Neural Network & Autodiff Course
โมเดลคณิตศาสตร์ (AI) ที่มีความสามารถในการประมาณฟังก์ชันใด ๆ สามารถแก้ปัญหาได้ทั้งปัญหาการพยากรณ์เชิงตัวเลข (Regression) และปัญหาการจำแนกประเภทของข้อมูล (Classification)
สมการของ Neural Network จะอยู่ในรูปของ Y = span{activation_function(WX)}
ภารกิจของเราในที่นี้คือหาเมทริกซ์ W ที่ทำให้โมเดลมีประสิทธิภาพในการพยากรณ์สูงที่สุดความพิเศษของคอร์สนี้คือ เราจะได้เรียนสิ่งที่เรียกว่า Autodiff (from Scratch)
Autodiff คือการเขียน code ให้คอมพิวเตอร์สามารถดิฟได้อย่างอัตโนมัติ ไม่ว่าจะดิฟกี่ตัวแปร หรือดิฟซับซ้อนแค่ไหน code ที่เราเขียนก็เอาอยู่ในคอร์สนี้เราจะมาเรียน
1. ทฤษฎีคณิตศาสตร์ที่ใช้ในการสร้าง Neural Network (เรียนกันตั้งแต่ assumption ของ model)
2. เขียน Code สร้าง Neural Network from Scratch (เริ่มเขียน code ตั้งแต่ต้นจากความว่างเปล่า)
3. ตัวอย่างการประยุกต์ใช้ Neural Network 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 Logistic Regression ก่อนเรียนคอร์สนี้
สมการของ Neural Network จะอยู่ในรูปของ Y = span{activation_function(WX)}
ภารกิจของเราในที่นี้คือหาเมทริกซ์ W ที่ทำให้โมเดลมีประสิทธิภาพในการพยากรณ์สูงที่สุดความพิเศษของคอร์สนี้คือ เราจะได้เรียนสิ่งที่เรียกว่า Autodiff (from Scratch)
Autodiff คือการเขียน code ให้คอมพิวเตอร์สามารถดิฟได้อย่างอัตโนมัติ ไม่ว่าจะดิฟกี่ตัวแปร หรือดิฟซับซ้อนแค่ไหน code ที่เราเขียนก็เอาอยู่ในคอร์สนี้เราจะมาเรียน
1. ทฤษฎีคณิตศาสตร์ที่ใช้ในการสร้าง Neural Network (เรียนกันตั้งแต่ assumption ของ model)
2. เขียน Code สร้าง Neural Network from Scratch (เริ่มเขียน code ตั้งแต่ต้นจากความว่างเปล่า)
3. ตัวอย่างการประยุกต์ใช้ Neural Network 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 Logistic Regression ก่อนเรียนคอร์สนี้
Agenda Course (ความยาวคอร์ส 14 ชั่วโมง)
1. Introduction
2. ทำความรู้จักกับ Neural Network
3. State Data, State Model, State Prediction
4. Activation Function
5. เบื้องหลังความฉลาดของ Neural Network
6. วิธีการหา Weight ของ Neural Network
7. เราใช้ Neural Network เมื่อไร?
8. ตัวอย่างการคำนวณ Neural Network บนกระดาษ
9. เขียน Code Neural Network from Scratch
10. AUTODIFF from Scratch
11. NUMPY AUTODIFF from Scratch
12. Ex1: Stock Price Prediction
13. Ex2: Stock Trend Prediction
14. Improvement – Generalization
15. Improvement – Speed
16. Normalization
17. Basic Knowledge – Derivative
18. Basic Knowledge – Chain Rule
19. Basic Knowledge – Matrix
20. Basic Knowledge – Python
21. Basic Knowledge – Numpy
2. ทำความรู้จักกับ Neural Network
3. State Data, State Model, State Prediction
4. Activation Function
5. เบื้องหลังความฉลาดของ Neural Network
6. วิธีการหา Weight ของ Neural Network
7. เราใช้ Neural Network เมื่อไร?
8. ตัวอย่างการคำนวณ Neural Network บนกระดาษ
9. เขียน Code Neural Network from Scratch
10. AUTODIFF from Scratch
11. NUMPY AUTODIFF from Scratch
12. Ex1: Stock Price Prediction
13. Ex2: Stock Trend Prediction
14. Improvement – Generalization
15. Improvement – Speed
16. Normalization
17. Basic Knowledge – Derivative
18. Basic Knowledge – Chain Rule
19. Basic Knowledge – Matrix
20. Basic Knowledge – Python
21. Basic Knowledge – Numpy
คอรส์นี้เหมาะกับ
1. ผู้ที่ต้องการเข้าใจทฤษฎีเบื้องหลังจากทำงานของ Neural Network
2. ผู้ที่ต้องการเขียน code Neural Network ขึ้นมาเอง โดยไม่ใช้เครื่องมือสำเร็จรูปใด ๆ
3. ผู้ที่ต้องการนำความรู้ไปประยุกต์ใช้กับการทำงานจริง
4. ผู้ที่ต้องการพัฒนา AI ให้มีศักยภาพสูงขึ้นและตอบโจทย์ specific need ของงานตัวเอง (ใครที่มี pain point กับเครื่องมือสำเร็จรูปจะเข้าใจดี)