Support Vector Machine

โมเดลคณิตศาสตร์ที่จำแนกประเภทของข้อมูลด้วยการสร้าง Hyperplane มาแบ่งกลุ่มของข้อมูลให้แยกขาดออกจากกัน (กลุ่มที่อยู่เหนือ Hyperplane จะถูกพิจารณาเป็น class 1 ส่วนกลุ่มที่อยู่ใต้ Hyperplane จะถูกพิจารณาเป็น class -1) ภารกิจที่เราต้องทำในที่นี้ก็คือ “หาสมการของ Hyperplane ที่เรากล่าวถึงข้างต้น”ยกตัวอย่างการจำแนกประเภทของข้อมูลเช่น I) การพยากรณ์ว่าพรุ่งนี้หุ้นจะขึ้นหรือจะลง II) การวิเคราะห์รูปภาพว่าเป็นหมาหรือแมว III) การวิเคราะห์รูปภาพตัวอักษรไทยว่าเป็นอักษรอะไร

ในคอร์สนี้เราจะมาเรียน
1. ทฤษฎีคณิตศาสตร์ที่ใช้ในการสร้าง Decision Tree (เรียนกันตั้งแต่ assumption ของ model)
2. เขียน Code สร้าง Decision Tree from Scratch (เริ่มเขียน code ตั้งแต่ต้นจากความว่างเปล่า)
3. ตัวอย่างการประยุกต์ใช้ Decision Tree ในชีวิตจริง

จุดเด่นของคอร์ส
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 : คอร์สนี้ยาก เหมาะกับผู้ที่มีพื้นคณิตศาสตร์มาดี ถ้าพื้นฐานแน่นพอสามารถศึกษาได้

Agenda Course (ความยาวคอร์ส 11 ชั่วโมง)

1. Introduction
2. ทำความรู้จักกับ Support Vector Machine
3. เบื้องหลังความฉลาดของ Support Vector Machine
4. การดำเนินการพื้นฐานของเวกเตอร์
5. เวกเตอร์ที่ตั้งฉากกับผิวสัมผัส
6. ทำความรู้จักกับ Lagrange Multiplier
7. เบื้องหลังความฉลาดของ Lagrange Multiplier
8. ตัวอย่างการคำนวณ Lagrange Multiplier บนกระดาษ
9. ทำความรู้จักกับ Karush Kuhn Tucker
10. เบื้องหลังความฉลาดของ Karush Kuhn Tucker
11. ตัวอย่างการคำนวณ Karush Kuhn Tuck บนกระดาษ
12. ทำความรู้จัก Soft/Hard Margin
13. ทำความรู้จักกับ Sequential Minimal Optimization
14. ตัวอย่างการคำนวณ Support Vector Machine บนกระดาษ
15. เขียน Code Support Vector Machine from Scratch
16. Ex1: Toy Dataset
17. Ex2: วิเคราะห์ผู้ป่วยโรคมะเร็งเต้านม

คอรส์นี้เหมาะกับ

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