โอกาสดีของคนที่ต้องการเข้าใจที่มาความฉลาดของ AI, คนที่อยากเป็น Researcher ด้าน AI (อยากพัฒนา AI ให้ฉลาดมากขึ้นกว่า AI ที่มีในปัจจุบัน) และคนที่อยากเขียน Library ทาง Deep Learning ขึ้นมาใช้เอง โดยเราจะเรียนตั้งแต่ทฤษฎีคณิตศาสตร์เบื้องหลังความฉลาดของ AI และเขียน Code ของ AI ขึ้นมาเองจากทฤษฎีคณิตศาสตร์ที่เราเรียน (โดยใช้ numpy, pandas, matplotlib) สุดท้าย เราจะเขียน Library ทาง Deep Learning ขึ้นมาใช้งานเอง
คอรส์นี้เหมาะกับ
- ผู้ที่ต้องการเข้าใจที่มาความฉลาดของ AI
- ผู้ที่ต้องการสร้าง Tensorflow (Library ทาง Deep Learning) ขึ้นมาเอง
- ผู้ที่ต้องการพัฒนางาน AI ให้ฉลาดมากขึ้น (พัฒนาคอมพิวเตอร์ให้มีความฉลาดมากขึ้น)
Warning
- คอร์สนี้เป็นคอร์สเรียนคณิตศาสตร์และโปรแกรมมิ่ง ถ้าคุณไม่ต้องการเรียนรู้คณิตศาสตร์หรือโปรแกรมมิ่ง
*คอร์สนี้ไม่เหมาะกับคุณ*
- ความฉลาดของ AI เกิดขึ้นจากทฤษฎีทางคณิตศาสตร์ ถ้าคุณไม่ต้องการเข้าใจที่มาความฉลาดของ AI
*คอร์สนี้ไม่เหมาะกับคุณ*
- ทุกสัปดาห์เราจะเขียน code AI ขึ้นมาเอง 3 project ถ้าคุณอยากสร้าง AI โดยคลิกแค่ไม่กี่ครั้ง
*คอร์สนี้ไม่เหมาะกับคุณ*
AGENDA 6 WEEKS
Week | Content |
Week 1 ครึ่งเช้า | 1. ทำความรู้จักกับ AI
2. ตัวอย่างการใช้งาน AI ในปัจจุบัน 3. Idea ในการสร้าง AI คืออะไร ? 4. Computer ฉลาดได้อย่างไร ? 5. ทำความรู้จักกับ Linear Regression 6. State Data, Modeling, Prediction 7. เบื้องหลังความฉลาดของ Linear Regression แบบ Local 8. ทำความรู้จักกับ Error Function ของ Regression 9. ทำความรู้จักกับวิธีการปรับ Weight ด้วย Gradient Descent 10. วิธีการหา a, b ของ Linear Regression แบบ Local 11. เขียน Code Linear Regression แบบ Local |
Week 1 ครึ่งบ่าย | 1. เบื้องหลังความฉลาดของ Linear Regression แบบ Global
2. วิธีการหา a, b ของ Linear Regression แบบ Global 3. เขียน Code Linear Regression แบบ Global 4. การหาค่าสหสัมพันธ์ (r) 5. เขียน Code หาค่าสหสัมพันธ์ 6. การใช้ Linear Regression กับข้อมูลที่เป็น Nonlinear 7. เราใช้ Linear Regression เมี่อไหร่ ? 8. ตัวอย่างการใช้งาน Linear Regression กับข้อมูลที่เป็น Linear 9. ตัวอย่างการใช้งาน Linear Regression กับข้อมูลที่เป็น Nonlinear |
Week 2 ครึ่งเช้า | 1. ทำความรู้จักกับ Multiple Regression
2. State Data, Modeling, Prediction 3. เบื้องหลังความฉลาดของ Multiple Regression แบบ Global 4. วิธีการหา W ของ Multiple Regression แบบ Global 5. เขียน Code Multiple Regression แบบ Global 6. เราใช้ Multiple Regression เมื่อไหร่ ? 6. ตัวอย่างการใช้งาน Multiple Regression ด้วยวิธี Global |
Week 2 ครึ่งบ่าย | 1. เบื้องหลังความฉลาดของ Multiple Regression แบบ Local
2. วิธีการหา W ของ Multiple Regression แบบ Local 3. เขียน Code Multiple Regression แบบ Local 4. ทำความรู้จักกับ Normalization 5. เขียน Code Normalization 6. เราใช้ Multiple Regression แบบ Local เมื่อไหร่ ? 7. ตัวอย่างการใช้งาน Multiple Regression ด้วยวิธี Local |
Week 3 ครึ่งเช้า | 1. ทำความรู้จักกับ Logistic Regression
2. State Data, Modeling, Prediction 3. เบื้องหลังความฉลาดของ Logistic Regression สำหรับ Binary Classification 4. ทำความรู้จักกับ Error Function ของ Classification 5. วิธีการหา W ของ Logistic Regression สำหรับ Binary Classification 6. เขียน Code Logistic Regression สำหรับ Binary Classification 7. เราใช้ Logistic Regression สำหรับ Binary Classification เมื่อไหร่ ? 8. ตัวอย่างการใช้งาน Logistic Regression สำหรับ Binary Classification |
Week 3 ครึ่งบ่าย | 1. เบื้องหลังความฉลาดของ Logistic Regression สำหรับ Multiclass Classification
2. วิธีการหา W ของ Logistic Regression สำหรับ Multiclass Classification 3. เขียน Code Logistic Regression สำหรับ Multiclass Classification 4. เราใช้ Logistic Regression สำหรับ Multiclass Classification เมื่อไหร่ ? 5. ตัวอย่างการใช้งาน Logistic Regression สำหรับ Multiclass Classification |
Week 4 ครึ่งเช้า | 1. ทำความรู้จักกับ Neural Network สำหรับ Regression
2. State Data, Modeling, Prediction 3. เบื้องหลังความฉลาดของ Neural Network สำหรับ Regression 4. ทำความรู้จัก Activation Function 5. ถ้าไม่มี Activation Function จะเกิดอะไรขึ้น ? 6. อธิบายเหตุผลที่ Neural Network ไม่สามารถหา Weight แบบ Global ได้ |
Week 4 ครึ่งบ่าย | 1. วิธีการหา W ของ Neural Network สำหรับ Regression
2. เขียน Code Neural Network สำหรับ Regression 3. เราใช้ Neural Network สำหรับ Regression เมื่อไหร่ ? 4. ตัวอย่างการใช้งาน Neural Network สำหรับ Regression |
Week 5 ครึ่งเช้า | 1. ทำความรู้จักกับ Neural Network สำหรับ Classification
2. State Data, Modeling, Prediction 3. เบื้องหลังความฉลาดของ Neural Network สำหรับ Classification 4. วิธีการหา W ของ Neural Network สำหรับ Classification 5. เขียน Code Neural Network สำหรับ Classification 6. เราใช้ Neural Network สำหรับ Classification เมื่อไหร่ ? 7. ตัวอย่างการใช้งาน Neural Network สำหรับ Classification |
Week 5 ครึ่งบ่าย | 1. ทำความรู้จักกับ Ridge Regression
2. เขียน Code เพิ่มประสิทธิภาพโมเดล ด้วย Ridge Regression 3. ทำความรู้จักกับ Lasso Regression 4. เขียน Code เพิ่มประสิทธิภาพโมเดล ด้วย Lasso Regression 5. ทำความรู้จักกับ Elastic Net 6. เขียน Code เพิ่มประสิทธิภาพโมเดล ด้วย Elastic Net 7. ทำความรู้จักกับ Dropout Regularization 8. เขียน Code เพิ่มประสิทธิภาพโมเดล ด้วย Dropout Regularization |
Week 6 ครึ่งเช้า | 1. ทำความรู้จักกับ Stochastic Gradient Descent
2. เขียน Code เพิ่มประสิทธิภาพโมเดล ด้วย Stochastic Gradient Descent 3. ทำความรู้จักกับ Batch Gradient Descent 4. เขียน Code เพิ่มประสิทธิภาพโมเดลด้วย Batch Gradient Descent 5. ทำความรู้จักกับ Mini Batch Gradient Descent 6. เขียน Code เพิ่มประสิทธิภาพโมเดลด้วย Mini Batch Gradient Descent |
Week 6 ครึ่งบ่าย
|
1. ทำความรู้จักกับ Momentum
2. เขียน Code เพิ่มประสิทธิภาพโมเดล ด้วย Momentum 3. ทำความรู้จักกับ RMSProp 4. เขียน Code เพิ่มประสิทธิภาพโมเดล ด้วย RMSProp 5. ทำความรู้จักกับ AdaGrad 6. เขียน Code เพิ่มประสิทธิภาพโมเดล ด้วย AdaGrad 7. ทำความรู้จักกับ Adam 8. เขียน Code เพิ่มประสิทธิภาพโมเดล ด้วย Adam |
ประวัติผู้สอน
อาจารย์ฆฤณ ชินประสาทศักดิ์ อาจารย์สอนคอร์ส AI Fundamental Bootcamp (คอร์สหลัก) ของสมาคมโปรแกรมเมอร์แห่งประเทศไทย นักวิจัยวิจัยเฉพาะทางด้านพยากรณ์ราคาหุ้นและอัตราแลกเปลี่ยนค่าเงินด้วย AI และที่ปรึกษาด้าน AI ให้กับบริษัทเอกชน ตัวแทนประเทศไทยเพียงคนเดียวที่เป็นSpeaker งานประชุมคณิตศาสตร์ระดับนานาชาติ ในหัวข้อ”การสร้างโมเดลคณิตศาสตร์สำหรับการพยากรณ์”
อาจารย์ฆฤณ ชินประสาทศักดิ์
Course Features
- Lectures 100
- Quizzes 0
- Duration Lifetime access
- Skill level All levels
- Language English
- Students 49
- Assessments Yes
-
Document
-
Theory
- 1. Introduction
- 2. Linear Regression : Theory : What is Linear Regression ?
- 3. Linear Regression : Example : Example 2 & Example 3
- 3. Linear Regression : Theory : State
- 4. Linear Regression : Theory : How to create model Part 1
- 5. Linear Regression : Theory : How to create model Part 2
- 6. Linear Regression : Theory : How to create model
- 7. Linear Regression : Theory : When will we use Linear Regression ?
- 8. ปัญหาเชาว์ : หลอดไฟ 1000 หลอด กับคน 1000 คน
- 8. Linear Regression : Code : Import Library
- 9. Linear Regression : Code : Write Function Part 1
- 10. Linear Regression : Code : Write Function Part 2
- 11. Linear Regression : Code : Write Function Part 3
- 12. Linear Regression : Code : Read Data and Prepare Data and Example
- 13. Linear Regression : Code : Create Model and Example
- 14. Linear Regression : Code : Making Prediction and Example 1
- 15. Linear Regression : Example : Example 2 & Example 3
-
Part2: Multiple Regression
- 16. การคูณ Matrix
- 17. Transpose Matrix
- 18. Matrix_การ Invert Materix
- 19. Multiple Regression : Theory : What is Multiple Regression ?
- 20. Multiple Regression : Theory : State
- 21. Multiple Regression : Theory : How to create model Part 1
- 22. Multiple Regression : Theory : How to create model Part 2
- 23. Multiple Regression : Theory : When will we use Multiple
- 24. Multiple Regression : Theory : Conclusion
- 25. Multiple Regression : ตัวอย่างการคำนวณ W แบบ Global Part 1
- 26. Multiple Regression : ตัวอย่างการคำนวณ W แบบ Global Part 2
- 27. Multiple Regression : Code : Import Library
- 28. Multiple Regression : Code : Write Function
- 29. Multiple Regression : Code : Read Data & Prepare Data & Example 1
- 30. Multiple Regression : Code : Create Model & Example 1
- 31. Multiple Regression : Code : Making Prediction & Example 1 & Example 2
- 32. Multiple Regression : Example : Example 3 – Example 517
- 33. Multiple Regression : การเตรียม Dataset เพื่อใช้พยากรณ์ SET50 & วิธีการหา Research Paper
-
Part3: Multiple Regression : Theory
- 34. Calculus : Chain Rule
- 35. Multiple Regression : Theory : How to create model (Local) Part 1
- 36. Multiple Regression : Theory : How to create model (Local) Part 2
- 37. Multiple Regression : Theory : How to create model (Local) Part 3
- 38. Multiple Regression : Theory : How to create model (Local) Part 4
- 39. Multiple Regression : Theory : ตัวอย่างการคำนวณ W แบบ Local Part 1
- 40. Multiple Regression : Theory : ตัวอย่างการคำนวณ W แบบ Local Part 2
- 41. Multiple Regression : Theory : ตัวอย่างการคำนวณ W แบบ Local Part 3
- 42. Multiple Regression : Code (Local) & Example (Local)
- 43. Normalization : Rescaling (Min-Max Normalization)
- 44. Normalization : Mean Normalization
- 45. Normalization : Standardization
- 46. Normalization : Scaling to Unit Length
- 47. Normalization : Code
- 48. Multiple Regression : Example (Local + Normalization)
-
Part4: Logistic Regression : Theory
- 49. Logistic Regression : Introduction
- 50. Logistic Regression : Theory : What is Logistic Regression ?
- 51. Logistic Regression : Theory : State (Binary Class)
- 52. Logistic Regression : Theory : How to create model (Binary Class)
- 53. Logistic Regression : Theory : ตัวอย่างการคำนวณ W (Binary Class) Part 1
- 54. Logistic Regression : Theory : ตัวอย่างการคำนวณ W (Binary Class) Part 2
- 55. Logistic Regression : Code (Binary Class)
- 56. Logistic Regression : Example : อธิบาย Example 1
- 57. Logistic Regression : Example : Example 1 – Example 3
- 58. Logistic Regression : Introduction (Multiclass)
- 59. Logistic Regression : Theory : State (Multiclass)
- 60. Logistic Regression : Theory : How to create model (Multiclass)
- 61. Logistic Regression : Theory : ตัวอย่างการคำนวณ W (Multiclass)
- 62. Logistic Regression (Multiclass) : Theory : What is Logistic Regression ?
- 63. Logistic Regression (Multiclass) : Theory : State
- 64. Logistic Regression (Multiclass) : Theory : How to create model
- 65. Logistic Regression (Multiclass) : Code
- 66. Logistic Regression (Multiclass) : Example
-
Part5: Neural Network : Theory
- 67. Neural Network : Introduction
- 68. Neural Network : Theory : What is Neural Network ? & State
- 69. Neural Network : Theory : Activation Function
- 70. Neural Network : Theory : ตัวอย่างการคำนวณ Feed Forward
- 71. Neural Network : Theory : How to create model Part 1
- 72. Neural Network : Theory : How to create model Part 2
- 73. Neural Network : Theory : ตัวอย่างการคำนวณ Feed Forward (Version ละเอียด)
- 74. Neural Network : Theory : How to create model for Regression Part 1 (Version ละเอียด)
- 75. Neural Network : Theory : How to create model for Regression Part 2 (Version ละเอียด)
- 76. Neural Network : Theory : How to create model for Regression Part 3 (Version ละเอียด)
- 77. Neural Network : Theory : How to create model for Regression Part 4 (Version ละเอียด)
- 78. Neural Network : Code : Regression Part 1
- 79. Neural Network : Code : Regression Part 2
- 80. Neural Network : Code : Regression Part 3
- 81. Neural Network : Code : Regression Part 4
- 82. Neural Network : Example : Regression
- 83. Neural Network : Theory : How to create model for Classification
- 84. Neural Network : Code : Classification
- 85. Neural Network : Example : Classification
-
Part6: conclusions : Theory
- 86. Improvement : สรุปเนื้อหา Part 1
- 87. Improvement : สรุปเนื้อหา Part 2
- 88. Improvement : Speed : วิธีคำนวณ Cost
- 89. Improvement : Speed : Batch Size
- 90. Improvement : Speed : Code & Example
- 91. Improvement : Precision : L1, L2, Elastic Net (Idea)
- 92. Improvement : Precision : Dropout Regularization (Idea)
- 93. Improvement : Precision : L1, L2, Elastic Net (Detail) & Code
- 94. Improvement : Precision : Dropout Regularization (Detail) & Code
- 95. Course Conclusion : All Code of AI101
- 96. Inspiration ในการเปิดคอร์สที่มีทั้ง Theory, Code, Example
- 97. ความฝันของผม