Education

AI101 Introduction to Deep Learning: āđ€āļˆāļēāļ°āļĨāļķāļāđ€āļšāļ·āđ‰āļ­āļ‡āļŦāļĨāļąāļ‡āļ„āļ§āļēāļĄāļ‰āļĨāļēāļ”āļ‚āļ­āļ‡ AI

āđ‚āļ­āļāļēāļŠāļ”āļĩāļ‚āļ­āļ‡āļ„āļ™āļ—āļĩāđˆāļ•āđ‰āļ­āļ‡āļāļēāļĢāđ€āļ‚āđ‰āļēāđƒāļˆāļ—āļĩāđˆāļĄāļēāļ„āļ§āļēāļĄāļ‰āļĨāļēāļ”āļ‚āļ­āļ‡ AI, āļ„āļ™āļ—āļĩāđˆāļ­āļĒāļēāļāđ€āļ›āđ‡āļ™ Researcher āļ”āđ‰āļēāļ™ AI (āļ­āļĒāļēāļāļžāļąāļ’āļ™āļē AI āđƒāļŦāđ‰āļ‰āļĨāļēāļ”āļĄāļēāļāļ‚āļķāđ‰āļ™āļāļ§āđˆāļē AI āļ—āļĩāđˆāļĄāļĩāđƒāļ™āļ›āļąāļˆāļˆāļļāļšāļąāļ™) āđāļĨāļ°āļ„āļ™āļ—āļĩāđˆāļ­āļĒāļēāļāđ€āļ‚āļĩāļĒāļ™ Library āļ—āļēāļ‡ Deep Learning āļ‚āļķāđ‰āļ™āļĄāļēāđƒāļŠāđ‰āđ€āļ­āļ‡ āđ‚āļ”āļĒāđ€āļĢāļēāļˆāļ°āđ€āļĢāļĩāļĒāļ™āļ•āļąāđ‰āļ‡āđāļ•āđˆāļ—āļĪāļĐāļŽāļĩāļ„āļ“āļīāļ•āļĻāļēāļŠāļ•āļĢāđŒāđ€āļšāļ·āđ‰āļ­āļ‡āļŦāļĨāļąāļ‡āļ„āļ§āļēāļĄāļ‰āļĨāļēāļ”āļ‚āļ­āļ‡ AI āđāļĨāļ°āđ€āļ‚āļĩāļĒāļ™ Code āļ‚āļ­āļ‡ AI āļ‚āļķāđ‰āļ™āļĄāļēāđ€āļ­āļ‡āļˆāļēāļāļ—āļĪāļĐāļŽāļĩāļ„āļ“āļīāļ•āļĻāļēāļŠāļ•āļĢāđŒāļ—āļĩāđˆāđ€āļĢāļēāđ€āļĢāļĩāļĒāļ™ (āđ‚āļ”āļĒāđƒāļŠāđ‰ numpy, pandas, matplotlib) āļŠāļļāļ”āļ—āđ‰āļēāļĒ āđ€āļĢāļēāļˆāļ°āđ€āļ‚āļĩāļĒāļ™ Library āļ—āļēāļ‡ Deep Learning āļ‚āļķāđ‰āļ™āļĄāļēāđƒāļŠāđ‰āļ‡āļēāļ™āđ€āļ­āļ‡



āļ„āļ­āļĢāļŠāđŒāļ™āļĩāđ‰āđ€āļŦāļĄāļēāļ°āļāļąāļš

1. āļœāļđāđ‰āļ—āļĩāđˆāļ•āđ‰āļ­āļ‡āļāļēāļĢāđ€āļ‚āđ‰āļēāđƒāļˆāļ—āļĩāđˆāļĄāļēāļ„āļ§āļēāļĄāļ‰āļĨāļēāļ”āļ‚āļ­āAI 

2. āļœāļđāđ‰āļ—āļĩāđˆāļ•āđ‰āļ­āļ‡āļāļēāļĢāļŠāļĢāđ‰āļēāļ‡ Tensorflow (Library āļ—āļēāļ‡ Deep Learning) āļ‚āļķāđ‰āļ™āļĄāļēāđ€āļ­āļ‡

3. āļœāđ‰āļđāļ—āļĩāđˆāļ•āđ‰āļ­āļ‡āļāļēāļĢāļžāļąāļ’āļ™āļēāļ‡āļēāļ™āļ§āļīāļˆāļąāļĒāļ—āļēāļ‡āļ”āđ‰āļēāļ™ AI (āļžāļąāļ’āļ™āļēāļ„āļ­āļĄāļžāļīāļ§āđ€āļ•āļ­āļĢāđŒāđƒāļŦāđ‰āļĄāļĩāļ„āļ§āļēāļĄāļ‰āļĨāļēāļ”āļĄāļēāļāļ‚āļķāđ‰āļ™)


Warning 

1. āļ„āļ­āļĢāđŒāļŠāļ™āļĩāđ‰āđ€āļ›āđ‡āļ™āļ„āļ­āļĢāđŒāļŠāđ€āļĢāļĩāļĒāļ™āļ„āļ“āļīāļ•āļĻāļēāļŠāļ•āļĢāđŒāđāļĨāļ°āđ‚āļ›āļĢāđāļāļĢāļĄāļĄāļīāđˆāļ‡ āļ–āđ‰āļēāļ„āļļāļ“āđ„āļĄāđˆāļ•āđ‰āļ­āļ‡āļāļēāļĢāđ€āļĢāļĩāļĒāļ™āļĢāļđāđ‰āļ„āļ“āļīāļ•āļĻāļēāļŠāļ•āļĢāđŒāļŦāļĢāļ·āļ­āđ‚āļ›āļĢāđāļāļĢāļĄāļĄāļīāđˆāļ‡

 *āļ„āļ­āļĢāđŒāļŠāļ™āļĩāđ‰āđ„āļĄāđˆāđ€āļŦāļĄāļēāļ°āļāļąāļšāļ„āļļāļ“*

2. āļ„āļ§āļēāļĄāļ‰āļĨāļēāļ”āļ‚āļ­āļ‡ AI āđ€āļāļīāļ”āļ‚āļķāđ‰āļ™āļˆāļēāļāļ—āļĪāļĐāļŽāļĩāļ—āļēāļ‡āļ„āļ“āļīāļ•āļĻāļēāļŠāļ•āļĢāđŒ āļ–āđ‰āļēāļ„āļļāļ“āđ„āļĄāđˆāļ•āđ‰āļ­āļ‡āļāļēāļĢāđ€āļ‚āđ‰āļēāđƒāļˆāļ—āļĩāđˆāļĄāļēāļ„āļ§āļēāļĄāļ‰āļĨāļēāļ”āļ‚āļ­āļ‡ AI 

*āļ„āļ­āļĢāđŒāļŠāļ™āļĩāđ‰āđ„āļĄāđˆāđ€āļŦāļĄāļēāļ°āļāļąāļšāļ„āļļāļ“*

3. āļ—āļļāļāļŠāļąāļ›āļ”āļēāļŦāđŒāđ€āļĢāļēāļˆāļ°āđ€āļ‚āļĩāļĒāļ™ code AI āļ‚āļķāđ‰āļ™āļĄāļēāđ€āļ­āļ‡ 3 project āļ–āđ‰āļēāļ„āļļāļ“āļ­āļĒāļēāļāļŠāļĢāđ‰āļēāļ‡ AI āđ‚āļ”āļĒāļ„āļĨāļīāļāđāļ„āđˆāđ„āļĄāđˆāļāļĩāđˆāļ„āļĢāļąāđ‰āļ‡ *āļ„āļ­āļĢāđŒāļŠāļ™āļĩāđ‰āđ„āļĄāđˆāđ€āļŦāļĄāļēāļ°āļāļąāļšāļ„āļļāļ“*


AGENDA 6 WEEKS  (āđ‚āļ”āļĒāđ€āļĢāļēāļˆāļ°āđ€āļĢāļĩāļĒāļ™ āļ—āļļāļ āļ§āļąāļ™āđ€āļŠāļēāļĢāđŒ āļ‚āļ­āļ‡āđ€āļ”āļ·āļ­āļ™)


Week

Content

Week 1 āļ„āļĢāļķāđˆāļ‡āđ€āļŠāđ‰āļē

(11/05/19)

1. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš AI


2. āļ•āļąāļ§āļ­āļĒāđˆāļēāļ‡āļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™ AI āđƒāļ™āļ›āļąāļˆāļˆāļļāļšāļąāļ™


3. Idea āđƒāļ™āļāļēāļĢāļŠāļĢāđ‰āļēāļ‡ AI āļ„āļ·āļ­āļ­āļ°āđ„āļĢ ?


4. Computer āļ‰āļĨāļēāļ”āđ„āļ”āđ‰āļ­āļĒāđˆāļēāļ‡āđ„āļĢ ?


5. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš Linear Regression


6. State Data, Modeling, Prediction


7. āđ€āļšāļ·āđ‰āļ­āļ‡āļŦāļĨāļąāļ‡āļ„āļ§āļēāļĄāļ‰āļĨāļēāļ”āļ‚āļ­āļ‡ Linear Regression āđāļšāļš Local


8. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš Error Function āļ‚āļ­āļ‡ Regression


9. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļšāļ§āļīāļ˜āļĩāļāļēāļĢāļ›āļĢāļąāļš Weight āļ”āđ‰āļ§āļĒ Gradient Descent


10. āļ§āļīāļ˜āļĩāļāļēāļĢāļŦāļē a, b āļ‚āļ­āļ‡ Linear Regression āđāļšāļš Local


11. āđ€āļ‚āļĩāļĒāļ™ Code Linear Regression āđāļšāļš Local

Week 1 āļ„āļĢāļķāđˆāļ‡āļšāđˆāļēāļĒ

(11/05/19)

1. āđ€āļšāļ·āđ‰āļ­āļ‡āļŦāļĨāļąāļ‡āļ„āļ§āļēāļĄāļ‰āļĨāļēāļ”āļ‚āļ­āļ‡ Linear Regression āđāļšāļš Global


2. āļ§āļīāļ˜āļĩāļāļēāļĢāļŦāļē a, b āļ‚āļ­āļ‡ Linear Regression āđāļšāļš Global


3. āđ€āļ‚āļĩāļĒāļ™ Code Linear Regression āđāļšāļš Global


4. āļāļēāļĢāļŦāļēāļ„āđˆāļēāļŠāļŦāļŠāļąāļĄāļžāļąāļ™āļ˜āđŒ (r)


5. āđ€āļ‚āļĩāļĒāļ™ Code āļŦāļēāļ„āđˆāļēāļŠāļŦāļŠāļąāļĄāļžāļąāļ™āļ˜āđŒ


6. āļāļēāļĢāđƒāļŠāđ‰ Linear Regression āļāļąāļšāļ‚āđ‰āļ­āļĄāļđāļĨāļ—āļĩāđˆāđ€āļ›āđ‡āļ™ Nonlinear


7. āđ€āļĢāļēāđƒāļŠāđ‰ Linear Regression āđ€āļĄāļĩāđˆāļ­āđ„āļŦāļĢāđˆ ?


8. āļ•āļąāļ§āļ­āļĒāđˆāļēāļ‡āļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™ Linear Regression āļāļąāļšāļ‚āđ‰āļ­āļĄāļđāļĨāļ—āļĩāđˆāđ€āļ›āđ‡āļ™ Linear


9. āļ•āļąāļ§āļ­āļĒāđˆāļēāļ‡āļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™ Linear Regression āļāļąāļšāļ‚āđ‰āļ­āļĄāļđāļĨāļ—āļĩāđˆāđ€āļ›āđ‡āļ™ Nonlinear

Week 2 āļ„āļĢāļķāđˆāļ‡āđ€āļŠāđ‰āļē

(18/05/19)

1. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš Multiple Regression


2. State Data, Modeling, Prediction


3. āđ€āļšāļ·āđ‰āļ­āļ‡āļŦāļĨāļąāļ‡āļ„āļ§āļēāļĄāļ‰āļĨāļēāļ”āļ‚āļ­āļ‡ Multiple Regression āđāļšāļš Global


4. āļ§āļīāļ˜āļĩāļāļēāļĢāļŦāļē W āļ‚āļ­āļ‡ Multiple Regression āđāļšāļš Global


5. āđ€āļ‚āļĩāļĒāļ™ Code Multiple Regression āđāļšāļš Global


6. āđ€āļĢāļēāđƒāļŠāđ‰ Multiple Regression āđ€āļĄāļ·āđˆāļ­āđ„āļŦāļĢāđˆ ?


6. āļ•āļąāļ§āļ­āļĒāđˆāļēāļ‡āļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™ Multiple Regression āļ”āđ‰āļ§āļĒāļ§āļīāļ˜āļĩ Global

Week 2 āļ„āļĢāļķāđˆāļ‡āļšāđˆāļēāļĒ

(18/05/19)

1. āđ€āļšāļ·āđ‰āļ­āļ‡āļŦāļĨāļąāļ‡āļ„āļ§āļēāļĄāļ‰āļĨāļēāļ”āļ‚āļ­āļ‡ Multiple Regression āđāļšāļš Local


2. āļ§āļīāļ˜āļĩāļāļēāļĢāļŦāļē W āļ‚āļ­āļ‡ Multiple Regression āđāļšāļš Local


3. āđ€āļ‚āļĩāļĒāļ™ Code Multiple Regression āđāļšāļš Local


4. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš Normalization


5. āđ€āļ‚āļĩāļĒāļ™ Code Normalization


6. āđ€āļĢāļēāđƒāļŠāđ‰ Multiple Regression āđāļšāļš Local āđ€āļĄāļ·āđˆāļ­āđ„āļŦāļĢāđˆ ?


7. āļ•āļąāļ§āļ­āļĒāđˆāļēāļ‡āļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™ Multiple Regression āļ”āđ‰āļ§āļĒāļ§āļīāļ˜āļĩ Local

Week 3 āļ„āļĢāļķāđˆāļ‡āđ€āļŠāđ‰āļē

(01/06/19)

1. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš Logistic Regression


2. State Data, Modeling, Prediction


3. āđ€āļšāļ·āđ‰āļ­āļ‡āļŦāļĨāļąāļ‡āļ„āļ§āļēāļĄāļ‰āļĨāļēāļ”āļ‚āļ­āļ‡ Logistic Regression āļŠāļģāļŦāļĢāļąāļš Binary Classification


4. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš Error Function āļ‚āļ­āļ‡ Classification


5. āļ§āļīāļ˜āļĩāļāļēāļĢāļŦāļē W āļ‚āļ­āļ‡ Logistic Regression āļŠāļģāļŦāļĢāļąāļš Binary Classification


6. āđ€āļ‚āļĩāļĒāļ™ Code Logistic Regression āļŠāļģāļŦāļĢāļąāļš Binary Classification


7. āđ€āļĢāļēāđƒāļŠāđ‰ Logistic Regression āļŠāļģāļŦāļĢāļąāļš Binary Classification āđ€āļĄāļ·āđˆāļ­āđ„āļŦāļĢāđˆ ?


8. āļ•āļąāļ§āļ­āļĒāđˆāļēāļ‡āļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™ Logistic Regression āļŠāļģāļŦāļĢāļąāļš Binary Classification

Week 3 āļ„āļĢāļķāđˆāļ‡āļšāđˆāļēāļĒ

(01/06/19)

1. āđ€āļšāļ·āđ‰āļ­āļ‡āļŦāļĨāļąāļ‡āļ„āļ§āļēāļĄāļ‰āļĨāļēāļ”āļ‚āļ­āļ‡ Logistic Regression āļŠāļģāļŦāļĢāļąāļš Multiclass Classification


2. āļ§āļīāļ˜āļĩāļāļēāļĢāļŦāļē W āļ‚āļ­āļ‡ Logistic Regression āļŠāļģāļŦāļĢāļąāļš Multiclass Classification


3. āđ€āļ‚āļĩāļĒāļ™ Code Logistic Regression āļŠāļģāļŦāļĢāļąāļš Multiclass Classification


4. āđ€āļĢāļēāđƒāļŠāđ‰ Logistic Regression āļŠāļģāļŦāļĢāļąāļš Multiclass Classification āđ€āļĄāļ·āđˆāļ­āđ„āļŦāļĢāđˆ ?


5. āļ•āļąāļ§āļ­āļĒāđˆāļēāļ‡āļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™ Logistic Regression āļŠāļģāļŦāļĢāļąāļš Multiclass Classification

Week 4 āļ„āļĢāļķāđˆāļ‡āđ€āļŠāđ‰āļē

(08/06/19)

1. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš Neural Network āļŠāļģāļŦāļĢāļąāļš Regression


2. State Data, Modeling, Prediction


3. āđ€āļšāļ·āđ‰āļ­āļ‡āļŦāļĨāļąāļ‡āļ„āļ§āļēāļĄāļ‰āļĨāļēāļ”āļ‚āļ­āļ‡ Neural Network āļŠāļģāļŦāļĢāļąāļš Regression


4. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļ Activation Function


5. āļ–āđ‰āļēāđ„āļĄāđˆāļĄāļĩ Activation Function āļˆāļ°āđ€āļāļīāļ”āļ­āļ°āđ„āļĢāļ‚āļķāđ‰āļ™ ?


6. āļ­āļ˜āļīāļšāļēāļĒāđ€āļŦāļ•āļļāļœāļĨāļ—āļĩāđˆ Neural Network āđ„āļĄāđˆāļŠāļēāļĄāļēāļĢāļ–āļŦāļē Weight āđāļšāļš Global āđ„āļ”āđ‰

Week 4 āļ„āļĢāļķāđˆāļ‡āļšāđˆāļēāļĒ

(08/06/19)

1. āļ§āļīāļ˜āļĩāļāļēāļĢāļŦāļē W āļ‚āļ­āļ‡ Neural Network āļŠāļģāļŦāļĢāļąāļš Regression


2. āđ€āļ‚āļĩāļĒāļ™ Code Neural Network āļŠāļģāļŦāļĢāļąāļš Regression


3. āđ€āļĢāļēāđƒāļŠāđ‰ Neural Network āļŠāļģāļŦāļĢāļąāļš Regression āđ€āļĄāļ·āđˆāļ­āđ„āļŦāļĢāđˆ ?


4. āļ•āļąāļ§āļ­āļĒāđˆāļēāļ‡āļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™ Neural Network āļŠāļģāļŦāļĢāļąāļš Regression

Week 5 āļ„āļĢāļķāđˆāļ‡āđ€āļŠāđ‰āļē

(15/06/19)

1. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš Neural Network āļŠāļģāļŦāļĢāļąāļš Classification


2. State Data, Modeling, Prediction


3. āđ€āļšāļ·āđ‰āļ­āļ‡āļŦāļĨāļąāļ‡āļ„āļ§āļēāļĄāļ‰āļĨāļēāļ”āļ‚āļ­āļ‡ Neural Network āļŠāļģāļŦāļĢāļąāļš Classification


4. āļ§āļīāļ˜āļĩāļāļēāļĢāļŦāļē W āļ‚āļ­āļ‡ Neural Network āļŠāļģāļŦāļĢāļąāļš Classification


5. āđ€āļ‚āļĩāļĒāļ™ Code Neural Network āļŠāļģāļŦāļĢāļąāļš Classification


6. āđ€āļĢāļēāđƒāļŠāđ‰ Neural Network āļŠāļģāļŦāļĢāļąāļš Classification āđ€āļĄāļ·āđˆāļ­āđ„āļŦāļĢāđˆ ?


7. āļ•āļąāļ§āļ­āļĒāđˆāļēāļ‡āļāļēāļĢāđƒāļŠāđ‰āļ‡āļēāļ™ Neural Network āļŠāļģāļŦāļĢāļąāļš Classification

Week 5 āļ„āļĢāļķāđˆāļ‡āļšāđˆāļēāļĒ

(15/06/19)

1. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš Ridge Regression


2. āđ€āļ‚āļĩāļĒāļ™ Code āđ€āļžāļīāđˆāļĄāļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļžāđ‚āļĄāđ€āļ”āļĨ āļ”āđ‰āļ§āļĒ Ridge Regression


3. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš Lasso  Regression


4. āđ€āļ‚āļĩāļĒāļ™ Code āđ€āļžāļīāđˆāļĄāļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļžāđ‚āļĄāđ€āļ”āļĨ āļ”āđ‰āļ§āļĒ Lasso Regression


5. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš Elastic Net


6. āđ€āļ‚āļĩāļĒāļ™ Code āđ€āļžāļīāđˆāļĄāļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļžāđ‚āļĄāđ€āļ”āļĨ āļ”āđ‰āļ§āļĒ Elastic Net


7. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš Dropout Regularization


8. āđ€āļ‚āļĩāļĒāļ™ Code āđ€āļžāļīāđˆāļĄāļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļžāđ‚āļĄāđ€āļ”āļĨ āļ”āđ‰āļ§āļĒ Dropout Regularization

Week 6 āļ„āļĢāļķāđˆāļ‡āđ€āļŠāđ‰āļē

(22/06/19)

1. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš Stochastic Gradient Descent


2. āđ€āļ‚āļĩāļĒāļ™ Code āđ€āļžāļīāđˆāļĄāļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļžāđ‚āļĄāđ€āļ”āļĨ āļ”āđ‰āļ§āļĒ Stochastic Gradient Descent


3. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš Batch Gradient Descent


4. āđ€āļ‚āļĩāļĒāļ™ Code āđ€āļžāļīāđˆāļĄāļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļžāđ‚āļĄāđ€āļ”āļĨāļ”āđ‰āļ§āļĒ Batch Gradient Descent


5. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš Mini Batch Gradient Descent


6. āđ€āļ‚āļĩāļĒāļ™ Code āđ€āļžāļīāđˆāļĄāļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļžāđ‚āļĄāđ€āļ”āļĨāļ”āđ‰āļ§āļĒ Mini Batch Gradient Descent

Week 6 āļ„āļĢāļķāđˆāļ‡āļšāđˆāļēāļĒ

(22/06/19)

1. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš Momentum


2. āđ€āļ‚āļĩāļĒāļ™ Code āđ€āļžāļīāđˆāļĄāļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļžāđ‚āļĄāđ€āļ”āļĨ āļ”āđ‰āļ§āļĒ Momentum


3. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš RMSProp


4. āđ€āļ‚āļĩāļĒāļ™ Code āđ€āļžāļīāđˆāļĄāļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļžāđ‚āļĄāđ€āļ”āļĨ āļ”āđ‰āļ§āļĒ RMSProp


5. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš AdaGrad


6. āđ€āļ‚āļĩāļĒāļ™ Code āđ€āļžāļīāđˆāļĄāļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļžāđ‚āļĄāđ€āļ”āļĨ āļ”āđ‰āļ§āļĒ AdaGrad


7. āļ—āļģāļ„āļ§āļēāļĄāļĢāļđāđ‰āļˆāļąāļāļāļąāļš Adam


8. āđ€āļ‚āļĩāļĒāļ™ Code āđ€āļžāļīāđˆāļĄāļ›āļĢāļ°āļŠāļīāļ—āļ˜āļīāļ āļēāļžāđ‚āļĄāđ€āļ”āļĨ āļ”āđ‰āļ§āļĒ Adam





** āļŠāļīāđˆāļ‡āļ—āļĩāđˆāļœāļđāđ‰āđ€āļĢāļĩāļĒāļ™āļ•āđ‰āļ­āļ‡āđ€āļ•āļĢāļĩāļĒāļĄāļĄāļē 

Notebook āļ—āļĩāđˆāļĨāļ‡āđ‚āļ›āļĢāđāļāļĢāļĄ Anaconda (Python version 3.6) āđāļĨāļ°āđ€āļ•āļĢāļĩāļĒāļĄāđƒāļˆāđƒāļŦāđ‰āļžāļĢāđ‰āļ­āļĄ āļ„āļīāļ”āđ„āļ§āđ‰āđ€āļĨāļĒāļ§āđˆāļēāļŦāļ™āļąāļāđāļ™āđˆāļ™āļ­āļ™

āļ›āļĢāļ°āļ§āļąāļ•āļīāļœāļđāđ‰āļŠāļ­āļ™

āļ­āļēāļˆāļēāļĢāļĒāđŒāļ†āļĪāļ“ āļŠāļīāļ™āļ›āļĢāļ°āļŠāļēāļ—āļĻāļąāļāļ”āļīāđŒ āļ­āļēāļˆāļēāļĢāļĒāđŒāļŠāļ­āļ™āļ„āļ­āļĢāđŒāļŠ AI Fundamental Bootcamp (āļ„āļ­āļĢāđŒāļŠāļŦāļĨāļąāļ) āļ‚āļ­āļ‡āļŠāļĄāļēāļ„āļĄāđ‚āļ›āļĢāđāļāļĢāļĄāđ€āļĄāļ­āļĢāđŒāđāļŦāđˆāļ‡āļ›āļĢāļ°āđ€āļ—āļĻāđ„āļ—āļĒ āļ™āļąāļāļ§āļīāļˆāļąāļĒāļ§āļīāļˆāļąāļĒāđ€āļ‰āļžāļēāļ°āļ—āļēāļ‡āļ”āđ‰āļēāļ™āļžāļĒāļēāļāļĢāļ“āđŒāļĢāļēāļ„āļēāļŦāļļāđ‰āļ™āđāļĨāļ°āļ­āļąāļ•āļĢāļēāđāļĨāļāđ€āļ›āļĨāļĩāđˆāļĒāļ™āļ„āđˆāļēāđ€āļ‡āļīāļ™āļ”āđ‰āļ§āļĒ AI āđāļĨāļ°āļ—āļĩāđˆāļ›āļĢāļķāļāļĐāļēāļ”āđ‰āļēāļ™ AI āđƒāļŦāđ‰āļāļąāļšāļšāļĢāļīāļĐāļąāļ—āđ€āļ­āļāļŠāļ™ āļ•āļąāļ§āđāļ—āļ™āļ›āļĢāļ°āđ€āļ—āļĻāđ„āļ—āļĒāđ€āļžāļĩāļĒāļ‡āļ„āļ™āđ€āļ”āļĩāļĒāļ§āļ—āļĩāđˆāđ€āļ›āđ‡āļ™Speaker āļ‡āļēāļ™āļ›āļĢāļ°āļŠāļļāļĄāļ„āļ“āļīāļ•āļĻāļēāļŠāļ•āļĢāđŒāļĢāļ°āļ”āļąāļšāļ™āļēāļ™āļēāļŠāļēāļ•āļī āđƒāļ™āļŦāļąāļ§āļ‚āđ‰āļ­"āļāļēāļĢāļŠāļĢāđ‰āļēāļ‡āđ‚āļĄāđ€āļ”āļĨāļ„āļ“āļīāļ•āļĻāļēāļŠāļ•āļĢāđŒāļŠāļģāļŦāļĢāļąāļšāļāļēāļĢāļžāļĒāļēāļāļĢāļ“āđŒ"



āļ­āļēāļˆāļēāļĢāļĒāđŒāļ†āļĪāļ“ āļŠāļīāļ™āļ›āļĢāļ°āļŠāļēāļ—āļĻāļąāļāļ”āļīāđŒ


āļāļēāļĢāļŠāļģāļĢāļ°āđ€āļ‡āļīāļ™


āļ§āļīāļ˜āļĩāļāļēāļĢāļŠāļĄāļąāļ„āļĢāđ€āļžāļĩāļĒāļ‡āđāļ„āđˆāļāļ”āļ›āļļāđˆāļĄ Apply āļ—āļĩāđˆāļ”āđ‰āļēāļ™āļĨāđˆāļēāļ‡āđ„āļ”āđ‰āđ€āļĨāļĒ

āļžāļīāđ€āļĻāļĐāļŠāļļāļ”!! āļĢāļēāļ„āļēāđ€āļ•āđ‡āļĄ 15,000 āđāļ•āđˆāļ–āđ‰āļēāļŠāļĄāļąāļ„āļĢāđāļĨāļ°āļŠāļģāļĢāļ°āđ€āļ‡āļīāļ™āļāđˆāļ­āļ™āļ§āļąāļ™āļ—āļĩāđˆ 15 āđ€āļĄāļĐāļēāļĒāļ™ 2562 āļˆāļ°āđ„āļ”āđ‰āļĢāļēāļ„āļē 12,000  ðŸŽ‰ðŸŽŠðŸŽ‰

Sponsor  āļˆāđˆāļēāļĒāđ€āļ•āđ‡āļĄāļ—āļąāļ™āļ—āļĩ āļˆāļģāļ™āļ§āļ™ 12,000 āļšāļēāļ—

āļŠāļģāļĢāļ°āđ€āļ‡āļīāļ™āđ„āļ”āđ‰āļ—āļĩāđˆ āđ€āļĨāļ‚āļšāļąāļāļŠāļĩ : 738-2-9555-14  āļ˜āļ™āļēāļ„āļēāļĢāļāļŠāļīāļāļĢāđ„āļ—āļĒ

āļŠāļ·āđˆāļ­āļšāļąāļāļŠāļĩ : āļ†āļĪāļ“ āļŠāļīāļ™āļ›āļĢāļ°āļŠāļēāļ—āļĻāļąāļāļ”āļīāđŒ

Venue

Date: Saturday, 11 May - 22 June , 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 āđ€āļžāļŠāļĢāļšāļļāļĢāļĩ āļ—āļēāļ‡āļ­āļ­āļāļ—āļĩāđˆ 1, Airport Link āļŠāļ–āļēāļ™āļĩāļĄāļąāļāļāļ°āļŠāļąāļ™
āļŦāļĢāļ·āļ­ āļĢāļ–āļĒāļ™āļ•āđŒāļŠāđˆāļ§āļ™āļ•āļąāļ§āļŠāļēāļĄāļēāļĢāļ–āļ™āļģāļĢāļ–āļĄāļēāļˆāļ­āļ”āđ„āļ”āđ‰āļ—āļĩāđˆāļ•āļķāļ Thai Summit Tower 


āļŠāļ­āļšāļ–āļēāļĄāļĢāļēāļĒāļĨāļ°āđ€āļ­āļĩāļĒāļ”āđ€āļžāļīāđˆāļĄāđ€āļ•āļīāļĄāļ—āļēāļ‡

  • Email: krin.chinprasatsak@gmail.com
  • Call: 086-524-4463 (āļ„āļĢāļīāļ™)


Sponsors

         





deep learning, data science, bigdata, programming, ai

Event Application

This event requires you to fill out an application form designed to create better experience for every participants. Please kindly fill out the form and wait for the application to be processed your application. After it has been processed, you will get a link in your email to purchase / get the ticket(s).

āļĨāļ‡āļ—āļ°āđ€āļšāļĩāļĒāļ™ AI101 Introduction to Deep Learning

āļĨāļ‡āļ—āļ°āđ€āļšāļĩāļĒāļ™āļāļ” Apply

Tickets

No Tickets Available

T
Organize by
TAUTOLOGY