Decision Tree & Random Forest

โมเดลคณิตศาสตร์ (AI) ที่อยู่ในรูปแบบของกฎ (Rules) ซึ่งกฎเหล่านี้ได้มาจากการเรียนรู้ กล่าวโดยละเอียดถึงการเรียนรู้ในที่นี้ได้ว่า คือการตั้งคำถามที่เป็นไปได้ทั้งหมดของคุณลักษณะ (Feature) ของข้อมูล แล้วเลือกคำถามที่สามารถจำแนกประเภทข้อมูลได้ดีที่สุดไปเรื่อย ๆ จนกว่าจะถึงเงื่อนไขการหยุด
ภารกิจของเราในที่นี้คือ I) ออกแบบวิธีการตั้งคำถาม II) วัดความสามารถในการจำแนกประเภทข้อมูล III) เรียนรู้ที่จะทำ 2 ขั้นตอนดังกล่าวซ้ำจนถึงเงื่อนไขการหยุดยกตัวอย่างการจำแนกประเภทของข้อมูลเช่น I) การพยากรณ์ว่าพรุ่งนี้หุ้นจะขึ้นหรือจะลง II) การวิเคราะห์รูปภาพว่าเป็นหมาหรือแมว III) การวิเคราะห์รูปภาพตัวอักษรไทยว่าเป็นอักษรอะไรในคอร์สนี้เราจะมาเรียน
1. ทฤษฎีคณิตศาสตร์ที่ใช้ในการสร้าง Decision Tree (เรียนกันตั้งแต่ assumption ของ model)
2. เขียน Code สร้าง Decision Tree from Scratch (เริ่มเขียน code ตั้งแต่ต้นจากความว่างเปล่า)
3. ตัวอย่างการประยุกต์ใช้ Decision Tree ในชีวิตจริงจุดเด่นของคอร์ส
1. คณิตศาสตร์ที่ยากจะถูกแปลงเป็น “ภาพ” และถูกอธิบายด้วย “ภาษาที่คนทั่วไปเข้าใจได้”
2. นักเรียนเห็นภาพรวม (Overview) และความต่อเนื่องของเนื้อหา
3. อธิบายทุกขั้นตอนอย่างละเอียดและรัดกุม (ย่อยมาให้อย่างดีแล้ว)
4. ตัวอย่างการคำนวณด้วยมือ (เพื่อให้นักเรียนได้ลงมือปฎิษัติและทบทวนความเข้าใจ)
5. ส่วนประกอบของคอร์สนี้มีครบทั้ง I) ทฤษฎี II) เขียน code III) การประยุกต์ใช้*คำแนะนำ : คอร์สนี้เหมาะสำหรับผู้เริ่มต้นศึกษา AI

Agenda Course (ความยาวคอร์ส 7 ชั่วโมง)

1. Introduction
1. Introduction
2. ทำความรู้จักกับ Decision Tree
3. State Data, State Model, State Prediction
4. เบื้องหลังความฉลาดของ Decision Tree
5. ทำความรู้จักกับ Gini Impurity
6. ตัวอย่างการคำนวณ Decision Tree บนกระดาษ
7. เขียน Code Decision Tree from Scratch
8. Ex1 : EURUSD Trend Prediction (Categorical Feature)
9. Ex2 : EURUSD Trend Prediction (Numerical Feature)
10. Ex3 : Body Mass Index Group Prediction
11. ทำความรู้จักกับ Random Forest
12. เขียน Code Random Forest from Scratch
13. Ex4 : EURUSD Trend Prediction (Categorical Feature)
14. Ex5 : EURUSD Trend Prediction (Numerical Feature)
15. Ex6 : Body Mass Index Group Predictio

คอรส์นี้เหมาะกับ

1. ผู้ที่ต้องการเข้าใจทฤษฎีเบื้องหลังจากทำงานของ Decision Tree
2. ผู้ที่ต้องการเขียน code Decision Tree ขึ้นมาเอง โดยไม่ใช้เครื่องมือสำเร็จรูปใด ๆ
3. ผู้ที่ต้องการนำความรู้ไปประยุกต์ใช้กับการทำงานจริง
4. ผู้ที่ต้องการพัฒนา AI ให้มีศักยภาพสูงขึ้นและตอบโจทย์ specific need ของงานตัวเอง (ใครที่มี pain point กับเครื่องมือสำเร็จรูปจะเข้าใจดี)