คอร์ส AI for Serious Beginners เปิดรับสมัครแล้ว .
❝ คอร์สเรียน AI สำหรับผู้เริ่มต้น ที่ต้องการเริ่มต้นอย่างจริงจัง 
หรือผู้ที่เคยเรียน AI มาแล้ว แต่เรียนแล้วใช้งานไม่ได้ หรือหลักสูตรที่เรียนมาไม่ครอบคลุมและไม่รัดกุม 
คอร์สนี้คือสิ่งที่คุณตามหา 
❞
หรือผู้ที่เคยเรียน AI มาแล้ว แต่เรียนแล้วใช้งานไม่ได้ หรือหลักสูตรที่เรียนมาไม่ครอบคลุมและไม่รัดกุม คอร์สนี้คือสิ่งที่คุณตามหา ❞.
คอร์สความยาว 50 ชั่วโมง 
slide ประกอบการสอนความยาวกว่า 1,000 หน้า ที่เน้นทั้งการใช้สี และภาพประกอบ 
เนื้อหาครอบคลุมตั้งแต่ การเตรียมข้อมูล, การสร้างโมเดล AI, การวัดประสิทธิภาพ และการนำโมเดลไปใช้งาน 
ภาพสีประกอบการบรรยายกว่า 1,000 ภาพ เพื่อให้นักเรียนเห็นภาพและง่ายต่อการทำความเข้าใจ 
พิเศษด้วย 20 real world projects ผ่าน python library (sklearn) 
Projects ครอบคลุมหมวดหมู่ที่หลากหลาย และสามารถนำไปใช้งานได้จริง เช่น การเกษตร, การแพทย์, การลงทุน ฯลฯ 
.
คอร์สนี้เหมาะกับใคร 
– ผู้เรียนที่ต้องการเข้าใจ concept ของแต่ละ algorithm อย่างชัดเจน
– ผู้เรียนทียังไม่ต้องการทำความเข้าใจคณิตศาสตร์ระดับสูง
– ผู้เรียนที่ต้องการเข้าใจข้อดี/ข้อเสีย/ข้อจำกัด ของแต่ละ algorithm
– ผู้เรียนที่ต้องการเลือกใช้ algorithm ให้เหมาะสมกับงาน
– ผู้เรียนที่ต้องการสร้าง AI เป็นตั้งแต่การเตรียม dataset ไปจนถึงการนำไปใช้งานจริง
– ผู้เรียนที่ต้องการต่อยอดในระดับที่ลึกขึ้น/สูงขึ้นได้ง่ายในอนาคต
.
วิธีการเรียน – เรียนสดผ่าน zoom
– มีวิดีโอให้ทบทวนย้อนหลัง & ทบทวนได้ตลอดชีวิต
– เริ่มเรียนวันที่ 6 พฤษภาคม 2566
.
.
.
Agenda .
06/05/66 (เช้า) : AI Overview & Key Success of Choosing AI Algorithm 06/05/66 (บ่าย) : AI Workflow & Data Preparation.
07/05/66 (เช้า) : Concept & Workshop of K Nearest Neighbor 07/05/66 (บ่าย) : Concept & Workshop of Support Vector Machine.
13/05/66 (เช้า) : Concept & Workshop of Linear Discriminant Analysis 13/05/66 (บ่าย) : Concept & Workshop of Naive Bayes.
14/05/66 (เช้า) : Concept & Workshop of Classification Tree 14/05/66 (บ่าย) : Concept & Workshop of Regression Tree.
20/05/66 (เช้า) : Concept & Workshop of Gaussian Process 20/06/66 (บ่าย) : Concept & Workshop of Linear Regression.
21/06/66 (เช้า) : Concept & Workshop of Logistic Regression 21/06/66 (บ่าย) : Concept & Workshop of Neural Network and Deep Learning.
27/06/66 (เช้า) : Conclusion of Regression Algorithm 27/06/66 (บ่าย) : Conclusion of Classification Algorithm.
แล้วเจอกันในคลาสนะครับ 
Course Features
- Lectures 180
- Quizzes 0
- Duration Lifetime access
- Skill level All levels
- Language English
- Students 30
- Assessments Yes
-
Day 1
- Introduction
- AI Overview – History of AI
- AI Overview – Machine Learning
- ตอบคำถามนักเรียน1
- AI Overview – Supervised Learning
- Supervised Learning Workflow
- ตอบคำถามนักเรียน2
- Data Preparation – Data Stating
- Data Preparation – Data Requirement
- Data Preparation – Missing Values
- Data Preparation – Outliers
- Data Preparation – Type of Data & Ordinal Encoding
- Data Preparation – One Hot Encoding
- ตอบคำถามนักเรียน3
- Data Preparation – Feature Scaling
- Data Preparation – Image
- Data Preparation – Text
- ตอบคำถามนักเรียน4
- Data Preparation – Sound
-
Day 2
- Agenda – Day2
- Linear Regression – What is LR?
- Linear Regression – Data for LR + Pros & Cons
- Linear Regression – Real World Application
- Linear Regression – Assumption & Real Face of the Model
- Linear Regression – Cost Function & Cost Landscape
- Linear Regression – ที่มาของ Cost Landscape & การพิสูจน์ Convexity
- Linear Regression – How to Create Model (Math)
- Linear Regression – How to Create Model (Code) & Further Reading
- Linear Regression – Prediction
- Model Evaluation – Introduction
- Model Evaluation – R-squared
- Model Evaluation – MSE
- Model Evaluation – MAE
- Model Evaluation – MAPE
- Model Evaluation – Conclusion
- วิธีการเริ่มใช้งาน Jupyter Notebook
- Code Pipeline – Introduction
- Code Pipeline – Import Library
- Code Pipeline – Read Data
- Code Pipeline – Clean Data
- Code Pipeline – Split into Train & Test
- Code Pipeline – Data Preparation
- Code Pipeline – Create Model
- Code Pipeline – Prediction, Model Evaluation
- ตอบคำถามนักเรียน1
- Linear Regression – AI in Marketing
- Linear Regression – AI in Investment
- ตอบคำถามนักเรียน2
- Linear Regression – AI in Insurance
-
Day 3
- Agenda – Day3
- Logistic Regression – Overview
- What is LoR (2-class)?
- Data for LoR (2-class) + Pros & Cons
- Real World Application
- LoR (2-class) – Assumption
- LoR (2-class) – Real Face of the Model
- ตอบคำถามนักเรียน1
- LoR (2-class) – Cost Function & Cost Landscape
- LoR (2-class) – How to Create Model (Math) part1
- LoR (2-class) – How to Create Model (Math) part2
- LoR (2-class) – How to Create Model (Math) part3
- LoR (2-class) – How to Create Model (Code) + Prediction
- ตอบคำถามนักเรียน2
- Logistic Regression with Multiclass
- ขยายความ Logistic Regression with Multiclass
- Why Softmax?
- สรุปให้ง่าย Logistic Regression with Multiclass
- Data for LoR (multi-class) + Pros & Cons + RWA
- LoR (multi-class) – Assumption + Real Face of the Model
- LoR (multi-class) – Cost Function & Cost Landscape
- LoR (multi-class) – How to Create Model
- LoR (multi-class) – Prediction
- สรุป Logistic Regression
- Model Evaluation – Confusion Matrix
- Model Evaluation – Accuracy
- Model Evaluation – Precision Score
- Model Evaluation – Recall Score
- Model Evaluation – Precision VS Recall
- Model Evaluation – F1 Score
- Model Evaluation – Conclusion
-
Day 4
- LoR – Workshop Overview
- LoR – AI in Healthcare
- LoR – Fake News
- LoR – AI in Fruit Industry
- Introduction to Neural Network
- Architecture of Neural Network
- Component of Neural Network
- How Neural Network Work
- Introduction to Deep Learning
- Why we need Deep Learning?
- How Deep Learning Work
- Deep Learning for Regression
- Deep Learning for Classification
- Deep Learning – Car Price
- Deep Learning – AI in Skin Cancer
- ตอบคำถามนักเรียน
-
Day 5
- Agenda – Day5
- อธิบายภาพรวมเพิ่มเติม
- What is Classification Tree?
- Data for Classification Tree
- Pros & Cons + Real World Application
- How to Create Model (Math) part1
- How to Create Model (Math) part2
- ที่มาของ Gini Impurity
- How to Create Model (Math) part3
- How to Create Model (Math) part4
- ตอบคำถามนักเรียน
- How to Create Model (Code)
- Further Reading
- Prediction
- ตอบคำถามนักเรียน2
- Workshop – Hepatitis C
- What is Regression Tree?
- Data for Regression Tree
- Pros & Cons + Real World Application
- Assumption + Real Face of the Model
- How to Create Model (Math)
- How to Create Model (Code)
- Prediction
- parameter vs hyperparameter
- Workshop – AI in Civil Engineering
- What is KNN? + Data for KNN
- Pros & Cons + Real World Application
- How to Create Model (Math)
- How to Choose K
- How to Create Model (Code) + Further Reading
- อธิบาย KNN สำหรับ Regression
- Prediction
- Workshop – Alzheimer
-
Day 6
- Agenda – Day6
- Introduction to Naive Bayes
- What is Naive Bayes?
- Pros & Cons
- Real World Application
- Assumption + Real Face of The Model
- How to Create Model (Math)
- How to Create Model (Code)
- Prediction
- Workshop – Smart Farm
- ี่ที่มาสมการ Naive Bayes
- มุมมองเพิ่มเติมเกี่ยวกับ Naive Bayes
- บทส่งท้าย Naive Bayes
- Introduction to SVC
- What is SVC?
- Data for SVC
- Pros & Cons + Real Face of the Model
- คำถามที่น่าสนใจ1
- Assumption + Real Face of the Model
- How to Create Model (Math) part1
- How to Create Model (Math) part2
- How to Create Model (Math) part3
- คำถามที่น่าสนใจ2
- How to Create Model (Code)
- Further Reading
- Prediction
- Workshop – Sound Classification
- ตอบคำถามนักเรียน1
- Support Vector Regression
- Workshop – Water Requirement
-
Day 7
- Agenda – Day7
- ภาพจากมุมนอกของ GP & LDA
- What is Gaussian Process? part1
- What is Gaussian Process? part2
- GP – Pros & Cons
- GP – Real World Applications
- Model Creation & Prediction
- Workshop – Bike Rental part1
- Workshop – Bike Rental part2
- Workshop – ทดลอง GP กับ dataset อื่น ๆ
- What is Linear Discriminant Analysis?
- LDA – Assumption + Pros&Cons
- Workshop – Credit Card Approval
- Conclusion – AI Overview
- Conclusion – Data Preparation
- Conclusion – Model Evaluation
- Conclusion – 12 Algorithms part1
- Conclusion – 12 Algorithms part2
- Conclusion – 12 Algorithms part3
- ตอบคำถามนักเรียนเรื่อง Ensemble Method
- ปิดคอร์ส AI fo Serious Beginners
