Machine Learning ที่เราจะได้เรียนอย่างลึกซึ้งในคอร์สนี้ มีดังนี้
- K Nearest Neighbor
- Naive Bayes
- Decision Tree
- Random Forest
- Lagrange Multipliers
- Karush Kuhn Tucker
- Support Vector Machine
ในคอร์สนี้เราจะมาเรียน
- ทฤษฎีคณิตศาสตร์ที่ใช้ในการสร้าง Machine Learning (เรียนกันตั้งแต่ assumption ของแต่ละ model)
- เขียน Code สร้าง Machine Learning from Scratch (เริ่มเขียน code ตั้งแต่ต้นจากความว่างเปล่า)
- ตัวอย่างการประยุกต์ใช้ Machine Learning ในชีวิตจริง
จุดเด่นของคอร์ส
- คณิตศาสตร์ที่ยากจะถูกแปลงเป็น “ภาพ” และถูกอธิบายด้วย “ภาษาที่คนทั่วไปเข้าใจได้”
- นักเรียนเห็นภาพรวม (Overview) และความต่อเนื่องของเนื้อหา
- อธิบายทุกขั้นตอนอย่างละเอียดและรัดกุม (ย่อยมาให้อย่างดีแล้ว)
- ตัวอย่างการคำนวณด้วยมือ (เพื่อให้นักเรียนได้ลงมือปฎิษัติและทบทวนความเข้าใจ)
- ส่วนประกอบของคอร์สนี้มีครบทั้ง I) ทฤษฎี II) เขียน code III) การประยุกต์ใช้
คอรส์นี้เหมาะกับ
- ผู้ที่ต้องการเข้าใจทฤษฎีเบื้องหลังจากทำงานของ Machine Learning
- ผู้ที่ต้องการเขียน code Machine Learning ขึ้นมาเอง โดยไม่ใช้เครื่องมือสำเร็จรูปใด ๆ
- ผู้ที่ต้องการนำความรู้ไปประยุกต์ใช้กับการทำงานจริง
- ผู้ที่ต้องการพัฒนา Machine Learning ให้มีศักยภาพสูงขึ้นและตอบโจทย์ specific need ของงานตัวเอง (ใครที่มี pain point กับเครื่องมือสำเร็จรูปจะเข้าใจดี)
| Week | Content |
| Week 1 ครึ่งเช้า
|
1. ทำความรู้จัก AI
2. ตัวอย่างการใช้งาน AI ในปัจจุบัน 3. Concept ในการสร้าง AI 4. Computer ฉลาดได้อย่างไร ? 5. ทำความรู้จัก K Nearest Neighbor สำหรับ Classification 6. State Data, Model, Prediction 7. เบื้องหลังความฉลาดของ K Nearest Neighbor สำหรับ Classification 8. ทำความรู้จัก Distance Function 9. แบบฝึกหัด – คำนวณวิธีสร้าง K Nearest Neighbor สำหรับ Classification บนกระดาษ 10. เขียน Code K Nearest Neighbor สำหรับ Classification from Scratch 11. ตัวอย่างการใช้งาน K Nearest Neighbor สำหรับ Classification |
| Week 1 ครึ่งบ่าย
|
1. ทำความรู้จัก K Nearest Neighbor สำหรับ Regression
2. State Data, Model, Prediction 3. เบื้องหลังความฉลาดของ K Nearest Neighbor สำหรับ Regression 4. แบบฝึกหัด – คำนวณวิธีสร้าง K Nearest Neighbor สำหรับ Regression บนกระดาษ 5. เขียน Code K Nearest Neighbor สำหรับ Regression from Scratch 6. ตัวอย่างการใช้งาน K Nearest Neighbor สำหรับ Regression 7. ทำความรู้จัก One Hot Encoder 8. เขียน Code แปลง Feature แบบ Categorical ให้เป็น One Hot Encoder 9. ตัวอย่างการใช้งาน K Nearest Neighbor กับข้อมูลที่อยู่ในรูปแบบ One Hot Encoder |
| Week 2 ครึ่งเช้า
|
1. ทำความรู้จัก Naive Bayes กับข้อมูลแบบ Categorical Data
2. State Data, Model, Prediction 3. เบื้องหลังความฉลาดของ Naive Bayes กับข้อมูลแบบ Categorical Data 4. เรียนรู้วิธีการหาความน่าจะเป็นของ Categorical Data ด้วย Bayes’ Theorem 5. แบบฝึกหัด – คำนวณวิธีสร้าง Naive Bayes กับข้อมูลแบบ Categorical Data บนกระดาษ 6. เขียน Code Naive Bayes กับข้อมูลแบบ Categorical Data from Scratch 7. ตัวอย่างการใช้งาน Naive Bayes กับข้อมูลแบบ Categorical Data |
| Week 2 ครึ่งบ่าย
|
1. ทำความรู้จัก Naive Bayes กับข้อมูลแบบ Numerical Data
2. State Data, Model, Prediction 3. เบื้องหลังความฉลาดของ Naive Bayes กับข้อมูลแบบ Numerical Data 4. เรียนรู้วิธีทดสอบการกระจายตัวของข้อมูล 5. ทำความรู้จักกับ Probability Density Function ต่าง ๆ 6. แบบฝึกหัด – คำนวณวิธีสร้าง Naive Bayes กับข้อมูลแบบ Numerical Data บนกระดาษ 7. เขียน Code Naive Bayes กับข้อมูลแบบ Numerical Data from Scratch 8. ตัวอย่างการใช้งาน Naive Bayes กับข้อมูลแบบ Numerical Data |
| Week 3 ครึ่งเช้า
|
1. ทำความรู้จัก Decision Tree
2. State Data, Model, Prediction 3. เบื้องหลังความฉลาดของ Decision Tree 4. ทำความรู้จัก Gini Impurity 5. แบบฝึกหัด – คำนวณวิธีสร้าง Decision Tree บนกระดาษ |
| Week 3 ครึ่งบ่าย | 1. เขียน Code Decision Tree from Scratch
2. ตัวอย่างการใช้งาน Decision Tree 3. ทำความรู้จัก Random Forest 4. เขียน Code สร้าง Random Forest from Scratch 5. ตัวอย่างการใช้งาน Random Forest |
| Week 4 ครึ่งเช้า
|
1. ทำความรู้จัก Support Vector Machine
2. เบื้องหลังความฉลาดของ Support Vector Machine 3. การดำเนินการพื้นฐานของเวกเตอร์ 4. เวกเตอร์ที่ตั้งฉากกับพื้นผิว |
| Week 4 ครึ่งบ่าย
|
1. ทำความรู้จัก Lagrange Multiplier
2. แบบฝึกหัด – คำนวณ Lagrange Multiplier บนกระดาษ |
| Week 5 ครึ่งเช้า
|
1. แบบฝึกหัด – คำนวณ Lagrange Multiplier บนกระดาษ (ต่อ)
2. ทำความรู้จัก Nonlinear Programming |
| Week 5 ครึ่งบ่าย
|
1. อธิบาย Karush-Kuhn-Tucker Condition (KKT)
2. แบบฝึกหัด – คำนวณ Karush-Kuhn-Tucker Condition (KKT) บนกระดาษ |
| Week 6 ครึ่งเช้า
|
1. ทำความรู้จัก Soft/Hard Margin
2. ทำความรู้จัก Sequential Minimal Optimization 3. เขียน Code Support Vector Machine from Scratch 4. ตัวอย่างการใช้งาน Support Vector Machine |
| Week 6 ครึ่งบ่าย
|
1. สรุปภาพรวมของเนื้อหาที่เรียนตลอดคอร์ส
2. นำ Code ทั้งหมดที่เขียนในคอร์สมารวมเป็น Library 3. อธิบายการใช้งาน Library พร้อมตัวอย่าง |
** สิ่งที่ผู้เรียนต้องเตรียมมา
Notebook ที่ลงโปรแกรม Anaconda (Python version 3.6) และเตรียมใจให้พร้อม คิดไว้เลยว่าหนักแน่นอน
ประวัติผู้สอน
อาจารย์สอน AI และ Data Science
Quantitative Researcher
ผู้ก่อตั้งบริษัท Made by AI
อาจารย์ฆฤณ ชินประสาทศักดิ์
Course Features
- Lectures 15
- Quizzes 0
- Duration 10 weeks
- Skill level All levels
- Students 22
- Assessments Yes
-
Section I
