Logistic Regression Course
โมเดลคณิตศาสตร์ (AI) ที่มีความสามารถในการจำแนกประเภทของข้อมูล (โดยการ encode สมการเชิงเส้นให้อยู่ในช่วง (0, 1) ด้วย sigmoid และ softmax)
สมการของ Logistic Regression จะอยู่ในรูปของ
สมการของ Logistic Regression จะอยู่ในรูปของ
Y = sigmoid(w0 + w1X1 + w2X2 + … + wDXD) หรือ
Y = softmax(w0 + w1X1 + w2X2 + … + wDXD)
ภารกิจของเราในที่นี้คือหา w0, w1, … และ wD ที่ทำให้โมเดลมีประสิทธิภาพในการพยากรณ์สูงที่สุดยกตัวอย่างการจำแนกประเภทของข้อมูลเช่น I) การพยากรณ์ว่าพรุ่งนี้หุ้นจะขึ้นหรือจะลง II) การวิเคราะห์รูปภาพว่าเป็นหมาหรือแมว III) การวิเคราะห์รูปภาพตัวอักษรไทยว่าเป็นอักษรอะไรในคอร์สนี้เราจะมาเรียน
1. ทฤษฎีคณิตศาสตร์ที่ใช้ในการสร้าง Logistic Regression (เรียนกันตั้งแต่ assumption ของ model)
2. เขียน Code สร้าง Logistic Regression from Scratch (เริ่มเขียน code ตั้งแต่ต้นจากความว่างเปล่า)
3. ตัวอย่างการประยุกต์ใช้ Logistic Regression 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 : ควรเรียนคอร์ส Multiple Regression ก่อนเรียนคอร์สนี้
1. ทฤษฎีคณิตศาสตร์ที่ใช้ในการสร้าง Logistic Regression (เรียนกันตั้งแต่ assumption ของ model)
2. เขียน Code สร้าง Logistic Regression from Scratch (เริ่มเขียน code ตั้งแต่ต้นจากความว่างเปล่า)
3. ตัวอย่างการประยุกต์ใช้ Logistic Regression 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 : ควรเรียนคอร์ส Multiple Regression ก่อนเรียนคอร์สนี้
Agenda Course (ความยาวคอร์ส 10 ชั่วโมง)
1. Introduction
2. ทำความรู้จักกับ Logistic Regression
3. State Data, State Model, State Prediction
4. เบื้องหลังความฉลาดของ Logistic Regression สำหรับ Binary Classification
5. ทำความรู้จักกับ Error Function ของ Classification
6. วิธีการหา Weight ของ Logistic Regression สำหรับ Binary Classification
7. ตัวอย่างการคำนวณ Logistic Regression แบบ Local บนกระดาษ
8. เขียน Code Logistic Regression สำหรับ Binary Classification from Scratch
9. เราใช้ Logistic Regression สำหรับ Binary Classification เมื่อไร?
10. Ex1: วิเคราะห์ผู้ป่วยโรคมะเร็งเต้านม
11. Ex2: วิเคราะห์ผู้ป่วยโรคหัวใจ
12. เบื้องหลังความฉลาดของ Logistic Regression สำหรับ Multiclass Classification
13. วิธีการหา Weight ของ Logistic Regression สำหรับ Multiclass Classification
14. ตัวอย่างการคำนวณ Multinomial Logistic Regression แบบ Local บนกระดาษ
15. เขียน Code Logistic Regression สำหรับ Multiclass Classification from Scratch
16. เราใช้ Logistic Regression สำหรับ Multiclass Classification เมื่อไร?
17. Ex3: MNIST
18. Ex4: Thai Character
19. Normalization
20. Basic Knowledge – Derivative
21. Basic Knowledge – Chain Rule
22. Basic Knowledge – Matrix
23. Basic Knowledge – Python
24. Basic Knowledge – Numpy
2. ทำความรู้จักกับ Logistic Regression
3. State Data, State Model, State Prediction
4. เบื้องหลังความฉลาดของ Logistic Regression สำหรับ Binary Classification
5. ทำความรู้จักกับ Error Function ของ Classification
6. วิธีการหา Weight ของ Logistic Regression สำหรับ Binary Classification
7. ตัวอย่างการคำนวณ Logistic Regression แบบ Local บนกระดาษ
8. เขียน Code Logistic Regression สำหรับ Binary Classification from Scratch
9. เราใช้ Logistic Regression สำหรับ Binary Classification เมื่อไร?
10. Ex1: วิเคราะห์ผู้ป่วยโรคมะเร็งเต้านม
11. Ex2: วิเคราะห์ผู้ป่วยโรคหัวใจ
12. เบื้องหลังความฉลาดของ Logistic Regression สำหรับ Multiclass Classification
13. วิธีการหา Weight ของ Logistic Regression สำหรับ Multiclass Classification
14. ตัวอย่างการคำนวณ Multinomial Logistic Regression แบบ Local บนกระดาษ
15. เขียน Code Logistic Regression สำหรับ Multiclass Classification from Scratch
16. เราใช้ Logistic Regression สำหรับ Multiclass Classification เมื่อไร?
17. Ex3: MNIST
18. Ex4: Thai Character
19. Normalization
20. Basic Knowledge – Derivative
21. Basic Knowledge – Chain Rule
22. Basic Knowledge – Matrix
23. Basic Knowledge – Python
24. Basic Knowledge – Numpy
คอรส์นี้เหมาะกับ1. ผู้ที่ต้องการเข้าใจทฤษฎีเบื้องหลังจากทำงานของ Logistic Regression
2. ผู้ที่ต้องการเขียน code Logistic Regression ขึ้นมาเอง โดยไม่ใช้เครื่องมือสำเร็จรูปใด ๆ
3. ผู้ที่ต้องการนำความรู้ไปประยุกต์ใช้กับการทำงานจริง
4. ผู้ที่ต้องการพัฒนา AI ให้มีศักยภาพสูงขึ้นและตอบโจทย์ specific need ของงานตัวเอง (ใครที่มี pain point กับเครื่องมือสำเร็จรูปจะเข้าใจดี)
2. ผู้ที่ต้องการเขียน code Logistic Regression ขึ้นมาเอง โดยไม่ใช้เครื่องมือสำเร็จรูปใด ๆ
3. ผู้ที่ต้องการนำความรู้ไปประยุกต์ใช้กับการทำงานจริง
4. ผู้ที่ต้องการพัฒนา AI ให้มีศักยภาพสูงขึ้นและตอบโจทย์ specific need ของงานตัวเอง (ใครที่มี pain point กับเครื่องมือสำเร็จรูปจะเข้าใจดี)