พื้นฐาน Machine Learning ด้วย Neural Networks

Neural networks เป็นแรงขับเคลื่อนสำคัญเบื้องหลังปัญญาประดิษฐ์ (AI) สมัยใหม่ แต่การเข้าใจว่าพวกมันเรียนรู้ได้อย่างไรจริงๆ นั้นอาจรู้สึกว่าเป็นเรื่องที่ยากเกินไป คอร์สเรียนรูปแบบข้อความนี้จะช่วยอธิบายหลักการทางคณิตศาสตร์และตรรกะหลักของ machine learning ให้เข้าใจได้ง่าย คุณจะเปลี่ยนจากผู้เริ่มต้นที่มีความสนใจไปเป็นผู้ปฏิบัติงานที่มีความมั่นใจ ซึ่งเข้าใจวิธีที่ข้อมูลไหลผ่าน neural network ผ่านคำอธิบายรูปแบบการเขียนที่ชัดเจน คุณจะได้เรียนรู้วิธีการจัดโครงสร้างข้อมูล การกำหนดค่าเลเยอร์ของเครือข่าย และการประเมินประสิทธิภาพของโมเดลโดยใช้แนวคิดที่เป็นมาตรฐานอุตสาหกรรม สิ่งที่คุณจะได้เรียนรู้: 1. เข้าใจคณิตศาสตร์และตรรกะพื้นฐานเบื้องหลังเซลล์ประสาทเทียม (artificial neurons) และ activation functions 2. กำหนดค่า feedforward neural networks อย่างง่าย และเข้าใจว่า backpropagation อัปเดตน้ำหนัก (weights) ของโมเดลอย่างไร 3. จัดเตรียมและประมวลผลข้อมูลตั้งต้น (raw dataset features) เพื่อให้มั่นใจว่าการเทรนเครือข่ายมีความเสถียร 4. ใช้ตัวชี้วัดการประเมินสมัยใหม่เพื่อวินิจฉัยปัญหา overfitting และวัดความถูกต้องของโมเดล 5. สำรวจสถาปัตยกรรมสมัยใหม่ รวมถึงการทำความเข้าใจแนวคิดเชิงแนะนำเกี่ยวกับโมเดล convolutional และ transformer 6. ฝึกเขียน pseudocode ที่สะอาดและมีโครงสร้าง เพื่อปรับใช้เรียนรู้อัลกอริทึมการเรียนรู้พื้นฐาน คอร์สนี้เริ่มต้นด้วยคำศัพท์ที่จำเป็นและพื้นฐานทางคณิตศาสตร์ของอัลกอริทึมการเรียนรู้ จากนั้นคุณจะก้าวหน้าไปทีละขั้นตอนผ่านสถาปัตยกรรมเครือข่าย ไดนามิกของการเทรน และเทคนิคการประเมินสมัยใหม่ คอร์สนี้ออกแบบมาสำหรับผู้เริ่มต้นใช้งาน machine learning โดยไม่จำเป็นต้องมีประสบการณ์ด้านแคลคูลัสขั้นสูงมาก่อน เริ่มอ่านวันนี้เพื่อปลดล็อกกลไกหลักของ neural networks