
การติดตั้งและเตรียมความพร้อม (โปรแกรมและเครื่องมือ Tools)
Source code และ Dataset
รู้จักกับเครื่องมือ (โปรแกรม) ที่นิยมใช้สำหรับงานด้าน Machine Learning, Deep Learning และ Data Science (สถาปัตยกรรมระบบและการทำงาน)
แสดงการเปิด Jupyter บน Windows และบน Mac
การใช้งาน Jupyter Lab เขียนและรันโปรแกรม
Colab เป็นเครื่องมือออนไลน์โดย Google ที่มีการใช้งานคล้ายกับ Jupyter ข้อดีคือ ไม่ต้องติดตั้งโปรแกรมลงเครื่องคอมพิวเตอร์ตัวเอง เพียงแค่เปิด Web browser และเชื่อมต่อเน็ต ก็สามารถใช้งานได้
วิธีการทำให้ Python บน Colab สามารถใช้งานไฟล์ได้ เช่น เปิดอ่านไฟล์ข้อมูล บันทึกไฟล์ ฯลฯ
การใช้ Visual Studio Code (VSCode) กับ Jupyter โดยรวมก็คล้ายกับ Jupyter Lab และ Colab แต่ก็มีจุดเด่นในแบบฉบับของ VSCode มี Dropdown Help แสดงคำสั่ง ช่วยให้เขียนโปรแกรมง่ายขึ้น ผิดพลาดน้อยลง โดยในส่วนแรกแสดงการติดตั้งและ Setup บน Windows ส่วนท้ายจะแสดง macOs
หลักการเขียนโปรแกรม การใช้งานตัวแปร ชนิดข้อมูล Comment
เงื่อนไขการตัดสินใจ (Condition) การวนรอบทำซ้ำ (Iteration/Loop) และการแสดงผล
พื้นฐานเกี่ยวกับการใช้งานไลบรารี (โปรแกรมเสริม)
ในบางงาน อาจต้องใช้งานไลบรารีเพิ่มเติม ดังนั้นต้องทำการติดตั้งเพิ่มเติม หรือไลบรารีตัวใดที่ไม่ใช้ก็ถอนออก
รู้จักข้อมูลสำหรับ Machine Learning และ Deep Learning ได้แก่ Scalar Vector Matrix และ Tensor
รู้จักกับไลบรารี Pandas ที่ใช้สำหรับอ่านข้อมูลจากไฟล์ Excel, CSV และใช้บันทึกข้อมูลเก็บเป็นไฟล์
การใช้งาน Pandas สร้างข้อมูล การอ่านข้อมูลจากไฟล์ CSV Excel และการบันทึกข้อมูลเก็บลงไฟล์
การเข้าถึงข้อมูล หรือการอ่านข้อมูลเพื่อนำไปใช้ประมวลผล (Data access or retrieve) การลบคอลัมน์ การพล็อตเบื้องต้น
การนำข้อมูลมาแสดงเป็นภาพหรือแผนภูมิเพื่อให้เห็นข้อสรุป แนวโน้ม ความสัมพันธ์ของข้อมูลที่ชัดเจนขึ้น
หลักการของ Machine Learning เบื้องต้น
เรียนรู้หรือทบทวนเรื่องสมการเส้นตรง ซึ่งเป็นพื้นฐานที่สำคัญสำหรับงาน Regression
เขียนโปรแกรมแบบปกติทั่วไป เพื่อเปรียบเทียบกับการใช้ Machine Learning
การสอนให้ Machine Learning มีความรู้
หลักการจำแนก ข้อมูลคุณลักษณะเด่น (Features) รู้จักข้อมูล IRIS
การเตรียมข้อมูลเพื่อให้ได้ Machine Learning ที่มีประสิทธิภาพ
ตรวจสอบข้อมูลรวบยอดอย่างเร็ว ๆ ก่อนนำไปใช้
สูตรที่ใช้ในการคำนวณ เพื่อบ่งบอกว่า Model ดีหรือไม่ดี
การแบ่งข้อมูลเป็น Train Test และ Workshop การแบ่งโดยใช้ไลบรารี Scikit-learn
คอร์สนี้เหมาะสำหรับผู้เริ่มต้นศึกษา AI: Machine Learning โดยใช้ภาษา Python ที่เรียนรู้และเข้าใจง่าย และใช้ไลบรารี Scikit-learn ยอดนิยมสำหรับ Machine Learning ลักษณะการเรียนเป็นแบบ Step-by-step เนื้อหาครอบคลุมการติดตั้งโปรแกรม พื้นฐานทั่วไป การเตรียมข้อมูล การสร้าง Model การปรับแต่ง รูปแบบการเรียนการสอน จะเน้นการลงมือปฏิบัติ Workshop โดยมีโค้ดตัวอย่างให้ทดลอง ช่วยให้เข้าใจได้ง่ายขึ้น โดยแต่ละหัวข้อจะแทรกทฤษฎีที่สำคัญ มีคณิตศาสตร์น้อย (เท่าที่จำเป็น พร้อมภาพอธิบายประกอบบ) อธิบายโดยใช้ภาษาที่เข้าใจง่ายในทุกระดับ มีปภาพประกอบการอธิบายเพื่อให้เข้าใจง่าย อธิบายส่วนของโค้ด ลำดับเนื้อหาเพื่อเป็นพื้นฐานให้กับบทต่อ ๆ ไป
เรียนรู้อัลกอริทึมต่าง ๆ ที่สำคัญ อาทิ Regression, Decision Tree, Support Vector Machine (SVM), k-Nearest Neighbors ฯลฯ เพื่อเป็นพื้นฐานนำไปต่อยอดประยุกต์ใช้งาน รวมถึงต่อยอด Deep Learning (คอร์สต่อไป)
** Source Code อยู่ใน Section บทที่ 2