E-Thesis & Research สถาบันเทคโนโลยีไทย-ญี่ปุ่น

fieldjournalid E-Thesis & Research สถาบันเทคโนโลยีไทย-ญี่ปุ่น

สารนิพนธ์ (MET) 2023

1.	การวิเคราะห์ความคิดเห็นจากข้อความความคิดเห็นด้วยการเรียนรู้เชิงลึก [แสดงบทคัดย่อ] [ซ่อนบทคัดย่อ]
	ผู้แต่ง : คณินาถ พงศ์ศักดิ์ศรี
	ในปัจจุบันการวิเคราะห์ข้อมูลจากความคิดเห็นของประชาชนบนโซเชียลเน็ตเวิร์ก เช่น Twitter หรือ Facebook หรืออื่นๆ ได้กลายมามีบทบาทสำคัญสำหรับการนำไปใช้งานด้านต่างๆ เช่น การตลาด การเมือง ฯลฯ โดยเฉพาะอย่างยิ่งงานด้านการพยากรณ์อารมณ์ความรู้สึกเชิงบวกและเชิงลบจากข้อความคิดเห็นของผู้ที่ใช้งานโซเชียลเน็ตเวิร์กเพื่อใช้ในการปรับปรุงผลิตภัณฑ์หรือสินค้าต่างๆ นั้น เป็นที่ต้องการอย่างมาก ดังนั้นงานวิจัยนี้จึงนำเสนอโมเดลการเรียนรู้เชิงลึกแบบผสมผสานกับการประมวลผลภาษาธรรมชาติ (NLP) สำหรับการคัดแยกความรู้สึกเชิงบวกและเชิงลบ โดยในงานวิจัยนี้ได้ออกแบบขั้นตอนวิธี (อัลกอริทึม) ของการพยากรณ์ความรู้สึกจากข้อความวิจารณ์ที่ประกอบด้วยส่วนสำคัญอยู่ 2 ส่วนดังนี้ ส่วนแรกเป็นขั้นตอนของกระบวนการเตรียมข้อมูลซึ่งประกอบด้วยการทำความสะอาดข้อมูลและการดึงคุณลักษณะเด่นของข้อมูล หลังจากผ่านขั้นตอนการเตรียมข้อมูลแล้ว ข้อมูลข้อความจะอยู่ในรูปแบบของชุดข้อมูลที่มีคำหรือประโยคแต่ละรายการแปลงเป็นเวกเตอร์ตัวเลข ในส่วนที่สองคือการออกแบบโมเดลสำหรับการเรียนรู้ด้วยการใช้โมเดลการเรียนรู้เชิงลึกแบบผสมผสานระหว่างอัลกอริทึม CNN และ LSTM เป็นการทำงานแบบคู่ขนานกันเพื่อนำจุดเด่นของทั้งสองมาใช้งานให้ได้ประโยชน์สูงสุด และในตอนท้ายของงานวิจัยนี้ก็ยังได้ออกแบบการทดลองเพื่อพิสูจน์ประสิทธิภาพของโมเดลอัลกอริทึมที่ได้นำเสนอด้วยค่าความแม่นยำที่ได้หลังทำการฝึกสอน (Accuracy) ซึ่งผลลัพธ์ของการทดลองโมเดลการเรียนรู้เชิงลึกที่นำเสนอก็สามารถคัดแยกความรู้สึกจากข้อความเฉลี่ยร้อยละ 95.84 จากตัวอย่างของการทดสอบทั้งหมด Full Text : Download!

2.	แนวทางการพัฒนาการเรียนรู้เชิงลึกโดยใช้คุณลักษณะแบบผสมเพื่อการจำแนกภาษามือ [แสดงบทคัดย่อ] [ซ่อนบทคัดย่อ]
	ผู้แต่ง : สรวิชญ์ รักประเสริฐสุข
	การจำแนกภาษามือเป็นงานที่ท้าทายเนื่องจากความซับซ้อนและความหลากหลายของท่าทางและรูปร่างมือ เอกสารนี้นำเสนอวิธีการเรียนรู้เชิงลึกสำหรับการจำแนกภาษามือโดยใช้วิธีการผสมคุณลักษณะ มีข้อมูลเชิงข้อความสองชุดที่แตกต่างกันมาจากแหล่งที่มีความเป็นที่รู้จัก คือภาพที่ถูกปรับและฮิสโตแกรมที่ถูกแปลงให้เป็นข้อมูลเข้าสู่โมเดลการเรียนรู้เชิงลึก ชุดข้อมูลภาพใช้เป็นข้อมูลเข้าสู่โมเดล convolutional neural network (CNN) เพื่อจับลักษณะของพื้นที่และคุณลักษณะ ในขณะที่ชุดข้อมูลฮิสโตแกรมถูกปรับให้เป็นข้อมูลเข้าสู่โมเดล long short-term memory (LSTM) เน้นด้านเวลาของท่าทางมือ การผสมนี้ไม่เพียงทำให้เป็นไปได้ในการวิเคราะห์ลักษณะทั้งของพื้นที่และเวลา แต่ยังช่วยให้ลดขนาดของโมเดลโดยรวม ผลการทดลองแสดงให้เห็นการปรับปรุงที่สังเกตเห็นได้ในตัวชี้วัดความสามารถในการทำงานวิธีการที่นำเสนอสามารถทำให้เกิดการลดขนาดของโมเดล ซึ่งช่วยลดความต้องการในการประมวลผลที่ใช้ทรัพยากร นอกจากนี้ยังลดความจำเป็นในการเพิ่มข้อมูลในกระบวนการฝึกอบรม เช่นเดียวกัน วิธีการที่นำเสนอช่วยเพิ่มประสิทธิภาพโดยรวมของระบบการจำแนกภาษามือได้อย่างมีนัยสำคัญ Full Text : Download!

Total 2 Record 1

วิทยานิพนธ์

สารนิพนธ์

สหกิจศึกษา

งานวิจัย

บทความวิจัย