Education

AI102 Machine Learning

3a2e8ff75fcdd53c2687a011e03ee51b09585563
AI102 Machine Learning

โอกาสดีของคนที่ต้องการเข้าใจแก่นแท้การทำงานของ Machine Learning แต่ละตัว, คนที่อยากเป็น Researcher ด้าน Machine Learning (อยากพัฒนา Machine Learning ให้ดีขึ้นกว่าที่มีในปัจจุบัน) และคนที่อยากเขียน Library ทาง Machine Learning ขึ้นมาใช้งานเอง โดยในคอร์สนี้ เราจะเรียนตั้งแต่ทฤษฎีทางคณิตศาสตร์ที่เป็นเบื้องหลังการทำงานของ Machine Learning และ เขียน Code Machine Learning ขึ้นมาใช้งานเองจากทฤษฎีคณิตศาสตร์ที่เราเรียน สุดท้ายเราจะนำ Code ที่เราเขียนขึ้นมาไปแก้ปัญหาต่าง ๆ ที่เป็น use case ในชีวิตจริง




คอรส์นี้เหมาะกับ

1. ผู้ที่ต้องการเข้าใจเบื้องหลังจากทำงานของ Machine Learning

2. ผู้ที่ต้องการสร้าง Scikit-Learn (Library ทาง Machine Learning) ขึ้นมาเอง

3. ผู้ที่ต้องการสร้าง Machine Learning ใหม่ ๆ ให้ดีกว่าที่เคยมีมา



Week

Content

Week 1 ครึ่งเช้า

(04/08/19)

1. ทำความรู้จัก AI


2. ตัวอย่างการใช้งาน AI ในปัจจุบัน


3. Concept ในการสร้าง AI


4. Computer ฉลาดได้อย่างไร ?


5. ทำความรู้จัก K Nearest Neighbor สำหรับ Classification


6. State Data, Model, Prediction


7. เบื้องหลังความฉลาดของ K Nearest Neighbor สำหรับ Classification


8. ทำความรู้จัก Distance Function


9. แบบฝึกหัด - คำนวณวิธีสร้าง K Nearest Neighbor สำหรับ Classification บนกระดาษ


10. เขียน Code K Nearest Neighbor สำหรับ Classification from Scratch


11. ตัวอย่างการใช้งาน K Nearest Neighbor สำหรับ Classification

Week 1 ครึ่งบ่าย

(04/08/19)

1. ทำความรู้จัก K Nearest Neighbor สำหรับ Regression


2. State Data, Model, Prediction


3. เบื้องหลังความฉลาดของ K Nearest Neighbor สำหรับ Regression


4. แบบฝึกหัด - คำนวณวิธีสร้าง K Nearest Neighbor สำหรับ Regression บนกระดาษ


5. เขียน Code K Nearest Neighbor สำหรับ Regression from Scratch


6. ตัวอย่างการใช้งาน K Nearest Neighbor สำหรับ Regression


7. ทำความรู้จัก One Hot Encoder


8. เขียน Code แปลง Feature แบบ Categorical ให้เป็น One Hot Encoder


9. ตัวอย่างการใช้งาน K Nearest Neighbor กับข้อมูลที่อยู่ในรูปแบบ One Hot Encoder

Week 2 ครึ่งเช้า

(11/08/19)

1. ทำความรู้จัก Naive Bayes กับข้อมูลแบบ Categorical Data


2. State Data, Model, Prediction


3. เบื้องหลังความฉลาดของ Naive Bayes กับข้อมูลแบบ Categorical Data


4. เรียนรู้วิธีการหาความน่าจะเป็นของ Categorical Data ด้วย Bayes’ Theorem  


5. แบบฝึกหัด - คำนวณวิธีสร้าง Naive Bayes กับข้อมูลแบบ Categorical Data บนกระดาษ


6. เขียน Code Naive Bayes กับข้อมูลแบบ Categorical Data from Scratch


7. ตัวอย่างการใช้งาน Naive Bayes กับข้อมูลแบบ Categorical Data

Week 2 ครึ่งบ่าย

(11/08/19)

1. ทำความรู้จัก Naive Bayes กับข้อมูลแบบ Numerical Data


2. State Data, Model, Prediction


3. เบื้องหลังความฉลาดของ Naive Bayes กับข้อมูลแบบ Numerical Data


4. เรียนรู้วิธีทดสอบการกระจายตัวของข้อมูล


5. ทำความรู้จักกับ Probability Density Function ต่าง ๆ


6. แบบฝึกหัด - คำนวณวิธีสร้าง Naive Bayes กับข้อมูลแบบ Numerical Data บนกระดาษ


7. เขียน Code Naive Bayes กับข้อมูลแบบ Numerical Data from Scratch


8. ตัวอย่างการใช้งาน Naive Bayes กับข้อมูลแบบ Numerical Data

Week 3 ครึ่งเช้า

(18/08/19)

1. ทำความรู้จัก Decision Tree


2. State Data, Model, Prediction


3. เบื้องหลังความฉลาดของ Decision Tree


4. ทำความรู้จัก Gini Impurity


5. แบบฝึกหัด - คำนวณวิธีสร้าง Decision Tree บนกระดาษ

Week 3 ครึ่งบ่าย

(18/08/19)

1. เขียน Code Decision Tree from Scratch


2. ตัวอย่างการใช้งาน Decision Tree


3. ทำความรู้จัก Random Forest


4. เขียน Code สร้าง Random Forest from Scratch


5. ตัวอย่างการใช้งาน Random Forest

Week 4 ครึ่งเช้า

(25/08/19)

1. ทำความรู้จัก Multivariable Polynomial Regression


2. State Data, Model, Prediction


3. เบื้องหลังความฉลาดของ Multivariable Polynomial Regression


4. ทำความรู้จัก Taylor Series


5. อธิบายหลักการสร้าง Feature ด้วย Stars and Bars (Combinatorics)


6. แบบฝึกหัด - คำนวณวิธีสร้าง Multivariable Polynomial Regression บนกระดาษ

Week 4 ครึ่งบ่าย

(25/08/19)

1. เขียน Code Multivariable Polynomial Regression from Scratch


2. ตัวอย่างการใช้งาน Multivariable Polynomial Regression


3. ทำความรู้จัก Support Vector Machine


4. การดำเนินการพื้นฐานของเวกเตอร์


5. เวกเตอร์ที่ตั้งฉากกับพื้นผิว

Week 5 ครึ่งเช้า

(01/09/19)

1. เบื้องหลังความฉลาดของ Support Vector Machine


2. ทำความรู้จัก Lagrange Multiplier


3. แบบฝึกหัด - คำนวณ Lagrange Multiplier บนกระดาษ


4. ทำความรู้จัก Nonlinear Programming


5. อธิบาย Karush-Kuhn-Tucker Condition (KKT)

Week 5 ครึ่งบ่าย

(01/09/19)

1. ทำความรู้จัก Soft/Hard Margin


2. ทำความรู้จัก Sequential Minimal Optimization


3. แบบฝึกหัด - คำนวณ Sequential Minimal Optimization บนกระดาษ

Week 6 ครึ่งเช้า

(08/09/19)

1. เขียน Code Lagrangian from Scratch


2. เขียน Code Sequential Minimal Optimization from Scratch


3. เขียน Code Support Vector Machine from Scratch


4. ตัวอย่างการใช้งาน Support Vector Machine

Week 6 ครึ่งบ่าย

(08/09/19)

1. สรุปภาพรวมของเนื้อหาที่เรียนตลอดคอร์ส


2. นำ Code ทั้งหมดที่เขียนในคอร์สมารวมเป็น Library


3. อธิบายการใช้งาน Library พร้อมตัวอย่าง



** สิ่งที่ผู้เรียนต้องเตรียมมา 

Notebook ที่ลงโปรแกรม Anaconda (Python version 3.6) และเตรียมใจให้พร้อม คิดไว้เลยว่าหนักแน่นอน

ประวัติผู้สอน

อาจารย์สอน AI ทาง Fundamental และ Coding from Scratch นักวิจัยเฉพาะทางด้านพยากรณ์ราคาหุ้นและอัตราแลกเปลี่ยนค่าเงินด้วย AI และ ที่ปรึกษาด้าน AI ให้กับบริษัทเอกชนชั้นนำ



อาจารย์ฆฤณ ชินประสาทศักดิ์


การชำระเงิน


วิธีการสมัครเพียงแค่กดปุ่ม Apply ที่ด้านล่างได้เลย

- ราคาคอร์ส 15,000 บาท

ชำระเงินได้ที่ เลขบัญชี : 738-2-9555-14  ธนาคารกสิกรไทย

ชื่อบัญชี : ฆฤณ ชินประสาทศักดิ์

Venue

Date: Sunday, 4 Aug - 8 Sep , 2019 (6 days)
Time: 9:00 a.m. - 17:00 p.m.
Location: Thai Summit Tower, IT Floor
(Google Maps: https://goo.gl/maps/eQ2dQCgaDpL2)
MRT เพชรบุรี ทางออกที่ 1, Airport Link สถานีมักกะสัน
หรือ รถยนต์ส่วนตัวสามารถนำรถมาจอดได้ที่ตึก Thai Summit Tower 


สอบถามรายละเอียดเพิ่มเติมทาง

  • Email: krin.c@madebyai.io
  • Call: 086-524-4463 (คริน)


Sponsors

         


Application Form

ลงทะเบียน AI102 Machine Learning รอบวันเสาร์

ลงทะเบียนกด Apply (เต็ม!!)

Application Closed

AI102: Machine Learning รอบ วันอาทิตย์

เนื่องจากคอร์สวันเสาร์ ที่นั่งเต็มเเล้ว ทางเราเปิดเพิ่มอีกรอบ
สามารถลงทะเบียนกด Apply

Tickets

No Tickets Available

D407285ba81b7121c14be86194b85edd8876e90a
Organized by
TAUTOLOGY