Education

AI102 Machine Learning

01e20b256d968147d5df2f1e2896f41c142d942c
AI102 Machine Learning

Machine Learning ที่เราจะได้เรียนอย่างลึกซึ้งในคอร์สนี้ มีดังนี้

1. K Nearest Neighbor
2. Naive Bayes
3. Decision Tree
4. Random Forest
5. Lagrange Multipliers
6. Karush Kuhn Tucker
7. Support Vector Machine


ในคอร์สนี้เราจะมาเรียน

1. ทฤษฎีคณิตศาสตร์ที่ใช้ในการสร้าง Machine Learning (เรียนกันตั้งแต่ assumption ของแต่ละ model)
2. เขียน Code สร้าง Machine Learning from Scratch (เริ่มเขียน code ตั้งแต่ต้นจากความว่างเปล่า)
3. ตัวอย่างการประยุกต์ใช้ Machine Learning 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


คอรส์นี้เหมาะกับ

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



Week

Content

Week 1 ครึ่งเช้า

(10/05/20)

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

(10/05/20)

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

(17/05/20)

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

(17/05/20)

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

(24/05/20)

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

(24/05/20)

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

(31/05/20)

1. ทำความรู้จัก Support Vector Machine


2. เบื้องหลังความฉลาดของ Support Vector Machine


3. การดำเนินการพื้นฐานของเวกเตอร์


4. เวกเตอร์ที่ตั้งฉากกับพื้นผิว

Week 4 ครึ่งบ่าย

(31/05/20)

1. ทำความรู้จัก Lagrange Multiplier


2. แบบฝึกหัด - คำนวณ Lagrange Multiplier บนกระดาษ

Week 5 ครึ่งเช้า

(07/06/20)

1. แบบฝึกหัด - คำนวณ Lagrange Multiplier บนกระดาษ (ต่อ)


2. ทำความรู้จัก Nonlinear Programming

Week 5 ครึ่งบ่าย

(07/06/20)

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


2. แบบฝึกหัด - คำนวณ Karush-Kuhn-Tucker Condition (KKT) บนกระดาษ

Week 6 ครึ่งเช้า

(14/06/20)

1. ทำความรู้จัก Soft/Hard Margin


2. ทำความรู้จัก Sequential Minimal Optimization


3. เขียน Code Support Vector Machine from Scratch


4. ตัวอย่างการใช้งาน Support Vector Machine

Week 6 ครึ่งบ่าย

(14/06/20)

1. สรุปภาพรวมของเนื้อหาที่เรียนตลอดคอร์ส


2. นำ Code ทั้งหมดที่เขียนในคอร์สมารวมเป็น Library


3. อธิบายการใช้งาน Library พร้อมตัวอย่าง



** สิ่งที่ผู้เรียนต้องเตรียมมา 

Notebook ที่ลงโปรแกรม Anaconda (Python version 3.6) และเตรียมใจให้พร้อม คิดไว้เลยว่าหนักแน่นอน


ประวัติผู้สอน

อาจารย์สอน AI และ Data Science
Quantitative Researcher
ผู้ก่อตั้งบริษัท Made by AI


อาจารย์ฆฤณ ชินประสาทศักดิ์


การชำระเงิน


วิธีการสมัครเพียงแค่กดปุ่ม Apply ที่ด้านล่างได้เลย

- ราคาคอร์สปกติ 21,000 บาท เหลือ 18,000 บาท ก่อนวันที่ 9 พฤษภาคม 2563


Venue

Date: Sunday, 10 May, 17 May, 24 May, 31 May, 7 June, 14 June 2020 (6 days)
Time: 9:00 a.m. - 17:00 p.m.
Location: Live on Zoom


สอบถามรายละเอียดเพิ่มเติมทาง

  • Email: krin.c@madebyai.io
  • Call: 086-524-4463 (คริน)
data scientis, programing, tech, data, ai

Application Form

ลงทะเบียน AI102 Machine Learning (บุคคลทั่วไป)

ราคาพิเศษ 18,000 บาท ก่อน 9 พฤษภาคม นี้เท่านั้น

ลงทะเบียน AI102 Machine Learning (นักเรียนเก่า)

-รับจำนวนจำกัด 20 ท่าน เท่านั้น

Tickets

No Tickets Available

878c0bfcb588e4d82ab8e5b528cf4e332bef197c
Organized by
TAUTOLOGY