SECTION_TITLE.OVERVIEW
มองไปทางไหนก็เห็นแต่กระแสของ AI ที่กำลังมา ไม่ว่าใครก็ต่างพูดถึงเรื่องนี้ซึ่งแม้ว่าการทำความเข้าใจรูปแบบการทำงานของ AI อาจเป็นเรื่องยาก แต่เบื้องหลังในการพัฒนาขึ้นมานั้นเกิดจาก 2 แนวคิดยอดนิยมอย่าง Machine Learning และ Deep Learning โดยเฉพาะ Deep Learning ที่กำลังได้ความนิยมมากขึ้นเรื่อยๆ ในแง่ของความแม่นยำ และความสามารถในการเรียนรู้กับข้อมูลจำนวนมาก
Deep Learning คืออะไร
Deep Learning คืออัลกอริทึมประเภทหนึ่ง เป็นซับเซตของ Machine Learning ซึ่งมีแนวคิดที่เลียนแบบมาจากการทำงานของระบบโครงข่ายประสาทในสมองมนุษย์ (Neural Network) โดยหลักการทำงานของ Deep Learning จะแบ่งออกเป็น 3 Layers หลัก ๆ คือ Input Layer ที่ทำหน้าที่ในการรับข้อมูล, Output Layer ที่ทำหน้าที่ประมวลผลข้อมูลออกมาเป็นผลลัพธ์ และ Hidden layer ที่ทำหน้าที่ประมวลผลข้อมูลระหว่าง Input และ Output Layer ซึ่งสามารถซ้อนทับกันหลาย ๆ Layers ได้โดยในแต่ละ Layer จะสามารถประมวลผลข้อมูลเป็นตัวแปรที่แตกต่าง และเป็นอิสระต่อกันได้ ทำให้ยิ่งเราป้อนข้อมูลให้กับ model มากเท่าไหร่ เเต่ละ layer ก็จะสามารถสกัด feature ที่มีความซับซ้อนมากยิ่งขึ้น
ปัจจุบัน Deep Learning ถูกนำมาประยุกต์ใช้ในงานต่างๆ มากมาย
- การตรวจจับวัตถุ (Object Detection) เช่น การตรวจจับใบหน้า เป็นต้น
- การตรวจจับคำพูดหรือเสียง (Speech Recognition) เช่น Automated Subtitles บน Youtube เป็นต้น
PyTorch คืออะไร
Pytorch เป็น AI & Machine Learning Framework ที่ถูกพัฒนาโดยทีม Facebook's AI Research Lab ในปี 2016 ซึ่งเป็น open-source library เปิดให้ใช้งานฟรี โดยภาษาหลักที่นิยมนำไปใช้กันคือ Python
ปัจจุบัน Pytorch ได้รับความนิยมอย่างมากในการนำไปสร้างโมเดล Neural Network (Deep Learning) เนื่องจากมีลักษณะที่ค่อนข้างพร้อมต่อการใช้งานทันที จึงใช้งานได้ง่ายกว่า Tensorflow ที่เป็น Framework ประเภทเดียวกัน แต่ก็ยังสามารถปรับแต่งอะไรเพิ่มเติมได้มากกว่า Keras
คอร์สเรียน Deep Learning ด้วย PyTorch
เริ่มต้นสร้าง Deep Learning ของคุณเองผ่านการลงมือทำจริง จากแบบฝึกหัด และตัวอย่างจริงที่จะช่วยให้คุณสามารถทำงานได้แบบมืออาชีพ ผ่านการสอนโดย 2 ผู้เชี่ยวชาญที่พร้อมแชร์ประสบการณ์ และเทคนิคต่างๆ เพื่อให้คุณสามารถเริ่มต้นสร้างได้เองด้วย PyTorch ตั้งแต่การเข้าใจความแตกต่างของ AI, Machine Learning และ Deep Learning ผ่าน Use Cases ต่างๆ รวมไปถึงการทำความเข้าใจในหลักการทำงานของ Deep Neural Network และวิธีการสร้าง Neural Network Model ผ่านการลงมือทำจริง จนไปถึงแนวทางในการเพิ่มความแม่นยำ และประสิทธิภาพของโมเดล
คอร์สนี้เหมาะสำหรับ
- Data Scientists ที่ต้องการพัฒนาทักษะการทำ Deep Learning ด้วย PyTorch ผ่านการลงมือทำจริง เพื่อนำไปใช้ประยุกต์ และต่อยอดในการทำงานกับ Dataset ที่มีความหลากหลาย หรือข้อมูลจำนวนมาก หรือพัฒนาทักษะการวิเคราะห์ข้อมูลได้ดียิ่งขึ้น
- Machine Learning Engineers ที่อยากเข้าใจวิธีการสร้าง Deep Learning ด้วย PyTorch แทนการใช้ Library อื่นอย่าง Tensorflow โดยได้เรียนรู้ลึกแบบครบวงจรในการออกแบบ และสร้างโมเดล และวิธีการในการปรับปรุงประสิทธิภาพ และความแม่นยำของโมเดล
- Software Developers ที่ต้องการทำความเข้าใจวิธีการทำ Dynamic Neural Network หรือการทำ Deep Learning ตั้งแต่พื้นฐานในการใช้ Syntax ต่างๆ เพื่อทำงานร่วมกันกับทีมที่เกี่ยวข้องภายในองค์กร หรือทีมได้อย่างมีประสิทธิภาพ
- Researchers and Academics ที่ต้องการเรียนรู้ตั้งแต่แนวคิด ทฤษฎี และหลักการในการทำงานของ Deep Learning โดยได้ทดลองสร้างโมเดลของตนเองจริง เพื่อนำไปพัฒนาต่อยอดในโปรเจกต์ หรืองานวิจัยของตนเอง
- บุคคลทั่วไป ที่สนใจ Deep Learning ต้องการเรียนรู้เพิ่มเติม เพื่อต่อยอดทักษะของตนเอง
หมายเหตุ
- ผู้เรียนควรมีความรู้เบื้องต้นในภาษา Python เช่น เข้าใจเรื่อง Data Structures (List, Dictionaries) และ Library พื้นฐาน (Numpy, Pandas)
- หากมีความเข้าใจเกี่ยวกับ Object-Oriented Programming (Classes and objects) และ มีความคุ้นเคยในหลักการและแนวคิดของการทำ Machine Learning มาก่อนจะช่วยให้เข้าใจเนื้อหาได้ง่ายขึ้น (Recommended but not required)
หลังเรียนจบคุณจะสามารถ
-
เข้าใจภาพรวม และความแตกต่างระหว่าง Artificial intelligence (AI) Machine Learning (ML) และ Deep Learning (DL) รวมถึงกรณีการใช้งานผ่าน Use Cases ต่างๆ
-
เข้าใจทฤษฏีต่างๆ และหลักการทำงานของ Deep Neural Network เช่น Backpropagation, และ Gradient Descent เป็นต้น
- สามารถใช้งาน Library Pytorch ขั้นพื้นฐาน เช่น Tensor Operation, Torch for Neural Network, และ Autograd ได้
- สามารถสร้าง Neural Network Model ได้ เช่น สร้างการทำนายตัวเลขไทยจากภาพเขียนลายมือ (Classification) และ การทำนายราคารถยนต์มือสอง (Regression)
-
สามารถพัฒนาความแม่นยำ (Accuracy) และประสิทธิภาพ (Efficiency) ของ Neural Network Model ของตนเองได้จริง
ทดลองเล่นโมเดล ที่คุณจะได้ลองสร้างภายในคอร์ส
หมายเหตุ: กรณีที่ SketchPad (แถบวาดรูป) ไม่สามารถเขียนได้เต็มแถบ หรือสามารถเขียนได้เพียง 1/4 ของแถบทั้งหมด ให้กด refresh (F5) ขณะที่ยังเห็น SketchPad อยู่เพื่อโหลดอีกครั้ง
SECTION_TITLE.INSTRUCTOR


SECTION_TITLE.COURSE_OUTLINE
Introduction to PyTorch
Materials (Silde) (2)
Introduction
What is PyTorch
Getting Started with Colab
7:46
Github Repository
What is Tensors
4:41
Tensor Operations (1)
9:20
Tensor Operations (2)
7:40
Tensor Operations (3)
3:31
Recap Article: Introduction to Pytorch
Torch for Neural Network (torch.nn)
2:45
Functions for Neural Network (torch.nn.functional)
8:13
Article: ทบทวนเนื้อหา Object-oriented programming (OOP)
Neural Network Module (torch.nn.module)
6:37
Recap Article: Torch for Neural Network
Autograd
5:14
Recap Article: Autograd and Neural network
Neural Network for Classification
Thai Digit Classification (Workflow Summary)
Cloning Thai Digit Handwritten Dataset
Splitting Data into Train Validation and Test Sets
Image Transformation
7:28
Creating a Custom Dataset
6:59
Creating a Dataloader
3:30
Creating a Neural Network Model
5:49
Training The Model (net.train)
8:11
Training The Model (net.eval)
5:49
Model Saving
2:25
Model Loading
2:53
Recap Article: Thai Digit Handwritten Recognition
Things to Do After Finish The Code (Clean Up)
9:47
Training with More Layers
4:14
Regularization with Dropout
3:28
Image Augmentation
7:48
Recap Article: Experiments
GPU
9:48
Recap Article: GPU
Article: การนำ Classification Model ไปสร้างเป็น Application
Neural Network for Regression
Second-Hand Car Price Prediction
Categorical Columns (One-hot Endcoding)
Continuous Columns (MinMaxScaler)
Apply One-hot Endcoding and Normalization
4:19
Training a Linear Regression Model
6:20
Training Neural Network with Tabular Data
9:35
Training a Neural Network with Multiple Layers (MLP)
3:51
Using the model to predict on new data
5:52
Recap Article: Deep learning for tabular data
Article: การนำ Regression Model ไปสร้างเป็น Application
SECTION_TITLE.FAQS
Q:
ซื้อคอร์สออนไลน์ในนามนิติบุคคลผ่านหน้าเว็บไซต์ได้หรือไม่
A:
สามารถทำได้ โดยในหน้าคำสั่งซื้อ กดเครื่องหมายถูกในช่อง "ต้องการออกใบกำกับภาษี/ใบเสร็จรับเงิน" จากนั้นเลือก "นิติบุคคล/บริษัท" และคำสั่งซื้อจะมีการหักภาษี ณ ที่จ่าย 3% โดยอัตโนมัติ ในกรณีบริษัทของท่านไม่ใช่ 3% กรุณาส่งรายละเอียดที่ต้องการสั่งซื้อมาที่ hello@skooldio.com
Q:
วิธีขอใบกำกับภาษีในนามนิติบุคคลและใบกำกับภาษีสำหรับบุคคลทั่วไป
A:
กดเครื่องหมายถูกในช่อง "ต้องการออกใบกำกับภาษี/ใบเสร็จรับเงิน" ในหน้าชำระเงินและเลือกประเภทบุคคลทั่วไปหรือนิติบุคคล และกรอกรายละเอียด
Q:
คอร์สออนไลน์สามารถกลับมาเรียนซ้ำได้หรือไม่
A:
สำหรับคอร์สที่ซื้อในนามบุคคลทั่วไป คอร์สมีอายุตลอดชีพ สำหรับคอร์สที่ซื้อในนามนิติบุคคล สามารถกลับมาเรียนซ้ำได้ภายใน 1 ปี
Q:
สามารถแก้ไขใบกำกับภาษีจากในนามนิติบุคคลเป็นใบกำกับภาษีบุคคลทั่วไป และ ใบกำกับภาษีบุคคลทั่วไปเป็นใบกำกับภาษีในนามนิติบุคคลได้หรือไม่
A:
หลังจากได้รับใบกำกับภาษีแล้ว หากต้องการแก้ไขข้อมูล สามารถทำได้ภายใน 7 วัน นับจากวันที่ได้รับใบกำกับภาษีแบบเต็มรูปทางอีเมล โดยสามารถแก้ไขข้อมูลได้เฉพาะ ชื่อ-นามสกุล เลขประจำตัวผู้เสียภาษีและที่อยู่เท่านั้น จะไม่สามารถแก้ไขข้อมูลคำสั่งซื้อได้