WalkSelf · AI, เทคโนโลยีและวิศวกรรม

AI และแมชชีนเลิร์นนิง

เรียนรู้พื้นฐานของปัญญาประดิษฐ์และแมชชีนเลิร์นนิง ตั้งแต่อัลกอริทึมคลาสสิกไปจนถึงการปรับใช้โมเดล ครอบคลุมการเรียนรู้แบบมีผู้สอน ไม่มีผู้สอน และการเรียนรู้แบบเสริมกำลัง

11 subcategories · 206 courses total

พื้นฐาน AI และ ML

เริ่มต้นเส้นทางสู่ปัญญาประดิษฐ์โดยการเรียนรู้แนวคิดพื้นฐาน ประวัติ และอัลกอริทึมแมชชีนเลิร์นนิงประเภทต่างๆ

สำรวจ AI สุดล้ำที่สร้างเนื้อหาใหม่ ตั้งแต่ข้อความและรูปภาพไปจนถึงโค้ด ทำความเข้าใจโมเดลต่างๆ เช่น GAN, VAE และแบบจำลองภาษาขนาดใหญ่

การเรียนรู้เชิงลึก (Deep Learning)

ดำดิ่งสู่โลกของโครงข่ายประสาทเทียม เรียนรู้การสร้าง ฝึกฝน และเพิ่มประสิทธิภาพโมเดลการเรียนรู้เชิงลึกสำหรับงานที่ซับซ้อนโดยใช้เฟรมเวิร์กอย่าง TensorFlow และ PyTorch

การประมวลผลภาษาธรรมชาติ (NLP)

สอนคอมพิวเตอร์ให้เข้าใจ ประมวลผล และสร้างภาษามนุษย์ ครอบคลุมหัวข้อตั้งแต่การประมวลผลข้อความเบื้องต้นและการวิเคราะห์ความรู้สึก ไปจนถึง transformers และโมเดลภาษาขนาดใหญ่

การพยากรณ์อนุกรมเวลา

วิเคราะห์และคาดการณ์ค่าในอนาคตจากข้อมูลที่เรียงตามลำดับเวลา ฝึกฝนวิธีการแบบคลาสสิก เช่น ARIMA และแนวทางการเรียนรู้เชิงลึกสมัยใหม่ เช่น LSTM สำหรับการพยากรณ์

MLOps (การดำเนินงาน Machine Learning)

เรียนรู้หลักการและแนวปฏิบัติในการปรับใช้ ตรวจสอบ และบำรุงรักษาโมเดล Machine Learning ในสภาพแวดล้อมการใช้งานจริง เชื่อมช่องว่างระหว่าง Data Science และ DevOps

การเรียนรู้แบบมีผู้สอน

ฝึกฝนแมชชีนเลิร์นนิงประเภทที่พบบ่อยที่สุดให้เชี่ยวชาญ เรียนรู้การสร้างโมเดลที่คาดการณ์โดยอิงตามข้อมูลที่มีป้ายกำกับ ซึ่งครอบคลุมงานด้านการถดถอยและการจำแนกประเภท

จริยธรรมและธรรมาภิบาลของ AI

ทำความเข้าใจผลกระทบทางสังคมของปัญญาประดิษฐ์ เรียนรู้เกี่ยวกับความเป็นธรรม ความรับผิดชอบ ความโปร่งใส และอคติในระบบ AI และสำรวจหลักการเพื่อการพัฒนาอย่างมีความรับผิดชอบ

คอมพิวเตอร์วิทัศน์

ทำให้เครื่องจักรสามารถมองเห็นและตีความโลกทัศน์ได้ เรียนรู้เกี่ยวกับการจำแนกประเภทภาพ การตรวจจับวัตถุ และการแบ่งส่วนโดยใช้ deep learning

การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning)

ค้นพบรูปแบบและโครงสร้างที่ซ่อนอยู่ในข้อมูลที่ไม่มีป้ายกำกับ สำรวจเทคนิคต่างๆ เช่น การจัดกลุ่ม (clustering) การลดมิติ (dimensionality reduction) และการทำเหมืองกฎความสัมพันธ์ (association rule mining)

การเรียนรู้แบบเสริมกำลัง

เรียนรู้การสร้างเอเจนต์อัจฉริยะที่ตัดสินใจได้อย่างเหมาะสมที่สุดผ่านการลองผิดลองถูก สำรวจแนวคิดต่างๆ เช่น Q-learning, policy gradients และการนำไปใช้งาน