⚡️AI Bundle Pack 02 ⚡️
.
ครบจบใน pack เดียว 🔥 AI Bundle Pack 02 🎁 การรวมคอร์สสำหรับสร้าง AI จากข้อมูลทุกประเภท ทั้งแบบ static data และ dynamic data เพื่อให้ทุกท่านสามารถรับมือกับข้อมูลได้ทุกรูปแบบ 🌐👑
.
เตรียมอาวุธให้ครบมือ 💻🔋 สำหรับท่านที่อยากทํางานสาย data หรือทำงานสาย data อยู่แล้ว และต้องการเรียนรู้เพิ่มเติม 🧑⌨️ ขอแนะนำ AI Bundle Pack 02 📦 package ที่รวมการสร้าง Model ที่ครอบคลุม และอัดแน่นไปด้วยเนื้อหาที่มีคุณภาพกว่า 150 ชั่วโมง ซึ่งประกอบไปด้วย
.
🚀 AI ชนิดต่างๆ ที่สามารถเรียนรู้ได้ด้วยตนเองจากข้อมูล (Machine Learning)
🚀 AI ที่โดดเด่นในเรื่องของข้อมูลที่ซับซ้อนและไม่สามารถตีความได้ (Deep Learning)
🚀 การวิเคราะข้อมูลที่อยู่ในรูปของอนุกรมเวลา (Time Series Analysis and Stochastic Process)
🚀 ทฤษฎีความน่าจะเป็นระดับสูง (Probability for Financial Machine Learning)
.
📍ทำไมถึงควรเรียนกับเรา
– เรียบเรียงเนื้อหาอย่างพิถีพิถันและเป็นขั้นเป็นตอน 🗃
– อธิบายคณิตศาสตร์ที่ซับซ้อนด้วยภาพที่เข้าใจง่าย 📑
– มีตัวอย่างการคำนวณ เพื่อให้ท่านเข้าใจการทำงานอย่างละเอียด 🖊
– มี workshop เพื่อให้ท่านได้ฝึกฝน และเห็นตัวอย่างการนำไปใช้งานจริง 🖥
.
.
📚ใน AI Bundle Pack 02 จะประกอบไปด้วยคอร์ส
1. Machine Learning (18,000 บาท)
2. Deep Learning the Series (18,000 บาท)
3. Probability for Financial Machine Learning (18,000 บาท)
4. Time Series & Stochastic Process (21,000 บาท)
.
💥💥ในราคาสุดพิเศษเพียง 59,900 บาท (จาก 75,000 บาท)💥💥
.
วิธีการเรียน
– เรียนออนไลน์ผ่าน https://madebyai.io
– สามารถเรียนได้ตลอดชีวิต
.
🗣 สามารถดูรีวิวการสอนได้ที่ https://madebyai.io/reviews/
.
.
📗Machine Learning
.
– K Nearest Neighbors (KNN)
– Naive Bayes
– Decision Tree
– Random Forest
– Lagrange Multipliers
– Karush Kuhn Tucker
– Support Vector Machine (SVM)
.
.
📕Deep Learning the Series
.
– Data Preparation
– Linear Regression
– Improvement of Linear Regression
– Workshop of Linear Regression
– Logistic Regression
– Improvement of Logistic Regression
– Workshop of Logistic Regression
– Neural Network
– Deep Learning
– Improvement of Deep Learning
– Workshop of Deep Learning
.
.
📘Time Series Analysis and Stochastic Process
.
– Introduction
– Time Series Model
– Statistics for Time Series Model
– Other Models (ARCH/ Bilinear/ Piecewise Linear/ Multivariate)
– Continuous Time Series (Stochastic Process)
– Stochastic Calculus
– Stochastic Numerical Methods
.
.
📙Probability for Financial Machine Learning
.
– Basic Knowledge
– Probability
– Random Variables
– Random Sampling
– Estimation
– Hypothesis Testing
.
.
แล้วเจอกันในคลาสนะครับ 💖💖💖
Course Features
- Lectures 249
- Quizzes 0
- Duration Lifetime access
- Skill level All levels
- Language English
- Students 0
- Assessments Yes
-
Machine Learning
- Document
- Week 1 – Introduction
- Week 1 – K Nearest Neighbor : Theory : What is K Nearest Neighbor ?
- Week 1 – K Nearest Neighbor : Theory : State
- Week 1 – K Nearest Neighbor : Theory : How to create model
- Week 1 – K Nearest Neighbor : Theory : ตอบคำถามนักเรียน
- Week 1 – K Nearest Neighbor : Theory : ตัวอย่างการคำนวณ KNN-C
- Week 1 – K Nearest Neighbor : Theory : When will we use KNN-C ?
- Week 1 – K Nearest Neighbor : Code : Overview & Import Library
- Week 1 – K Nearest Neighbor : Code : Normalization
- Week 1 – K Nearest Neighbor : Code : วัดระยะห่าง
- Week 1 – K Nearest Neighbor : Code : เรียงลำดับ Target ตามระยะห่าง
- Week 1 – K Nearest Neighbor : Code : หาผลลัพธ์จากเพื่อนบ้าน K ตัว
- Week 1 – K Nearest Neighbor : Code : หา K ที่ดีที่สุด
- Week 1 – K Nearest Neighbor : Code : เรียนรู้ & พยากรณ์ Part 1
- Week 1 – K Nearest Neighbor : Code : เรียนรู้ & พยากรณ์ Part 2
- Week 1 – K Nearest Neighbor for Regression : Theory & Code & Example
- Week 1 – K Nearest Neighbor for Regression : Theory : เฉลยการบ้าน
- Week 1 – เฉลยการบ้าน K Nearest Neighbor for Regression
- Week 2 – Naive Bayes : Theory : Bayes’ Theorem
- Week 2 – Naive Bayes : Theory : What is Naive Bayes ?
- Week 2 – Naive Bayes : Theory : State
- Week 2 – Naive Bayes : Theory : How to create model
- Week 2 – Naive Bayes : Theory : ตัวอย่างการคำนวณ Naive Bayes
- Week 2 – Naive Bayes : Theory : ที่มาสมการ Naive Bayes
- Week 2 – Naive Bayes : Code : Overview & Import Library
- Week 2 – Naive Bayes : Code : สร้าง Dictionary สำหรับเตรียมนับสมาชิกและเตรียมเก็บความน่าจะเป็น
- Week 2 – Naive Bayes : Code : นับจำนวนสมาชิกจาก Training Set เพื่อใส่ใน Count_Matrix
- Week 2 – Naive Bayes : Code : คำนวณความน่าจะเป็นจาก Count_Matrix เพื่อใส่ใน Prob_Matrix & เรียนรู้
- Week 2 – Naive Bayes : Code : พยากรณ์
- Week 2 – Naive Bayes : Code : Read Data & Prepare Data, Create Model, Making Predictions
- Week 2 – Naive Bayes : Example
- Week 2 – Naive Bayes : Theory
- Week 2 – Naive Bayes : ตัวอย่างการคำนวณ Naive Bayes Continuous Data
- Week 2 – Naive Bayes : Code
- Week 2 – Naive Bayes : Example
- Week 3 – Decision Tree : Theory : Introduction
- Week 3 – Decision Tree : Theory : What is Decision Tree ?
- Week 3 – Decision Tree : Theory : State
- Week 3 – Decision Tree : Theory : How to create model
- Week 3 – Decision Tree : Theory : ตัวอย่างการคำนวณ Decision Tree
- Week 3 – Decision Tree : Theory : ที่มาของ Gini
- Week 3 – Decision Tree : ตัวอย่างการเขียน Code Recursive
- Week 3 – Decision Tree : Code Part 1
- Week 3 – Decision Tree : Code Part 2
- Week 3 – Random Forest (1)
- Week 3 – Random Forest (2)
- Week 4 – SVM : Theory : Introduction
- Week 4 – SVM : Theory : Method of Lagrange Multipliers
- Week 4 – SVM : Theory : ตัวอย่างการคำนวณ Method of Lagrange Multipliers Part 1
- Week 4 – SVM : Theory : ตัวอย่างการคำนวณ Method of Lagrange Multipliers Part 2
- Week 4 – SVM : Theory : Karush Kuhn Tucker
- Week 4 – SVM : Theory : ตัวอย่างการคำนวณ Karush Kuhn Tucker Part 1
- Week 4 – SVM : Theory : ตัวอย่างการคำนวณ Karush Kuhn Tucker Part 2
- Week 4 – SVM : Theory : เฉลยการบ้าน Method of Lagrange Multipliers ข้อ 1
- Week 4 – SVM : Theory : เฉลยการบ้าน Karush Kuhn Tucker ข้อ 2
- Week 4 – SVM : Theory : What is SVM ? & State
- Week 4 – SVM : Theory : How to create model Part 1
- Week 4 – SVM : Theory : How to create model Part 2
- Week 4 – SVM : Theory : How to create model Part 3
- Week 4 – SVM : Theory : How to create model Part 4
- Week 4 – SVM : Theory : How to create model Part 5
- Week 4 – SVM : Theory : SMO
- Week 4 – SVM : Theory : ตัวอย่างการคำนวณ SMO Part 1
- Week 4 – SVM : Theory : ตัวอย่างการคำนวณ SMO Part 2
- Week 4 – SVM : Code & Example
- Week 5 – สรุปเนื้อหาคอร์ส Part 1
- Week 5 – สรุปเนื้อหาคอร์ส Part 2
- Week 5 – Workshop 1
- Week 5 – Workshop 2 Part 1
- Week 5 – Workshop 2 Part 2
- Week 5 – ปิดคอร์ส Machine Learning
-
Deep Learning the Series
- Week 1 – Welcome
- Week 1 – AI Overview
- Week 1 – Introduction
- Week 1 – Model Creation
- Week 1 – ตอบคำถาม SSE มีไว้ใช้ทำอะไร?
- Week 1 – Data Preparation
- Week 2 – Recap Week 1
- Week 2 – Model Evaluation for Regression
- Week 2 – Basic Workshop – Code Pipeline
- Week 2 – Basic Workshop – AI in Marketing
- Week 2 – Basic Workshop – AI in Investment
- Week 2 – Basic Workshop – Smart Farm
- Week 2 – ตอบคำถามนักเรียน
- Week 2 – Basic Workshop – AI in Rental Business
- Week 2 – Basic Workshop – AI in Insurance
- Week 3 – Model Improvement – Strong Assumption
- Week 3 – Model Improvement – Weak Assumption
- Week 3 – Model Improvement – Problem with Linearly Dependent
- Week 3 – ตอบคำถาม ข้อเสียของการ drop one hot
- Week 3 – Model Improvement – Solution
- Week 3 – Model Improvement – Regularization
- Week 3 – ตอบคำถาม Regularization
- Week 3 – Cross Validation
- Week 3 – Data Preparation – Feature Scaling
- Week 3 – Advanced Workshop
- Week 4 – Roadmap
- Week 4 – DL102 – Introduction
- Week 4 – LoR (2-class) – Introduction
- Week 4 – LoR (2-class) – Data
- Week 4 – LoR (2-class) – Model Creation part1
- Week 4 – LoR (2-class) – Model Creation part2
- Week 4 – LoR (2-class) – Prediction
- Week 4 – LoR (2-class) – Improvement
- Week 4 – Model Evaluation for Classification
- Week 4 – Workshop LoR (2-class) – Code Pipeline
- Week 4 – Workshop LoR (2-class) – AI in Healthcare
- Week 4 – Workshop LoR (2-class) – AI in Agriculture
- Week 4 – Workshop LoR (2-class) – Fake News
- week 5 – Recap – LoR (2-class)
- Week 5 – LoR (multi-class) – เกริ่นนำ
- Week 5 – LoR (multi-class) – Introduction – LoR with Multiclass
- Week 5 – LoR (multi-class) – Introduction – Why Softmax?
- Week 5 – LoR (multi-class) – Introduction – Extension to Neural Network
- Week 5 – LoR (multi-class) – Introduction – Real World Application
- Week 5 – ตอบคำถาม sigmoid vs softmax
- Week 5 – LoR (multi-class) – Data
- Week – LoR (multi-class) – Model
- Week 5 – LoR (multi-class) – Prediction
- Week 5 – LoR (multi-class) – Improvement
- Week 5 – Workshop LoR (multi-class) – AI in Fruit Industry
- Week 5 – Workshop LoR (multi-class) – AI in News Categorization
- Week 5 – Cross Entropy
- Week 6 – Roadmap
- Week 6 – DL103 – Introduction
- Week 6 – NN&DL – What is NN?
- Week 6 – NN&DL – Why we need NN?
- Week 6 – NN&DL – Real World Application
- Week 6 – NN&DL – Architecture of NN
- Week 6 – NN&DL – Component of NN
- Week 6 – NN&DL – How NN Work
- Week 6 – ตอบคำถาม decision boundary เปลี่ยนแปลงตามเวลาไหม?
- Week 6 – NN&DL – What is DL?
- Week 6 – NN&DL – Architecture of DL
- Week 6 – NN&DL – Component of DL
- Week 6 – NN&DL – Why we need DL?
- Week 6 – NN&DL – How DL Work
- Week 6 – DL for Regression
- Week 6 – DL for Binary Classification
- Week 6 – DL for Multiclass Classification
- Week 7 – Recap – NN&DL
- Week 7 – DL Workshop – Workflow
- Week 7 – DL Workshop – Overview
- Week 7 – DL Workshop – Code Pipeline Part1
- Week 7 – DL Workshop – Code Pipeline Part2
- Week 7 – DL Workshop – Code Pipeline Part3
- Week 7 – DL Workshop – AI in Civil Engineering
- Week 7 – DL Workshop – AI in Healthcare
- Week 7 – DL Workshop – AI in Skin Cancer
- Week 7 – ตอบคำถาม underfit & overfit คืออะไร?
- Week 7 – DL Interpretation – 1st Hidden Layer
- Week 7 – DL Interpretation – 2nd Hidden Layer
- Week 7 – DL Interpretation – 3rd Hidden Layer & Conclusion
- Week 7 – DL Interpretation – Conclusion & Adaptation
- Week 8 – Recap – DL Interpretation
- Week 8 – Improvement of DL – Overview
- Week 8 – Speed Up with GPU – What is GPU?
- Week 8 – Speed Up with GPU – How GPU Accelerate DL?
- Week 8 – Speed Up with GPU – Welcome to Colab
- Week 8 – Speed Up with GPU – Train Model with GPU
- Week 8 – Imbalanced Class
- Week 8 – L2, L1, Elastic Net
- Week 8 – Dropout Regularization part1
- Week 8 – Dropout Regularization part2
- Week 8 – Gradient Descent Variants
- Week 8 – Momentum
- Week 8 – Adagrad & RMSProp & Adam
- Week 8 – Advanced Workshop – Code Pipeline
- Week 8 – Advanced Workshop – AI in Real Estate Business
- Week 8 – Advanced Workshop – AI in Diagnosing Alzheimer’s
- Week 8 – Advanced Workshop – AI in Speech Recognition
- Week 8 – สรุปคอร์ส DL the Series
-
Probability for Financial Machine Learning
- Document
- Week 1 – Introduction
- Week 1 – Basic Knowledge – Set and Set Operations
- Week 1 – Basic Knowledge – Functions and Graphing
- Week 1 – Basic Knowledge – Sequences and Series
- Week 1 – Basic Knowledge – Counting Technique
- Week 2 – Probability – Sample Spaces and Events
- Week 2 – Probability – Properties of Probability
- Week 2 – Probability – Conditional Probability
- Week 2 – Probability – Bayes’ Theorem
- Week 2 – Probability – Independent of Event
- Week 3 – Random Variables – Discrete Random Variables
- Week 3 – Random Variables – Expectation and Variance of Discrete Random
- Week 3 – Random Variables – The Bernoulli Distribution
- Week 3 – Random Variables – The Binomial Distribution
- Week 3 – Random Variables – The Geometric Distribution
- Week 3 – Random Variables – The Poisson Distribution
- Week 3 – Random Variables – Continuous Random Variables
- Week 3 – Random Variables – Expectation and Variance of Continuous Random
- Week 3 – Random Variables – The Uniform Distribution
- Week 3 – Random Variables – Random Number Generation by Rejection Method and Inversion Method
- Week 3 – Random Variables – The Normal Distribution
- Week 3 – Random Variables – The Exponential Distribution
- Week 3 – Random Variables – The Poisson Process
- Week 3 – Random Variables – Recap and Overview
- Week 3 – Random Variables – Random Walk
- Week 3 – Random Variables – Joint Distributions
- Week 3 – Random Variables – Marginal Distributions
- Week 3 – Random Variables – Conditional Distribution
- Week 3 – Random Variables – Independence of Random Variables
- Week 3 – Random Variables – Covariance and Correlation
- Week 4 – Random Sampling – Random Sampling
- Week 4 – Random Sampling – Moment Generating Function
- Week 4 – Random Sampling – Sampling Distributions
- Week 4 – Random Sampling – Central Limit Theorem
- Week 4 – Random Sampling – Distribution of Variance
- Week 4 – Random Sampling – Conclusion
- Week 5 – Estimation – Point Estimator
- Week 5 – Estimation – Unbiased Estimator
- Week 5 – Estimation – Consistent Estimator
- Week 5 – Estimation – Asymptotically Normal Estimator
- Week 5 – Estimation – Moment Method
- Week 5 – Estimation – Maximum Likelihood Method
- Week 5 – Estimation – Bayesian Method
- Week 5 – Estimation – Confident Interval
- Week 5 – Estimation – Sample Size
- Week 6 – Hypothesis Testing – Statistical hypotheses
- Week 6 – Hypothesis Testing – Two tails test
- Week 6 – Hypothesis Testing – One tails test
- Week 6 – Hypothesis Testing – p-value
- Week 6 – Hypothesis Testing – Goodness-of-fit test
- Week 6 – Hypothesis Testing – Jarque-Bera normality test
- Week 6 – Hypothesis Testing – Test of Independence and homogeneity
- Week 6 – Hypothesis Testing – Kolomogorov-Smirnov test
- Week 6 – Hypothesis Testing – งานวิจัยที่มีรากฐานจาก Prob
- Week 6 – Hypothesis Testing – Linear regression
- Week 6 – Hypothesis Testing – MLE of coefficients
- Week 6 – Hypothesis Testing – Correlation
- Week 6 – Hypothesis Testing – Extension
- Week 6 – Hypothesis Testing – Nonprametric Test
- Week 6 – Hypothesis Testing – Sign test
- Week 6 – Hypothesis Testing – Wilcoxon sign-rank test
- Week 6 – Hypothesis Testing – Mann-Whitney U-test and KrusKruskal-Wallis H-test
- Week 6 – Hypothesis Testing – Run test
- Week 6 – Hypothesis Testing – Conclusion of Probability for Financial Machine Learning
-
Time Series Analysis and Stochastic Process
- Document
- Week 1 – Introduction & Time Series Model
- Week 1 – Time Series Model
- Week 2 – Statistics for Time Series Model (1)
- Week 2 – Statistics for Time Series Model (2)
- Week 3 – Other Models (ARCH/ Bilinear/ Piecewise Linear/ Multivariate) & Stochastic Process
- Week 3 – Stochastic Process
- Week 4 – Stochastic Calculus (1)
- Week 4 – Stochastic Calculus (2)
- Week 5 – Stochastic Numerical Methods (1)
- Week 5 – Stochastic Numerical Methods (2)
