ARIT SkillOn

เรียนรู้หลักการในการพัฒนาความรู้ด้านปัญญาประดิษฐ์ หรือ Artificial Intelligence เริ่มตั้งแต่การวางแนวคิด ปัญหาด้านต่าง ๆ ที่เกี่ยวข้องกับปัญญาประดิษฐ์ เรียนรู้แนวคิด การพัฒนาโมเดล และการใช้งานอัลกอริทึมต่าง ๆ เช่น Regression, SVM, Decision Tree, ฯลฯ ด้วยการทำ Workshop ที่เข้าถึงได้ง่ายด้วยภาษา Python

แนะนำหลักสูตร
แนะนำหลักสูตร
แบบทดสอบก่อนเรียน
Chapter 1 AI Problem Definition
What is Artificial Intelligence ?
What is Machine Learning and Deep Learning ?
Applied of AI and ML
AI Consideration and Benefit
Ethical Issues Related to AI
Machine Learning Model and Workflow
Domain Expertise
Concept Drift
Transfer Learning
Define Measurable Success
Risk Assessment
Project Scope and Creep
Problem Formulation
Type of Learning
Machine Learning Outcome and Algorithm
Uncertainty in Machine Learning
Select AI ML Tools
Chapter 2 Data Collection, Processing and Engineering
Collect and Assess Data
ETL (Extract Data)
ETL (Transform Data)
ETL (Load Data)
EDA (Exploratory Data Analysis)
Data Preprocessing
Chapter 3 AI Algorithms and Models
Type of Machine Learning Algorithm
Algorithm Selection
Iterative Tuning
Bias and Variance
Bias Variance Tradeoff
Cross Validation
Parameter in Machine Learning
Hypothesis in Machine Learning
Classification in ML
KNN
Logistic Regression
SVM
Naive Bayes
Decision Tree
Ensemble Learning
Random Forest
Gradient Boosting
Evaluate Classification Model
Regression
Evaluate Regression Model
k-Means Clustering
Evaluate Clustering
Chapter 4 Application Integration and Deployment
Application Integration and Deployment
Chapter 5 Maintaining and Monitoring AI in Production
Maintaining and Monitoring AI in Production
แบบทดสอบหลังเรียน

ไพสิฐ วิสัตยรักษ์

ประสบการณ์ด้านการพัฒนาซอฟต์แวร์โปรแกรมภาษา Python และ ประสบการณ์ด้านงานสอน Coding ในรูปแบบที่หลากหลาย สำหรับผู้เริ่มต้นที่สนใจในโลกของการเขียนโปรแกรม