โอกาสดีของคนที่ต้องการเข้าใจที่มาความฉลาดของ AI, คนที่อยากเป็น Researcher ด้าน AI (อยากพัฒนา AI ให้ฉลาดมากขึ้นกว่า AI ที่มีในปัจจุบัน) และคนที่อยากเขียน Library ทาง Deep Learning ขึ้นมาใช้เอง โดยเราจะเรียนตั้งแต่ทฤษฎีคณิตศาสตร์เบื้องหลังความฉลาดของ AI และเขียน Code ของ AI ขึ้นมาเองจากทฤษฎีคณิตศาสตร์ที่เราเรียน (โดยใช้ numpy, pandas, matplotlib) สุดท้าย เราจะเขียน Library ทาง Deep Learning ขึ้นมาใช้งานเอง
คอร์สนี้เหมาะกับ
1. ผู้ที่ต้องการเข้าใจที่มาความฉลาดของ AI
2. ผู้ที่ต้องการสร้าง Tensorflow (Library ทาง Deep Learning) ขึ้นมาเอง
3. ผู้ที่ต้องการพัฒนางาน AI ให้ฉลาดมากขึ้น (พัฒนาคอมพิวเตอร์ให้มีความฉลาดมากขึ้น)
รอบเรียน
วันเสาร์: 9 Nov, 16 Nov, 23 Nov, 7 Dec, 14 Dec , 21 Dec, 11 Jan, 18 Jan
วันอาทิตย์: 10 Nov, 17 Nov, 24 Nov, 8 Dec, 15 Dec , 22 Dec, 12 Jan, 19 Jan
Week | Content |
Week 1 ครึ่งเช้า
| - ทำความรู้จักกับ Deep Learning
- ตัวอย่างการใช้งาน Deep Learning ในปัจจุบัน
- Concept ในการสร้าง Deep Learning
- ทำความรู้จักกับ Multiple Regression
- Idea การสร้าง Multiple Regression แบบ Global
- วิธีการหา Weight ของ Multiple Regression แบบ Global
- Idea การสร้าง Multiple Regression แบบ Local
- ทำความรู้จักกับ Gradient Descent
- วิธีการหา Weight ของ Multiple Regression แบบ Local
|
Week 1 ครึ่งบ่าย
| - ทำความรู้จักกับ Logistic Regression
- Idea การสร้าง Logistic Regression
- วิธีการหา Weight ของ Logistic Regression แบบ Local
- ทำความรู้จักกับ Logistic Regression สำหรับ Multiclass
- Idea การสร้าง Logistic Regression สำหรับ Multiclass
- วิธีการหา Weight ของ Logistic Regression แบบ Multiclass
|
Week 2 ครึ่งเช้า
| - ทำความรู้จักกับทฤษฎีเบื้องหลังการทำงานของ Deep Learning
- State Data, Modeling, Prediction ของ Deep Learning
- ทำความรู้จักกับ Activation Function ต่าง ๆ
- วิธีการสร้าง Model Deep Learning
- แบบฝึกหัด - คำนวณวิธีการสร้าง Deep Learning บนกระดาษ
|
Week 2 ครึ่งบ่าย
| - เขียน Code Deep Learning from Scratch
- DL Workshop 1 - Stock Price Prediction
- DL Workshop 2 - Stock Trend Prediciton
|
Week 3 ครึ่งเช้า
| - เพิ่มประสิทธิภาพ Deep Learning ด้วย Ridge Regression
- เพิ่มประสิทธิภาพ Deep Learning ด้วย Lasso Regression
- เพิ่มประสิทธิภาพ Deep Learning ด้วย Elastic Net
- เพิ่มประสิทธิภาพ Deep Learning ด้วย Dropout Regularization
- เพิ่มประสิทธิภาพ Deep Learning ด้วย Momentum
- เพิ่มประสิทธิภาพ Deep Learning ด้วย RMSProp
- เพิ่มประสิทธิภาพ Deep Learning ด้วย AdaGrad
- เพิ่มประสิทธิภาพ Deep Learning ด้วย Adam
- เพิ่มความเร็วการเรียนรู้ ด้วย Batch Size
|
Week 3 ครึ่งบ่าย
| - ทำความรู้จักกับ Convolutional Neural Network
- State Data, Modeling, Prediction
- ทำความรู้จักกับ Convolution
- แบบฝึกหัด - ตัวอย่างการคำนวณ Convolution
- ทำความรู้จักกับ Layer ต่าง ๆ ของ Convolutional Neural Network
- แบบฝึกหัด - คำนวณวิธีการสร้าง Convolutional Neural Network บนกระดาษ
|
Week 4 ครึ่งเช้า
| - เขียน Code CNN from Scratch
- วิธีการเตรียมข้อมูลรูปภาพ เพื่อนำมาใช้ Train Model
- CNN Workshop 1 - Image Classification : CIFAR
|
Week 4 ครึ่งบ่าย
| - CNN Workshop 2 - Face Recognition
- CNN Workshop 3 - Image Classification : Student’s Image
|
Week 5 ครึ่งเช้า
| - Convolutional Neural Network สำหรับ Time Series
- วิธีการเตรียมข้อมูล Time Series เพื่อนำมาใช้ Train Model
- CNN for TS Workshop 1 - Time Series Prediction : Stock Trend Prediction
|
Week 5 ครึ่งบ่าย
| - CNN for TS Workshop 2 - Time Series Prediction : Student’s Time Series
- CNN for TS Workshop 3 - Time Series Prediciton : Student’s Time Series
|
Week 6 ครึ่งเช้า
| - ทำความรู้จักกับ Recurrent Neural Network
- State Data, Modeling, Prediction
- โครงสร้างรูปแบบต่าง ๆ ของ Recurrent Neural Network
- แบบฝึกหัด - คำนวณวิธีการสร้าง Recurrent Neural Network บนกระดาษ
- ทำความรู้จัก Truncated Backpropagation Through Time
|
Week 6 ครึ่งบ่าย
| - ทำความรู้จักกับ LSTM
- วิธีการทำงานของ LSTM
- แบบฝึกหัด - ตัวอย่างการคำนวณ LSTM
- ทำความรู้จักกับ GRUs
- วิธีการทำงานของ GRUs
- แบบฝึกหัด - ตัวอย่างการคำนวณ GRUs
|
Week 7 ครึ่งเช้า
| - เขียน Code RNN from Scratch
- RNN Workshop 1 - Stock Trend Prediction using Tx Time Step Feature
- RNN Workshop 2 - Stock Trend Prediction using Tx Time Step Feature และ Ty Time Step Target
|
Week 7 ครึ่งบ่าย
| - RNN Workshop 3 - Stock Price Prediction using Tx Time Step Feature
- RNN Workshop 4 - Stock Price Prediction using Tx Time Step Feature และ Ty Time Step Target
|
Week 8 ครึ่งเช้า
| - วิธีการเตรียมข้อมูลภาษา เพื่อนำมาใช้ Train Model
- RNN Workshop 5 - Sentimental Analysis ภาษาอังกฤษ
- RNN Workshop 6 - Sentimental Analysis ภาษาไทย
|
Week 8 ครึ่งบ่าย
| - สรุปเนื้อหาคอร์ส Deep Learning
|
** 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/สมัคร ที่ด้านล่างได้เลย
- ราคาคอร์ส 19,900 บาท
Venue
Date: 9 Nov 2019 - 18 Jan 2020 (8 days)
Time: 9:00 a.m. - 17:00 p.m.
Location: Sofinspace
(Google Maps: https://goo.gl/maps/o79V4sgswCKaEhNZA)
BTS สยาม, สยามสแควร์ ซอย 1, ชั้น 3
หรือ รถยนต์ส่วนตัวสามารถนำรถมาจอดได้ที่ตึกศูนย์หนังสือจุฬา (ชั่วโมงละ 10 บาท)
สอบถามรายละเอียดเพิ่มเติมทาง
- Email: krin.c@madebyai.io
- Call: 086-524-4463 (คริน)