กำลังเตรียมหน้า…
กำลังเปิดห้องทดลอง…
รอสักครู่ ภาพจำลองกำลังโหลด
AI Learning Model
คอมพิวเตอร์เรียนแยกของสองกลุ่มจากตัวอย่างได้อย่างไร? ดูเส้นแบ่งที่มันหาเอง
ทำทีละขั้น ทายผลก่อน แล้วลองปรับตัวแปรหลักด้วยตัวเอง
ปรับได้ทุกตัวแปร รวมตัวแปรเพิ่มเติมสำหรับ ม.4–6 แล้วบันทึกผลเปรียบเทียบ
ทุกอย่างในโหมดทดลองอิสระ พร้อมแผนการสอน ใบงาน และเฉลยที่พิมพ์ได้
ค่าที่วัดได้จากการตั้งค่าตอนนี้
ความแม่นยำบนข้อมูลฝึก (Training accuracy)
91.7%
ค่าความสูญเสีย สัดส่วนที่ทายผิด (Training loss)
0.0833
จำนวนตัวอย่างที่ทายผิด (Prediction errors)
1ตัวอย่าง
ความชันของเส้นแบ่ง (Decision boundary slope)
−0.5
ตำแหน่งเส้นแบ่ง (Decision boundary intercept/threshold)
0.125
สรุปผล โมเดลปัญญาประดิษฐ์ (AI Learning Model) แบบเพอร์เซปตรอน (perceptron) ทายข้อมูลฝึกถูก 11 จาก 12 ตัวอย่าง ความแม่นยำ 91.7% ทายผิด 1 ตัวอย่าง
เปรียบเทียบผลแต่ละรอบ0/3
กดบันทึกผล แล้วเปลี่ยนค่า จะเห็นเส้นของแต่ละรอบซ้อนกันบนกราฟ
แตะหรือลากบนกราฟเพื่ออ่านค่า หรือกดปุ่มลูกศร ← → เมื่อเลือกกราฟแล้ว
ค่าจากกราฟ ความแม่นยำเมื่อฝึกแต่ละรอบ (Training accuracy vs epoch) (13 จุด)
| รอบการฝึก (Training epoch) | ความแม่นยำ (Accuracy) (%) |
|---|---|
| 0 | 25 |
| 1 | 41.7 |
| 2 | 66.7 |
| 3 | 83.3 |
| 4 | 83.3 |
| 5 | 83.3 |
| 7 | 83.3 |
| 8 | 83.3 |
| 9 | 91.7 |
| 10 | 91.7 |
| 11 | 91.7 |
| 12 | 91.7 |
แสดง 12 จาก 13 แถว (เลือกแถวแบบเว้นระยะเท่ากัน รวมแถวแรกและแถวสุดท้าย)
สิ่งที่แบบจำลองนี้ใช้คิดคำนวณ และสิ่งที่ควรเห็นเมื่อทดลอง
โมเดลปัญญาประดิษฐ์เรียนรู้ (AI Learning Model)
โมเดลเริ่มจากการเดา ทายถูกแค่ 3 จาก 12 — กดเล่นดูมันขยับเส้นแบ่งทีละรอบการฝึก
สนามทดลอง AI (AI Playground): สอนคอมพิวเตอร์แยกสองกลุ่มจากตัวอย่างที่มีคำตอบ
x₂ = −0.50x₁ + 0.12
โมเดลเพอร์เซปตรอน (Perceptron) หลังฝึกครบ 12 รอบ อัตราการเรียนรู้ 0.2 ฝั่งสีส้มทายว่ากลุ่ม 1 ฝั่งสีฟ้าทายว่ากลุ่ม 0
91.7%ทายถูก 11 จาก 12 ตัวอย่าง
วัดกับข้อมูลที่ใช้ฝึกเท่านั้น ยังไม่ได้ลองกับข้อมูลใหม่
| จุดที่ | x₁, x₂ | คำตอบจริง | โมเดลทาย | ผล |
|---|---|---|---|---|
| 1 | 0.6, −1.3 | กลุ่ม 0 | กลุ่ม 0 | ถูก |
| 2 | −0.2, 1.8 | กลุ่ม 1 | กลุ่ม 1 | ถูก |
| 3 | 1.7, −2.2 | กลุ่ม 0 | กลุ่ม 0 | ถูก |
| 4 | 0.2, 0.6 | กลุ่ม 1 | กลุ่ม 1 | ถูก |
| 5 | −0.3, −0.3 | กลุ่ม 0 | กลุ่ม 0 | ถูก |
| 6 | −1, 1.4 | กลุ่ม 1 | กลุ่ม 1 | ถูก |
| 7 | 1.7, −1.2 | กลุ่ม 0 | กลุ่ม 0 | ถูก |
| 8 | 1.2, 0.7 | กลุ่ม 1 | กลุ่ม 1 | ถูก |
| 9 | −0.4, 0.4 | กลุ่ม 0 | กลุ่ม 1 | ผิด |
| 10 | 0.6, 0.1 | กลุ่ม 1 | กลุ่ม 1 | ถูก |
| 11 | −1.9, 1 | กลุ่ม 0 | กลุ่ม 0 | ถูก |
| 12 | −2.2, 1.6 | กลุ่ม 1 | กลุ่ม 1 | ถูก |
ค่าความแม่นยำ ค่าความสูญเสีย และจำนวนที่ทายผิด วัดจากข้อมูลฝึก 12 จุดนี้เท่านั้น ไม่มีการทดสอบกับข้อมูลใหม่ จึงยังบอกไม่ได้ว่าโมเดลใช้กับข้อมูลจริงได้ดีแค่ไหน เพอร์เซปตรอนเริ่มจากน้ำหนักที่ตั้งไว้คงที่แทนการสุ่ม และเก็บโมเดลที่ดีที่สุดที่เคยได้ไว้ (ภาพแต่ละรอบคือโมเดลที่ได้ถ้าหยุดฝึกที่รอบนั้น) ในโมเดลจริงอัตราการเรียนรู้ที่มากเกินไปอาจทำให้การเรียนรู้แกว่ง
Model note: accuracy, loss, and prediction errors are measured only on these fixed training samples. There is no holdout or unseen-point evaluation, so these values do not establish generalization. This is a small deterministic teaching model, not a complete representation of modern AI systems.