Neural Networks Intro

စိတ်လျှော့ပါ။ ဒီခန်းကို စာအုပ်လိုမဟုတ်ဘဲ စကားပြောသလိုပဲ၊ နားလည်လွယ်အောင် ရှင်းပါမယ်။

ခဏလေး ဒီလိုပဲ စဉ်းစားကြည့်

Neural Network က human brain ရဲ့ neuron connection ကနေ inspiration ယူထားတဲ့ algorithm ပါ — Input Layer (data ဝင်ရောက်တဲ့နေရာ), Hidden Layer(s) (pattern ကို learn တဲ့ 'ဦးနှောက်' layer, layer အရေအတွက်/size ကို tune လုပ်နိုင်), Output Layer (final prediction) ဆိုပြီး layer structure ရှိပါတယ်။ Neuron တစ်ခုချင်းစီက input value တွေကို weight ဖြင့် ပေါင်းစည်းပြီး, Activation Function (ReLU, Sigmoid) ကို ဖြတ်သန်းစေကာ output တစ်ခု ထုတ်ပေးပါတယ် — 'Deep Learning' ဆိုတာ Hidden Layer အများကြီး (deep) ရှိတဲ့ Neural Network ကို ခေါ်ပါတယ် (site ရဲ့ AI/LangChain tutorial တွေမှာ တွေ့ရမယ့် Large Language Model တွေကလည်း Neural Network architecture ကို base လုပ်ထားတာပါ).

လက်တွေ့ scenario နဲ့ ချိတ်ကြည့်မယ်

`from sklearn.neural_network import MLPClassifier; model = MLPClassifier(hidden_layer_sizes=(100, 50), max_iter=500); model.fit(X_train, y_train)` လို့ ရေးရင် — Hidden Layer ၂ ခု (100 neuron, 50 neuron) ပါတဲ့ simple neural network ကို train လို့ရပါတယ် — scikit-learn ရဲ့ `MLPClassifier` က basic neural network အတွက်ပါ, image/text/large-scale deep learning အတွက်တော့ TensorFlow/PyTorch ကဲ့သို့ dedicated framework ကို production မှာ သုံးလေ့ရှိပါတယ်.

Neural Network = Input Layer, Hidden Layer(s), Output Layer ပါဝင်သော algorithm
Neuron = weight ဖြင့် input ပေါင်းစည်းပြီး Activation Function ကို ဖြတ်သန်းစေသော unit
Deep Learning = Hidden Layer အများကြီး (deep) ရှိသော Neural Network

အတူတူ ကြည့်မယ်

python

from sklearn.neural_network import MLPClassifier

model = MLPClassifier(
    hidden_layer_sizes=(100, 50),
    activation='relu',
    max_iter=500,
    random_state=42
)
model.fit(X_train, y_train)

accuracy = model.score(X_test, y_test)
print(f"Neural Network accuracy: {accuracy:.2f}")

You should see

Neural Network accuracy: 0.90

၅ မိနစ် စမ်းကြည့်

`MLPClassifier` ကို `hidden_layer_sizes` ကွဲပြားစွာ (ဥပမာ - (10,), (100, 50), (200, 100, 50)) ချကြည့်ပြီး, accuracy/training time ကို compare ကြည့်ပါ။

သတိလေးတစ်ချက်

Neural Network ရဲ့ interpretability က Decision Tree ထက် များစွာ နည်းပါတယ် ('black box' လို့ ခေါ်ကြပါတယ်) — regulation-heavy/high-stakes decision (loan, medical) မှာ interpretability လိုအပ်ရင် ဒီ trade-off ကို ထည့်တွက်သင့်ပါတယ်.