอาศยฟงกชนระยะทาง (Distance

Function) ไดแก Euclidean distance, Manhattan distance เปนตน

Euclidean distance หรอ Euclidean metric เปนการวดระยะหางระหวางจด 2 จดในท านอง

เดยวกนกบการใชไมบรรทดวดจด 2 จดนนเอง ดงนนถาก าหนดใหจด P โดยท P = (p1 , p2 , . . pi . . ,

pn) และจด Q โดยท Q = (q1 , q2 , . . qi . . , qn ) เปนจดทอยบน Euclidean n-space ดงนน

ระยะหางระหวางจด 2 จดคอ

√(𝑝1 – 𝑞1)2+ (𝑝2 – 𝑞2)2 + … + (𝑝𝑛 – 𝑞𝑛)2

= √∑ (𝑝𝑖 − 𝑞

𝑖)2𝑛

𝑖=1



ตวอยาง การหาระยะทางในแบบ 3 มต เมอก าหนดใหจด P และ จด Q เปนจดใด ๆ บนระนาบ 3 มต

ดงนนจะค านวณระยะหางแบบ The Euclidean 3-space ไดจาก

√(𝑝𝑥 – 𝑞𝑥 )2+ (𝑝𝑦 – 𝑞𝑦)2 + … + (𝑝𝑧 – 𝑞𝑧)2

Manhattan Distance หรอ City Block Distance เปนผลรวมของการวดระยะหางระหวางจด 2 จดท

อยบน Euclidean Space กบ ต าแหนงของจดทก าหนดบนระนาบ เชนบนระนาบใด ๆ Manhattan

Distance ระหวางจด P1 กบต าแหนง (x1 , y1 ) และ ระหวางจด P2 กบต าแหนง (x2 , y2) มคาเทากบ

|x1 – x2| + |y1 – y2|

2. K-Mean Clustering

เปนวธการจ าแนกหรอจดกลมขอมลตามแอตทรบวตหรอคณสมบต (Attributes/Features) ออกเปน K กลม เมอ K

เปนจ านวนเตมบวกใด ๆ ส าหรบการจดกลมถกท าโดยการหาคาต าสดของผลรวมของรากทสองของระยะทาง

ระหวางขอมลกบจดกลางของกลมขอมล (Cluster Centroid) ทก าหนด ขนตอนการจดกลมดวยวธ K-Mean แสดง

โดยผงการท างานดงรปท 5.18

รปท 5.18 K-Mean Clustering algorithm

จากรปท 5.18 แสดงขนตอนการท างาน ซงม 2 ขนตอนหลกคอ

1. ท าการสมเลอกจดกลางของกลมขอมล

2. ท าซ าขนตอนตอไปนจนกระทงไมเกดการเปลยนแปลงการจดกลมของขอมล

2.1. ก าหนดระยะพกดของจดกลาง

2.2. หาระยะทางระหวางขอมลกบจดกลาง

2.3. จดขอมลเขากลมทอยใกลทสด (ระยะทางมคานอยทสด)



ตวอยาง การจดกลมขอมลโดยอาศย K-Mean Clustering

ก าหนด

Object คอยา 4 ชนดคอ A, B, C, D

Attributes ประกอบดวย X แทนคาน าหนก และ Y แทนคา PH ซงคา attribute ของยาทง 4 ชนดเปน

ดงน

Objects Attributes

X Y

A 1 1 B 2 1 C 4 3 D 5 4

รปท 5.19 ก าหนดขอมลของแอตทรบวตในรปพกด (coordinate)

ขนตอนท1 : Initial Value Of Centroids โดยก าหนดยาชนด A และ B เปนจดกลางเรมตน ดงนนถาก าหนดให P1

และ P2 แทนพกดของจดกลางเรมตน จะไดวา P1 = (1,1) และ P2 = (2,1) และก าหนดให P1, P2 เปนจดกลาง

เรมตนของกลมท 1, กลมท 2 ตามล าดบ

รปท 5.20 แสดง P1, P2 เปนจดกลางเรมตน

ขนตอนท2 :

Iteration 0

2.1 ก าหนดระยะพกดของจดกลาง จะได P1 = (1,1) และ P2 = (2,1) เปนจดกลางเรมตนของกลมท 1, กลมท 2

ตามล าดบ



2.2 หาระยะทางระหวางขอมลกบจดกลาง

หาคา Euclidean Distance ระหวาง P1 กบ จด A, B, C, D

หาคา Euclidean Distance ระหวาง P2 กบ จด A, B, C, D

𝐷13 = √(𝐶𝑥 – 𝑃1𝑥 )2+ (𝐶𝑦 – 𝑃1𝑦)2 = √(4 – 1 )2+ (3 – 1)2 = 3.61

𝐷23 = √(𝐶𝑥 – 𝑃2𝑥 )2+ (𝐶𝑦 – 𝑃2𝑦)2 = √(4 – 2 )2+ (3 – 1)2 = 2.83

ส าหรบการหาคา D11 , D12 , D14 , D21 , D22 , D24 กท าในท านองเดยวกน

ดงนนจงได Distance matrix (D) ดงน

2.3 จดขอมลเขากลม

ก าหนดกลมใหกบยาแตละชนด ดงน

สราง Group matrix (G) โดยก าหนดใหสมาชกของเมทรกซจะมคา 1 ถายาชนดนน ๆ อยในกลมทก าหนด

ซงจะไดดงน

Iteration 1

2.1 เนองจากในแตละกลมจะมขอมลทเปนสมาชกใหมทถกจดเขามาในกลมจากรอบกอนหนา ดงนนจะตองหาพกด

ของจดกลางจดใหม ซงจะไดวา

ชนดยา กลม A 1 B 2 C 2 D 2

แถวท 1 แทนขอมลของกลมท 1 (group-1 cluster) แถวท 2 แทนขอมลของกลมท 2 (group-2 cluster)

แถวท 1 แทนขอมลของกลมท 1 (group-1 cluster) แถวท 2 แทนขอมลของกลมท 2 (group-2 cluster)

4.24



กลมท 1 มสมาชกเพยงตวเดยวคอ A จะได P1 = (1,1) เปนจดกลางของกลมท 1

กลมท 2 มสมาชก 3ตวคอ B, C, D จะได P2 = คาเฉลยของ (B, C, D) เปนจดกลางของกลมท 2

P2 = ((2+4+5)/3, (1+3+5)/3) = (3.66, 3)

รปท 5.21 เสนแบงกลมขอมลทม A, B เปนจดกลาง

2.2 หาระยะทางระหวางขอมลกบจดกลาง จะได Distance matrix (D) ดงน

2.3 จดขอมลเขากลมได Group matrix (G) ดงน

Iteration 2

2.1 หาพกดของจดกลางจดใหม ซงจะไดวา

กลมท 1 มสมาชก 2 ตวคอ A, B จะได P1 = ((1+2)/2, (1+1)/2) = (1.5,1) เปนจดกลางของกลมท 1

กลมท 2 มสมาชก 2 ตวคอ C, D จะได P2 = ((4+5)/2, (3+4)/2 = (4.5,3.5) เปนจดกลางของกลมท 2

2.2 หาระยะทางระหวางขอมลกบจดกลาง จะได Distance matrix (D) ดงน



2.3 จดขอมลเขากลมได Group matrix (G) ดงน

จะไดวา G2 = G1 นนหมายความวาการท าซ าในรอบท 2 ถอวาเปนรอบสดทายเนองจากผลลพธทไดไมเกดการ

เปลยนแปลงกลมของขอมล ดงนนผลลพธการจดกลมยาทง 4 ชนดคอ

ชนดยา Feature 1 (X) Feature 2 (Y) กลม คาน าหนก คา pH (Cluster Group)

A 1 1 1 B 2 1 1 C 4 3 2 A 3 4 2

ชนดยา กลม A 1 ไมเกดการเปลยนแปลงกลม B 1 ไมเกดการเปลยนแปลงกลม C 2 ไมเกดการเปลยนแปลงกลม D 2 ไมเกดการเปลยนแปลงกลม

บทท 6 การประมวลผลภาษาธรรมชาต

(Natural Language Processing)


1 เพอใหนกศกษารและเขาใจค านยามของภาษาธรรมชาต และค าศพททางภาษาตาง ๆ ทเกยวของในงานทางดาน

การประมวลผลภาษาธรรมชาต

2 เพอใหนกศกษารและเขาใจเกยวกบขนตอนการประมวลผลภาษาธรรมชาต

3 เพอใหนกศกษารและเขาใจเกยวกบระดบการวเคราะหในสวนของการประมวลผลภาษาธรรมชาต

4 เพอใหนกศกษารและเขาใจการแจกแจงประโยคดวยการประยกตใชกฎไวยากรณโดยเทคนค Context-Free

Grammar

5 เพอใหนกศกษาร เขาใจ และประยกตใชการแจกแจงประโยคและตนไมแจกแจงได

6.1 บทน า

ภาษาธรรมชาต (Natural Language) หมายถงภาษาใด ๆ ทมนษยใชพดหรอเขยนเพอการตดตอสอสารเชน

ภาษาไทย ภาษาองกฤษ ภาษาจน ภาษาฝรงเศส เปนตน ดงนนการประมวลผลภาษาธรรมชาต (Natural Language

Processing : NLP) เปนกระบวนการทท าใหคอมพวเตอรสามารถเขาใจภาษาของมนษยได และในทางกลบกนคอ

การท าใหคอมพวเตอรสามารถสอสารดวยภาษามนษยไดเชนเดยวกน การประมวลผลภาษาธรรมชาตเปนสาขาหนง

ทางดานปญญาประดษฐทเกดจากการรวมเอาศาสตรทางดานปญญาประดษฐและศาสตรทางดานภาษาเขาดวยกน

เพอท าใหคอมพวเตอรสอสารกบมนษยดวยภาษาธรรมชาตของมนษย ส าหรบภาษาธรรมชาตทกลาวถงในบทเรยนน

จะหมายถงภาษาองกฤษซงเปนภาษาทางการทใชกนทวโลก

ภาษาคอระบบทประกอบไปดวยเซตของสญลกษณ (Symbols) และเซตของกฎเกณฑ (Rules or Grammar) โดย

สญลกษณถกรวมเขาดวยกนเพอสรางขอมลใหม ส าหรบกฎเกณฑนนเปนสวนทใชควบคมการใชสญลกษณ

เนองจากการประมวลผลภาษาธรรมชาตเปนกระบวนการทท าใหคอมพวเตอรสามารถเขาใจภาษาของมนษยได และ

ในทางกลบกนคอการท าใหคอมพวเตอรสามารถสอสารดวยภาษามนษยได ดงนน สามารถแยกพจารณาการ

ประมวลผลภาษาธรรมชาตออกเปน 2 สวนยอยคอ การเขาใจภาษาธรรมชาต และ การสรางภาษาธรรมชาต ดงแสดง

ในรปท 6.1

การเขาใจภาษาธรรมชาต (Natural Language Understanding : NLU) คอกระบวนการของการท าใหเกดความ

เขาใจและใหเหตผลโดยมขอมลน าเขาคอภาษาธรรมชาต ซงในสวนนจะไมสนใจในสวนของการสรางภาษาธรรมชาต

344-371 ปญญาประดษฐ 1 บทท 6 การประมวลผลภาษาธรรมชาต


และส าหรบการสรางภาษาธรรมชาต (Natural Language Generation :NLG) เปนสาขายอยของการประมวลผล

ภาษาธรรมชาต ซงจะรวมเอาการสรางขอความ (Text Generation) ไวในสาขายอยนดวย

รปท 6.1 แสดงความสมพนธของ NLU และ NLG

6.1.1 ภาษารปนย (Formal Language)

กอนทจะอธบายถงภาษารปนยนน จะตองเขาใจความหมายของค าตาง ๆ ไดแก สญลกษณ (Symbol) ตวอกษร

(Alphabets) ขอความ (Strings) และค า (Words)

(1) สญลกษณ คออกขระซงไมมความหมายในตวมนเอง เชน ตวอกษร ตวเลข และอกขระพเศษตาง ๆ

(2) ตวอกษรคอเซตจ ากดของสญลกษณ โดยทวไปตวอกษรจะถกแทนดวยสญลกษณ sigma (Σ) เชน

B = {0, 1} หมายความวา B เปนเซตตวอกษรของสญลกษณ 2 ตวคอ 0 และ 1

C = {a, b, c} หมายความวา C เปนเซตตวอกษรของสญลกษณ 3 ตวคอ, a, b และ c

(3) ขอความหรอค า (Words) เปนล าดบของสญลกษณทก าหนดในตวอกษร เชน

01110 และ 111 เปนขอความทเกดจากการใชอกษรในเซต B ขางตน

aaabccc และ b เปนขอความทเกดจากการใชอกษรในเซต C ขางตน

(4) ภาษา(Language) คอเซตของขอความทไดจากการใชอกษร

(5) ภาษารปนย (Formal Language or Simply Language) คอเซตของขอความทสรางจากตวอกษรของ Σ

โดยภาษารปนยจะถกอธบายดวยหลกไวยากรณทเปนนย (Formal Grammars)



6.1.2 ภาษาศาสตรและการประมวลผลภาษา

ภาษาศาสตรคอวทยาศาสตรของภาษา หมายความวาเปนการศกษาภาษาอยางมเหตมผล มการพสจนทแนชด ม

ระบบระเบยบแบบวทยาศาสตรและหมายรวมไปถงความเปนวตถวสยฯ และเมอไดขอมลมาแลวกตองสรปผลใหเปน

ระบบ ใหชดเจนเหมอนนกวทยาศาสตร ภาษาศาสตรศกษาเกยวกบการออกเสยง (Phonology) การสราง

(Morphology) โครงสรางประโยค (Syntax) ความหมาย (Semantics) และความเขาใจ (Pragmatics) เปนตน

ส าหรบการวเคราะหทางภาษาศาสตรสามารถแบงการวเคราะหออกเปน 2 ระดบคอ การวเคราะหในระดบสง ซงเปน

การวเคราะหเพอใชในงานทางดานการจดจ าเสยงพด (Speech Recognition : SR) และ การวเคราะหในระดบต า ซง

เปนการวเคราะหเพอใชในงานทางดานการประมวลผลภาษาธรรมชาต รวมถงสามารถแบงการวเคราะหเปนระดบ

ยอย ๆ ไดดงแสดงรปท 6.2

รปท 6.2 ระดบการวเคราะหทางภาษาศาสตร

ทมา : D Jurafsky and James H. Martin (2000)

ส าหรบการประมวลผลภาษาธรรมชาตนน เปนกระบวนการทเกยวของกบการวเคราะหในระดบลาง ซงประกอบดวย

ขนตอนดงน

(1) Morphological Analysis หรอ Morphological Processing เปนขนตอนของการแยก หรอ แตก หรอ แบง

ขอความทเปนขอมลน าเขาออกเปนเซตของ token ทอยในรปของค า(words) ค ายอย(words) หรอ



เครองหมายวรรคตอน (punctuation forms) เชนค าวา “unhappily” สามารถแยกออกเปนค ายอยได 3

token คอ unhappy- ly

(2) Syntactic Analysis

การวเคราะหโครงสรางของประโยคตามหลกไวยากรณ ซงเปนการวเคราะหวาแตละค าในประโยคเกยวของหรอ

สมพนธกบค าอน ๆ ในประโยคอยางไร ประโยคบางประโยคอาจจะถกปฏเสธหากประโยคดงกลาวผดหลกไวยากรณ

ทก าหนดได เชนประโยคในภาษาองกฤษ " Boy the go the to store. " ถกปฏเสธโดยตววเคราะหไวยากรณ

ภาษาองกฤษ หรอทเรยกวา An English Syntactic Analyzer เปนตน

(3) Semantic Analysis

การวเคราะหความหมายของค า โดยทวไปแลวความหมายของค าแตละค าสามารถหาไดจากความหมายของค าใน

พจนานกรม แตอยางไรกตามค าบางค าสามารถมความหมายไดหลายความหมาย ดงนนความหมายของค าเมอถกใช

อยในประโยคจะขนอยกบบรบท (Context) ของประโยคนน ๆ ดวย

(4) Pragmatic analysis

การวเคราะหความหมายของค าทน าเอาบรบท (Context) มาพจารณาดวย โดยความหมายของค าในการวเคราะห

แบบนมกจะอาศยองคความรทเปนขอมลจากสามญส านกภายนอก เพอใหเขาใจความหมายของค าในสถานการณท

แตกตางกนไป ซงจ าเปนจะตองมการตความซ าอกครงหนงเพอตดสนวาความหมายทแทจรงคออะไร เชน ประโยค

"Do you know what time it is ?" ควรจะตองถกตความวาเปนประโยคในเชงของการขอรอง

(5) Discourse Integration

เปนการวเคราะหความหมายของประโยคทเกยวของกบประโยคอน ๆ ในขอความ โดยความหมายของประโยคหนง

อาจจะขนกบความหมายของประโยคอน ๆ ทอยกอนหนา หรอความหมายของประโยคดงกลาวอาจจะสงผลตอ

ประโยคทอยถดไปดวย เชน ความหมายของค าวา " it " ในประโยค "you wanted it" จะขนอยกบบรบทของการ

สนทนาทอยกอนหนาน

6.1.3 ค าศพททเกยวของกบการวเคราะหภาษาศาสตร

(1) Phones หรอ เสยง

เสยง มความแตกตางกนในแตละภาษา

(2) Phonetics หรอ การศกษาเกยวกบลกษณะของเสยงพด

เปนการศกษาเกยวกบลกษณะของเสยงในภาษาพด



(3) Phonology หรอ การศกษาเกยวกบเสยง

เปนการศกษาทเกยวกบเรองเสยงในภาษา โดยแยกยอยออกเปน 2 แขนง คอ สทศาสตร (Phonetics) และสรศาสตร

(Phonemics)

(4) String หรอ ขอความ

ตวอกษรคอเซตจ ากดของสญลกษณ เชนตวอกษรภาษาองกฤษคอ {a, b, c, d, e, f, g, h, i, j, k, l, m, n, o, p, q, r,

s, t, u, v, w, x, y, z } ส าหรบขอความคอล าดบของสญลกษณทก าหนดในตวอกษร

(5) Lexicon หรอ พจนานกรม

กลมของขอมลทเกยวกบค าในภาษา โดยเปนขอมลทแสดงชนดหรอประเภทของค านน ๆ เชน "pig" โดยทวไป

แลวจะเปนค านาม (Noun : N) แตในบางครงอาจจะเปนค ากรยา (Verb : V) หรอค าคณศพท (Adjective : ADJ) ก

ได ดงนนสามารถเขยนใหอยในรปของโครงสราง Lexicon (Lexicon Structure) ไดดงน ( "pig" N, V, ADJ )

(6) Word หรอ ค า

ค าคอหนวยของภาษาทมความหมาย เชน bear, car, house, run, sleep, think เปนตน โดยค าหลาย ๆ ค าถก

รวมกนเปนวล (Phrase) หรอประโยค (Sentence) ได

(7) Determiner หรอ ค าน าหนานาม

ค าน าหนานาม เชน ค าวา “the” “a” “our” “these” “both” เปนตน

(8) Morphology หรอ การศกษาเกยวกบหนวยค า

เปนการวเคราะหค าในลกษณะของหนวยค า (Morpheme) และในทางกลบการคอการสงเคราะหค าจากหนวยค า

(9) Morphemes หรอ หนวยค า

หนวยทมความทเลกทสดตามหลกไวยากรณของแตภาษา

หนวยทางภาษาศาสตรทเลกทสดทมความหมาย (Semantic Meaning)

หนวยของภาษาทอยถดลงมาจากระดบค า (Word Level)

ตวอยางค าวา "unbreakable" ประกอบดวย 3 หนวยค าคอ

1 "un-" เปนหนวยค าไมอสระ (A Bound Morpheme)

2 "-break-" เปนหนวยค าอสระ (A Free Morpheme)



3 "-able" เปนหนวยค าไมอสระ (A Bound Morpheme)

นอกจากนจะไดวา "un-" เปนหนวยค าทเตมขางหนา (Prefix) สวน "-able" เปนหนวยค าทเตมขางหลง (Suffix) และ

ทงสองค าเปนหนวยค าทเปนค าเตม (Affix)

(10) Syntax หรอ ไวยากรณ

ไวยากรณคอโครงสรางของภาษาทก าหนดกฎเกณฑในการจดเรยงของค าในประโยคเพอแสดงความสมพนธของค า

แตละค าทอยในประโยคนน ไวยากรณเปนเซตจ ากดของกฎทมความเฉพาะเจาะจงในภาษานน ๆ กฎไวยากรณเปน

ตวควบคมความเหมาะสมของประโยคในภาษา ไวยากรณถกน าเสนอในรปของ Parse Tree ซงเปนวธการทแสดงให

เหนโครงสรางภาษาเปนสวน ๆ

(11) Semantics

คอความหมายของค า หรอวล หรอประโยค หรอขอความทงหมด โดยทวไปแลว semantic จะเปนความหมายทไมได

ค านงหรอพจารณาตวบรบทของประโยคหรอขอความนน ๆ

(12) Pragmatics

เปนการบอกวาการใชภาษานน ๆ จะใชอยางไร เนองจากความหมายในภาษานอกจากจะเกดจากความหมายของค า

แลวนน ความหมายยงจะตองค านงถงบรบทการใชค านน ๆ ดวย เชนถามใครคนหนงพดวา "the door is open"

ในระดบ Pragmatics จะตองรวาค าวา"the door" หมายถง "the door" อนไหน นอกจากนจะตองรดวยวาความตงใจ

(intention) ของผพดนนคออะไร โดยผพดอาจจะตงใจพดในเชงของ (1) ขอเทจจรง หรอ (2) การอธบายวาแมวเขามา

ไดอยางไร หรอ (3) การขอรองเพอใหใครบางคนเปดประตให เปนตน

6.1.4 โครงสรางไวยากรณของประโยค

ในหวขอนอธบายถง ประโยค (Sentence), สวนประกอบ (Constituent), วล (Phrase), การจ าแนก (Classification)

และ กฎของโครงสราง (Structural Rule)

(1) Sentence

ประโยคเกดจากการน าค าตาง ๆ มาเรยงตอกนตามกฎเกณฑของภาษานน ๆ โดยประโยคสามารถแบงเปน ประโยค

เดยว (simple) ประโยครวม (compound) และประโยคซบซอน (complex) ในทนใหประโยคแทนดวยตว "S" เชน

S: "The dog bites the cat".



(2) Constituents

สวนประกอบทใชในการสรางวล ซงโดยทวไปแลวจะมสวนประกอบอยางนอย 2 สวนทน ามาจดเรยงกนตามหลก

ไวยากรณเชน วล “the man” เปนวลทประกอบดวย 2 สวนคอสวนของค าวา “the” และสวนของค าวา “man” หรอวล

“traveled slowly” เปนวลทประกอบดวย 2 สวนคอสวนของค าวา “traveled” และสวนของค าวา “slowly” โดยแสดง

เปนโครงสรางดงรปท 6.3

รปท 6.3 แสดงตวอยางสวนประกอบยอย (Constituents) ของวล

(3) Phrase

วลคอกลมค าทท าหนาทเสมอนเปนค า ๆ เดยว เชน "the house at the end of the street " เปนวลทท าหนาทเหมอน

ค านาม "end of the street " เปนวลทท าหนาทเหมอนค าคณศพท เปนตน วลสวนใหญประกอบดวยสวนหว(a

head ) ซงเปนสวนทใชในการก าหนดประเภทของวลนน ๆ โดยสวนหวมกจะเปนค าแรกของวล แตอยางไรกตามวล

บางวลอาจจะไมมสวนหว เชน "the rich" เปนวลททประกอบดวย ค าน าหนานาม และ ค าคณศพท ซงไมมสวนของ

ค านาม

วลสามารถแบงเปนประเภทตาง ๆ ดงน

- นามวล (Noun Phrase: NP) คอวลทมสวนหวเปนค านามหรอค าสรรพนาม (Pronoun) โดยสวนหวอาจมา

พรอมกบสวนขยาย (Modifiers) เชน ค าน าหนานาม หรอค าคณศพท เปนตน

ตวอยางนามวล "the black cat", "a cat on the mat"

- กรยาวล (Verb Phrase: VP) คอวลทมสวนหวเปนค ากรยา

ตวอยางกรยาวล "eat cheese", "jump up and down"



- คณศพทวล (Adjectival Phrase : AP) คอวลทมสวนหวเปนค าคณศพท

ตวอยางคณศพทวล "full of toys"

- กรยาวเศษณวล ( Adverbial Phrase : AdvP) คอวลทมสวนหวเปนค ากรยาวเศษณ

ตวอยางกรยาวเศษณวล "very carefully"

- บพบทวล (Prepositional Phrase : PP) คอวลทมสวนหวเปนค าบพบท

ตวอยางบพบทวล "in love", "over the rainbow"

กฎโครงสรางของวล (Phrase Structure Rules) หรอทรจกกนโดยทวไปคอ PS rule เปนกฎไวยากรณทใชวเคราะหวา

ประโยคประกอบดวยค า หรอวลชนดใด และท าหนาทอยางไรในประโยค ซงโดยทวไปจะแปลงใหเปนแผนภมตนไม

(Tree) โดยทใชกฎในการแยกประโยคออกเปนสวนยอย 2 สวน คอสวนของกลมวล (Phrasal Category) และกลมค า

(Lexical Category)

- กลมวล ไดแก นามวล กรยาวล บพบทวล

- กลมค า ไดแก ค านาม ค ากรยา ค าคณศพท กรยาวเศษณ และอน ๆ

กฎโครงสรางของวลโดยทวไปแสดงในรปแบบ : A→ B C ซงมความหมายวา สวน A สามารถแยกออกเปน

สวนยอย 2 สวนคอ B และ C หรอในทางกลบกนคอ สวน A ประกอบดวยสวนยอย 2 สวนคอ B และ C

ตวอยาง

S → NP VP อานวา S ประกอบดวย NP ซงจะถกตามดวย VP และมความหมายวาประโยคประกอบดวย

นามวลซงถกตามหลงดวยกรยาวล

NP → Det N1 อานวา NP ประกอบดวย Det ซงจะถกตามดวย N1 และมความหมายวานามวลประกอบดวยค า

น าหนานามซงถกตามหลงดวยค านาม

กฎโครงสรางของวลและโครงสรางตนไม

การวเคราะหกฎโครงสรางของวลตามโครงสรางตนไมจะแยกค าแตละค าของวลตามหนาทของค านน ๆ โดยอาศย

เทคนคการแจงวลหรอประโยคซงเปนการจ าแนกโครงสรางออกเปน 2 สวน แลวแยกไปเรอย ๆ จนกวาจะไมสามารถ

แยกไดอก ตวอยางกฎโครงสรางของวลและโครงสรางตนไมส าหรบนามวลตอไปน

นามวล สวนประกอบยอย John N the boy Det N



นามวล สวนประกอบยอย A little boy Det Adj N A boy in a bubble Det N PP

กฎโครงสรางของวลส าหรบนามวลคอ

NP → (Det) (Adj) N (PP)

โครงสรางตนไมส าหรบนามวลในรปแบบตาง ๆ แสดงดงรปท 6.4

รปท 6.4 แสดงโครงสรางตนไมส าหรบนามวล

6.2 การประมวลผลหนวยค า

การประมวลผลหนวยค า (Morphological Processing หรอ Morphological Analysis ) คอกระบวนการวเคราะห

โครงสรางของค า (word) โดยอาศยการแยกค านนๆออกเปนองคประกอบยอยทเรยกวา หนวยค า (morpheme) โดย

ในทางกลบกนหากเปนกระบวนการสราง word จาก morpheme ยอย จะเรยกวา Morphological Parsing ดงนน

ผลลพธทไดจากกระบวนการประมวลผลหนวยค าหรอการวเคราะหหนวยค าคอ (1) ประเภทของหนวยค า

(Morphosyntactic categorization หรอ Part of speech) เชน Penn Treebank target (VBD) ทประกอบดวย

ประเภทของหนวยค าในภาษาองกฤษ 30 ชนด และ (2) คณสมบตหรอลกษณะของหนวยค า (Morphological

features ) เชน จ านวน(number) เพศ(gender) หนาทของค า (lexical functions)

6.2.1 ประเภทของหนวยค า (Types of Morphemes)

เมอท าการแยกค าออกเปน หนวยค ายอยๆ แลว หนวยค าดงกลาวสามารถก าหนดใหมประเภทของหนวยค าทเปนไป

ไดประเภทใดประเภทหนงดงน

Free Morphemes(หนวยค าอสระ) เปนหนวยค าทสามารถปรากฏอยโดด ๆ ไดเชนค าวา "town", "dog"

หรออาจอยคกบค าอน ๆ เชน "town hall" , "dog house"



Bound Morphemes(หนวยค าไมอสระ) เปนหนวยค าทตองอยคกบค าอน ๆ ไมสามารถเกดตามล าพงได

ตองรวมอยกบหนวยค าอนเสมอ ตามทไดอธบายกอนหนาน

Inflectional Morphemes (หนวยค าผน) เปนหนวยค าทเมอประกอบกบรากค าแลวไมท าใหความหมายหลก

ของค าหรอหนาทของค าเปลยนแปลง แตท าใหเพศ พจน บรษ กาล จ านวนเปลยนแปลง เชน -s ใน dogs

ท าใหเปนพหพจน (ยงเปนค านาม มความหมายเดม)

Derivational Morphemes (หนวยค าแปลง) คอหนวยค าประกอบทเมอประกอบกบรากค าแลว ท าให

ความหมายหรอหนาทของค าเปลยนแปลง เชน -ness ใน Happiness, Sadness ท าใหคณศพทกลายเปน

นาม หรอ ir- ใน Irregular ท าใหความหมายเปลยนเปนตรงกนขาม (ปฏเสธ)

Root Morpheme (หนวยค าแกน) คอ หนวยค าทมหนาทหลกของค า โดยหนวยค าแกนสามารถเปนไดทง

หนวยค าอสระหรอหนวยค าไมอสระกได นนคอสอความหมายของค าทมนเปนสวนประกอบอย เชนค าวา

“chatters” มาจากค าวา “chatter” ซงไดจากหนวยค าแกน “chat”

Null Morpheme หรอ Zero Morpheme หนวยค าทไมมค าเตม (Affix) ใด ๆ โดยอาจใชสญลกษณตาง ๆ

แทนเชน เลขศนย (0) สญลกษณเซตวาง (Ø ) เปนตน ตวอยาง

cat = cat + -0 = ROOT("cat") + SINGULAR

cats = cat + -s = ROOT("cat") + PLURAL

6.2.2 การวเคราะหหนวยค าโดยเทคนค Finite State (Finite-State Morpholoical Analysis )

การวเคราะหหนวยค าโดยอาศยหลกการท างานของ Finite State Automata(FSA) นนสามารถแบงออกเปน การ

วเคราะหแบบล าดบขนเดยว และ แบบหลายล าดบขน

รปท 6.5 แสดงตวอยาง FSA ส าหรบ nominal inflection ส าหรบภาษาองกฤษ




รปท 6. 6 แสดงตวอยาง FSA ส าหรบ verbal inflection ส าหรบภาษาองกฤษ


ตารางขางลางแสดงตวอยางขอมลน าเขาและผลลพธของการวเคราะหหนวยค าโดยเทคนค Finite State

จากผลลพธทไดประกอบดวยสวนของรากศพท (root or stem) ของค าแตละค า รวมถงสวนทบงบอกคณสมบตของค า

(Morphological features) ทเปนขอมลเพมเตมของรากศพทดงกลาว เชน “+N” บงบอกวาค าทน ามาวเคราะหมชนด

เปนค านาม (Noun) ในขณะท “+Sg”, “+Pl” แทนคณสมบตการเปนค านามเอกพจน และ พหพจนตามล าดบ

6.3 การประมวลผลไวยากรณ

การประมวลผลไวยากรณ (Syntactic Processing) คอกระบวนการในการเปลยนประโยคน าเขาใหอยในรปแบบของ

โครงสรางล าดบชน (A Hierarchical Structure) ทสอดคลองกบหนวยตาง ๆ ของความหมายในประโยคนน ๆ การ

ประมวลผลไวยากรณประกอบดวย 2 องคประกอบหลกคอ กฎไวยากรณ (Grammar) และ ตวแจกแจงหรอตว

วเคราะหค าในประโยค (Parser)



Grammar

- เปนการน าเสนอในเชงอธบายกฎเกณฑของภาษา

- เปนการก าหนดโครงสรางทถกตองของภาษา

- มองคประกอบพนฐาน 3 องคประกอบ คอ สญลกษณทสนสดแลว (Terminal Symbols) สญลกษณทยงไม

สนสด (Non-Terminal Symbols) และ กฎ (Rules หรอ Productions)

Parser

- เปนกระบวนการเปรยบเทยบระหวางหลกไวยากรณและประโยคน าเขา เพอสรางโครงสรางทผานการแจก

แจงแลวเรยกวาตนไมแจกแจง (Parse Tree)

ตวอยาง ประโยค "Llama pickup ball" น าเสนอโดยตนไมแจกแจงดงรปท 6.7

รปท 6.7 ตนไมแจกแจงของประโยค "Llama pickup ball"

6.3.1 Context Free Grammar (CFG)

เนองจากภาษารปนยเปนภาษาทมรปแบบทนยามกฎ กตกา ทชดเจน ดงนนการตความหมายจงเปนตามรปแบบโดย

ไมตองใชความรอน ๆ ในการตความหมาย ดงนนจงใชภาษารปนยมาใชในการสราง model เพอศกษาเกยวกบ

natural language หรอ programming language ในทฤษฏภาษารปนย (Formal Language Theory) ไดก าหนด

ไวยากรณทเรยกวาไวยากรณไรบรบท (A Context Free Grammar ) โดยอยในลกษณะของกฎการสราง (

Production Rules) ในรปแบบ Α → α เมอ Α เปนสญลกษณเดยว ๆ แบบ non-terminal และ α เปน การ

จดเรยงของสญลกษณใด ๆ ซงอาจจะเปน terminals และ/หรอ non-terminals หรออาจจะเปนคาวาง ๆ กได เมอ

ก าหนดให



- Terminal Symbol คอสญลกษณใด ๆ ทใชในหลกไวยากรณแลวจะตองไมปรากฏอยทางดานซายมอของกฎ

การสรางใด ๆ นนหมายความวา Terminal Symbol ไมสามารถแยกยอยหรอท าใหเปนหนวยเลกลงไดอก

- Non-Terminal Symbol คอสญลกษณใด ๆ ทสามารถถกนยามดวยกฎการสราง ดงนนจากรปแบบกฎการ

สราง Α → α สามารถกลาวไดวาสามารถแทนทสญลกษณ Α ดวย α ในทกททปรากฏ Α

- Non-Terminal Symbol อาจมค าจ ากดความไดมากกวา 1 ค าจ ากดความ โดยในทนจะใชสญลกษณ " | "

แทนการยเนยน (Union Operator) เชน

Α → α | β กลาวไดวาสามารถแทนทสญลกษณ Α ดวย α หรอ β ในทกททปรากฏ Α

NP → Det N | Prop กลาวไดวาสามารถแทนทสญลกษณ NP ดวย Det N หรอ Prop

S → NP VP กลาวไดวาสามารถแทนทสญลกษณ S ดวยสญลกษณ NP และ VP

- Start Symbol หรอสญลกษณเรมตนเปน Non-Terminal Symbol ชนดพเศษซงถกแทนดวย S โดยจะถกใช

สญลกษณตงตนของการเขยนกฎการสราง

การท างานของกฎไวยากรณ

- กฎไวยากรณเรมตนดวย Start Symbol จากนนจะมการน ากฎการสรางตาง ๆ มาใชในลกษณะการแทนท

สญลกษณทางดานซายมอ (Left-Hand Side Symbol : L.H.S.) ดวยสญลกษณทางดานขวามอ (Right-Hand

Side Symbol : R.H.S.) ซงการแทนทจะกระท าไปเรอย ๆ จนกระทงสญลกษณทไดเปน Non-Terminals ทไม

สามารถแยกตอไปไดอก ซงลกษณะการแทนทเชนนเรยกวา Derivation

- ผลลพธทไดจากการ Derive จาก Start Symbol โดยการใชกฎการสรางเรยกวา A Sentential Form

- กฎไวยากรณใด ๆ สามารถสรางประโยคไมมทสนสด (An Infinite Number of Sentences) ซงเซตของ

ประโยคเหลานเรยกวา ภาษา (Language)

- ตวอยางของกฎไวยากรณ : S → X c X → Y X Y → a | b

จากกฎไวยากรณทก าหนดแสดงใหเหนวาค าทกค าทไดจากการใชกฎนเปนค าทขนตนดวยตวอกษร 'a' หรอ

'b' อยางนอย 1 ตว และเปนค าทลงทายดวยตวอกษร 'c' ดงนนภาษานถกก าหนดดวย Regular

Expression ในรปแบบของนพจน (a | b) * c โดยสญลกษณ ' * ' หมายถงการแทนทดวยตวอกษรทอย

กอนหนาและตดกบสญลกษณ ' * ' จ านวน 1 ครงขนไป หรอไมมการแทนทเลยกได ดงนนถาก าหนดนพจน

ab*c ดงนนค าตอไปนคอ "ac", "abc", "abbc", "abbbc", "abbbbbbbbc" จะสอดคลองกบนพจน ab*c

- Regular Expression หมายถงนพจนทประกอบดวยกลมสญลกษณทใชในการคนหา แทนท หรอ

เปรยบเทยบค า/ขอความกบขอมลชนดสตรง โดยทเราสามารถสรางรปแบบในการท างานเหลานไดตาม



ตองการ ส าหรบนพจนทก ๆนพจน สามารถแปลงเปนกฎไวยากรณได แตไมใชหลกไวยากรณทกหลก

ไวยากรณจะแปลงเปนนพจนได ส าหรบกฎไวยากรณทแปลงกลบเปนนพจนจะถกเรยกวา A Regular

Grammar ซงภาษาทสรางจาก A Regular Grammar จะถกเรยกวา A Regular Language

- Regular Grammars คอกฎไวยากรณทกฎการสรางทก ๆ กฎจะตองอยในรปแบบใดรปแบบหนงตอไปน

A → a B หรอ A → a

เมอ A และ B แทนสญลกษณเดยว ๆ แบบ Non-Terminal (A Single Non-Terminal Symbol)

a แทนสญลกษณเดยว ๆ แบบ terminal (A Single Terminal Symbol) หรอเปนอกษรวาง (Empty

String)

6.3.2 การแจกแจง (Parsing)

การแจกแจงประโยคใดๆสามารถท าไดโดยอาศยตวแจกแจง (parser) ซงเปนโปรแกรมทรบขอมลน าเขาเปนล าดบของ

ค าทเปนภาษาธรรมชาต แลวแยกยอยล าดบค าเหลานนใหเปนสวน ๆ ซงอาจจะเปนสวนของค านาม ค ากรยา และ

แอททรบตอน ๆ จากนนสวนทถกแยกยอยจะถกสงไปยงโปรแกรมอน ๆ ตอไป ส าหรบการแจกแจงมลกษณะทวๆไป

ดงน

- ถกก าหนดใหเปนกระบวนการในการวเคราะหหลกไวยากรณของบทสนทนาตามทกฎไวยากรณทก าหนดไว

- เปนกระบวนการในการตรวจสอบวาล าดบของค าแตละค าในประโยคเปนไปตามกฎไวยากรณของภาษานน

ๆ หรอไม

- เปนเครองมอทใชแสดงใหเหนถงวธการใชกฎการสรางเพอแจกแจงตงแตสญลกษณเรมตนจนกระทงแยกเปน

ค ายอย ๆ แตละค า

- ผลลพธของการแจกแจงคอตนไมแจกแจง หรอ Parse Tree ดงนนจงถอวา Parse Tree เปนเครองมอทใช

ส าหรบแสดงผลลพธของ Parser นนเอง

- แตละสวนประกอบวล (Phrasal Constituent) ทไดในระหวางท าการแจกแจงจะกลายเปนโหนดกง (Branch

Node) ของตนไมแจกแจง

- ค าตาง ๆ ในประโยคจะกลายเปนโหนดใบ (Leaf Node) ของตนไมแจกแจง

- ประโยค 1 ประโยคสามารถมตนไมแจกแจงไดมากกวา 1 ตน

วธส าหรบการแจกแจงประโยค ม 2 วธคอ การแจกแจงแบบบนลงลาง (Top-Down Parsing) และ การแจกแจงแบบ

ลางขนบน (Bottom–UP Parsing)

(1) Top-Down Parsing



เปนการแจกแจงทเรมตนดวย Start Symbol จากนนจงน ากฎไวยากรณทสอดคลองมาประยกตใชแบบไปขางหนา

(Forward) กบสญลกษณทไดจากการประยกตใชกฎไวยากรณในแตละครงจนกระทงไดสญลกษณแบบ Terminal

และตรงกบค าตาง ๆ ในประโยคทถกน ามาแจกแจง

(2) Bottom–Up Parsing

เปนการแจกแจงทเรมตนดวยประโยคทจะน ามาแจกแจงจากนนจงน ากฎไวยากรณทสอดคลองมาประยกตใชแบบไป

ขางหลง (Backward) กบสญลกษณทไดจากการประยกตใชกฎไวยากรณในแตละครงจนกระทง โหนดปลายของ

ตนไมแจกแจงตรงกบค าตาง ๆ ในประโยค และโหนดบนสดหรอราก คอสวนของ Start Symbol

ขนตอนของการแจกแจง

- น ากฎตาง ๆ ไปประยกตใชกบประพจน (Proposition)

- ประพจนตงตนจะอยในรป : S (The Root, Sentence)

- กฎการสรางกฎแรกทจะถกน ามาใชคอ S → NP, VP

- จากนนน ากฎตาง ๆ มาประยกตใชกบโหนดกงกาน (Branch Nodes) เชน NP → noun, VP → verb,

NP

- ค ากรยาและค านามมสวนทเปนโหนดปลาย (Terminal Nodes) ซงเปนค าตาง ๆ ในประโยคทแสดงถง

ชนดของค าตาง ๆ เหลานน

- การแจกแจงสนสดเมอไดโหนดปลายของตนไมแจกแจงเปนค าตาง ๆ ในประโยคเหลานน

ตวอยาง การแจกแจงของประโยค "He ate the pizza"

- กฎไวยากรณทน ามาใชมดงน S → NP VP, NP → PRO, NP → ART N, VP → V NP

- the lexicon structure ทไดคอ ("ate" V) ("he" PRO) ("pizza" N) ("the" ART)

- parse tree ของประโยค "He ate the pizza" แสดงดงรปท 6.8



เมอ S, NP, VP เปน Phrasal Non-Terminal

PRO, V, ART, N เปน Lexical Non-Terminals

He, ate, the, pizza เปน Words Or Terminal

รปท 6.8 Parse tree ของประโยค "He ate the pizza"

6.4 อรรถศาสตรและวจนปฏบตศาสตร

อรรถศาสตร (Semantics) และ วจนปฏบตศาสตร (Pragmatics) เปนขนตอนการวเคราะหความหมายในระดบ

ความหมายของประโยค (The Meaning of a Sentence)

- การวเคราะหความหมายในระดบ Semantics เปนการวเคราะหความหมายเพยงบางสวนโดยการพจารณา

จากโครงสรางทางไวยากรณของประโยค (The Syntactic Structure) รวมกบความหมายของค า ๆ นน

- การวเคราะหความหมายในระดบ Pragmatic เปนการวเคราะหความหมายโดยการพจารณาจากบรบทของ

ขอความ (Context) และองคความร (Knowledge) ตาง ๆ ทเกยวของกบบรบทนน ๆ

ความแตกตางระหวาง การวเคราะหความหมายในระดบ Semantics และ การวเคราะหความหมายในระดบ

pragmatic พจารณาจากประโยคตวอยาง : "He asked for the boss". และเมอพจารณาจากองคความรของ

ความหมายของค าแตละค าในประโยครวมกบโครงสรางทางไวยากรณของประโยคแลวพบวา

- มใครบางคนออนวอนใครบางคนซงคน ๆ นนเปนหวหนา

- จากประโยคขางตนเราไมสามารถระบไดวา “He” และ “boss” คอใคร และไมสามารถระบไดวา ท าไมบคคลคน

แรกถงตองออนวอนบคคลคนทสอง

- ถาหากเรารบางอยางเกยวกบบรบท (เชนประโยคอน ๆ เพมเตมอก 1-2 ประโยค) อาจจะท าใหทราบเกยวกบ

ความหมายทแทจรงของประโยคนได



- อาจเปนไปไดวาประโยคสดทายคอ "Fred had just been sacked.''

- จากความรทวไปคอหวหนาสามารถไลพนกงานออกจากงาน ดงนนถาพนกงานคนใดถกไลออก ประโยคขางตน

ดงกลาวเปนการแสดงการรองทกขของพนกงานทถกไลออก

- ดงนนเราสามารถเรมตนพจารณาความหมายจากประโยค "Fred wants to complain to his boss about

getting sacked" ได

บรรณานกรม

1. "Artificial Intelligence", by Elaine Rich and Kevin Knight, (2006), McGraw Hill companies

Inc.

2. "Artificial Intelligence: A Modern Approach" by Stuart Russell and Peter Norvig, (2014),

Prentice Hall.

3. “Introduction to Artificial Intelligence (1st ed.)” by Wolfgang Ertel, (2011), Springer Publishing

Company, Incorporated.

4. "Computational Intelligence: A Logical Approach", by David Poole, Alan Mackworth, and Randy

Goebel, (1998), Oxford University Press.

5. "Artificial Intelligence: Structures and Strategies for Complex Problem Solving", by George F.

Luger, (2002), Addison-Wesley.

6. "AI: A New Synthesis", by Nils J. Nilsson, (1998), Morgan Kaufmann Inc.

7. "Artificial Intelligence: Theory and Practice", by Thomas Dean, (1994), Addison-Wesley.

8. "An Introduction to Genetic Algorithms", by Melanie Mitchell, (1998), MIT Press.

9. "Practical genetic algorithms", by Randy L. Haupt, (2004), John Wiley & Sons Inc.

10. “Machine Learning”, by Mitchell, T. M. , (1997). New York, NY, USA: McGraw-Hill, Inc.

11. “Speech and Language Processing: An Introduction to Natural Language Processing,

Computational Linguistics, and Speech Recognition (1st ed.)”. by Daniel Jurafsky and James H.

Martin. ,(2000). Prentice Hall PTR, Upper Saddle River, NJ, USA.

12. http://www.myreaders.info/ สบคนเมอ พฤษภาคม 2559.

13. https://www.scm.tees.ac.uk/isg/aia/nlp/NLP-overview.pdf สบคนเมอ พฤษภาคม 2559.

http://www.myreaders.info/

https://www.scm.tees.ac.uk/isg/aia/nlp/NLP-overview.pdf

Documents

เอกสารประกอบการสอน วิชา 344-371 ...staff.cs.psu.ac.th/jarunee/344-371 AI-Ebook.pdf · 2019-01-08 · เอกสารประกอบการสอน