คอร์ส Deep Learning the Basic เป็นคอร์สแรกของชุดคอร์ส Deep Learning
โดยเนื้อหาที่จะได้เรียนในคอร์สคือ “Linear Model และการพัฒนา Linear Model” ซึ่งเป็นพื้นฐานสำคัญของ “Deep Learning และ การพัฒนา Deep Learning”
แผนที่การเรียนและเนื้อหาในคอร์ส Deep Learning the Basic สามารถแสดงได้ดังนี้ (สำหรับรายละเอียดของแต่ละหัวข้อสามารถดูได้ที่ Curriculum)
การเรียนในคอร์สนี้จะแบ่งเป็น 2 ส่วนเท่า ๆ กันคือ Lecture และ Workshop
จุดเด่น Lecture ของเราคือ “เนื้อหาทั้งหมดถูกทำให้เห็นภาพ เพื่อให้ง่ายที่สุดต่อการทำความเข้าใจ”
จุดเด่น Workshop ของเราคือ “workflow ที่ชัดเจนในการเขียน code & dataset จริงที่มาจาก 6 อุตสาหกรรม” (ใช้ sklearn ในการสอน)
สำหรับนักเรียนที่เคยเรียน Deep Learning มาแล้ว
เนื้อหาใน 7 บท ต่อไปนี้ (ระยะเวลารวม 12 ชั่วโมง) เป็นเนื้อหาที่ไม่เคยมีมาก่อนในคอร์สเก่า
1. AI Overview
2. Basic Workshop
3. Model Improvement
4. Advanced Workshop
5. Data Preparation
6. Model Evaluation
7. Cross Validation
Highlight ของคอร์สนี้
Lecture
- อธิบายการทำงานของ Deep Learning
- อธิบายการทำ Hyperplane หัก ๆ มาประกอบเป็น Deep Learning
- อธิบายการสร้าง Linear Model
- อธิบาย Assumption ของ Linear Model
- อธิบายปัญหาของ Linearly Dependent
- อธิบายปัญหาของการที่คำตอบมีหลายชุด
- อธิบายปัญหาของ Moore-Penrose
- อธิบายการใช้ Lagrange Multiplier เข้ามาแก้ปัญหาของ Moore-Penrose
- อธิบายการพัฒนาจาก Lagrange Multiplier มาเป็น Ridge Regression
- อธิบายที่มาพจน์ Σw² ของ Ridge Regression
- อธิบายสมบัติ Feature Selection ของ Lasso Regression
- อธิบายสมบัติ Soft Feature Selection ของ Elastic Net
- อธิบายสมบัติ Generalization ของ Regularization
Workshop
- Implement 12 workshops ใน 6 อุตสาหกรรม
- Implement ครบทั้ง Workflow ตั้งแต่ Import Libraries จนถึง Deployment
- ใช้ Real World Dataset ในการสอน
- สอนทำ Data Preparation ก่อนสร้าง Model
- สอนทำ Feature Engineering
- มี Analysis ทุก Workshop
Facebook Group : TAUTOLOGY Deep Learning
https://www.facebook.com/groups/2723268457980889
Instructor
อาจารย์ฆฤณ ชินประสาทศักดิ์ |
นักวิจัยด้าน AI และที่ปรึกษาด้าน AI ให้กับบริษัทเอกชน
Quantitative Researcher ผู้ก่อตั้งบริษัท Made by AI, Quant Metric
สอบถามรายละเอียดเพิ่มเติมทาง
-
- Facebook : Tautology Thailand
- Email : [email protected]
Course Features
- Lectures 104
- Quizzes 0
- Duration 15 hours
- Skill level All levels
- Language Thai
- Students 35
- Assessments Yes
-
WELCOME
-
AI OVERVIEW
-
INTRODUCTION
-
MODEL CREATION
- Data : Data Stating
- Data : Data Requirement
- Model : Assumption
- Model : How to create model : Logic
- Model : How to create model : Cost Function
- Model : How to create model : Finding Solution
- Model : How to create model : Exercise
- Model : How to create model : Code
- Model : Further Reading
- Prediction
- We are Data Scientist
-
BASIC WORKSHOP
- Code Pipeline : Workflow & Import Libraries
- Code Pipeline : Read Data & Clean Data
- Code Pipeline : Split Dataset into Training & Test Sets
- Code Pipeline : Data Preparation
- Code Pipeline : Model Creation – Model Improvement
- Code Pipeline : Model Deployment
- Project1 : AI in Marketing : Introduction
- Project1 : AI in Marketing : Code : Import Libraries
- Project1 : AI in Marketing : Code : Read Data – Train/Test
- Project1 : AI in Marketing : Code : Data Preparation & Model Creation
- Project1 : AI in Marketing : Code : Prediction – Model Evaluation
- Project1 : AI in Marketing : Code : Model Deployment & Conclusion
- Project2 : AI in Investment : Introduction
- Project2 : AI in Investment : Code : Import Libraries – Clean Data
- Project2 : AI in Investment : Code : Train/Test – Model Creation
- Project2 : AI in Investment : Code : Prediction – Model Deployment
- Project2 : AI in Investment : Code : BTCUSD & EURUSD & XAUUSD
- Project3 : Smart Farm : Introduction
- Project3 : Smart Farm : Code : Ordinal Encoding
- Project3 : Smart Farm : Code : One Hot Encoding
- Project3 : Smart Farm : Code : Model Deployment
- Project4 : AI in Business : Introduction
- Project4 : AI in Business : Code
- Project5 : AI in Insurance : Introduction
- Project5 : AI in Insurance : Code
- Conclusion
-
MODEL IMPROVEMENT
- Introduction
- Assumption : Introduction
- Assumption1 – Linear Relationship
- Assumption2 – Normality of Residuals
- Assumption3 – Homoscedasticity
- Assumption : Check Assumption : AI in Marketing
- Assumption : Check Assumption : AI in Investment
- Assumption : Check Assumption : Smart Farm
- Assumption : Check Assumption : AI in Business & AI in Insurance
- Assumption : Dealing with Nonlinear Relationship
- Assumption4 – No Missing Features
- Assumption5 – No Multicollinearity
- Assumption : Effect of Multicollinearity
- Problem with Linearly Dependent
- Problem with Moore-Penrose
- Solution : Lagrange Multipliers
- Solution : new Cost Function
- Solution : Found Ridge Regression
- Solution : Conclusion
- Regularization : Introduction
- Regularization : What is Regularization?
- Ridge Regression : What is? & Geometric View : Lin Dep
- Ridge Regression : Geometric View : No Mul
- Ridge Regression : Properties – Code
- Lasso Regression : What is? & Geometric View
- Lasso Regression : Properties : Feature Selection
- Lasso Regression : Model Creation – Code
- Elastic Net
- Regularization : Conclusion
-
ADVANCE WORKSHOP
-
Supplementary : DATA PREPARATION
-
Supplementary : MODEL EVALUATION
-
Supplementary : BASIC MATH for DEEP LEARNING
-
Supplementary : CROSS VALIDATION