INT27101 Machine Learning การเรียนรู้ของเครื่อง
การเรียนรู้แบบมีผู้สอน: เวิร์กโฟลว์การเรียนรู้แบบมีผู้สอน, เคเนียร์เรสเนเบอร์, ต้นไม้ตัดสินใจ, ซัพพอร์ตเวคเตอร์แมชชีน, การถดถอยโลจีสติก, การถดถอย, การประเมินโมเดลการเรียนรู้แบบมีผู้สอน, การเรียนรู้แบบไม่มีผู้สอน: เวิร์กโฟลว์การเรียนรู้แบบไม่มีผู้สอน, การแบ่งกลุ่มข้อมูลแบบเคมีน, การแบ่งกลุ่มตามความหนาแน่น, การประเมินโมเดลการเรียนรู้แบบไม่มีผู้สอน, การเรียนรู้แบบเสริมกำลัง: เวิร์กโฟลว์การเรียนรู้แบบเสริมกำลัง, กระบวนการตัดสินใจแบบมาร์คอฟ, ขั้นตอนวิธีเรียนรู้แบบคิว, การประเมินโมเดลการเรียนรู้แบบเสริมกำลัง, การประยุกต์ใช้การเรียนรู้ของเครื่องในวิทยาศาสตร์ข้อมูลและปัญญาประดิษฐ์
Supervised learning: supervised learning workflows, k-nearest neighbors, decision tree, support vector machine, logistic regression, regression, supervised learning model evaluation, unsupervised learning: unsupervised learning workflows, k-means clustering, hierarchical clustering, density-based clustering, unsupervised learning model evaluation, reinforcement learning: reinforcement learning workflows, Markov decision processes, Q-learning algorithm, reinforcement learning model evaluation, application of machine learning in data science and artificial intelligence
ระยะเวลาในการเรียนรู้ : 45 ชั่วโมง ( 3 หน่วยกิต ) จำนวน 7 วัน
วันที่เรียน : 20 เมษายน 2566 | 27 เมษายน 2566 | 11 พฤษภาคม 2566 | 18 พฤษภาคม 2566 | 25 พฤษภาคม 2566
1 มิถุนายน 2566 | 8 มิถุนายน 2566
รูปแบบการเรียน : แบบ Onsite คณะเทคโนโลยีสารสนเทศ มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี
สิ่งที่จะได้เรียนรู้ใน Module นี้
- Supervised Learning
- Unsupervised Learing
- Reinforce Learning
- Model Creation and Evaluation
- Application of Machine Learning
เครื่องมือในการเรียนรู้ (Tools)
- Sklearn
- Tensor Flow
- Steamlit
ผลลัพธ์การเรียนรู้
- มีทักษะใช้โปรแกรมหรือเครื่องมือสมัยใหม่ในการวิเคราะห์ข้อมูลและสร้างโมเดลการเรียนรู้แบบมีผู้สอน โมเดลการเรียนรู้แบบไม่มีผู้สอน และโมเดลการเรียนรู้แบบเสริมกำลัง เพื่อแก้โจทย์ปัญหาที่เกิดขึ้นในหน่วยงานให้เกิดการพัฒนางานจริงของหน่วยงานโดยใช้หลักการทางวิทยาศาสตร์ข้อมูลและปัญญาประดิษฐ์
ผู้เรียนได้รับ Knowledge / Skills / Ability อะไรบ้าง
- Knowledge ความเข้าใจในหลักการเรียนรู้ของเครื่อง เพื่อประยุกต์ใช้ในงานทางด้านวิทยาศาสตร์ข้อมูลและปัญญาประดิษฐ์
- Skills
1. มีทักษะการใช้เครื่องมือหรือเขียนโปรแกรมบนหลักการเรียนรู้ของเครื่อง เพื่อสร้างโมเดล ทดสอบโมเดล
2. มีทักษะในการประเมินประสิทธิภาพและเลือกโมเดลที่เหมาะสมในการแก้ปัญหาหรือพัฒนางานให้ดีขึ้น - Ability
1. วิเคราะห์ความต้องการจากโจทย์ปัญหาจริงของหน่วยงานหรือภาคอุตสาหกรรมเพื่อการพัฒนางานโดยใช้วิทยาศาสตร์ข้อมูลและปัญญาประดิษฐ์
2. มีทักษะเรียนรู้ด้วยตนเอง ปรับตัวใช้เครื่องมือทางด้านวิทยาศาสตร์ข้อมูลและปัญญาประดิษฐ์ที่มีการพัฒนาปรับปรุงและเกิดขึ้นใหม่อย่างต่อเนื่องในปัจจุบัน
Module นี้ตรงหรือเทียบได้กับรายวิชาในหลักสูตร
ชื่อหรือรหัสโมดูล |
รายวิชาหลัก/รายวิชาเลือกเสรี |
ร้อยละของเนื้อหาในรายวิชาหลัก/วิชาเลือกเสรี |
INT27101 การเรียนรู้ของเครื่อง (Machine Learning) |
INT271 การเรียนรู้ของเครื่อง (Machine Learning) จำนวน 3 หน่วยกิต/วิชาบังคับ ในหลักสูตร B.Sc. (Information Technology) ในหลักสูตรปรับปรุง พ.ศ. 2567 Track อาชีพ: Data Science และ AI Developer |
100 |
INT421 การเรียนรู้ของเครื่องจักรประยุกต์ (Applied Machine Learning) จำนวน 3 หน่วยกิต / วิชาเลือก ในหลักสูตร B.Sc. (Information Technology) หลักสูตรปรับปรุง พ.ศ. 2562 |
100 |
|
SED616 การเรียนรู้ของแม็ตชีน (Machine Learning) จำนวน 2 หน่วยกิต / วิชาบังคับ ในหลักสูตร M.Sc. (Software Engineering for Data Science) หลักสูตรปรับปรุง พ.ศ. 2563 |
100 |