เรียนรู้ AI: Deep Learning ด้วย Python from Udemy

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

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

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

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

Show steps

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

Show steps

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

Show steps

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

Show steps

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

Show steps

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

Show steps

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

Show steps

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

Show steps

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.

เรียนรู้ AI

Deep Learning ด้วย Python

What's inside

Learning objectives

Syllabus

Good to know

Save this course

Activities

Career center

Reading list

Share

Similar courses