Workshop : ทำโปรเจกต์ Deep NLP — การคัดกรองกระทู้ที่ไม่ประสงค์ดีบน Quora.com
April 8, 2019
Workshop : iFashion 2019 — ได้เวลาให้ AI วิเคราะห์แฟชั่นด้วย Keras Mask-RCNN
June 20, 2019
Workshop ประจำเดือนพฤษภาคมของ ThAIKeras มาแล้วครับ!
ใน Workshop นี้เราจะมาลองโปรเจกต์ Deep Learning บนข้อมูลประเภท Signal กันบ้างครับผม โดยข้อมูลประเภท Signal นั้นเป็นข้อมูลที่เราพบเจอได้บ่อยๆ ในภาคอุตสาหกรรม เนื่องจากอุปกรณ์ต่างๆ นั้นมักจะมี Sensor ที่คอยตรวจจับ Feedback ต่างๆ อยู่ โดยในที่นี่้เราจะโฟกัสที่ปัญหาสำคัญมากๆ ปัญหาหนึ่งนั่นคือ Predictive Maintenance ครับ
Predictive Maintenance หรือ “การทำนายการเสื่อมของเครื่องจักร” นับว่ามีความสำคัญในโลกยุค 4.0 ซึ่งเครื่องจักรเข้ามามีบทบาทในภาคการผลิตแทนมนุษย์มากขึ้นเรื่อยๆ เครื่องจักรหรืออุปกรณ์ต่างๆ นั้นแม้นจะทำงานได้ดี แต่ไม่สามารถบอกเราได้ว่าจะเสื่อมอายุเมื่อไร และการใช้งานอุปกรณ์ที่เสื่อมสภาพอาจทำให้เกิดความเสียหายขึ้นได้ ดังนั้นจึงเป็นหน้าที่ของผู้เชี่ยวชาญที่จะทำหน้าที่ประเมินอายุการใช้งานของอุปกรณ์ครับ ซึ่ง AI หรือ Machine Learning ก็จะสามารถเข้ามาทดแทนบาทหรือช่วยเหลือผู้เชี่ยวชาญได้ครับ
ใน Workshop นี้ เพื่อนๆ จะได้ทดลองทำตัวอย่าง Predictive Maintenance Project ในปัญหา “การทำนายกระแสสัญญาณไฟฟ้า 3 เฟสที่บกพร่องบางส่วน” ด้วย GPU VM ได้ด้วยตัวเองที่ Kaggle โดยไม่มีค่าใช้จ่าย และไม่ต้องเซ็ตอัพระบบใดๆ
เพื่อความเข้าใจปัญหา และภาพรวมรายละเอียดที่เราจะปฏิบัติกันใน Workshop นี้ทีมงานได้เขียนบทความแยกแนะนำปัญหานี้อย่างละเอียดได้ที่นี่ครับ ขอให้เพื่อนๆ ได้ทำความเข้าใจปัญหาก่อนจะเริ่มต้น Workshop กันนะครับ
เอาล่ะเพื่อนๆ เมื่อทำความเข้าใจปัญหาเรียบร้อยแล้ว ถ้างั้นเรามาเริ่มทำ Workshop กันเลยครับ กดเข้า Workshop ได้ที่นี่เลยครับ
อนึ่ง สิ่งที่จะได้เรียนรู้จาก Notebook มีดังนี้ครับ
- หัดใช้ Kaggle Notebook ซึ่งเป็น GPU & Deep Learning virtual machine ประสิทธิภาพสูงได้อย่างง่ายดาย ไม่มีค่าใช้จ่ายและไม่ต้อง set up ใดๆ
- ตัวอย่างปัญหา Predictive Maintainance จากข้อมูลจริง โดยปัญหานี้คือ ตรวจจับความผิดปกติในสัญญาณไฟ 3 เฟส
- การทำ Signal Preprocessing เบื้องต้นเพื่อนำมาใช้งานใน Deep Learning Framework
- ตัวอย่างการประมวลผลข้อมูล signal ขนาดใหญ่ใน resource ที่จำกัด
- ประยุกต์ใช้ Sequential Deep Learning Technique ที่สำคัญคือ Long-Short Term Memory (LSTM) สำหรับ Signal Data
- การวัดผลในปัญหาที่คลาสไม่สมดุลย์ด้วย Matthew Correlation Coefficients
- ได้เข้าใจเหตผุลที่ต้องออกแบบระบบการวัดผลด้วย Stratified K-Fold Cross Validation และประยุกต์ใช้ K-Fold Ensembleทำนายเพื่อความแม่นยำ
Kaggle นั้นเป็นแหล่งฝึกฝีมือและเรียนรู้ Deep Learning ภาคปฏิบัติที่ดีที่สุด ถ้าเพื่อนๆ สนใจการแข่งขันหรืองานใดๆ บน Kaggle ก็อย่าลืมเข้ามาคุยได้ที่บอร์ดของเรานะครับ
