📋 ใบกิจกรรม: โครงข่ายประสาทเทียม

ออกแบบโจทย์ของคุณเอง ปรับน้ำหนัก เพิ่ม/ลด node เลเยอร์ ฟีเจอร์ และ output ได้ตามใจ คำนวณตามสูตรในใบกิจกรรมเป๊ะ ๆ

สูตรที่ใช้: z = w1x1 + w2x2 + ... + wnxn   |   Activation (Binary Step): ถ้า z > 0 → 1, ถ้า z ≤ 0 → 0

📊 ข้อมูลสอน

แก้หัวข้อ ฟีเจอร์ คลาส และข้อมูลได้เลย — เพิ่ม/ลบฟีเจอร์ปรับ Input Layer, เพิ่ม/ลบคลาสปรับ Output Layer ให้ตามอัตโนมัติ

🧠 โครงข่ายของเรา

💡 คลิกกล่องน้ำหนัก เพื่อสลับค่า: 0+1−1  |  คลิกที่โหนด เพื่อโฟกัสดูเฉพาะการคำนวณของโหนดนั้น

w = +1 w = 0 w = −1 โหนดเขียว = ส่งสัญญาณ (1), สีเทา = ไม่ส่ง (0)

🧮 การคำนวณทีละขั้น

ตามใบกิจกรรม: คำนวณ z แล้วผ่าน Binary Step

ค่าทำนาย

📝 ใบงานคำตอบ

รอบ 1: ลองสุ่มน้ำหนัก แล้วป้อนข้อมูลทีละชุด ดูว่า AI ทายตรงเฉลยไหม
รอบ 2: สุ่มน้ำหนักใหม่ ทำซ้ำ
คำถามชวนคิด:
• ทำไมน้ำหนักชุดเดียวกันถึงทายข้อมูลแต่ละชุดได้ผลต่างกัน?
• ลองเปลี่ยนเป็นโจทย์หลายคลาส (เพิ่ม Output) ดูว่าผลเป็นยังไง
• ลองออกแบบโจทย์ของตัวเอง — เพิ่มฟีเจอร์/ตัวอย่าง/คลาส

🎓 จุดประสงค์ของกิจกรรมนี้

กิจกรรมนี้จำลองสิ่งที่นักเรียนทำกับ กระดาษโน้ต ในห้องเรียน โดยให้แต่ละคนเป็นโหนดของเครือข่าย ที่นี่คุณได้เห็นทุกขั้นตอนพร้อมกัน — น้ำหนักของทุกเส้น, สูตรการคำนวณ z ของแต่ละโหนด, และผลของ activation function

สำหรับโจทย์ หลายคลาส (เช่น แมว/หมา/นก) เราใช้ Output 1 ตัวต่อคลาส โดยเลเบล y เป็นแบบ One-Hot เช่น [1,0,0]=แมว, [0,1,0]=หมา AI จะ "ทาย" คลาสไหน ดูจากว่า output ตัวไหนติด 1

จะเห็นว่าด้วยน้ำหนัก สุ่ม AI มักทายผิด — นี่คือเหตุผลว่าทำไมต้อง "ฝึก" (training) เครือข่าย ลองไปเล่น Playground ดูการเรียนรู้น้ำหนักที่ดีอย่างไร