แสดงบทความที่มีป้ายกำกับ การประมวลผลภาษา แสดงบทความทั้งหมด
แสดงบทความที่มีป้ายกำกับ การประมวลผลภาษา แสดงบทความทั้งหมด

วันเสาร์ที่ 30 พฤษภาคม พ.ศ. 2569

AI ตอนที่ 4: Natural Language Processing (NLP) กับการวิเคราะห์เอกสาร

NLP คืออะไร?

Natural Language Processing (NLP) เป็นสาขาของ AI ที่ทำให้คอมพิวเตอร์เข้าใจและประมวลผลภาษามนุษย์

1. แอปพลิเคชันของ NLP

แอปพลิเคชันตัวอย่าง
ChatbotChatGPT, Customer Service Bot
TranslationGoogle Translate
Sentiment Analysisวิเคราะห์ความคิดเห็นลูกค้า
Text Summarizationสรุปเอกสารอัตโนมัติ
Named Entity Recognitionระบุชื่อคน, สถานที่

2. ขั้นตอนการประมวลผลภาษา

ขั้นตอนที่ 1: Tokenization

  • แบ่งประโยคเป็นคำ
  • ตัวอย่าง: I love coding → [I, love, coding]

ขั้นตอนที่ 2: Stopword Removal

  • ลบคำที่ไม่สำคัญ (a, the, is)

ขั้นตอนที่ 3: Stemming/Lemmatization

  • ลดคำให้เหลือรากศัพท์
  • ตัวอย่าง: running → run

ขั้นตอนที่ 4: Vectorization

  • แปลงคำเป็นตัวเลข
  • ใช้ TF-IDF หรือ Word Embeddings

3. โมเดล NLP ยอดนิยม

โมเดลคุณสมบัติใช้ใน
BERTเข้าใจบริบททั้งซ้าย-ขวาค้นหา, ตอบคำถาม
GPTสร้างข้อความอัตโนมัติเขียนบทความ, Chatbot
T5แปลงงานทุกอย่างเป็น Text-to-Textแปล, สรุป

4. ตัวอย่างโค้ด Python

from transformers import pipeline

# Sentiment Analysis
classifier = pipeline('sentiment-analysis')
result = classifier('I love this product!')
print(result) # [{'label': 'POSITIVE', 'score': 0.99}]

# Text Summarization
summarizer = pipeline('summarization')
text = 'Your long text here...'
summary = summarizer(text, max_length=50)
print(summary)

5. NLP ในงานวิศวกรรม

  • รายงานอัตโนมัติ: สรุปข้อมูลจากเซ็นเซอร์
  • ค้นหาเอกสาร: ค้นหาคู่มือเครื่องจักร
  • วิเคราะห์ Feedback: วิเคราะห์ความคิดเห็นพนักงาน
  • แปลภาษา: แปลมาตรฐานต่างประเทศ

AI ตอนที่ 4: Natural Language Processing (NLP) กับการวิเคราะห์เอกสาร

NLP คืออะไร?

Natural Language Processing (NLP) เป็นสาขาของ AI ที่ทำให้คอมพิวเตอร์เข้าใจและประมวลผลภาษามนุษย์

1. แอปพลิเคชันของ NLP

แอปพลิเคชันตัวอย่าง
ChatbotChatGPT, Customer Service Bot
TranslationGoogle Translate
Sentiment Analysisวิเคราะห์ความคิดเห็นลูกค้า
Text Summarizationสรุปเอกสารอัตโนมัติ
Named Entity Recognitionระบุชื่อคน, สถานที่

2. ขั้นตอนการประมวลผลภาษา

ขั้นตอนที่ 1: Tokenization

  • แบ่งประโยคเป็นคำ
  • ตัวอย่าง: I love coding → [I, love, coding]

ขั้นตอนที่ 2: Stopword Removal

  • ลบคำที่ไม่สำคัญ (a, the, is)

ขั้นตอนที่ 3: Stemming/Lemmatization

  • ลดคำให้เหลือรากศัพท์
  • ตัวอย่าง: running → run

ขั้นตอนที่ 4: Vectorization

  • แปลงคำเป็นตัวเลข
  • ใช้ TF-IDF หรือ Word Embeddings

3. โมเดล NLP ยอดนิยม

โมเดลคุณสมบัติใช้ใน
BERTเข้าใจบริบททั้งซ้าย-ขวาค้นหา, ตอบคำถาม
GPTสร้างข้อความอัตโนมัติเขียนบทความ, Chatbot
T5แปลงงานทุกอย่างเป็น Text-to-Textแปล, สรุป

4. ตัวอย่างโค้ด Python

from transformers import pipeline

# Sentiment Analysis
classifier = pipeline('sentiment-analysis')
result = classifier('I love this product!')
print(result) # [{'label': 'POSITIVE', 'score': 0.99}]

# Text Summarization
summarizer = pipeline('summarization')
text = 'Your long text here...'
summary = summarizer(text, max_length=50)
print(summary)

5. NLP ในงานวิศวกรรม

  • รายงานอัตโนมัติ: สรุปข้อมูลจากเซ็นเซอร์
  • ค้นหาเอกสาร: ค้นหาคู่มือเครื่องจักร
  • วิเคราะห์ Feedback: วิเคราะห์ความคิดเห็นพนักงาน
  • แปลภาษา: แปลมาตรฐานต่างประเทศ

AI ตอนที่ 7: Generative AI กับการออกแบบวิศวกรรม

Generative AI คืออะไร? Generative AI คือ AI ที่สามารถสร้างเนื้อหาใหม่ได้ ไม่ว่าจะเป็นข้อความ ภาพ เสียง หรือแม้แต่การออกแบบทางวิศวกรรม 1. เคร...