We may earn an affiliate commission when you visit our partners.
Course image
Assoc.Prof. Kobkiat Saraubon, Ph.D.

คอร์สนี้เหมาะสำหรับผู้เริ่มต้นศึกษา AI: Deep Learning เพื่อพัฒนาระบบ AI (Artificial Intelligence) หรือปัญญาประดิษฐ์ ด้วยภาษา Python เน้นการเรียนรู้ด้วยการปฏิบัติ Workshop พร้อมโค้ดตัวอย่างและคำอธิบาย Step-by-step (คณิตศาสตร์ไม่มาก ใช้วิธีอธิบายด้วยภาพเพื่อให้เข้าใจง่ายขึ้น)

Read more

คอร์สนี้เหมาะสำหรับผู้เริ่มต้นศึกษา AI: Deep Learning เพื่อพัฒนาระบบ AI (Artificial Intelligence) หรือปัญญาประดิษฐ์ ด้วยภาษา Python เน้นการเรียนรู้ด้วยการปฏิบัติ Workshop พร้อมโค้ดตัวอย่างและคำอธิบาย Step-by-step (คณิตศาสตร์ไม่มาก ใช้วิธีอธิบายด้วยภาพเพื่อให้เข้าใจง่ายขึ้น)

เนื้อหาประกอบด้วย การติดตั้งเตรียมความพร้อม เข้าใจเครือข่ายประสาทประดิษฐ์ (Artificial Neural Network: ANN) เครือข่ายแบบหลายชั้น (Multi-layer Perceptron) หลักการ Deep Learning กลไก Gradient Descent กระบวนการ Train หรือการสอน การใช้ TensorFlow Keras สร้าง Model การวิเคราะห์กราฟผลของการ Train การสร้าง Model การเพิ่มประสิทธิภาพ Model อัลกอริทึมเพิ่มความเร็วในการ Train และเรียนรู้ Convolutional Neural Network: CNN สำหรับงาน Computer Vision การบันทึกและโหลดใช้งาน Model ที่ Train เรียบร้อยแล้ว การติดตั้งและใช้งาน GPU

Enroll now

What's inside

Learning objectives

  • เรียนแบบทั่วไป จะเรียนที่ไหนก็ได้ แต่ถ้าเรียนแบบให้เข้าใจ เป็น step ขอแนะนำคอร์สนี้
  • เรียนรู้ระบบเครือข่ายประสาทประดิษฐ์ (artificial neural network)
  • ใช้ tensorflow keras
  • หลักการ deep learning
  • Gradient descent และ optimizer
  • เรียนรู้ convolutional neural network: cnn สำหรับงาน computer vision
  • การเพิ่มประสิทธิภาพ model
  • ใช้งาน cpu และ gpu บน colab
  • การ train สร้าง model การบันทึกและการโหลดใช้งาน model
  • การติดตั้งและใช้งาน gpu เพื่อเพิ่มความเร็วการประมวลผล

Syllabus

Introduction
รู้จักผู้สอน
แนะนำคอร์ส
เบื้องต้นเกี่ยวกับ AI, Machine Learning และ Deep Learning
Read more
การติดตั้งเครื่องมือ (โปรแกรม) และเตรียมความพร้อม + Source code
การติดตั้งโปรแกรมและเตรียมความพร้อม + Download Source code
รู้จักกับเครื่องมือ Jupyter
การเปิด Jupyter
การใช้งาน Jupyter
การใช้งาน Colab
การใช้งานไฟล์บน Colab


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

เรียนลัด/ทบทวน การเขียนโปรแกรม Python (Crash Course)
เรียนลัด Python (Crash course) ระดับเบื้องต้น
เงื่อนไข การวนรอบ และการแสดงผล
ข้อมูล List & Tuple
ข้อมูล Dictionary
ฟังก์ชัน (Function)
ไลบรารี
การติดตั้งไลบรารี
ข้อมูล
ชนิดข้อมูลสำหรับ Machine Learning และ Deep Learning
การใช้ไลบรารี Numpy
Pandas: เกี่ยวกับไลบรารี
Pandas: ใช้งานไลบรารี สร้างข้อมูลและอ่านไฟล์ บันทึกไฟล์
Pandas: การเข้าถึงข้อมูลและการพล็อต
Data Visualization
การพล็อตข้อมูลด้วย Matplotlib
การพล็อตข้อมูลด้วย Seaborn
เรียนรู้เกี่ยวกับ Machine Learning เบื้องต้น ความแตกต่างระหว่างการเขียนโปรแกรมแบบปกติและ Machine Learning เพื่อเป็นพื้นฐานไปสู่ Deep Learning (หากมีพื้น Machine Learning มาแล้ว ให้ข้าม Section นี้ไป)

หลักการของ Machine Learning เบื้องต้น

เรียนรู้หรือทบทวนเรื่องสมการเส้นตรง ซึ่งเป็นพื้นฐานที่สำคัญสำหรับงาน Regression และ Neural Network

เขียนโปรแกรมแบบปกติทั่วไป เพื่อเปรียบเทียบกับการใช้ Machine Learning

การสอนให้ Machine Learning มีความรู้

หลักการจำแนก ข้อมูลคุณลักษณะเด่น (Features) รู้จักข้อมูล IRIS

Workshop 1: Decision Tree Model จำแนก มะนาว ส้ม
Workshop 2: Decision Tree Model จำแนกผลไม้ 3 ชนิด (3 Classes)
Workshop 3: Decision Tree Model มี 2 Features 2 Class
Workshop 3: Decision Tree Model มี 2 Features 3 Class
พื้นฐาน Neural Network หรือประสาทประดิษฐ์ เบื้องต้นสำหรับ Deep Learning
สมการเส้นตรง Linear Equation
เกี่ยวกับเครือข่ายประสาทประดิษ (Artificial Neural Network)
Workshop: Simple Neuron/Perceptron
Workshop: Logic Gates ด้วย Neuron
Activation Functions
สรุป

การติดตั้ง TensorFlow+Keras, การใช้งานสภาพแวดล้อม (Environment) แบ่งส่วนเพื่อไม่ให้ระบบ มีปัญหาหรือกวนกับ Project อื่น ๆ (ลักษณะแบ่งสัดส่วนหรือแบ่งห้องให้ใช้ TensorFlow โดยเฉพาะ)

เครือข่าย Neural Network แบบหลายชั้น ซึ่งเป็นหัวใจสำคัญของ Deep Learning ในบทนี้ ใช้ Scikit-learn เพื่อเรียนรู้หลักการที่สำคัญ ก่อนไปสู่ Deep Learning ด้วย TensorFlow
เครือข่าย Neural Network หลายชั้น (Multilayer Perceptron)
Workshop: สร้าง Neuron/Perceptron โดยใช้ Scikit-learn
Workshop: สร้าง Multilayer Perceptron โดยใช้ Scikit-learn
Workshop: สร้าง Multilayer Perceptron จำแนกผลไม้ 2 Class
Worshop: สร้าง Multilayer Perceptron จำแนกผลไม 3 class
Workkshop: MLP Model จำแนกชนิดดอก Iris
Workshop: Missing Values ทำให้เกิดปัญหาอย่างไรกับ Neural Network
การใช้ TensorFlow Keras สำหรับ Deep Larning

แนะนำ Open-source Platform สำหรับ Deep Learning ที่ได้รับความนิยมอย่างสูง

การปรับสเกลค่า Feature (Feature scaling)
Workshop 1: Neural Network ด้วย TensorFlow แบบ Binary Classification (2 Class)
Workshop 2: การ Save Model และส่วนที่เกี่ยวข้องไว้ใช้งาน
Workshop 3: การโหลด Model ที่ Save ไว้ มาใช้งาน
รายละเอียดการสร้างและการ Train Model TensorFlow
เอกสารข้อมูลเพิ่มเติมจาก keras.io
Epoch & iteration
Loss & Accuracy Curve
Param
Model จำแนก 3 class (Multi-class Classification)
Workshop 1: เข้ารหัส One-hot Encoding
Workshop 2: Model จำแนก 3 class (Iris)
Workshop 3: Model จำแนก 5 Class
Gradient Descent การหาค่า Weight ที่ดีที่สุด
เกี่ยวกับ Gradient Descent
การหา Loss & Cost
Workshop 1 : การหา Loss
อนุพันธ์ (Derivative)
Gradient Descent ตัวนำทางไปหา Weight ที่ดีที่สุด
Workshop 2: Gradient Descent
การเพิ่มประสิทธิภาพ Model และเพิ่มความเร็วในการ Train
Optimizer
Workshop 1: Optimizers
Overfitting & Underfitting
Workshop 2: Overfitting
เพิ่มประสิทธิภาพความแม่นยำ โดยป้องกันการเกิด Overfitting
Workshop 3: ป้องกัน Overfitting ด้วย Regularization
Dropout
Workshop 4: Dropout
Early Stopping
Workshop 5: Early Stopping
Convolutional Neural Network (CNN)
TOC
ข้อมูลภาพ
Convolution
Workshop 1: Convolution
CNN Architecture
Workshop 2: สร้าง CNN Model และส่องดู Kernels
Workshop 3: Input Image แล้วส่องดู Feature Maps
Workshop 4: Digit Recognition

Good to know

Know what's good
, what to watch for
, and possible dealbreakers
Examines Deep Learning, which is standard in industry
Explores Python, TensorFlow Keras, and Gradient Descent, which are relevant tools and technologies
Teaches fundamentals of AI: Deep Learning, which is useful for developing AI systems
Provides a strong foundation for understanding Convolutional Neural Networks (CNN) for Computer Vision, which is a core skill for data scientists
Develops skills in using TensorFlow Keras, which is a popular Deep Learning library
Requires no background in mathematics, making it accessible to beginners

Save this course

Save เรียนรู้ AI: Deep Learning ด้วย Python to your list so you can find it easily later:
Save

Activities

Be better prepared before your course. Deepen your understanding during and after it. Supplement your coursework and achieve mastery of the topics covered in เรียนรู้ AI: Deep Learning ด้วย Python with these activities:
Join a study group for this course
Studying with others can help you learn the material more effectively. A study group will provide you with the opportunity to discuss the concepts covered in class, ask questions, and get help from your peers.
Show steps
  • Find a study group or start your own.
  • Meet regularly with your study group to discuss the course material.
  • Work together on assignments and projects.
Complete exercises from the course textbook
Completing exercises from the course textbook will help you solidify your understanding of the concepts covered in this course.
Show steps
  • Purchase the course textbook.
  • Read the assigned chapters.
  • Complete the exercises at the end of each chapter.
Learn to visualize data with Matplotlib
Visualizing data makes it easier to understand relationships and draw inferences. Matplotlib is a popular Python library for creating static, animated, and interactive visualizations.
Browse courses on Data Visualization
Show steps
  • Install Matplotlib.
  • Go through the Matplotlib tutorial.
  • Practice creating basic plots (scatter plots, line plots, bar charts).
Five other activities
Expand to see all activities and additional details
Show all eight activities
Create a cheat sheet of Deep Learning formulas and concepts
A cheat sheet can be a useful reference for the formulas and concepts covered in this course. It will help you quickly recall important information when you need it.
Browse courses on Deep Learning
Show steps
  • Gather the formulas and concepts you need to include on your cheat sheet.
  • Create a visually appealing and easy-to-read cheat sheet.
  • Print out the cheat sheet and keep it with you.
Complete TensorFlow exercises
TensorFlow is a powerful open-source machine learning library. Completing exercises will help you solidify your understanding of the concepts covered in this course.
Browse courses on TensorFlow
Show steps
  • Find TensorFlow exercises online or in a book.
  • Work through the exercises, debugging any errors you encounter.
  • Apply the techniques you learn to your own machine learning projects.
Attend the PyTorch Deep Learning workshop
This workshop will provide you with hands-on experience with PyTorch, a popular Deep Learning framework. You will learn the basics of PyTorch and how to use it to build and train Deep Learning models.
Browse courses on Deep Learning
Show steps
  • Register for the workshop.
  • Attend the workshop and participate in the activities.
  • Complete the exercises and assignments.
Write a blog post about a Deep Learning project
Writing about a Deep Learning project will help you solidify your understanding of the concepts and techniques involved. It will also give you an opportunity to share your knowledge with others.
Browse courses on Deep Learning
Show steps
  • Choose a Deep Learning project to write about.
  • Research the topic and gather information.
  • Write a blog post that explains the project, the techniques you used, and the results you achieved.
  • Share your blog post with others.
Contribute to an open-source Deep Learning project
Contributing to an open-source project is a great way to learn about Deep Learning and get involved in the community. It will also give you the opportunity to work on real-world projects.
Browse courses on Deep Learning
Show steps
  • Find an open-source Deep Learning project to contribute to.
  • Read the project's documentation and familiarize yourself with its codebase.
  • Identify an area where you can make a contribution.
  • Submit a pull request with your changes.

Career center

Learners who complete เรียนรู้ AI: Deep Learning ด้วย Python will develop knowledge and skills that may be useful to these careers:

Reading list

We haven't picked any books for this reading list yet.

Share

Help others find this course page by sharing it with your friends and followers:

Similar courses

Here are nine courses similar to เรียนรู้ AI: Deep Learning ด้วย Python.
Fake Instagram Profile Detector
Most relevant
Bank Loan Approval Prediction With Artificial Neural Nets
Most relevant
Deep Learning : Convolutional Neural Networks with Python
Most relevant
Improving Deep Neural Networks: Hyperparameter Tuning,...
Most relevant
Diabetic Retinopathy Detection with Artificial...
Most relevant
Deep Learning Topics with Computer Vision and NLP
Most relevant
Natural Language Processing with Sequence Models
Most relevant
The Complete Self-Driving Car Course - Applied Deep...
Most relevant
Deep Learning with Caffe
Most relevant
Our mission

OpenCourser helps millions of learners each year. People visit us to learn workspace skills, ace their exams, and nurture their curiosity.

Our extensive catalog contains over 50,000 courses and twice as many books. Browse by search, by topic, or even by career interests. We'll match you to the right resources quickly.

Find this site helpful? Tell a friend about us.

Affiliate disclosure

We're supported by our community of learners. When you purchase or subscribe to courses and programs or purchase books, we may earn a commission from our partners.

Your purchases help us maintain our catalog and keep our servers humming without ads.

Thank you for supporting OpenCourser.

© 2016 - 2024 OpenCourser