❝ 
คอร์สที่เรียนอย่างเห็นภาพ 
และได้ลงมือทำ workshop 
ตลอดระยะเวลา 2 เดือน ❞
คอร์สความยาวกว่า 50 ชั่วโมง 
slide ประกอบการสอนความยาวกว่า 2,000 หน้า ที่เน้นทั้งการใช้สี และภาพประกอบ
ภาพประกอบการบรรยายกว่า 1,500 ภาพ เพื่อให้นักเรียนเห็นภาพและง่ายต่อการทำความเข้าใจ 
พิเศษด้วย workshop ผ่าน library ต่าง ๆ เช่น sklearn, tensorflow, keras, pytorch จำนวนกว่า 20 projects
project ครอบคลุมหมวดหมู่ที่หลากหลาย เช่น การเกษตร, การแพทย์, การลงทุน ฯลฯ ที่สามารถนำไปใช้งานได้จริง 
คอร์สนี้เหมาะกับใคร 
– ผู้เรียนที่ต้องการสร้างพื้นฐาน deep learning ให้แข็งแรง
– ผู้เรียนที่ต้องการเข้าใจการทำงานของ deep learning อย่างเห็นภาพ
– ผู้เรียนที่ปวดหัวกับคณิตศาสตร์ของ deep learning แล้วก็ยังคงไม่เข้าใจ
– ผู้เรียนที่ต้องการนำ deep learning ไปใช้สร้าง project จริงผ่าน library ต่าง ๆ
วิธีการเรียน
– เรียนสดผ่าน zoom
– มีวิดีโอให้ทบทวนย้อนหลัง & ทบทวนได้ตลอดชีวิต
– เริ่มเรียนวันที่ 5 มิถุนายน 2565
Agenda
05/06/65 (เช้า) : Linear Regression 05/06/65 (บ่าย) : Data Preparation + Model Evaluation for Regression 12/06/65 (เช้า) : Basic Workshop of Linear Regression 12/06/65 (บ่าย) : Improvement of Linear Regression 19/06/65 (เช้า) : Cross Validation + Advanced Workshop of Linear Regression 19/06/65 (บ่าย) : Logistic Regression for Binary Classification 26/06/65 (เช้า) : Cross Entropy + Model Evaluation for Classification 26/06/65 (บ่าย) : Workshop of Logistic Regression for Binary Classification 03/07/65 (เช้า) : Logistic Regression for Multi-Class Classification 03/07/65 (บ่าย) : Workshop of Logistic Regression for Multi-Class Classification 10/07/65 (เช้า) : Neural Network & Deep Learning 10/07/65 (บ่าย) : Model Creation of Deep Learning 17/07/65 (เช้า) : Basic Workshop of Deep Learning 17/07/65 (บ่าย) : Improvement of Deep Learning 24/07/65 (เช้า) : Advanced Workshop of Deep Learning 24/07/65 (บ่าย) : Conclusionแล้วเจอกันในคลาสนะครับ 
Course Features
- Lectures 192
- Quizzes 0
- Duration Lifetime access
- Skill level All levels
- Language English
- Students 8
- Assessments Yes
-
DL the Series ครั้งที่ 1
- Welcome
- Map of Linear Regression
- AI Overview part1
- AI Overview part2
- AI Overview part3
- Introduction – What is Linear Regression?
- Introduction – Extension to Neural Network
- Introduction – Real World Application
- Model Creation – Data – Data Stating
- Model Creation – Data – Data Requirement
- Model Creation – Model – Assumption
- Model Creation – Model – Real Face of the Model
- Model Creation – Model – Cost Function
- Model Creation – Model – How to Create Model (math) part1
- Model Creation – Model – How to Create Model (math) part2
- Model Creation – Model – How to Create Model (code)
- Model Creation – Model – Further Reading
- Model Creation – Prediction
- Data Prepration – NaN
- Data Preparation – Outlier
- Data Preparation – Feature Encoding
-
DL the Series ครั้งที่ 2
- Recap ครั้งที่1
- Model Evaluation – Introduction & R2
- Model Evaluation – MSE
- Model Evaluation – MAE
- Model Evaluation – MAPE
- Model Evaluation – Conclusion
- ตอบคำถามนักเรียน เหตุผลที่ performance ต่างกันทั้งสร้างด้วย model เดียวกัน
- Basic Workshop – Supervised Learning Workflow
- Basic Workshop – CP – Import Libraries
- Basic Workshop – CP – Read Data
- Basic Workshop – CP – Clean Data
- Basic Workshop – CP – Split Dataset into Traing & Test Sets
- Basic Workshop – CP – Data Preparation
- Basic Workshop – CP – Create Model & Prediction
- Basic Workshop – CP – Model Evaluation
- Basic Workshop – AI in Marketing
- Basic Workshop – AI in Investment
- Basic Workshop – Smart Farm
- Basic Workshop – AI in Business
- Basic Workshop – AI in Insurance
-
DL the Series ครั้งที่ 3
- Recap ครั้งที่2
- Assumption – Linear Relationship
- Assumption – Normality of Residuals
- Assumption – Homoscedasticity
- Check Assumption & วิธีการจัดการเมื่อไม่ตรง Assumption
- อธิบายแนวทางการสอน Strong Assumption
- Assumption – No Missing Feature & Feature Importance
- Assumption – No Multicollinearity
- Problem with Linearly Dependent
- Solution part1
- Solution part2
- Regularization – What is Regularization?
- Regularization – Ridge Regression part1
- Regularization – Ridge Regression part2
- Regularization – Lasso Regression part1
- Regularization – Lasso Regression part2
- Regularization – Elastic Net
- Regularization – Conclusion
-
DL the Series ครั้งที่ 4
- Recap ครั้งที่3
- ตอบคำถามนักเรียน – ridge, lasso, elastic แก้ปัญหาอะไรบ้าง?
- Cross Validation – Overview
- Cross Validation – What is CV?
- Cross Validation – Step to Calculate
- ตอบคำถามนักเรียน – จำนวน fold ที่นิยมใช้เป็นเท่าไหร่? & performance ของแต่ละ fold คิดอย่างไร?
- Cross Validation – Advantage of CV
- Cross Validation – Extension (Special Topic)
- Cross Validation – Conclusion
- Feature Scaling – Overview & What is Feature Scaling?
- Feature Scaling – Why need Feature Scaling?
- Feature Scaling – Standardization
- Feature Scaling – Min-Max Scaling
- Feature Scaling – Conclusion
- ตอบคำถามนักเรียน – ถ้าทำ feature scaling แล้วไปสร้าง linear regression จะเกิดปัญหาไหม?
- Advanced Workshop – Car Price
- AI102 – Overview
- LoR (2-class) – Introduction – What is LoR?
- ตอบคำถามนักเรียน – ตัวอย่างการคำนวณ z และ yhat ของ LoR
- LoR (2-class) – Introduction – Extension to Neural Network
- LoR (2-class) – Introduction – Real World Application
- LoR (2-class) – Data
- LoR (2-class) – Model – Assumption
- LoR (2-class) – Model – Real Face of the Model
- LoR (2-class) – Model – Cost Function & Cost Landscape
- LoR (2-class) – Model – How to Create Model – Problem with LSM
- LoR (2-class) – Model – How to Create Model – Gradient Descent
- ให้กำลังใจนักเรียน – trade-off & potential ของ Machine Learning
-
DL the Series ครั้งที่ 5
- Recap ครั้งที่4
- Recap – How to Create Model
- LoR (2-class) – Model – How to Create Model – Calculation Example
- LoR (2-class) – Model – How to Create Model (Code)
- เล่าเรื่อง – Machine Learning ทุกรูปแบบ
- LoR (2-class) – Prediction – 1-sample
- LoR (2-class) – Prediction – multi-sample
- LoR (2-class) – Prediction – Code
- LoR (2-class) – Improvement – Imbalanced Class
- LoR (2-class) – Improvement – Regularization
- ตอบคำถามนักเรียน – w ใน LoR มีสิทธิมีหลายคำตอบใช่ไหม?
- Model Evaluation – Introduction
- Model Evaluation – Confusion Matrix
- Model Evaluation – Accuracy
- Model Evaluation – Precision
- Model Evaluation – Recall
- Model Evaluation – F1 Score
- Model Evaluation – Conclusion
- Workshop of LoR (2-class) – Supervised Learning Workflow
- Workshop of LoR (2-class) – Code Pipeline part1
- Workshop of LoR (2-class) – Code Pipeline part2
- Workshop of LoR (2-class) – Code Pipeline part3
- ตอบคำถามนักเรียน – ต้องเลือกว่าจะให้ positive เป็น accept หรือ reject ใช่ไหม?
- ตอบคำถามนักเรียน – เราเลือก positive จาก class ที่ให้ score สูง ๆ ใช่ไหม?
- Workshop of LoR (2-class) – AI in Healthcare
- Workshop of LoR (2-class) – AI in Agriculture
- Workshop of LoR (2-class) – Fake News
-
DL the Series ครั้งที่ 6
- Recap ครั้งที่5
- LoR (multi-class) – Overview
- LoR (multi-class) – Introduction – Concept part1
- LoR (multi-class) – Introduction – Concept part2
- ตอบคำถามนักเรียน – เราสามารถใช้ softmax กับปัญหา 2 class ได้ไหม?
- LoR (multi-class) – Introduction – Why Softmax?
- LoR (multi-class) – Introduction – Extension to Neural Network
- LoR (multi-class) – Introduction – Real World Application
- LoR (multi-class) – Data – Stating & Requirement
- LoR (multi-class) – Data – More about Target
- LoR (multi-class) – Model – Assumption & Real Face of the Model
- LoR (multi-class) – Model – Cost Function & Cost Landscape
- LoR (multi-class) – Model – How to Create Model part1
- LoR (multi-class) – Model – How to Create Model part2
- LoR (multi-class) – Model – How to Create Model part3
- LoR (multi-class) – Model – How to Create Model part4
- LoR (multi-class) – Model – How to Create Model (Code)
- LoR (multi-class) – Model – Conclusion
- LoR (multi-class) – Prediction – 1-sample
- LoR (multi-class) – Prediction – multi-sample & Code
- LoR (multi-class) – Improvement
- Workshop of LoR (multi-class) – SL Workflow
- Workshop of LoR (multi-class) – AI in Fruit Industry
- Workshop of LoR (multi-class) – AI in News Categorization
- Cross Entropy – Overview
- Cross Entropy – What is KL Divergence
- Cross Entropy – KL as Cost Function
-
DL the Series ครั้งที่ 7
- Map of this Course
- AI103 – Overview
- NN&DL – What is Neural Network?
- NN&DL – Why we need Neural Network
- NN&DL – Real World Application
- NN&DL – Architecture of Neural Network
- NN&DL – Component of NN part1
- NN&DL – Component of NN part2
- NN&DL – Component of NN part3
- NN&DL – Component of NN part4
- NN&DL – How Neural Network Work
- NN&DL – What is Deep Learning?
- NN&DL – Architecture of Deep Learning
- NN&DL – Component of DL
- NN&DL – Why we need Deep Learning
- ตอบคำถามนักเรียน – การจะใช้ DL ต้องมี input จำนวนมาก ๆ เพื่อให้แม่นยำไหม?
- ตอบคำถามนักเรียน – เมื่อเทียบกันระหว่าง NN กับ DL ทรัพยากรเครื่องที่ใช้ต่างกันเท่าไหร่?
- ตอบคำถามนักเรียน – เราสามารถพูดได้เลยไหมว่า DL ดีกว่า NN?
- NN&DL – How Deep Learning Work
- DL for Regression part1
- DL for Regression part2
- DL for Regression part3
- DL for Regression part4
- DL for Binary Classification part1
- DL for Binary Classification part2
- DL for Binary Classification part3
- DL for Multi-Class Classification part1
- DL for Multi-Class Classification part2
- DL for Multi-Class Classification part3
- ทบทวนเนื้อหา ครั้งที่7
-
DL the Series ครั้งที่ 8
- Recap ครั้งที่7
- Supervised Learning อย่างละเอียด
- Basic Workshop of NN&DL – Workshop Overview
- Basic Workshop of NN&DL – Code Pipeline part1
- Basic Workshop of NN&DL – Code Pipeline part2
- Basic Workshop of NN&DL – Code Pipeline part3
- Basic Workshop of NN&DL – Code Pipeline part4
- Basic Workshop of NN&DL – Code Pipeline part5
- Basic Workshop of NN&DL – AI in Civil Engineering
- Basic Workshop of NN&DL – AI in Healthcare
- Basic Workshop of NN&DL – AI in Skin Cancer
- DL Interpretation – Objective
- DL Interpretation – Effect of Number of Node in 1st HL part1
- DL Interpretation – Effect of Number of Node in 1st HL part2
- DL Interpretation – Effect of Number of Node in 1st HL part3
- DL Interpretation – Effect of Number of Node in 2nd HL
- DL Interpretation – Effect of Number of Node in 3rd HL
- DL Interpretation – Conclusion part1
- DL Interpretation – Conclusion part2
- DL Interpretation – Adaptation
- ตอบคำถามนักเรียน – ทำความเข้าใจ 2nd HL ให้มากขึ้น
