Introduction to Deep Learning เจาะลึกเบื้องหลังความฉลาดของ AI
Introduction to Deep Learning เจาะลึกเบื้องหลังความฉลาดของ AI
9,900 จาก 12,000 บาท
รายละเอียด
ผู้สอน ฆฤณ ชินประสาทศักดิ์ ,Artificial Intelligence by Tautology
คอร์ส AI ที่ทุกคนรอคอยกับ AI101 Introduction to Deep Learning: เจาะลึกเบื้องหลังความฉลาดของ AI
นี่คือคอร์ส AI ที่ดีที่สุด การันตีจากนักเรียนของเรา โอกาสดีของคนที่ต้องการเข้าใจที่มาความฉลาดของ AI, คนที่อยากพัฒนา AI ให้ฉลาดมากขึ้นกว่า AI ที่มีในปัจจุบัน (อยากเป็น Researcher ด้าน AI) และคนที่อยากเขียน Library ทาง Deep Learning ขึ้นมาใช้เอง โดยเราจะเรียนตั้งแต่ทฤษฎีคณิตศาสตร์เบื้องหลังความฉลาดของ AI และเขียน Code ของ AI ขึ้นมาเองจากทฤษฎีคณิตศาสตร์ที่เราเรียน (โดยใช้ numpy, pandas, matplotlib) สุดท้าย เราจะเขียน Library ทาง Deep Learning ขึ้นมาใช้งานเอง
สอนโดย อาจารย์ฆฤณ ชินประสาทศักดิ์
อาจารย์สอนคอร์ส AI Fundamental Bootcamp (คอร์สหลัก) ของสมาคมโปรแกรมเมอร์แห่งประเทศไทย นักวิจัยวิจัยเฉพาะทางด้านพยากรณ์ราคาหุ้นและอัตราแลกเปลี่ยนค่าเงินด้วย AI และที่ปรึกษาด้าน AI ให้กับบริษัทเอกชน ตัวแทนประเทศไทยเพียงคนเดียวที่เป็น Speaker งานประชุมคณิตศาสตร์ระดับนานาชาติ ในหัวข้อ"การสร้างโมเดลคณิตศาสตร์สำหรับการพยากรณ์"
คอรส์นี้เหมาะกับ
1. ผู้ที่ต้องการเข้าใจที่มาความฉลาดของ AI
2. ผู้ที่ต้องการสร้าง AI Library ทาง Deep Learning ขึ้นมาใช้เอง
3. ผู้ที่ต้องการพัฒนางานวิจัยทางด้าน AI (พัฒนาคอมพิวเตอร์ให้มีความฉลาดมากขึ้น)
คำเตือน
1. คอร์สนี้เป็นคอร์สเรียนคณิตศาสตร์และโปรแกรมมิ่ง ถ้าคุณไม่ต้องการเรียนรู้คณิตศาสตร์หรือโปรแกรมมิ่ง *คอร์สนี้ไม่เหมาะกับคุณ*
2. ความฉลาดของ AI เกิดขึ้นจากทฤษฎีทางคณิตศาสตร์ ถ้าคุณไม่ต้องการเข้าใจที่มาความฉลาดของ AI *คอร์สนี้ไม่เหมาะกับคุณ*
เนื้อหาของคอร์สนี้
| Week 1 | คลิปยาว (นาที) | |
|---|---|---|
| 1.2 Linear Regression - Theory - What is Linear Regression? | 05:58 | |
| 1.3 Linear Regression - Theory - State | 06:53 | |
| 1.4 Linear Regression - Theory - How to create model Part 1 | 28:59 | |
| 1.5 Linear Regression - Theory - How to create model Part 2 | 12:33 | |
| 1.6 Linear Regression - Theory - How to create model Part 3 | 36:02 | |
| 1.7 Linear Regression - Theory - When will we use Linear Regression? | 32:09 | |
| 1.8 ปัญหาเชาว์ - หลอดไฟ 1000 หลอด กับคน 1000 คน | 09:38 | |
| 1.9 Linear Regression - Code - Import Library | 10:31 | |
| 1.10 Linear Regression - Code - Write Function Part 1 | 23:33 | |
| 1.11 Linear Regression - Code - Write Function Part 2 | 27:00 | |
| 1.12 Linear Regression - Code - Write Function Part 3 | 25:29 | |
| 1.13 Linear Regression - Code - Read Data and Prepare Data and Example | 14:58 | |
| 1.14 Linear Regression - Code - Create Model and Example | 17:19 | |
| 1.15 Linear Regression - Code - Making Prediction and Example 1 | 02:31 | |
| 1.16 Linear Regression - Example 2 - Example 3 | 18:07 | |
| 1.1 Introduction | 40:02 | |
| Week 2 | คลิปยาว (นาที) | |
|---|---|---|
| 2.1 Matrix - การคูณ | 28:12 | |
| 2.2 Matrix - การ Transpose Matrix | 05:18 | |
| 2.3 Matrix - การ Inverse Matrix | 37:29 | |
| 2.4 Multiple Regression - Theory - What is Multiple Regression? | 08:14 | |
| 2.5 Multiple Regression - Theory - State | 23:12 | |
| 2.6 Multiple Regression - Theory - How to create model Part 1 | 25:41 | |
| 2.7 Multiple Regression - Theory - How to create model Part 2 | 24:29 | |
| 2.8 Multiple Regression - Theory - When will we use Multiple Regression? | 03:29 | |
| 2.9 Multiple Regression - Theory - Conclusion | 01:57 | |
| 2.10 Multiple Regression - ตัวอย่างการคำนวณ W แบบ Global Part 1 | 22:45 | |
| 2.11 Multiple Regression - ตัวอย่างการคำนวณ W แบบ Global Part 2 | 35:39 | |
| 2.12 Multiple Regression - Code - Import Library | 08:44 | |
| 2.13 Multiple Regression - Code - Write Function | 18:53 | |
| 2.14 Write Function - Code - Read Data - Prepare Data - Example 1 | 24:08 | |
| 2.15 Multiple Regression - Code - Create Model & Example 1 | 09:37 | |
| 2.16 Multiple Regression - Code - Making Prediction - Example 1 - Example 2 | 10:04 | |
| 2.17 Multiple Regression - Example 3 - Example 5 | 16:31 | |
| 2.18 Multiple Regression - การเตรียม Dataset เพื่อใช้พยากรณ์ SET50 - วิธีการหา Research Paper | 32:53 | |
| Week 3 | คลิปยาว (นาที) | |
|---|---|---|
| 3.1 Calculus - Chain Rule | 07:56 | |
| 3.2 Multiple Regression - Theory - How to create model (Local) Part 1 | 22:06 | |
| 3.3 Multiple Regression - Theory - How to create model (Local) Part 2 | 14:29 | |
| 3.4 Multiple Regression - Theory - How to create model (Local) Part 3 | 19:49 | |
| 3.5 Multiple Regression - Theory - How to create model (Local) Part 4 | 11:11 | |
| 3.6 Multiple Regression - Theory - ตัวอย่างการคำนวณ W แบบ Local Part 1 | 23:11 | |
| 3.7 Multiple Regression - Theory - ตัวอย่างการคำนวณ W แบบ Local Part 2 | 21:53 | |
| 3.8 Multiple Regression - Theory - ตัวอย่างการคำนวณ W แบบ Local Part 3 | 19:46 | |
| 3.9 Multiple Regression - Code (Local) - Example (Local) | 25:48 | |
| 3.10 Normalization - Rescaling (Min-Max Normalization) | 36:41 | |
| 3.11 Normalization - Mean Normalization | 13:36 | |
| 3.12 Normalization - Standardization | 27:49 | |
| 3.13 Normalization - Scaling to Unit Length | 09:56 | |
| 3.15 Multiple Regression - Example (Local + Normalization) | 31:19 | |
| 3.14 Normalization - Code | 21:37 | |
| Week 4 | คลิปยาว (นาที) | |
|---|---|---|
| 4.1 Logistic Regression - Introduction | 15:34 | |
| 4.2 Logistic Regression - Theory - What is Logistic Regression | 18:06 | |
| 4.3 Logistic Regression - Theory - State (Binary Class) | 17:42 | |
| 4.4 Logistic Regression - Theory - How to create model (Binary Class) | 18:32 | |
| 4.5 Logistic Regression - Theory - ตัวอย่างการคำนวณ W (Binary Class) Part 1 | 20:52 | |
| 4.6 Logistic Regression - Theory - ตัวอย่างการคำนวณ W (Binary Class) Part 2 | 37:16 | |
| 4.7 Logistic Regression - Code (Binary Class) | 11:23 | |
| 4.8 Logistic Regression - Example - อธิบาย Example 1 | 14:17 | |
| 4.9 Logistic Regression - Example - Example 1 - Example 3 | 18:08 | |
| Week 5 | คลิปยาว (นาที) | |
|---|---|---|
| 5.1 Logistic Regression (Multiclass) - Theory - What is Logistic (Multiclass) | 04:33 | |
| 5.2 Logistic Regression (Multiclass) - Theory - State | 27:00 | |
| 5.3 Logistic Regression (Multiclass) - Theory - How to create model | 39:45 | |
| 5.4 Logistic Regression (Multiclass) - Code | 33:31 | |
| 5.5 Logistic Regression (Multiclass) - Example | 25:45 | |
| 5.6 Neural Network - Introduction | 13:08 | |
| 5.7 Neural Network - Theory - What is Neural Network ? - & State | 33:08 | |
| 5.8 Neural Network - Theory - Activation Function | 10:33 | |
| 5.9 Neural Network - Theory - ตัวอย่างการคำนวณ Feed Forward | 33:40 | |
| Week 6 | คลิปยาว (นาที) | |
|---|---|---|
| 6.1 Neural Network - Theory - ตัวอย่างการคำนวณ Feed Forward (Version ละเอียด) | 26:04 | |
| 6.2 Neural Network - Theory - How to create model for Regression Part 1 | 31:36 | |
| 6.3 Neural Network - Theory - How to create model for Regression Part 2 | 42:49 | |
| 6.4 Neural Network - Theory - How to create model for Regression Part 3 | 37:39 | |
| 6.5 Neural Network - Theory - How to create model for Regression Part 4 | 08:41 | |
| 6.7 Neural Network - Code - Regression Part 2 | 32:13 | |
| 6.8 Neural Network - Code - Regression Part 3 | 30:59 | |
| 6.9 Neural Network - Code - Regression Part 4 | 12:27 | |
| 6.10 Neural Network - Example - Regression | 19:31 | |
| 6.11 Neural Network - Theory - How to create model for Classification | 13:15 | |
| 6.12 Neural Network - Code - Classification | 21:10 | |
| 6.13 Neural Network - Example - Classification | 19:24 | |
| 6.6 Neural Network - Code - Regression Part 1 | 29:02 | |
| Week 7 | คลิปยาว (นาที) | |
|---|---|---|
| 7.1 Improvement - สรุปเนื้อหา Part 1 | 40:35 | |
| 7.2 Improvement - สรุปเนื้อหา Part 2 | 28:05 | |
| 7.3 Improvement - Speed - วิธีคำนวณ Cost | 26:33 | |
| 7.4 Improvement - Speed - Batch Size | 15:52 | |
| 7.5 Improvement - Speed - Code - Example | 16:31 | |
| 7.6 Improvement - Precision - L1, L2, Elastic Net (Idea) | 38:58 | |
| 7.7 Improvement - Precision - Dropout Regularization (Idea) | 16:27 | |
| 7.8 Improvement - Precision - L1, L2, Elastic Net (Detail) & Code | 16:28 | |
| 7.9 Improvement - Precision - Dropout Regularization (Detail) - Code | 31:07 | |
| 7.10 Course Conclusion - All Code of AI101 | 22:33 | |
| 7.11 Inspiration ในการเปิดคอร์สที่มีทั้ง Theory, Code, Example | 07:08 | |
| 7.12 ความฝันของผม | 12:56 | |