Introduction to Deep Learning เจาะลึกเบื้องหลังความฉลาดของ AI

 Introduction to Deep Learning เจาะลึกเบื้องหลังความฉลาดของ AI

Introduction to Deep Learning เจาะลึกเบื้องหลังความฉลาดของ AI

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)
1.1 Introduction 40:02
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
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 1-052 23:11
3.7 Multiple Regression - Theory - ตัวอย่างการคำนวณ W แบบ Local Part 2-047 21:53
3.8 Multiple Regression - Theory - ตัวอย่างการคำนวณ W แบบ Local Part 3-014 19:46
3.9 Multiple Regression - Code (Local) - Example (Local) 25:48
3.10 Normalization - Rescaling (Min-Max Normalization)-057 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
คุณต้องการออกจากระบบหรือไม่ ?

ส่งอีเมล์ให้เพื่อน

ส่งให้เพื่อนหลายคนใส่ “,” (ส่งพร้อมกันมากสุด 50 อีเมล์)

send