Week

Content

Week 1 ครึ่งเช้า

(04/08/19)

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

(04/08/19)

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

(11/08/19)

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

(11/08/19)

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

(18/08/19)

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

(18/08/19)

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

(25/08/19)

1. ทำความรู้จัก Multivariable Polynomial Regression

2. State Data, Model, Prediction

3. เบื้องหลังความฉลาดของ Multivariable Polynomial Regression

4. ทำความรู้จัก Taylor Series

5. อธิบายหลักการสร้าง Feature ด้วย Stars and Bars (Combinatorics)

6. แบบฝึกหัด - คำนวณวิธีสร้าง Multivariable Polynomial Regression บนกระดาษ

Week 4 ครึ่งบ่าย

(25/08/19)

1. เขียน Code Multivariable Polynomial Regression from Scratch

2. ตัวอย่างการใช้งาน Multivariable Polynomial Regression

3. ทำความรู้จัก Support Vector Machine

4. การดำเนินการพื้นฐานของเวกเตอร์

5. เวกเตอร์ที่ตั้งฉากกับพื้นผิว

Week 5 ครึ่งเช้า

(01/09/19)

1. เบื้องหลังความฉลาดของ Support Vector Machine

2. ทำความรู้จัก Lagrange Multiplier

3. แบบฝึกหัด - คำนวณ Lagrange Multiplier บนกระดาษ

4. ทำความรู้จัก Nonlinear Programming

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

Week 5 ครึ่งบ่าย

(01/09/19)

1. ทำความรู้จัก Soft/Hard Margin

2. ทำความรู้จัก Sequential Minimal Optimization

3. แบบฝึกหัด - คำนวณ Sequential Minimal Optimization บนกระดาษ

Week 6 ครึ่งเช้า

(08/09/19)

1. เขียน Code Lagrangian from Scratch

2. เขียน Code Sequential Minimal Optimization from Scratch

3. เขียน Code Support Vector Machine from Scratch

4. ตัวอย่างการใช้งาน Support Vector Machine

Week 6 ครึ่งบ่าย

(08/09/19)

1. สรุปภาพรวมของเนื้อหาที่เรียนตลอดคอร์ส

2. นำ Code ทั้งหมดที่เขียนในคอร์สมารวมเป็น Library

3. อธิบายการใช้งาน Library พร้อมตัวอย่าง