ในปี พ.ศ. ๒๔๘๖ อาจถือได้ว่า เป็นปีแห่งการกำเนิดของสาขาโครงข่ายประสาทเทียมในวงการวิทยาศาสตร์ โดย แม็กคัลลอช (Mc Culloch)และ พิตส์ (Pitts) ได้เสนอแบบจำลองของเซลล์ประสาทและได้แสดงให้เห็นว่า ในทางทฤษฎีแล้วโครงข่ายของแบบจำลองเซลล์ประสาทดังกล่าวสามารถทำงานเป็นโปรแกรมคอมพิวเตอร์ใดๆ ก็ได้

          ปี พ.ศ. ๒๔๙๒ โดนัลด์ เฮบบ์ (Donald Hebb)ได้เสนอผลงานวิจัยว่า การเรียนรู้ของสมองสามารถอธิบายได้ด้วยรูปแบบของการประกอบเซลล์ประสาทเข้าด้วยกันเป็นโครงข่าย และได้เสนอกฎการเรียนรู้ของเฮบบ์ (Hebb's rule) ที่ทำให้โครงข่ายของเซลล์ประสาทเทียมที่แม็กคัลลอชและพิตส์ได้เสนอไว้ สามารถเรียนรู้ปัญหาง่ายๆได้สำเร็จ การเรียนรู้ในแบบของเฮบบ์บนเซลล์ประสาทเทียมของแม็กคัลลอชและพิตส์นั้นเป็นการเรียนรู้แบบ "ไม่มีผู้สอน" ซึ่งในทางปฏิบัติแล้ว โครงข่ายประสาทเทียมที่ทำการเรียนรู้จะพยายามทำการจัดกลุ่มข้อมูลที่โครงข่ายมองว่าคล้ายคลึงกัน นำไปไว้ในกลุ่มเดียวกัน ซึ่งไม่เหมาะสมกับปัญหาประเภทที่ต้องมีการควบคุมกระบวนการเรียนรู้

          ในช่วงพุทธทศวรรษ ๒๔๙๐ คอมพิวเตอร์ที่ทำงานเลียนแบบสมองเครื่องแรกของโลกถูกสร้างและทดสอบโดยมินสกี (Minsky) ซึ่งได้เสนอผลงานดังกล่าวในปี พ.ศ. ๒๕๑๑ เมื่อคอมพิวเตอร์ดังกล่าวได้รับการป้อนตัวอย่างสำหรับการเรียนรู้เข้าไป ก็จะสามารถปรับอัตราการขยายสัญญาณในการเชื่อมโยงหรือ "ความแข็งแรงของการเชื่อมโยง" ระหว่างเซลล์ประสาทเทียมได้เองโดยอัตโนมัติ ซึ่งเป็นการแสดงการเรียนรู้ตัวอย่างที่ถูกป้อนเข้าไป

          ในปี พ.ศ. ๒๕๐๑ แฟรงค์ โรเซนแบลตต์(Frank Rosenblatt) ได้พัฒนาสาถาปัตยกรรมโครงข่ายประสาทเทียมขึ้น โดยใช้แบบจำลองของแม็กคัลลอชและพิตส์เป็นแนวทาง รวมทั้งเสนอวิธีการเรียนรู้แบบใหม่สำหรับสถาปัตยกรรมโครงข่ายประสาทเทียมดังกล่าวด้วย โครงข่ายประสาทเทียมดังกล่าวเรียกว่า เพอร์เซปตรอน(Perceptron) ซึ่งมีการเรียนรู้แบบ "มีผู้สอน"(supervised learning) โดยการปรับความแข็งแรงของการเชื่อมโยง ซึ่งจะพิจารณาได้จากการเปรียบ-เทียบความรู้ของโครงข่ายประสาทเทียมกับความรู้ของ "ผู้สอน" (teacher) เพอร์เซปตรอนมีความเหมาะสมกับงานประเภท "การระบุชนิด" ซึ่งในระหว่างการเรียนรู้นั้น เพอร์เซปตรอนจะถูกสอนว่าข้อมูลตัวอย่างที่สอนเข้าไปแต่ละแบบนั้นจัดเป็นชนิดใดบ้าง หากปัญหาและข้อมูลตัวอย่างมีความเหมาะสม เพอร์เซปตรอนจะสามารถระบุชนิดของข้อมูลที่ไม่เคยเห็นมาก่อนได้ถูกต้อง

          ในช่วงต้นพุทธทศวรรษ ๒๕๐๐ เบอร์-นาร์ด วิโดรว์ (Bernard Widrow) และมาร์เชียนฮอฟฟ์ (Marcian Hoff) ได้พัฒนาอุปกรณ์ที่เรียกว่าอดาไลน์ (ADALINE;Adaptive Linear combiner)และกฎการเรียนรู้แบบใหม่ที่มีประสิทธิภาพสูงเรียกว่า กฎการเรียนรู้ของวิโดรว-ฮอฟฟ์ (Windrow-Hoff learning rule) ที่เป็นการเรียนรู้แบบ"มีผู้สอน" ซึ่งในเวลาต่อมาอุปกรณ์ดังกล่าวได้รับการขยบายแนวคิดไปเป็นมาดาไลน์ (MADALINE;Many ADALINEs) และได้ถูกนำไปประยุกต์ใช้
ในการรู้จำรูปแบบ (pattern recognition) การพยากรณ์อากาศ และระบบควบคุมที่จำเป็นต้องมีการปรับเปลี่ยนระบบไปตามสภาพแวดล้อมต่างๆ

          อย่างไรก็ตาม ในขณะที่การค้นคว้าเพื่อพัฒนาคอมพิวเตอร์ที่มี "ปัญญา" ได้ดำเนินไปในแนวทางของการศึกษา และได้พยายามอธิบายการทำงานของระบบประสาทของสิ่งมีชีวิต อีกแนวทางหนึ่งที่สามารถดำเนินควบคู่กันไปได้ คือแนวทางการค้นคว้าที่พยายามจะอธิบายพฤติกรรมที่เกี่ยวข้องกับปัญญาของมนุษย์ในเชิงโครงสร้างของเหตุและผล โดยใช้สัญลักษณ์ในการแทนแนวคิดของมนุษย์ และดำเนินการกับสัญลักษณ์เหล่านั้นด้วยกระบวนการในลักษณะของคณิตศาสตร์ผลลัพธ์ที่ได้จากกระบวนการดังกล่าวอาจถือได้ว่าเป็นการตอบสนองที่มนุษย์น่าจะทำภายใต้เงื่อนไขเดียวกัน แนวทางดังกล่าวนำไปสู่พัฒนาการของสาขาปัญญาประดิษฐ์ (Artificial Intelligence)และจิตวิทยาการเรียนรู้ (Cognitive Psychology)ในช่วงพุทธทศวรรษ ๒๕๑๐ และพุทธทศวรรษ ๒๕๒๐

          ในปี พ.ศ. ๒๕๑๒ มินสกี (Minsky) และพาเพิร์ต (Papert) ได้เสนอผลงานตีพิมพ์ในรูปของหนังสือ ซึ่งในหนังสือดังกล่าวมีการระบุข้อจำกัดทางทฤษฎีของเพอร์เซปตรอน ผลงานตีพิมพ์ดังกล่าวก่อให้เกิดแนวคิดด้านลบต่อการพัฒนาระบบประมวลผลแบบโครงข่ายของเซลล์ประสาทและเป็นจุดเริ่มต้นจุดหนึ่งของกระแสแนวความคิดที่ว่า การคิดของมนุษย์เป็นการประมวลผลแบบลำดับขั้น (serial processing) เนื่องจากในช่วงเวลาดังกล่าวไม่มีผู้ที่สามารถแก้ไขข้อจำกัดทางทฤษฎีของโครงข่ายประสาทเทียมได้ วิทยา-การด้านโครงข่ายประสาทเทียมจึงไม่ได้รับความสนใจจากวงการคอมพิวเตอร์ในช่วงพุทธทศวรรษ๒๕๒๐ ผลงานวิจัยด้านโครงข่ายประสาทเทียมในช่วงเวลาดังกล่าวจึงเป็นที่รู้จักในวงแคบ ๆ ของผู้ที่สนใจเท่านั้น

          อย่างไรก็ตาม ในช่วงพุทธทศวรรษ ๒๕๑๐มีผลงานวิจัยด้านโครงข่ายประสาทเทียมจากประเทศญี่ปุ่น โดย ชุนอิจิ อามาริ (Shun-Ichi Amari) ในปี พ.ศ. ๒๕๑๕ และ พ.ศ. ๒๕๒๐ ต่อมาในปีพ.ศ. ๒๕๒๓ คูนิฮิโก  ฟูกูชิมา (Kunihiko Fuku-shima) ได้พัฒนาสถาปัตยกรรมโครงข่ายประสาทเทียมที่มีชื่อว่า นีโอค็อกนิตรอน (neocognitrons)สำหรับการรู้จำรูปแบบภาพลักษณ์ โดยเลียนแบบแนวทางการมองเห็นของสิ่งมีชีวิต

          ในปี พ.ศ. ๒๕๒๕ จอห์น ฮอปฟิลด์ (JohnHopfield) ได้เสอสถาปัตยกรรมโครงข่ายประสาทเทียมสำหรับเป็นหน่วยความจำแบบแอสโซซิเอทิฟ(associatiov memory) ที่ดึงความจำออกมา โดยใช้ข้อมูลที่มีความเกี่ยวข้องกับความจำนั้นเป็นตัวชี้นำ ซึ่งเป็นจุดเริ่มที่ทำให้นักวิทยาศาสตร์หันกลับมาสนใจโครงข่ายประสาทเทียมอีกครั้ง ในช่วงเวลาใกล้เคียงกัน สตีเฟน กรอสเบอร์ก (StephenGrossberg) และเกล คาร์เพนเตอร์ (Gail Carpen-ter) ก็ได้เสนอทฤษฎีของการกำทอนแบบอะแดปทิฟ(adaptive resonance) และได้พัฒนาโครงข่ายประสาทเทียมอาร์ต (ART Network) ซึ่งในปัจจุบันถือว่าเป็นโครงข่ายประสาทเทียมที่มีสมรรถนะสูงที่สุดแบบหนึ่ง จากนั้น โครงข่ายประสาทเทียมกลับมาเฟื่องฟูเต็มที่ เนื่องจากผลงานตีพิมพ์ของเจมส์ แม็กคลีแลนด์ (James McClelland) และเดวิด รูเมลฮาร์ต (David Rumelhart) ในปีพ.ศ. ๒๕๒๙ ซึ่งเสนอกฎการเรียนรู้แบบใหม่สำหรับสถาปัตยกรรมโครงข่ายประสาทเทียมที่มีความซับซ้อนขึ้น โดยอิงกับเพอร์เซปตรอน โครง-ข่ายประสาทเทียมดังกล่าวสามารถก้าวข้ามขีดจำกัดที่เคยถูกเสนอไว้โดยมินสกีและพาเพิร์ต ตั้งแต่ปี พ.ศ. ๒๕๑๒ ได้สำเร็จ อย่างไรก็ตาม มีการค้นพบว่า แนวทางคล้ายๆ กันได้เคยถูกเสนอแล้วโดย พอล เวอร์โบส (Paul Werbos) ตั้งแต่ปี พ.ศ. ๒๕๑๗ แต่ไม่มีผู้ใดสนใจในช่วงเวลาดังกล่าว ตั้งแต่นั้นมา งานวิจัยค้นคว้าด้านโครง-ข่ายประสาทเทียมก็เกิดขึ้นอีกอย่างมากมายมาจนถึงปัจจุบัน

[กลับหัวข้อหลัก]

          การพัฒนาระบบประมวลผลแบบโครงข่ายประสาทเทียมนั้น จะอิงกับแนวทางการประมวลผลของสมองของสิ่งมีชีวิต ดังนั้น ความเข้าใจในคุณลักษณะเชิงกายภาพ และเชิงพฤติกรรมขององค์ประกอบต่างๆ ในสมองของสิ่งมีชีวิตจึงเป็นสิ่งจำเป็น

          หน่วยรากฐานของสมองคือ เซลล์ประสาท(neuron) สมองของมนุษย์ประกอบไปด้วยเซลล์ประสาทจำนวนอย่างน้อยในระดับแสนๆ ล้านเซลล์ในแง่ของการทำงานนั้น เซลล์ประสาทแต่ละเซลล์คือ หน่วยประมวลผลอย่างง่ายๆ ซึ่งรับสัญญาณและรวมสัญญาณที่ถูกส่งมาจากเซลล์ประสาทอื่นๆ  แต่ละเซลล์ประสาทจะมีส่วนหลักๆ อยู่ ๓ ส่วน คือ

          ๑.  ตัวเซลล์ซึ่งเรียกว่า โซมา (soma) มีลักษณะเป็นรูปทรงพีระมิด หรือทรงกระบอก

          ๒.  เดนไดรต์ (dendrite)  เดนไดรต์คือ เส้นใยบางๆ ที่เซลล์ประสาทใช้รับสัญญาณ ไฟฟ้าเข้าสู่เซลล์ แต่ละเซลล์ประสาทจะมีเดนไดรต์จำนวนมากจัดตัวเป็นลักษณะเหมือนกิ่งไม้

          ๓.  แอกซอน (Axon)แอกซอนคือ สายส่งผ่านสัญญาณทรงกระบอกขนาดยาวและใหญ่ ที่เซลล์ประสาทใช้เป็นทางส่งสัญญาณไปยังเซลล์ประสาทอื่นๆส่วนปลายของแอกซอนจะแตกออกเป็นกิ่งก้านย่อยๆ โดยที่ส่วนปลายของแต่ละกิ่งก้านเหล่านี้ลักษณะเป็นปม และจะไปจ่ออยู่จนเกือบสัมผัสกับปลายของเดนไดรต์หนึ่งของเซลล์ประสาทเซลล์อื่น

          บริเวณที่เป็นรอยต่อระหว่างปลายของแอกซอนกับปลายของเดนไดรต์เรียกว่า ไซแนปส์(Synapse) สัญญาณไฟฟ้าที่ถูกส่งมาถึงปลายของแอกซอนจะกระตุ้นให้เกิดการส่งผ่านสัญญาณในเชิงเคมีผ่านซิแนปส์ สัญญาณเชิงเคมีดังกล่าวจะถูกเดนไดรต์ตีความเป็นสัญญาณไฟฟ้าวิ่งเข้าสู่เซลล์ประสาทต่อไป

          คุณลักษณะสำคัญของไซแนปส์คือความแรงของสัญญาณที่ถูกส่งผ่านจะขึ้นอยู่กับความเหนียว-แน่นของการเชื่อมต่อ และสัญญาณที่ถูกส่งผ่านไซแนปส์อาจถูกทำให้มีสภาพเป็นสัญญาณกระตุ้น(excitory) หรือสัญญาณกด (inhibitory) ก็ได้ ขึ้นอยู่กับชนิดของสัญญาณเชิงเคมีที่ถูกกระตุ้นให้เคลื่อนผ่านรอยต่อ ซึ่งแต่ละประสาทอาจรับสัญญาณมาจากหนึ่ง ๑๐,๐๐๐ ซิแนปส์ หรือมากกว่า

          สัญญาณจากเดนไดรต์ต่างๆ จะรวมกันวิ่งเข้าสู่ตัวเซลล์ประสาท และหากสัญญาณรวมมีความแรงเกินค่าระดับ (threshold) ของเซลล์ประสาทนั้น ๆเซลล์ประสาทก็จะยิง (fire) สัญญาณออกทางแอกซอนต่อไป กระบวนการเรียนรู้ในสิ่งมีชีวิตจะมีผลให้เกิดการสร้างไซแนปส์ระหว่างเซลล์ประสาทขึ้นมาใหม่ หรือไม่ก็ทำให้เกิดการปรับเปลี่ยนสภาพและความเหนียวแน่นของไซแนปส์ต่างๆ ที่มีอยู่ นั่นคือ ความรู้ได้ถูกเก็บไว้ในลักษณะที่กระจายไปตามไซแนปส์ต่างๆ ในโครงข่ายของเซลล์ประสาทนั้นเอง อาจกล่าวได้ว่า โครงข่ายประสาทของสิ่งมีชีวิตทำงานตามโปรแกรมที่มีลักษณะกระจายไปทั่วโครงข่ายของเซลล์ประสาทและโครงข่ายประสาทของสิ่งมีชีวิตไม่ได้ทำงานแบบเป็นลำดับขั้นตอน (sequential)

[กลับหัวข้อหลัก]

          เซลล์ประสาทเทียมคือ หน่วยรากฐานของโครงข่ายประสาทเทียม เซลล์ประสาทเทียมไม่สามารถใช้เป็นแบบในการอธิบายการทำงานของ  เซลล์ประสาทของสิ่งมีชีวิตได้ถูกต้อง แต่เป็นการนำเอาแนวคิดที่ได้จากความเข้าใจการทำงานของเซลล์ประสาทของสิ่งมีชีวิตมาประยุกต์ใช้

          แบบจำลองพื้นฐานของเซลล์ประสาทเทียมถูกนำเสนอโดยแม็กคัลลอชและพิตส์ ตั้งแต่ปีพ.ศ. ๒๔๘๖ โดยมีการทำงานคร่าวๆ แบบเซลล์ประสาทของสิ่งมีชีวิตคือ ทำหน้าที่รวมสัญญาณที่เข้ามายังเซลล์ประสาทเทียม ซึ่งเสมือนว่าเป็นสัญญาณที่เข้ามาตามเดนไดรต์ของเซลล์ประสาทของสิ่งมีชีวิต แล้วยิงสัญญาณกระตุ้นออกไป หากผลรวมของสัญญาณเข้านั้นมีค่าสูงเกินค่าระดับ(threshold) ซึ่งก็เสมือนการยิงสัญญาณไฟฟ้าออกทางแอกซอนจากเซลล์ประสาทของสิ่งมีชีวิตนั่นเอง

          อย่างไรก็ตาม สิ่งที่สำคัญในการจำลองเซลล์ประสาทคือ การจำลองไซแนปส์ทั้งหลายในโครงข่ายประสาทเทียม ซึ่งเปรียบเสมือนแหล่งสะสมความรู้ของสมอง การจำลองไซแนปส์นั้นใช้หลักการที่ว่า แต่ละไซแนปส์ทำหน้าที่เป็นตัวปรับเปลี่ยนสภาพสัญญาณไฟฟ้าที่ส่งมาจากเซลล์ประสาทตัวอื่นๆ ก่อนส่งสัญญาณนั้นผ่านเดน-ไดรท์เข้าสู่ตัวเซลล์ประสาท และการปรับเปลี่ยนสัญญาณดังกล่าว จะขึ้นอยู่กับความเหนียวแน่นของการเชื่อมต่อบริเวณรอยต่อซิแนปส์ โดยความแข็งแกร่งนี้จะเปลี่ยนไปตามความรู้ที่สมองได้เรียนเข้าไป แม็กคัลลอชและพิตส์เสนอให้ใช้ตัวแปรตัวหนึ่งเรียกว่า "ค่าน้ำหนัก" (weight)ในการจำลองซิแนปส์ หากค่าน้ำหนักนี้มีขนาดใหญ่ก็จะหมายความว่า ความเหนียวแน่นของรอยต่อไซแนปส์มีค่าสูง นั่นคือส่งผ่านสัญญาณได้มาก หากค่าน้ำหนักนี้มีขนาดเล็กก็หมายความว่าสัญญาณจะส่งผ่านรอยต่อไซแนปส์ได้น้อย นอกจากนั้น ความเป็นบวกหรือลบของค่าน้ำหนักก็มีความหมายเช่นกัน หากค่าน้ำหนักมีค่าเป็นบวกจะหมายความว่า สัญญาณที่วิ่งผ่านรอยต่อไซแนปส์เข้าสู่เซลล์ประสาทเทียมจะเป็นสัญญาณกระตุ้น แต่หากค่าน้ำหนักมีค่าเป็นลบ จะหมายความว่าสัญญาณที่ผ่านรอยต่อไซแนปส์เข้าสู่เซลล์ประสาทเทียมจะมีผลเป็นสัญญาณกด

          การทำให้ค่าน้ำหนักและแต่ละค่ามีผลต่อสัญญาณเข้าดังที่กล่าวข้างต้น สามารถทำได้โดยกำหนดให้สัญญาณที่วิ่งเข้าเซลล์ประสาทเป็นผลคูณของค่าน้ำหนักกับสัญญาณเข้าที่ถูกส่งมาจากเซลล์ประสาทเทียมตัวอื่น (หรืออาจเป็นสัญญาณจากภายนอก ซึ่งเสมือนว่าเป็นอินพุตของระบบโครง-ข่ายก็ได้) ในทางคณิตศาสตร์ สัญญาณที่ถูกส่งมาจากเซลล์ประสาทเทียมตัวอื่นเป็น x หากให้ค่าน้ำหนักเป็น w และเมื่อสัญญาณ ื วิ่งผ่านไซแนปส์เทียมก็จะกลายเป็นสัญญาณที่มีค่า w ื x วิ่งเข้าสู่เซลล์ประสาทเทียม

          การยิงสัญญาณออกจากเซลล์ประสาทเทียมถูกจำลองให้เป็นผลจากกระบวนการทำงานสองขั้นขั้นแรก เซลล์ประสาทเทียมจะทำการรวมสัญญาณเข้าทั้งหมดก่อน นั่นคือ หากเซลล์ประสาทเทียมตัวหนึ่งมีขั้วสัญญาณเข้าอยู่ n ขั้ว ก็หมายความว่าเซลล์ประสาทเทียมดังกล่าวจะต้องรวมสัญญาณเข้าทั้ง n สัญญาณเข้าด้วยกันก่อน   สมมุติว่าสัญญาณ x₁ วิ่งผ่านค่าน้ำหนัก w₁ เข้ามาพบขั้วเข้าขั้วแรก สัญญาณ x₂ วิ่งผ่านค่าน้ำหนัก w₂เข้ามาทางขั้วเข้าขั้วที่ ๒ เป็นแบบนี้ไปเรื่อยๆจนครบ n ขั้ว สมมุติว่าผลรวมของสัญญาณเข้าทั้งหมดคือ y ในทางคณิตศาสตร์สามารถเขียนสมการได้เป็น
                     n
           y   =   S (w_ix_i)
                     i=1

          ขั้นที่ ๒ คือ การประเมินจากผลรวมสัญญาณเข้าทั้งหมดว่ามากกว่าค่าระดับหรือไม่หากผลรวมสัญญาณเข้าทั้งหมดมากกว่าค่าระดับก็ยิงสัญญาณออกไปทางขั้วสัญญาณออกของเซลล์ประสาทเทียม ซึ่งอาจถือว่า เป็นสัญญาณขนาด ๑ หน่วย แต่หากผลรวมสัญญาณเข้าทั้ง-หมดน้อยกว่าค่าระดับ ก็ส่งสัญญาณขนาด ๐ หน่วย ซึ่งหมายความว่า ไม่มีสัญญาณนั่นเองสมมุติว่าค่าระดับเป็น q และสัญญาณออกเป็น zสมการทางคณิตศาสตร์ที่อธิบายการทำงานขั้นนี้สามารถเขียนได้เป็น      z   =   { 0 ถ้า y < q
                        1 ถ้า y ณ q

[กลับหัวข้อหลัก]

          ผลการวิจัยทางพฤติกรรมศาสตร์พบว่าการเรียนรู้ของสิ่งมีชีวิตชนิดต่างๆ นั้นมีกระบวน-การแตกต่างกันไปหลายๆ แบบ แต่ละแบบก็อาจเหมาะสมกับแต่ละเผ่าพันธุ์ของสิ่งมีชีวิตนั้นๆในสาขาโครงข่ายประสาทเทียมนั้น แนวคิดของกระบวนการเรียนรู้จะประยุกต์มาจากผลการศึกษาทางพฤติกรรมศาสตร์ อาจกล่าวโดยทั่วไปได้ว่าการเรียนรู้คือ กระบวนการซึ่งระบบประสาทปรับตัวเองไปตามสิ่งเร้า จนกระทั่งสามารถให้ผลตอบได้ตามต้องการ โดยใช้การปรับตัวแปรที่ควบคุมสภาพของตัวระบบเอง

          การเรียนรู้ยังสามารถถูกมองได้ว่า เป็นกระบวนการจัดชนิดของสิ่งเร้าทั้งหลายที่เข้ามาอย่างต่อเนื่องด้วย นั่นคือ เมื่อได้รับสิ่งเร้า หากระบบประสาทรู้จักสิ่งเร้านั้น ก็จะให้ผลตอบได้ตามที่เคยเข้าใจไว้ แต่หากไม่รู้จัก ก็พยายามปรับความเข้าใจในการจัดชนิดขึ้นใหม่ ในทางปฏิบัตินั้น ระบบประสาทของสิ่งมีชีวิตจะปรับความเหนียวแน่นของการเชื่อมต่อที่ซิแนปส์ จนสร้างผลตอบต่อสิ่งเร้าได้ตามที่ต้องการ สถานะที่กระบวนการของการเรียนรู้ก็จะสิ้นสุดลง เป็นสถานะที่ถือว่าระบบประสาทได้รับความรู้ไปแล้ว

          คำจำกัดความของกระบวนการเรียนรู้หมายถึงขั้นตอนต่อไปนี้
          ขั้นที่ ๑ โครงข่ายประสาทถูกกระตุ้นด้วยสิ่งแวดล้อม
          ขั้นที่ ๒ โครงข่ายประสาทเกิดการเปลี่ยน-แปลง อันเป็นผลมาจากการกระตุ้นดังกล่าว
          ขั้นที่ ๓ โครงข่ายประสาทตอบสนองต่อสิ่งแวดล้อมในแนวทางใหม่ อันเป็นผลมาจากการเปลี่ยนแปลงที่เกิดขึ้นในโครงสร้างภายในโครงข่าย

          เมื่อพิจารณาไปที่เฉพาะบริเวณหนึ่งๆ ของโครงข่ายประสาท จะพบว่า การเชื่อมต่อของเซลล์ประสาทที่บริเวณต่างๆ นั้นสามารถมีรูปแบบที่แตกต่างกันได้หลายๆ แบบ และกระบวนการเรียนรู้ของแต่ละบริเวณก็ไม่เหมือนกันด้วย ในทำนองเดียวกัน เทคนิคการเรียนรู้ของโครงข่ายประสาทเทียมก็แตกต่างกันไปสำหรับแต่ละชนิดของโครงข่าย

[กลับหัวข้อหลัก]

          รูปแบบการเรียนรู้แบบมีผู้สอนเริ่มด้วยการส่งสิ่งเร้าที่ใช้ในการสอนเข้าไปเป็นอินพุต (Input)ในโครงข่ายประสาทเทียม เพื่อให้โครงข่ายประสาทเทียมสร้างผลตอบออกมาเป็นเอาต์พุต (Output) ซึ่งผลตอบจะเป็นอย่างไร ก็ขึ้นอยู่กับสภาวะในตอนที่เริ่มเรียนรู้ของโครงข่ายประสาทเทียม ผลตอบดังกล่าวจะถูกนำมาเปรียบเทียบกับผลตอบเป้าหมาย(target response) ซึ่งผู้สอน (teacher) จะเป็นผู้สร้างขึ้น หากผลตอบทั้งสองมีความแตกต่างกัน นั่นคือมีความคลาดเคลื่อน (error) เกิดขึ้น ความคลาด-เคลื่อนดังกล่าวจะถูกนำไปคำนวณการปรับแต่งค่าน้ำหนักต่างๆ ในโครงข่ายประสาทเทียม เพื่อลดความคลาดเคลื่อนลงให้เหลือน้อยที่สุด

          การปรับแต่งค่าน้ำหนักโดยพิจารณาจากความคลาดเคลื่อนนี้ จะขึ้นอยู่กับกฎการเรียนรู้หรือขั้นตอนการคำนวณซึ่งเรียกว่า "อัลกอริทึม"(Algorithm) ที่แตกต่างกัน โดยแต่ละอัลกอริทึมจะมีคุณลักษณะและสมรรถนะแตกต่างกัน อย่างไรก็ตาม วิธีการส่วนใหญ่ของการเรียนรู้แบบมีผู้สอนนี้จะดัดแปลงมาจากวิธีการทางคณิตศาสตร์ในเรื่องของเทคนิคการหาค่าเหมาะสม (optimizationtechnique) นั่นเอง

          เนื่องจากเจตนาของมนุษย์ในการพัฒนาเครื่องมือขึ้นมาใช้งานนั้น จะอิงอยู่กับการที่มนุษย์ต้องการสั่งการและควบคุมเครื่องมือนั้นๆ ให้ทำงานได้ตามที่ต้องการ จึงทำให้โครงข่ายประสาทเทียมประเภทที่ใช้การเรียนรู้แบบมีผู้สอนได้รับความนิยมในการนำไปประยุกต์ใช้มากที่สุด เนื่องจากเป็นแบบที่สามารถควบคุมได้ การสั่งการโครงข่ายประสาทเทียมจะเป็นไปโดยทางอ้อม ในลักษณะของการฝึกสอนโครงข่ายประสาทเทียม โดยการสร้างข้อมูลตัวอย่าง (รวมทั้งค่าเป้าหมาย) ที่จะให้โครงข่ายเรียนรู้ เมื่อโครงข่ายประสาทเทียมเรียนรู้ข้อมูลตัวอย่างได้ถูกต้องหมดแล้ว ความรู้ที่โครงข่ายประสาทเทียมได้เก็บไว้ในลักษณะของค่าน้ำหนักต่างๆ จะเป็นสิ่งที่ถูกนำไปใช้งานจริงเพื่อสร้างผลตอบต่อข้อมูลใหม่ๆ ที่โครงข่ายไม่เคยเห็นมาก่อน ดังนั้น สำหรับโครงข่ายประสาทเทียมหนึ่งๆ และวิธีการเรียนรู้แบบมีผู้สอนวิธีการหนึ่งๆ นั้น ความรู้ของโครงข่ายประสาทเทียมจะสามารถนำไปใช้งานจริงได้เพียงใด ก็ขึ้นอยู่กับคุณภาพของข้อมูลตัวอย่างที่นำมาใช้สอนนั้น อาจจะกล่าวได้ว่า หากข้อมูลตัวอย่างมีจำนวนมากพอโครงข่ายประสาทเทียมก็จะสามารถสร้างความรู้ได้อย่างถูกต้อง อย่างไรก็ตาม ด้วยระดับความเจริญก้าวหน้าด้านโครงข่ายประสาทเทียมในปัจจุบันเทคนิคการวิเคราะห์ปัญหาเพื่อสร้างข้อมูลตัวอย่างสำหรับการเรียนรู้ที่มีประสิทธิภาพนั้นยังคงเป็นงานวิจัยที่ต้องมีการค้นคว้ากันต่อไป

[กลับหัวข้อหลัก]

          การเรียนรู้แบบไม่มีผู้สอนนั้น ไม่จำเป็นต้องมีค่าเป้าหมายของแต่ละข้อมูลตัวอย่าง ใน  ระหว่างการเรียนรู้ โครงข่ายประสาทเทียมจะได้รับข้อมูลกระตุ้นในรูปแบบต่างๆ และจะทำการจัดกลุ่มรูปแบบต่างๆ เหล่านั้นเองตามต้องการ ผลตอบของโครงข่ายประสาทเทียมที่ใช้การเรียนรู้แบบไม่มีผู้สอนนี้ จะเป็นการระบุกลุ่มของข้อมูลที่ใส่เข้าไป โดยจะอิงกับวิธีการจัดกลุ่มซึ่งได้เรียนรู้จากข้อมูลที่โครงข่ายเคยพบมา

          ตัวอย่างการเรียนรู้แบบนี้ในมนุษย์คือ การให้เด็กเล็กๆ จัดเก็บสิ่งของไว้บนชั้นวางของให้เป็นระเบียบเรียบร้อย สมมุติว่า เด็กคนหนึ่งเลือกเก็บหนังสือต่างๆ ไว้ที่ชั้นบน เก็บตุ๊กตาไว้ที่ชั้นล่างและเก็บของเล่นอื่นๆ ไว้ที่ชั้นกลางๆ หลังจากนั้นหากเด็กคนนั้นซื้อตุ๊กตามาใหม่ ก็นำไปเก็บไว้ที่ชั้นล่าง เป็นต้น

          แม้ว่าการเรียนรู้แบบไม่มีผู้สอนนี้จะไม่ต้องการผู้สอน แต่ก็ต้องการแนวทางในการจัดกลุ่ม เช่น การจัดกลุ่มอาจจะจัดตามรูปทรง สีหรือวิธีการใช้งานของวัตถุต่างๆ ที่จะนำมาจัดเป็นต้น ดังนั้น หากไม่มีการให้แนวทางที่ชัดเจนว่า การจัดกลุ่มควรเป็นไปตามคุณลักษณะใด การจัดกลุ่มอาจไม่ประสบความสำเร็จในแง่การนำมาใช้งานจริงก็ได้ ตัวอย่างเช่น การให้เด็กจัดของไว้บนชั้นวางของนั้น เด็กอาจจะจัดตามใจชอบและไม่เป็นหมวดหมู่ ทำให้ไม่สะดวกต่อการนำสิ่งของใหม่ๆ เข้าไปเก็บรวมด้วยก็ได้ การใช้งานโครง-ข่ายประสาทเทียมที่ใช้การเรียนรู้แบบนี้ จึงมักต้องมีการดำเนินการปรับแต่งข้อมูล เพื่อให้เกิดการเน้นสภาพของคุณลักษณะสำคัญ ที่ต้องการนำมาเป็นแนวทางในการจัดกลุ่มให้เด่นชัดขึ้นหรืออาจเป็นการปรับกฎการเรียนรู้ เพื่อให้เน้นไปที่คุณลักษณะที่ต้องการก็ได้

          เนื่องจากขั้นตอนการเรียนรู้แบบไม่มีผู้สอนนี้จะมีการระบุกลุ่มของข้อมูลตัวอย่างก่อน เมื่อตัดสินใจได้แล้วว่า ข้อมูลใหม่มีลักษณะที่ควรจะจัดรวมเข้ากลุ่มใด (หรืออาจถือเป็นกลุ่มใหม่ก็ได้ในกรณีที่เห็นว่าไม่ควรจัดเข้ากลุ่มใดเลย) หลังจากนั้น จึงมีการปรับคุณลักษณะของกลุ่ม โดยการนำลักษณะของข้อมูลใหม่นี้มาช่วยกำหนดแนวทางการจัดด้วย ในการตัดสินว่าข้อมูลใหม่นี้ควรจัดรวมเข้ากลุ่มใด ในโครงข่ายประสาทเทียมบางชนิดอาจจะใช้วิธีการแข่งขันกันของกลุ่มต่างๆ ว่ากลุ่มใดควรได้ข้อมูลดังกล่าวไป การเรียนรู้ในลักษณะนี้จะถูกเรียกว่า การเรียนรู้แบบแข่งขันกัน(Competitive Learning)

          ในอีกแง่มุมหนึ่ง นับจากจุดเริ่มต้นของการเรียนรู้ซึ่งไม่มีการจัดกลุ่มข้อมูลในแบบใดๆ เลยจนถึงเวลาที่การจัดเสร็จสิ้นแล้ว จะพบว่า การจัดกลุ่มข้อมูลเกิดขึ้นตามคุณลักษณะบางอย่างของข้อมูลตัวอย่าง ซึ่งการจัดกลุ่มนี้เกิดจากการที่โครง-ข่ายประสาทเทียมประเมินข้อมูลต่างๆ ที่ถูกป้อนเข้าไปในระหว่างการเรียนรู้ จนสร้างเป็นวิธีการจัดกลุ่มขึ้นมาได้ ดังนั้น การเรียนรู้ในลักษณะดังกล่าวจึงถูกเรียกว่า การเรียนรู้แบบจัดตัวเอง(Self-organizing) ด้วย

   

[กลับหัวข้อหลัก]