Machine Learning ที่เราจะได้เรียนอย่างลึกซึ้งในคอร์สนี้ มีดังนี้
- K Nearest Neighbor (KNN)
- Naive Bayes
- Decision Tree
- Random Forest
- Lagrange Multipliers (คณิตศาสตร์พื้นฐานของ SVM)
- Karush Kuhn Tucker (คณิตศาสตร์พื้นฐาน SVM)
- Support Vector Machine (SVM)
วิธีการเรียนในคอร์ส Machine Learning
- เรียนทฤษฎีคณิตศาสตร์ที่เป็นพื้นฐานการทำงานของ machine learning
- มีแบบฝึกหัดการสร้าง machine learning บนกระดาษให้นักเรียนได้ทำ (เพื่อให้เราแน่ใจว่านักเรียนเข้าใจขั้นตอนการทำงานของ ML แต่ละตัวแล้วจริง ๆ)
- เขียน code machine learning ขึ้นมาจากทฤษฎีที่เราเรียน
- สุดท้ายเราจะนำ code ที่เขียนไปแก้ปัญหาต่าง ๆ ที่เป็น use case ในชีวิตจริง
จุดเด่นของคอร์ส
- คณิตศาสตร์ที่ยากจะถูกแปลงเป็น “ภาพ” และถูกอธิบายด้วย “ภาษาที่คนทั่วไปเข้าใจได้”
- นักเรียนเห็นภาพรวม (Overview) และความต่อเนื่องของเนื้อหา
- อธิบายทุกขั้นตอนอย่างละเอียดและรัดกุม (ย่อยมาให้อย่างดีแล้ว)
- ตัวอย่างการคำนวณด้วยมือ (เพื่อให้นักเรียนได้ลงมือปฎิษัติและทบทวนความเข้าใจ)
- ส่วนประกอบของคอร์สนี้มีครบทั้ง I) ทฤษฎี II) เขียน code III) การประยุกต์ใช้
คอรส์นี้เหมาะกับ
- ผู้ที่ต้องการเข้าใจหลักการทำงานของ machine learning อย่างแท้จริง
- ผู้ที่ต้องการเข้าใจความแตกต่างของ machine learning แต่ละตัว
- ผู้ที่ต้องการนำ machine learning ไปวิเคราะห์ข้อมูลจริง
- ผู้ที่ต้องการเป็น data scientist
- ผู้ที่ต้องการพัฒนา AI ให้มีความฉลาดมากกว่าที่เคย
ประวัติผู้สอน
อาจารย์สอน AI และ Data Science
Quantitative Researcher
ผู้ก่อตั้งบริษัท Made by AI, Quant Metric
อาจารย์ฆฤณ ชินประสาทศักดิ์ |
สอบถามรายละเอียดเพิ่มเติมทาง
-
- Facebook : Tautology Thailand
- Email : [email protected]
Course Features
- Lectures 72
- Quizzes 0
- Duration Lifetime access
- Skill level All levels
- Language English
- Students 84
- Assessments Yes
-
Document
-
Part1: K Nearest Neighbor : Theory
- 1. Introduction
- 2. K Nearest Neighbor : Theory : What is K Nearest Neighbor ?
- 3. K Nearest Neighbor : Theory : State
- 4. K Nearest Neighbor : Theory : How to create model
- 5. K Nearest Neighbor : Theory : ตอบคำถามนักเรียน
- 6. K Nearest Neighbor : Theory : ตัวอย่างการคำนวณ KNN-C
- 7. K Nearest Neighbor : Theory : When will we use KNN-C ?
- 8. K Nearest Neighbor : Code : Overview & Import Library
- 9. K Nearest Neighbor : Code : Normalization
- 10. K Nearest Neighbor : Code : วัดระยะห่าง
- 11. K Nearest Neighbor : Code : เรียงลำดับ Target ตามระยะห่าง
- 12. K Nearest Neighbor : Code : หาผลลัพธ์จากเพื่อนบ้าน K ตัว
- 13. K Nearest Neighbor : Code : หา K ที่ดีที่สุด
- 14. K Nearest Neighbor : Code : เรียนรู้ & พยากรณ์ Part 1
- 15. K Nearest Neighbor : Code : เรียนรู้ & พยากรณ์ Part 2
- 16. K Nearest Neighbor for Regression : Theory & Code & Example
- 17. K Nearest Neighbor for Regression : Theory : เฉลยการบ้าน
- 18. เฉลยการบ้าน K Nearest Neighbor for Regression
-
Part2
- 19. Naive Bayes : Theory : Bayes’ Theorem
- 20. Naive Bayes : Theory : What is Naive Bayes ?
- 21. Naive Bayes : Theory : State
- 22. Naive Bayes : Theory : How to create model
- 23. Naive Bayes : Theory : ตัวอย่างการคำนวณ Naive Bayes
- 24. Naive Bayes : Theory : ที่มาสมการ Naive Bayes
- 25. Naive Bayes : Code : Overview & Import Library
- 26. Naive Bayes : Code : สร้าง Dictionary สำหรับเตรียมนับสมาชิกและเตรียมเก็บความน่าจะเป็น
- 27. Naive Bayes : Code : นับจำนวนสมาชิกจาก Training Set เพื่อใส่ใน Count_Matrix
- 28. Naive Bayes : Code : คำนวณความน่าจะเป็นจาก Count_Matrix เพื่อใส่ใน Prob_Matrix & เรียนรู้
- 29. Naive Bayes : Code : พยากรณ์
- 30. Naive Bayes : Code : Read Data & Prepare Data, Create Model, Making Predictions
- 31. Naive Bayes : Example
- 32. Naive Bayes Continuous Data : Theory
- 33. Naive Bayes Continuous Data : Theory : ตัวอย่างการคำนวณ Naive Bayes Continuous Data
- 34. Naive Bayes Continuous Data : Code
- 35. Naive Bayes Continuous Data : Example
-
Part3: Decision Tree : Theory
- 36. Decision Tree : Theory : Introduction
- 37. Decision Tree : Theory : What is Decision Tree ?
- 38. Decision Tree : Theory : State
- 39. Decision Tree : Theory : How to create model
- 40. Decision Tree : Theory : ตัวอย่างการคำนวณ Decision Tree
- 41. Decision Tree : Theory : ที่มาของ Gini
- 42. Decision Tree : ตัวอย่างการเขียน Code Recursive
- 43. Decision Tree : Code Part 1
- 44. Decision Tree : Code Part 2
- 45. Random Forest
-
Part4: SVM : Theory
- 45. Random Forest
- 42. SVM : Theory : Introduction
- 43. SVM : Theory : Method of Lagrange Multipliers
- 44. SVM : Theory : ตัวอย่างการคำนวณ Method of Lagrange Multipliers Part 1
- 45. SVM : Theory : ตัวอย่างการคำนวณ Method of Lagrange Multipliers Part 2
- 46. SVM : Theory : Karush Kuhn Tucker
- 47. SVM : Theory : ตัวอย่างการคำนวณ Karush Kuhn Tucker Part 1
- 48. SVM : Theory : ตัวอย่างการคำนวณ Karush Kuhn Tucker Part 2
- 49. SVM : Theory : เฉลยการบ้าน Method of Lagrange Multipliers ข้อ 1
- 50. SVM : Theory : เฉลยการบ้าน Karush Kuhn Tucker ข้อ 2
- 51. SVM : Theory : What is SVM ? & State
- 52. SVM : Theory : How to create model Part 1
- 53. SVM : Theory : How to create model Part 2
- 54. SVM : Theory : How to create model Part 3
- 55. SVM : Theory : How to create model Part 4
- 56. SVM : Theory : How to create model Part 5
- 57. SVM : Theory : SMO
- 58. SVM : Theory : ตัวอย่างการคำนวณ SMO Part 1
- 59. SVM : Theory : ตัวอย่างการคำนวณ SMO Part 2
- 60. SVM : Code & Example
-
Part5: Conclusion
