งานวิจัยนี้มีวัตถุประสงค์ดังนี้ (1) เพื่อศึกษาประสิทธิภาพของเทคนิคโครงข่ายประสาทเทียมแบบ ความจำระยะสั้น–ยาว (Long Short-Term Memory: LSTM) ในการตรวจจับข่าวปลอม และ (2) เพื่อ เปรียบเทียบประสิทธิภาพของโครงข่ายประสาทเทียมแบบความจำระยะสั้น–ยาวกับเทคนิคพื้นฐานในการ ตรวจจับข่าวปลอม การดำเนินการวิจัยใช้ข้อมูลข่าวจากสถานการณ์จริงทั่วโลก จำนวนทั้งสิ้น 20,800 ข่าว ประกอบด้วยข่าวปลอมจำนวน 10,413 ข่าว และข่าวจริงจำนวน 10,387 ข่าว แบ่งข้อมูลออกเป็นชุดข้อมูล ฝึกสอนร้อยละ 80 และชุดข้อมูลทดสอบร้อยละ 20 การวิเคราะห์ข้อมูลดำเนินการด้วยการจำแนกประเภท ข่าวโดยใช้โครงข่ายประสาทเทียมแบบความจำระยะสั้น–ยาว ผลการวิจัยพบว่า (1) โครงข่ายประสาทเทียม แบบความจำระยะสั้น–ยาว มีประสิทธิภาพในการตรวจจับข่าวปลอม โดยมีค่าความถูกต้อง (accuracy) เท่ากับร้อยละ 97.78 และ (2) เมื่อเปรียบเทียบประสิทธิภาพกับเทคนิคพื้นฐาน ได้แก่ เทคนิคต้นไม้ตัดสินใจ และเทคนิคป่าต้นไม้สุ่ม พบว่าโครงข่ายประสาทเทียมแบบความจำระยะสั้น–ยาว มีประสิทธิภาพสูงกว่า ทั้งนี้ เนื่องจากโครงข่ายประสาทเทียมแบบความจำระยะสั้น–ยาว มีความสามารถในการเรียนรู้เชิงลึกและการเรียนรู้ ลำดับข้อมูลเชิงเวลา ซึ่งเหมาะสมกับข้อมูลข้อความข่าว

งานวิจัยนี้มีวัตถุประสงค์เพื่อ (1) ศึกษาประสิทธิภาพของโครงข่ายประสาทเทียมแบบ Gated Recurrent Unit (GRU) ในการตรวจจับข่าวปลอม และ (2) เปรียบเทียบประสิทธิภาพของโมเดล GRU กับ เทคนิคพื้นฐานในการจำแนกข่าวจริงและข่าวปลอม โดยใช้ชุดข้อมูลข่าวจากแหล่งข้อมูลสาธารณะเป็น กรณีศึกษา คือ ชุดข้อมูลข่าวปลอม (Fake News Dataset) ประกอบด้วยข่าวจริงและข่าวปลอมอย่าง ละ 10,400 รายการ รวมทั้งหมด 20,800 รายการ กระบวนการวิจัยประกอบด้วยการเตรียมและทำความ สะอาดข้อมูลข้อความ ได้แก่ การตัดคำ การลบคำหยุด และการปรับรูปแบบข้อความ จากนั้นแปลงข้อมูล ข้อความให้อยู่ในรูปแบบเวกเตอร์ด้วยเทคนิค การฝังคำ เพื่อนำไปใช้ในการฝึกสอนและทดสอบโมเดล GRU และโมเดลพื้นฐาน โดยทำการแบ่งชุดข้อมูลออกเป็นชุดฝึกสอน (Training Set) ร้อยละ 80 และชุดทดสอบ (Testing Set) ร้อยละ 20 ของข้อมูลทั้งหมด โดยชุดฝึกสอนประกอบด้วยข้อมูลจำนวน 16,640 รายการ ใช้สำหรับการเรียนรู้และปรับค่าพารามิเตอร์ของแบบจำลอง ขณะที่ชุดทดสอบประกอบด้วยข้อมูลจำนวน 4,160 รายการ ใช้สำหรับประเมินประสิทธิภาพของแบบจำลองหลังจากกระบวนการฝึกสอนเสร็จสิ้น การประเมินประสิทธิภาพของโมเดลดำเนินการโดยใช้ตัวชี้วัด ได้แก่ ความแม่นยำ ความเที่ยงตรง ความ ครอบคลุม ค่าคะแนนเอฟหนึ่ง และ ตารางคอนฟิวชัน ผลการวิจัยพบว่า (1) โมเดล GRU สามารถจำแนกข่าว จริงและข่าวปลอมได้อย่างมีประสิทธิภาพในระดับสูง และ (2) โมเดล GRU มีค่าความแม่นยำเท่ากับร้อยละ 97.19 ซึ่งสูงกว่าเทคนิคพื้นฐานที่นำมาเปรียบเทียบ แสดงให้เห็นว่าโครงข่ายประสาทเทียมแบบ GRU มีศักยภาพในการคัดกรองข่าว เพื่อช่วยลดผลกระทบจากการเผยแพร่ข่าวปลอมในสังคมดิจิทัล

งานวิจัยนี้มีวัตถุประสงค์ดังนี้ (1) เพื่อศึกษาประสิทธิภาพของเทคนิค CNN ในการจำแนกประเภท รูปภาพแฟชั่น จากชุดข้อมูล Fashion-MNIST และ (2) เพื่อเปรียบเทียบประสิทธิภาพของเทคนิค CNN กับ เทคนิคพื้นฐานทางการเรียนรู้ของเครื่อง ในการจำแนกประเภทรูปภาพแฟชั่น โดยใช้ชุดข้อมูลรูปภาพ แฟชั่น Fashion-MNIST ซึ่งประกอบด้วยภาพเสื้อผ้าแบบขาวดำ จำนวนทั้งหมด 70,000 ภาพ แบ่งเป็น 10 หมวดหมู่ โดยแบ่งชุดข้อมูลสำหรับการฝึกสอนแบบจำลองจำนวน 60,000 ภาพ และชุดข้อมูลสำหรับการ ทดสอบแบบจำลองจำนวน 10,000 ภาพ การวิเคราะห์ข้อมูลดำเนินการด้วยการจำแนกประเภทรูปภาพโดยใช้ โครงข่ายประสาทเทียมแบบคอนโวลูชัน และประเมินประสิทธิภาพของแบบจำลองด้วยค่าความถูกต้อง (Accuracy) และค่าความสูญเสีย (Loss) ผลการวิจัยพบว่า (1) โครงข่ายประสาทเทียมแบบคอนโวลูชันมี ความสามารถในการจำแนกประเภทรูปภาพแฟชั่นได้อย่างมีประสิทธิภาพ โดยมีค่าความถูกต้องเท่ากับร้อยละ 88.84 และ (2) เมื่อเปรียบเทียบกับเทคนิคพื้นฐาน ได้แก่ เทคนิคซัพพอร์ตเวกเตอร์แมชชีน (SVM) และเทคนิค เค-เนียร์เรสต์เนเบอร์ (k-NN) พบว่าโครงข่ายประสาทเทียมแบบคอนโวลูชันมีประสิทธิภาพสูงกว่า ทั้งนี้ เนื่องจากโครงข่ายประสาทเทียมแบบคอนโวลูชันสามารถเรียนรู้คุณลักษณะเชิงพื้นที่และลำดับชั้นของภาพได้ โดยอัตโนมัติ ซึ่งเหมาะสมกับงานประมวลผลและวิเคราะห์ภาพแฟชั่น

งานวิจัยนี้มีวัตถุประสงค์ดังนี้(1) เพื่อศึกษาประสิทธิภาพของโครงข่ายประสาทเทียมแบบคอนโวลูชัน (Convolutional Neural Network: CNN) สำหรับการจำแนกภาพจากชุดข้อมูล CIFAR-10 และ (2) เพื่อ เปรียบเทียบประสิทธิภาพของโมเดลโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) กับเทคนิคพื้นฐาน สำหรับการ จำแนกภาพจากชุดข้อมูล CIFAR-10 โดยวิธีการเรียนรู้เชิงลึก (Deep Learning) ผ่านการออกแบบสถาปัตยกรรม โครงข่ายประสาทเทียมแบบคอนโวลูชัน ประกอบด้วย ชั้นคอนโวลูชัน ชั้นพูลลิง และชั้นเชื่อมต่อเต็มรูปแบบ พร้อม ทั้งใช้เทคนิคการปรับปรุงประสิทธิภาพของโมเดล เช่น การใช้ฟังก์ชันกระตุ้น การลดปัญหา overfitting และการ ปรับพารามิเตอร์ของโมเดล วิเคราะห์ข้อมูลด้วยการวัดค่าความแม่นยำ (Accuracy) และค่าความสูญเสีย (Loss) ผลการวิจัย พบว่า (1) โครงข่ายประสาทเทียมแบบคอนโวลูชัน สามารถเรียนรู้คุณลักษณะของภาพจากชุด ข้อมูล CIFAR-10 ได้อย่างมีประสิทธิภาพ และ (2) ผลการเปรียบเทียบประสิทธิภาพ พบว่าโครงข่ายประสาทเทียม แบบคอนโวลูชัน มีประสิทธิภาพสูงสุด ด้วยค่าความถูกต้องแม่นยำ เท่ากับ 0.7015 รองลงมา คือ HOG + SVM (Accuracy = 0.6208) และ LBP + k-NN (Accuracy = 0.1012) ตามลำดับ ผลการศึกษาแสดงให้เห็นว่าโครงข่าย ประสาทเทียมแบบคอนโวลูชัน มีศักยภาพในการนำไปประยุกต์ใช้กับงานด้านการประมวลผลภาพจริง

งานวิจัยนี้มีวัตถุประสงค์ดังนี้ (1) เพื่อวิเคราะห์ความรู้สึกจากชุดข้อมูล IMDB ด้วยโครงข่ายประสาท เทียมแบบ GRU และ (2) เพื่อเปรียบเทียบประสิทธิภาพจากชุดข้อมูล IMDB ด้วยโครงโครงข่ายประสาทเทียม ด้วย GRU กับเทคนิคพื้นฐาน โดยใช้ข้อมูลรีวิวภาพยนตร์ภาษาอังกฤษจำนวนทั้งสิ้น 50,000 รีวิว ประกอบด้วย รีวิวเชิงบวก (Positive) จำนวน 25,000 รีวิว และรีวิวเชิงลบ (Negative) จำนวน 25,000 รีวิว แบ่งข้อมูล ออกเป็นชุดฝึกสอนร้อยละ 80 (40,000 รีวิว) และชุดทดสอบร้อยละ 20 (10,000 รีวิว) ผลการวิจัยพบว่า (1) แบบจำลองโครงข่ายประสาทเทียมแบบ GRU ให้ประสิทธิภาพสูงที่สุด โดยมีค่าความถูกต้อง (Accuracy) เท่ากับ 0.8705 ค่า Precision เท่ากับ 0.8653 ค่า Recall เท่ากับ 0.8762 และค่า F1-Score เท่ากับ 0.8707 ตามลำดับ และ (2) ผลการเปรียบเทียบแบบจำลองโครงข่ายประสาทเทียมแบบ GRU มีประสิทธิภาพดีที่สุด เมื่อเทียบกับ Random Forest (Accuracy = 0.8525) และ Decision Tree (Accuracy = 0.7266) ตามลำดับ ผลการวิจัยดังกล่าวแสดงให้เห็นถึงประสิทธิภาพของแบบจำลอง GRU ในการวิเคราะห์ความรู้สึก จากชุดข้อมูลข้อความขนาดใหญ่