Introduction to Deep Learning เจาะลึกเบื้องหลังความฉลาดของ AI

Current Time 0:00
/
Duration Time 0:00
Progress: NaN%

ราคา

ซื้อคอร์สนี้ : 9,900.00 ฿

สามารถเรียนที่ไหน เมื่อไหร่ก็ได้ตลอดชีพ

เนื้อหาทั้งหมด 92 วิดีโอ ความยาวรวมกัน 32 ชั่วโมง 27 นาที

สอนโดยผู้เชี่ยวชาญด้าน AI ที่เป็นตัวแทนประเทศไทยเพียงคนเดียวที่เป็น Speaker ในงานประชุมคณิตศาสตร์ระดับนานาชาติ

คอร์สเริ่มต้นสำหรับคนที่ต้องการเข้าใจที่มาความฉลาดของ AI

เรียนตั้งแต่ทฤษฎีคณิตศาสตร์เบื้องหลังความฉลาดของ AI และเขียน Code ของ AI ขึ้นมาเองจากทฤษฎีคณิตศาสตร์ที่เราเรียน

มีเอกสารประกอบการเรียนให้ download

เกี่ยวกับคอร์สนี้

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*

ผู้สอน

ฆฤณ ชินประสาทศักดิ์

ผู้เชี่ยวชาญด้าน AI

Artificial Intelligence by Tautology

พัฒนา New Algorithm สำหรับการลงทุนในตลาดหุ้นและตลาดอัตราแลกเปลี่ยน

หลักสูตรของคอร์สนี้

Week 1
1.1 Introduction
40:02
1.2 Linear Regression - Theory - What is Linear Regression?
5:58
1.3 Linear Regression - Theory - State
6:53
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
9:38
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
2:31
1.16 Linear Regression - Example 2 - Example 3
18:07
Week 2
2.1 Matrix - การคูณ
28:12
2.2 Matrix - การ Transpose Matrix
5:18
2.3 Matrix - การ Inverse Matrix
37:29
2.4 Multiple Regression - Theory - What is Multiple Regression?
8:14
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?
3:29
2.9 Multiple Regression - Theory - Conclusion
1:57
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
8:44
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
9:37
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
3.1 Calculus - Chain Rule
7:56
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
9:56
3.14 Normalization - Code
21:37
3.15 Multiple Regression - Example (Local + Normalization)
31:19
Week 4
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
5.1 Logistic Regression (Multiclass) - Theory - What is Logistic (Multiclass)
4:33
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
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
8:41
6.6 Neural Network - Code - Regression Part 1
29:02
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
Week 7
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
7:08
7.12 ความฝันของผม
12:56