คอร์สนี้จะนำคุณสู่จุดสูงสุดของการเรียนรู้ด้าน AI/ML ด้วยหัวข้อที่ทันสมัยและสำคัญที่สุด 
เริ่มต้นด้วยเทคนิคการจัดกลุ่มข้อมูลแบบต่าง ๆ ไม่ว่าจะเป็น Centroid-based, Density-based, Distribution-based และ Hierarchical 
ช่วยให้คุณจัดกลุ่มและจำแนกข้อมูลได้อย่างมีประสิทธิภาพ.
ต่อด้วยการใช้ Principal Component Analysis 
ในการลดมิติของข้อมูล เพื่อทำให้การประมวลผลมีประสิทธิภาพมากขึ้น โดยคงไว้ซึ่งคุณลักษณะสำคัญของข้อมูล ซึ่งเป็นประโยซน์ต่อการประมวลผลข้อมูลขนาดใหญ่ 
ในการลดมิติของข้อมูล เพื่อทำให้การประมวลผลมีประสิทธิภาพมากขึ้น โดยคงไว้ซึ่งคุณลักษณะสำคัญของข้อมูล ซึ่งเป็นประโยซน์ต่อการประมวลผลข้อมูลขนาดใหญ่ .
นอกจากนี้ คุณจะได้เรียนรู้เทคนิคการสร้างโมเดลแบบ Ensemble 
อย่าง Bagging, AdaBoost, Gradient Boosting, LightGBM และ XGBoost 
ในการเพิ่มความแม่นยำ 
และความมีเสถียรภาพให้กับโมเดล 
รวมถึง Stacking และ Meta Learning เพื่อผสมผสานโมเดลต่าง ๆ เข้าด้วยกัน
อย่าง Bagging, AdaBoost, Gradient Boosting, LightGBM และ XGBoost ในการเพิ่มความแม่นยำ และความมีเสถียรภาพให้กับโมเดล รวมถึง Stacking และ Meta Learning เพื่อผสมผสานโมเดลต่าง ๆ เข้าด้วยกัน .
สุดท้ายแต่สำคัญที่สุด 
คือการทำความเข้าใจ Concept Drift 
ด้วยการตรวจจับ, การทำความเข้าใจการเปลี่ยนแปลง และปรับให้โมเดลให้เข้ากับการเปลี่ยนแปลงของข้อมูลตามกาลเวลา 
คือการทำความเข้าใจ Concept Drift ด้วยการตรวจจับ, การทำความเข้าใจการเปลี่ยนแปลง และปรับให้โมเดลให้เข้ากับการเปลี่ยนแปลงของข้อมูลตามกาลเวลา .
ด้วยหัวข้อทั้งหมดนี้ คุณจะได้รับโอกาสพัฒนาทักษะด้าน Machine Learning ในระดับสูงสุด 
พร้อมสำหรับนำไปใช้ในการพัฒนา AI อย่างมีประสิทธิภาพ 
พร้อมสำหรับนำไปใช้ในการพัฒนา AI อย่างมีประสิทธิภาพ .
คอร์สนี้เหมาะกับใคร 
– ผู้ที่ต้องการเพิ่มพูนความรู้และทักษะด้าน Machine Learning ในระดับสูง 
– ผู้ที่สนใจเรียนรู้เทคนิคการจัดกลุ่มข้อมูล การลดมิติ และการสร้างโมเดลแบบ Ensemble ขั้นสูง 
– ผู้ที่มุ่งมั่นจะเป็นผู้เชี่ยวชาญและมีความสามารถระดับมืออาชีพด้าน Machine Learning 
– ผู้ที่ต้องการเรียนรู้วิธีการตรวจจับและปรับตัวให้เข้ากับ Concept Drift อย่างมีประสิทธิภาพ 
– ผู้ที่พร้อมจะนำทักษะและความรู้ไปประยุกต์ใช้ในการพัฒนาระบบปัญญาประดิษฐ์ที่ทันสมัย
Course Features
- Lectures 99
- Quizzes 0
- Duration Lifetime access
- Skill level All levels
- Language English
- Students 24
- Assessments Yes
-
Document
-
Introduction
- Welcome to Advanced Machine Learning course
- Introduction – Inspiration of This Course part1
- ตอบคำถามนักเรียนประเด็น_dynamic_environment
- Introduction – Inspiration of This Course part2
- Introduction – AI Overview
- Introduction – ความสำเร็จ 2 ส่วนในการสร้างโมเดล
- Introduction – หน้าที่ของ train & test และธรรมชาติของ_algorithm
- Introduction – Assumption of AI
- Introduction – สรุป
-
Clustering
- Clustering – What is Clustering และ Benefit of Clustering
- Clustering – เพิ่มเติม Benefit of Clustering
- Clustering – Type of Clustering
- Clustering – K-mean Clustering part1
- Clustering – K-mean Clustering part2
- ความเป็นไปได้เมื่อเราเลือกค่า K ไม่ตรงกับธรรมชาติของข้อมูล
- Clustering – K-mean Clustering part3
- ตอบคำถามนักเรียน จะรู้ได้อย่างไรว่าค่า K ของเราถูกต้องแล้ว
- Clustering – DBSCAN part1
- ตอบคำถามนักเรียน ผลกระทบจากการปรับค่า epsilon
- Clustering – DBSCAN part2
- Clustering – DBSCAN part3
- ตอบคำถามนักเรียน การ save DBSCAN ไปใช้งานจริง
- Clustering – Gaussian Mixture Model
- Clustering – AHC part1
- Clustering – AHC part2
- Clustering – AHC part3
- Clustering – Comparison
- Clustering – Further Reading
- PCA part1
- PCA part2
-
Ensemble Learning
- Ensemble Learning
- Bagging – What is bagging_ & Benefit of Bagging
- Bagging – Bias-Variance Tradeoff part1
- Bagging – Bias-Variance Tradeoff part2
- Bagging – How Bagging Works
- Bagging – Discussion about Bagging
- Bagging with SL, UL, RL & Code
- ตอบคำถามนักเรียน_เป็นไปได้ไหมที่_Base_Model_จะให้ประสิทธิภาพที่ดีกว่า
- Stacking_What_is_Stacking_&_Benefit_of_Stacking_&_How_Stacking
- การใช้_Validation_Set_เพื่อหา_Lambda_ในการทำ_Stacking
- Stacking in Bagging’s Perspective part1
- Stacking in Bagging’s Perpective part2
- Stacking in Bagging’s Perspective part3
- Stacking with SL, RL & Code
- ตอบคำถามนักเรียน_การใช้_clustering_ในการสร้าง_SL_model
- Boosting – What is Boosting & Benefit of Boosting
- Boosting – How Boosting Works part1
- Boosting – How Boosting Works part2
- Boosting – Clarify things about Weak Learner
- AdaBoost – What is AdaBoost_ & Calculation Concept
- AdaBoost – Calculation Step
- AdaBoost_ที่มาของสูตร_Influence_และการอัพเดท_Weight
- AdaBoost – Calculation Example
- Discussion about AdaBoost
- การใช้กลไกของ_AdaBoost_เพื่อสร้าง_Decision_Boundary_ที่หลากหลาย
- ทำไม_Boosting_ถึงไม่เหมาะกับการใช้งานสร้างระบบเทรด
- AdaBoost – Code
- GB – What is GB_ & Calculation Concept
- GB – Calculation Step & Calculation Example
- GB – Discussion about Gradient Boosting part1
- GB – Discussion about Gradient Boosting part2
- GB – Code
- LightGBM & XGBoost & CatBoost
- Ensemble Learning – Comparison
- ตอบคำถามนักเรียนประเด็น_bagging_&_stacking_part1
- ตอบคำถามนักเรียนประเด็น_bagging_&_stacking_part2
- ตอบคำถามนักเรียนประเด็น_bagging_&_stacking_part3
-
Concept Drift
- Concept Drift – Motivation
- Concept Drift – Introduction
- Concept_Drift_อธิบายหลุมพรางจากการไม่รู้_Concept_Drift
- Concept Drift – What is Concept Drift_
- Concept Drift – Overview of Concept Drift
- Concept_Drift_กฎ_4_ข้อที่เราต้องรักษา
- Concept_Drift_กฎ_4_ข้อที่เราต้องรักษา_part2
- Concept Drift – Chi-square Test
- Concept_Drift_ความสำคัญของ_Independent_&_Distribution_Test
- Concept Drift – Test 2 Distributions are the Same part1
- Concept Drift – Komogorov-Smirnov Test
- Concept Drift – Test 2 Distributions are the Same part2
- Training_Set_ที่ดีคือกุญแจสำคัญสำหรับรักษากฎทั้ง_4_ข้อ
- Concept Drift – Test 2 Concepts are the Same
- Concept Drift – Recap กฎข้อ1-3
- Concept Drift Detection
- Concept Drift Understanding
- Concept Drift Adaptation – Incremental Learning part1
- Concept Drift Adaptation – Incremental Learning part2
- ข้อควรรู้เพิ่มเติมเกี่ยวกับ_Incremental_Learning
- ข้อควรระวังในการทำ_Incremental_Learning
- Concept Drift Adaptation – Adaptive Ensemble Learning
- Concept_Drift_Adaptation_Incremental_Learning_+_Ensemble_Learning
- ทำไม_Incremental_Learning_ถึงรับมือ_Data_Drift_ไม่อยู่_part1
- ทำไม_Incremental_Learning_ถึงรับมือ_Data_Drift_ไม่อยู่_part2
- Concept Drift Adaptation – Data Drift part1
- Concept Drift Adaptation – Data Drift part2
- เสริมประเด็น_Concept_Drift_Adaptation
- Concept Drift with UL
- Concept Drift with RL
- Conclusion of Advanced Machine Learning
