อบรม AI , เรียน AI

AI Prompt Engineer

คอร์สใหม่ AI Coding

อบรม AI คอร์สนี้เกี่ยวกับอะไร และเหมาะกับใคร

คอร์ส อบรม AI นี้เราจะสอนความรู้เกี่ยวกับการวิเคราะห์ข้อมูล ตั้งแต่เริ่มต้น จนถึง การวิเคราะห์ข้อมูล และทำการพยากรณ์ด้วยปัญญาประดิษฐ์ โดยใช้ chatGPT

คอร์ส อบรม AI นี้เหมาะกับใคร

บุคคคลทั่วไป นักเรียน นักศึกษา อาจารย์ ผู้ทำงาน และนักบริหาร หรือผู้ที่สนใจทุกท่าน

คนที่ไม่ได้เป็นโปรแกรมเมอร์,คนที่เพิ่งเริ่มศึกษาเพื่อจะเป็นโปรแกรมเมอร์

ผู้ที่ชอบเรียนรู้ เทคโนโลยี่ใหม่ๆ ,ผู้ที่ชอบนำเทคโนโลยี่ใหม่ๆมาใช้งาน

ผู้ที่ต้องการเรียนรู้การใช้เทคโนโลยีสมียใหม่ เช่น พวก Generative AI โดยในที่นี้เราจะใช้ ChatGPT4

ผู้ที่ต้องการเรียนรู้การวิคราะห์ข้อมูลแต่ไม่อยากที่จะเขียนโค้ด

ผู้ที่ต้องการทำกาพยากรณ์จากข้อมูลด้วยปัญญาประดิษฐ์แต่ยังไม่อยากเขียนโค้ด

หรือผู้ที่ต้องการเรียนรู้การเขียนโค้ดสำหรับการเวิเคราะห์ข้อมูลเบื้องต้น(เนื่องจากเราสามารถเปิดโค้ดที่ ChatGPT4 เขียนออกมาดูได้

หรือผู้ที่ต้องการเรียนรู้การเขียนโค้ดสำหรับการทำการพยากรณ์ด้วยปัญญาประดิษฐ์เบื้องต้น(เนื่องจากเราสามารถเปิดโค้ดที่ ChatGPT4 เขียนออกมาดูได้

เนื่องจากคอร์ส อบรม AI นี้จะต้องใช้ ChatGPT 4 ซึ่งเป็นแบบ Plus Plan ซึ่งมีค่าใช้จ่ายเดือนละ 20 USD เพราะจะมี ฟังก์ชั่น Data Analysis ที่เราไว้ใช้เรียน สำหรับท่านที่ยังไม่ได้สมัครให้อ่านที่นี่

Prompt คืออะไร

คือการสร้างคำถามหรือคำสั่งที่ชัดเจนและเฉพาะเจาะจง เพื่อขอข้อมูลหรือการตอบสนองจากระบบ AI ในรูปแบบที่เราต้องการ การเขียน "prompt" ที่ดีเป็นสิ่งสำคัญในการทำให้ AI ทำงานได้ตามที่เราต้องการ การเขียน "prompt" ที่ชัดเจนและเฉพาะเจาะจงจะช่วยให้ระบบ AI ตอบคำถามหรือทำงานตามคำสั่งได้แม่นยำและครบถ้วนมากขึ้น
ตัวอย่างการเขียน "prompt":
ไม่ชัดเจน: "บอกเรื่องราวใน Harry Potter"
AI อาจจะไม่รู้ว่าคุณต้องการฟังเรื่องราวแบบย่อหรือเนื้อหาสำคัญเฉพาะบางส่วน
ชัดเจน: "สรุปเนื้อเรื่องของเล่ม Harry Potter ภาคแรกใน 3 ประโยค"
AI จะเข้าใจว่าคุณต้องการสรุปเนื้อเรื่องของเล่มแรกและต้องสรุปใน 3 ประโยค
จากตัวอย่าง, การเขียน "prompt" ในรูปแบบที่ชัดเจนจะช่วยให้ AI ทำงานได้แม่นยำและเข้าใจความต้องการของเรามากขึ้น.

คอร์ส อบรม AI นี้สอนอะไรบ้าง

คอร์ส อบรม AI นี้เราจะสอนความรู้เกี่ยวกับการวิเคราะห์ข้อมูล ตั้งแต่ขั้นพื้นฐานสำหรับผู้เริ่มต้น ผ่านการนำเสนอเครื่องมือและเทคนิคที่ใช้ในการวิเคราะห์ข้อมูล จนถึงการใช้ปัญญาประดิษฐ์ในการพยากรณ์ผล โดยการนำ chatGPT มาใช้เป็นเครื่องมือหลักในการทำการพยากรณ์และการวิเคราะห์ข้อมูล ด้วยการเขียน prompt ผู้เรียนจะได้รับความรู้ทั้งทฤษฎีและปฏิบัติ ซึ่งจะช่วยให้ความเข้าใจที่ลึกซึ้งและมีประสิทธิภาพในการนำไปประยุกต์ใช้ในชีวิตจริงและการงาน

chatGPT

คอร์ส อบรม AI นี้แนะนำวิธีการเขียน "Prompt" สำหรับ chatGPT ตั้งแต่พื้นฐาน โดยเราเขียนเป็นคำสั่งให้เพื่อให้ chatGPT ตอบหรือดำเนินการ ตามที่เราต้องการ , รวมทั้งต้องทำการการแก้ไข ปรับปรุง ออกแบบ prompt ให้มีประสิทธิภาพที่เรียกว่า Prompt Engineering. โดยจากการเรียนในคอร์ส ผู้เรียนจะเข้าใจวิธีสร้าง Prompt และทักษะที่จำเป็นสำหรับการใช้งาน chatGPT ได้อย่างเต็มประสิทธิภาพ.

Machine learning

คอร์ส อบรม AI นี้สอนเกี่ยวกับ Machine Learning ผ่านหลักการและประยุกต์ใช้ Algorithm ต่างๆเช่น Regression, KNN, Decision Tree, และ Naive Bayes สำหรับการพยากรณ์ข้อมูล. ผู้เรียนจะเรียนรู้วิธีเลือก Algorithm ที่เหมาะสม, ปรับปรุงแบบจำลอง, และการนำเสนอผลลัพธ์ และนำไปทำนายข้อมูล โดยใช้ chatGPT

Data Analysis

คอร์ส อบรม AI นี้เน้นการวิเคราะห์ข้อมูลระดับเบื้องต้น โดยครอบคลุมขั้นตอนตั้งแต่การรวบรวม, คัดเลือก, ถึงการเตรียมข้อมูล รวมไปถึงการใช้เครื่องมือและซอฟต์แวร์สำหรับวิเคราะห์ โดยใช้ chatGPT. ผู้เรียนจะเรียนรู้การแสดงผลข้อมูลเป็นกราฟแบบต่างๆ และการสรุปผล ทำให้ผู้เรียนมีความสามารถในการทำงานกับข้อมูลและวิเคราะห์ข้อมูลได้อย่างมืออาชีพ.

Deep Learning

คอร์ส อบรม AI นี้เน้นการวิเคราะห์และพยากรณ์ข้อมูลโดยใช้ Chat GPT ในการสร้างโเมเดลโดยใช้ Deep Learning ที ผ่านตัวอย่างและแบบฝึกหัด, ผู้เรียนจะสามารถนำความรู้ไปเชื่อมโยงความรู้กับสถานการณ์จริง และเรียนรู้การประยุกต์ใช้ Chat GPT ในการสร้างแบบจำลองปัญญาประดิษฐ์ที่เหมาะสม หลังจบคอร์ส,

รายละเอียดหลักสูตร อบรม AI เรียน AI

chatGPT Prompt Engineering

เราจะมาเรียนรู้การเขียน Prompt ด้วย chatGPT กัน

การทำความเข้าใจ และการทำงานของ ChatGPT

ความหมายของ Prompt

การสร้าง Prompts ที่มีประสิทธิภาพ

เทคนิคและทริคต่างๆในการเขียน Prompts
-Zero Shot Prompting
-Single Shot Prompting
-Few Shot Prompting

การประยุกต์ใช้ Prompt Engineering ในสาขาต่างๆ

การใช้ Advanced Data Analysis ที่อยู่ใน chatGPT 4 ในการวิเคราะห์ข้อมูล

Data Analysis with chatGPT

อบรม AI เราจะมาวิเคราะห์ข้อมูล โดยการเขียน Prompt ด้วย chatGPT กัน

แนะนำการวิเคราะห์ข้อมูลเบื้องต้น

ข้อมูลแบบต่างๆ

เครื่องมือและซอฟท์แวร์ในการวิเคราะห์ข้อมูล

การวิเคราะห์ข้อมูลเบื้องต้น(Exploratory Data Analysis - EDA)
      EDA เป็นขั้นตอนสำคัญในกระบวนการวิเคราะห์ข้อมูล เพื่อเข้าใจภาพรวมของข้อมูล รวมถึงความสัมพันธ์และแนวโน้มที่อาจเกิดขึ้นภายในข้อมูล ดังนั้น ขั้นตอน EDA จึงเป็นสิ่งที่วิเคราะห์ข้อมูลทุกคนควรจะทำก่อนขั้นตอนการวิเคราะห์ที่ซับซ้อนขึ้น
       การตรวจสอบข้อมูลเบื้องต้น
         --- ดูขนาดของข้อมูล (จำนวนแถว และคอลัมน์)
         --- ดูหัวแถวและข้อมูลแรกๆ
         --- ตรวจสอบประเภทข้อมูลในแต่ละคอลัมน์
       การตรวจสอบข้อมูลที่หายไป (Missing Data)
         --- หาจำนวนข้อมูลที่หายไปในแต่ละคอลัมน์
         --- พิจารณาวิธีการจัดการกับข้อมูลที่หายไป
       การวิเคราะห์ข้อมูลสถิติเบื้องต้น
         --- คำนวณค่าเฉลี่ย, ค่ามัธยฐาน, ส่วนเบี่ยงเบนมาตรฐาน
         --- ตรวจสอบการกระจายของข้อมูล และความเบี่ยงเบน
       การสร้างกราฟเพื่อศึกษาข้อมูล
         --- ใช้กราฟแท่ง (Bar Chart) หรือแผนภูมิวงกลม (Pie Chart) สำหรับข้อมูลแบบ Categorical
         --- ใช้ Box Plot หรือ Histogram สำหรับข้อมูลแบบ Quantitative
         --- ใช้ Scatter Plot เพื่อศึกษาความสัมพันธ์ระหว่างคอลัมน์
      การตรวจสอบความสัมพันธ์
         --- การคำนวณสัมประสิทธิ์สหสัมพันธ์ (Correlation Coefficient) เพื่อดูความสัมพันธ์ระหว่างคอลัมน์ต่างๆ
      การตรวจสอบข้อมูลผิดปกติ (Outliers)
         --- สามารถใช้ Box Plot หรือ IQR เพื่อตรวจสอบ
         --- การคำนวณสัมประสิทธิ์สหสัมพันธ์ (Correlation Coefficient) เพื่อดูความสัมพันธ์ระหว่างคอลัมน์ต่างๆ
      การสร้างโมเดลทางปัญญาประดิษฐ์
         --- หลังจากนี้ ถ้าจะสร้างโมเดลทางปัญญาประดิษฐ์ โดยนำข้อมูลไปให้เรียนรู้ ก็แล้วแต่ว่าต้องการไหม หรือต้องการพยากรณ์อะไร ใช้อัลกอริทึ่มอะไร

การแสดงข้อมูลแบบต่างๆ เช่น กราฟรูปแบบต่างๆ ( Data Visualization )
      --- Bar Chart
      --- Line Chart
      --- Pie Chart
      --- Scatter Plot
      --- Histogram
      --- Heat Map
      --- etc

ตัวอย่าง วิเคราะห์ข้อมูล การ Shopping จากข้อมูลที่ให้มา
-- เมื่อเรามีข้อมูลการซื้อของของลูกค้าที่มาจากแหล่งต่างๆ การวิเคราะห์ข้อมูลนี้จะช่วยให้เราเข้าใจลูกค้าของเราได้ดียิ่งขึ้น ดังนั้น มาเริ่มวิเคราะห์ข้อมูลกัน! อ่านข้อมูล: ขั้นตอนแรกคือการอ่านข้อมูลเข้ามาในโปรแกรม คล้ายๆ กับการเปิดหนังสือเพื่ออ่านเรื่องราวในนั้น ดูข้อมูล: เราจะดูว่าข้อมูลมีส่วนไหนบ้าง คล้ายๆ กับการดูว่าหนังสือเรามีกี่บท สร้างแผนภูมิ: เราสามารถสร้างแผนภูมิหลายแบบ เพื่อให้เราเข้าใจเรื่องราวจากข้อมูลได้ง่ายขึ้น และดูสวยงาม แผนภูมิแท่ง: เพื่อดูว่าสิ่งไหนบางสิ่งนั้นมีมากกว่าสิ่งอื่น เช่น สินค้าประเภทไหนขายดีที่สุด แผนภูมิวงกลม: เพื่อดูส่วนแบ่งของสิ่งต่างๆ ว่าแต่ละสิ่งมีส่วนแบ่งเท่าไหร่ เช่น วิธีการจัดส่งสินค้าไหนนิยมที่สุด วิเคราะห์ข้อมูล: เราจะวิเคราะห์ข้อมูลเพื่อหาคำตอบต่างๆ เช่น ลูกค้าอายุเท่าไหร่เฉลี่ย หรือวิธีการชำระเงินไหนนิยมที่สุด ด้วยขั้นตอนง่ายๆ เหล่านี้ เราก็สามารถเข้าใจลูกค้าของเรามากขึ้นและค้นหาวิธีที่จะบริการให้ดีขึ้นได้

ตัวอย่าง การทำการวิเคราะห์โฆษณาที่เรายิงแอดเฟสบุ๊คไป ว่าได้ประสิทธิผลเป็นอยางไร ยิงแอดไปลูกค้าถูกกลุ่มไหน แอดเคมเปญไหนดีไม่ดีอย่างไร
-- โดยสรุปขั้นตอนการทำงานแบบง่ายๆ ได้ดังนี้: อ่านข้อมูล: เราเริ่มต้นด้วยการอ่านข้อมูล สำรวจข้อมูล: เราดูภาพรวมของข้อมูล และเข้าใจความหมายของแต่ละคอลัมน์. สร้างแผนภูมิ: เราสร้างแผนภูมิเพื่อทำความเข้าใจในการกระจายของข้อมูล ไม่ว่าจะเป็นการกระจายตามอายุ, เพศ, หรือสนใจ. ตัดข้อมูล: เนื่องจากเราต้องการดูข้อมูลสำหรับแคมเปญบางแคมเปญ เท่านั้นที่มีประสิทธิภาพดี จึงตัดข้อมูลเพื่อเป็นชุดข้อมูลใหม่ที่มีเฉพาะแคมเปญนั้น. วิเคราะห์ข้อมูล: หลังจากนั้นเราวิเคราะห์ข้อมูลในแคมเปญนี้ โดยใช้แผนภูมิเพื่อดูว่ามีการจ่ายเงินเฉลี่ยเท่าไหร่ตามกลุ่มที่สนใจ และมีการแปลงเป็นการซื้อเฉลี่ยเท่าไหร่ตามเพศและอายุ.

อบรม AI : Machine Learning with chatGPT

เราจะมาสร้างโมเดลด้วย Machine Learning โดยการเขียน Prompt ด้วย chatGPT กัน

เรียนรู้เรื่องปัญญาประดิษฐ์เบื้องต้น ความหมายของปัญญาประดิษฐ์ ชนิดของปัญญาประดิษฐ์แบบต่างๆ

เรียนรู้การสร้างโมเดลอย่างง่าย เบื้องต้น โดยให้ลองเอารูปหมาแมวไปเทรน เพื่อให้ได้โมเดลออกมา แล้วเอาโมเดลไปทดสอบ และทำนายอีกทีหนึ่ง

เรียนรู้ Machine Learning ชนิดต่างๆ ได้แก่ Supervised Learning, Unsupervised Learning และ Reinforcement Learning

เรียนรู้ Machine Learning Algorithm ชนิดต่างๆ เช่น Linear Regression, Multiple Linear Regression, Logistic Regression,etc.

Linear Regression
-- "Linear Regression" เป็นเหมือนกับการพยายามทำนายว่าเมื่อเราเพิ่มงบโฆษณา, ยอดขายของเราจะเพิ่มขึ้นหรือไม่. ถ้าเราลงโฆษณาเยอะๆ, เราคาดว่าของเราจะขายดีขึ้น. แต่ถ้าไม่ลงโฆษณาเลย, ของเราอาจจะขายไม่ดี. ดังนั้น, "Linear Regression" คือ เป็นการนำข้อมูลที่เราให้ไปเรียนรู้ก่อนหน้า เพื่อให้ได้โมเดล ที่ได้มาจากการเรียนรู้แล้ว และนำโมเดลไปทดสอบ ว่ามีผลการทดสอบที่แม่นยำตามที่เราพอใจ แล้วจึงนำโมเดลมาทำนาย ว่าเมื่อเราเปลี่ยนแปลงงบโฆษณา, ยอดขายที่เราจะได้รับจะเป็นอย่างไร.

Multiple Linear Regression
-- เมื่อเราต้องการซื้อบ้าน, อาจมีหลายๆ ปัจจัยที่ทำให้ราคาบ้านนั้นแตกต่างกันออกไป. ลองนึกภาพว่าเราอยู่ในการประมูลบ้าน, และมีบ้านหลายหลังให้เลือก:
บ้าน A อยู่ในพื้นที่ที่คนในย่านนั้นมีรายได้สูง, บ้านในย่านนั้นเก่าประมาณ 10 ปี, มี 3 ห้องนอน และใกล้กับเมืองใหญ่.
บ้าน B อยู่ในพื้นที่ที่คนในย่านนั้นมีรายได้ปานกลาง, บ้านเก่าประมาณ 5 ปี, มี 2 ห้องนอน และอยู่ห่างจากเมืองใหญ่.
เมื่อเรามีข้อมูลเหล่านี้, เราอาจสงสัยว่าปัจจัยใดบ้างที่ส่งผลต่อราคาบ้าน. "Multiple Linear Regression" คือเครื่องมือหนึ่งที่ช่วยเราทำนายราคาบ้านโดยดูจากปัจจัยต่าง ๆ เหล่านี้ในคราวเดียว. ในที่นี้, เราไม่ต้องเข้าใจสมการที่ซับซ้อน แต่เราเพียงแค่ต้องการทราบว่าปัจจัยใดบ้างที่ส่งผลต่อราคาบ้าน. อาจเป็นเพราะรายได้ของพื้นที่, อายุของบ้าน, จำนวนห้องนอน, หรือความใกล้ชิดกับเมืองใหญ่. และเครื่องมือนี้จะช่วยเราเข้าใจว่าปัจจัยไหนมีผลมากที่สุดต่อราคาบ้าน เพื่อที่จะนำไปสร้างโมเดล..แล้วเราจะได้นำโมเดลเอาไปใช้เพื่อทำนายได้

Polynomial Regression
-- "Polynomial Regression" เป็นการใช้สมการที่มีฟอร์มของ polynomial เพื่อทำนายค่าต่าง ๆ คิดว่าเรามีรถยนต์และต้องการทราบว่าแรงม้า (horsepower) ของรถยนต์มีผลต่อการขับเคลื่อนที่ได้กี่ไมล์ต่อแกลลอน (MPG) หรือไม่. รถที่มีแรงม้าสูงอาจจะใช้น้ำมันเยอะขึ้น แต่เมื่อมีการปรับปรุงเทคโนโลยี แรงม้าสูงๆก็สามารถมี MPG ที่ดีได้. การใช้สมการ Linear เพียงอย่างเดียวในการพยายามทำนาย MPG จากแรงม้าของรถยนต์อาจจะไม่ให้คำตอบที่แม่นยำ เพราะเครื่องยนต์รถยนต์แต่ละรุ่นมีความซับซ้อนและแตกต่างกัน ดังนั้น, "Polynomial Regression" จะช่วยเราสร้างโมเดลที่เหมาะสมและซับซ้อนขึ้น โดยใช้สมการพหุนาม เพื่อทำนายว่ารถยนต์ที่มีแรงม้าเท่าใดจะมี MPG เท่าไร.

Logistic Regression
-- เป็นวิธีที่ใช้สมการเพื่อทำนายความน่าจะเป็นของเหตุการณ์บางอย่างที่จะเกิดขึ้น คิดว่าเรามีข้อมูลเกี่ยวกับผู้ป่วยและต้องการทราบว่าผู้ป่วยคนนั้นมีโอกาสเป็นโรคเบาหวานหรือไม่ โดยดูจากอายุ, ดัชนีมวลกาย (BMI), ระดับความดันโลหิต, ระดับน้ำตาลในเลือด, ระดับอินซูลิน, ประวัติครอบครัว, และระดับการออกกำลังกาย เราสามารถใช้ "Logistic Regression " เพื่อสร้างโมเดลที่บ่งบอกความสัมพันธ์ระหว่างข้อมูลเหล่านี้และความน่าจะเป็นที่ผู้ป่วยจะเป็นโรคเบาหวาน โดยเฉพาะเมื่อเราต้องการทำนายค่าที่มีเพียงสองค่าเอาต์พุต เช่น มีโรคหรือไม่มีโรค การถดถอยเชิงเส้นแบบตรรกะจะเป็นวิธีที่ดีในการทำนายความน่าจะเป็นของเหตุการณ์ที่ต้องการทราบ.

KNN หรือ K-Nearest Neightbors
--เป็นวิธีการทำนายที่ใช้ข้อมูลที่ใกล้เคียงกับข้อมูลใหม่ที่เราต้องการทำนาย เพื่อตัดสินใจว่าข้อมูลใหม่นั้นอยู่ในกลุ่มใด คิดว่าเรามีข้อมูลเกี่ยวกับดอกไม้ 3 ชนิดจากชุดข้อมูล "iris" และต้องการทราบว่าดอกไม้ชิ้นใหม่ที่เรามีคือชนิดใด ใน "KNN" เราจะดูที่ "K" ดอกไม้ที่ใกล้ที่สุดกับดอกไม้ที่เราต้องการทำนาย (ตามคุณสมบัติ เช่น ความยาวและความกว้างของกลีบดอกและกลีบเลี้ยง) และใช้ข้อมูลเหล่านี้เพื่อตัดสินใจว่าดอกไม้ใหม่นั้นอยู่ในกลุ่มชนิดใด ดังนั้น, "KNN" เป็นวิธีที่ใช้ข้อมูลที่มีอยู่เพื่อทำนายข้อมูลใหม่ โดยไม่ต้องสร้างโมเดลที่ซับซ้อน แต่เราต้องเลือกค่า "K" ที่เหมาะสมเพื่อให้การทำนายมีความแม่นยำ.

Decision Tree
--"ต้นไม้ตัดสินใจ" เป็นวิธีการทำนายที่ใช้โครงสร้างของต้นไม้เพื่อตัดสินใจ โดยเริ่มจากต้นไม้ที่มีแต่รากและค่อย ๆ ขยายออกไปจนถึงใบต้นไม้. แต่ละขั้นตอนของการตัดสินใจจะอ้างอิงจากคุณสมบัติของข้อมูลเพื่อคัดแยกกลุ่มข้อมูลออกจากกัน. คุณอาจต้องการทราบว่าลูกค้าคนใดจะได้รับการอนุมัติในการยืมเงินหรือไม่ โดยดูจากข้อมูลต่าง ๆ เช่น รายได้, ประวัติการจ่ายกู้, หนี้สินที่มีอยู่, และอื่น ๆ "Decision Tree" จะช่วยเราสร้างเส้นทางตัดสินใจต่าง ๆ จากคุณสมบัติของลูกค้า เพื่อทำนายว่าลูกค้าคนนั้นจะได้รับการอนุมัติในการยืมเงินหรือไม่ และสิ่งที่น่าสนใจคือ เราสามารถมองเห็นเส้นทางตัดสินใจในรูปแบบของต้นไม้ได้ ทำให้เราสามารถเข้าใจว่าเป็นอะไรที่ทำให้ลูกค้าบางคนได้หรือไม่ได้รับการอนุมัติ. .

Random Forest
--"หรือ "ป่าไม้แบบสุ่ม" เป็นวิธีการทำนายที่ใช้หลาย ๆ ต้นไม้ตัดสินใจในการทำนายข้อมูล เพื่อเพิ่มความแม่นยำและลดความเสี่ยงจากการเกิด overfitting. คิดว่าเรามีข้อมูลเกี่ยวกับผู้โดยสารบนเรือ Titanic และต้องการทราบว่าผู้โดยสารคนนั้นจะรอดชีวิตจากเหตุการณ์การจมเรือหรือไม่. ใน "Random Forest", เราจะสร้างหลาย ๆ ต้นไม้ตัดสินใจจากข้อมูลแต่ละส่วนของชุดข้อมูล และใช้ผลลัพธ์จากต้นไม้ทั้งหมดเพื่อตัดสินใจว่าผู้โดยสารคนนั้นจะรอดชีวิตหรือไม่. ตัวอย่างเช่น, ต้นไม้แรกอาจจะตัดสินใจจากเพศ, ต้นไม้ที่สองจากคลาสโดยสาร, และต้นไม้ที่สามจากราคาตั๋ว, ฯลฯ ดังนั้น, "Random Forest" เป็นวิธีที่ใช้หลาย ๆ ต้นไม้ตัดสินใจเพื่อเพิ่มความแม่นยำในการทำนาย โดยข้อมูลที่เราใช้คือ Titanic Disaster โดยจะทำการ Cleansing Data และ ทำการิเคราะห์ข้อมูลโดยใช้ Random Forest

Naive Bays
-- เป็นวิธีการทำนายที่ใช้ความน่าจะเป็นเพื่อคำนวณว่าข้อมูลใหม่นั้นอยู่ในกลุ่มใด คิดว่าเรามีข้อมูลเกี่ยวกับคนต่าง ๆ และต้องการทราบว่าบุคคลคนนั้นมีโอกาสซื้อประกันสุขภาพหรือไม่ โดยดูจากคุณสมบัติ เช่น อายุ, ดัชนีมวลกาย (BMI), มีโรคประจำตัวหรือไม่, ความถี่ในการออกกำลังกาย, และประวัติครอบครัว ใน "Naive Bayes", เราจะใช้ข้อมูลที่เรามีอยู่เพื่อคำนวณความน่าจะเป็นของแต่ละคุณสมบัติ เช่น ความน่าจะเป็นที่บุคคลที่มีอายุ 30 ปีจะซื้อประกันสุขภาพ, ความน่าจะเป็นที่บุคคลที่ออกกำลังกาย 5 ครั้งต่อสัปดาห์จะซื้อประกันสุขภาพ, ฯลฯ และจากนั้นเราจะนำความน่าจะเป็นเหล่านี้มาคำนวณว่าบุคคลคนนั้นมีโอกาสซื้อประกันสุขภาพหรือไม่

SVM หรือ Support Vector Machine
-- เเป็นวิธีการทำนายที่พยายามหาเส้นแบ่งที่ดีที่สุดระหว่างข้อมูลของแต่ละกลุ่ม เพื่อทำนายว่าข้อมูลใหม่จะอยู่ในกลุ่มใด คิดว่าเรามีข้อมูลเกี่ยวกับความแตกต่างระหว่างหมากับแมว ใน "SVM", เราจะใช้คุณสมบัติเช่น ความยาวของหู และความยาวของจมูก เพื่อแยกความแตกต่างระหว่างหมาและแมว ดังนั้น, "SVM" เป็นวิธีที่สร้างเส้นแบ่งระหว่างข้อมูลของแต่ละกลุ่ม ซึ่งเส้นแบ่งนี้จะถูกสร้างขึ้นอย่างรอบคอบเพื่อให้แน่ใจว่าการแบ่งกลุ่มมีความแม่นยำสูงสุด และเมื่อเรามีข้อมูลใหม่ เราสามารถใช้เส้นแบ่งนี้เพื่อทำนายว่าข้อมูลใหม่นั้นอยู่ในกลุ่มใด.

K Mean Clustering
-- เป็นวิธีการแบ่งกลุ่มข้อมูลใน "unsupervised learning" ซึ่งไม่ได้ใช้ป้ายกำกับในการสอนโมเดล แต่แทนที่จะใช้คุณลักษณะหรือความคล้ายคลึงของข้อมูลเพื่อแบ่งกลุ่ม จากข้อมูลที่เรามี, เรามี "รายได้ต่อปี" และ "การใช้จ่าย" สำหรับแต่ละลูกค้า และเราต้องการแบ่งข้อมูลนี้เป็นกลุ่มตามรายได้และพฤติกรรมการใช้จ่ายของลูกค้า เมื่อเราใช้ "K-Means Clustering", ข้อมูลของเราจะถูกแบ่งออกเป็นกลุ่มตามความคล้ายคลึงกันโดยอัตโนมัติ ทำให้เราสามารถเข้าใจการกระจายของข้อมูลและพฤติกรรมของลูกค้าได้ดียิ่งขึ้น.

อบรม AI : Deep Learning

เราจะมาเรียนรู้เรื่อง Deep Learning เบื้องต้น กัน

การทำความเข้าใจ และการทำงานของ Deep Learning, Neural , Multi Layer Perceptron

ตัวอย่างการใช้ Deep Learning ในการสร้าง Model
-- ลองใช้ข้อมูล Dataset ที่มี เอามาให้ Deep Learning ในการสร้าง Model และฝึกทำนาย

ตัวอย่างอื่นๆให้ฝึกฝน
-- ลองให้ชุดข้อมูลแบบฝึกหัดเพิ่มเติม แล้วให้หาว่าจะใช้ algorithm ไหนเพื่อสร้างโมเดล และให้ทำการทดสอบ และพยากรณ์ข้อมูลที่ให้มา.

ผู้เรียน มีความรู้เบื้องต้นทั่วไปครับ เช่นคอมพิวเตอร์เบื้องต้น สามารถ copy ,paste ได้ เข้าอินเตอร์เน็ตได้ unzip ข้อมูลได้ เป็นต้นครับ

สำหรับผู้ที่ไม่มีความรู้ทั้งทางด้านการใช้ ChatGPT ,การวิเคราะห์ข้อมูล,และ Machine Learning ,Deep Learning เราจะสอนให้ท่านมีความรู้ทางด้านเหล่านี้ตั้งแต่เบื้องต้นครับ ขอให้ท่านตั้งใจจริงในการเรียนรู้ ท่านก็จะสามารถทำได้ครับ

ผู้เรียนจะต้องมีคอมพิวเตอร์ หรือ notebook ที่ระบบปฎิบัติการเป็นอะไรก็ได้ เช่น Windows ,Mac,Linux โดยที่จะต้องต่อออกอินเตอร์เน็ตได้ผ่าน Browser และต้องมีโปรแกรม chatGPT 4 ซึ่งมีค่าใช้จ่ายต่อเดือน เดือนละ 20 USD ซึ่งจะมีฟังก์ชั่นที่สามารถวิเคราะห์ข้อมูลได้ ซึ่งปัจจุบันตอนนี้ OpenAI ได้ปิดการรับสมัครชั่วคราวเนื่องจากคนที่ใช้เยอะมาก แต่อย่างไรก็ตามสำหรับคนที่ไม่มี ท่านสามารถใช้ ChatGPT3.5 แล้วผมจะส่งเฉลยที่แชร์มาจาก ChatGPT4 ซึ่งได้ทำการ Run เตรียมตัวไว้ก่อนหน้านี้ ท่านก็สามารถศึกษาเรียนรู้ไปได้พร้อมกันครับ หลังจากนั้น ถ้าเปิดรับสมัครท่านก็ค่อยมาฝึกทำตามทีหลังได้ครับ และ ถ้าเป็นไปได้ ผู้เรียนควรจะมี คอมพิวเตอร์ หรือ Tablet หรือ จอทีวีอะไรก็ได้ อีกหนึ่งจอ ที่ลงโปรแกรม Zoom ได้ เพื่อไว้ดูหน้าจอของผู้สอนได้ชัดเจน

ได้ครับ เนื่องจากการเขียน prompt ให้ chatgpt ตอบ จะเป็นคำสั่งง่ายๆที่เราได้เตรียมมาให้เรียบร้อยแล้ว เพียงแต่ท่านเข้าใจการทำงาน และรู้ว่าจะสั่งอะไรให้ chatgpt ตอบก็จะใช้งานได้เป็นแล้วครับ

ได้ครับ เนื่องจากการเขียน prompt ให้ chatgpt ตอบ เขาจะให้เฉลยเป็น code เบื้องหลัง และเราสามารถนำ code นี้ไปใช้งานได้ครับ หรือศึกษาจาก code ที่เขาเขียนให้มาก็ได้ครับ

ติดต่อ Line id : billykai

ทางเราจะมีการอัดวีดีโอและใส่ไว้ใน Facebook กลุ่มปิดเฉพาะผู้เข้าอบรมครับ

เนื่องจาก ตัวที่เราใช้อบรมจะเป็นตัว chatGPT ซึ่งเป็น Plan แบบ Plus ที่มี function data analysis อยู่ ซึ่งมีค่าใช้จ่ายต่อเดือน เดือนละ 20 USD ซึ่งจะมีฟังก์ชั่นที่สามารถวิเคราะห์ข้อมูลได้ ซึ่งปัจจุบันตอนนี้ OpenAI ได้ปิดการรับสมัครชั่วคราวเนื่องจากคนที่ใช้เยอะมาก แต่อย่างไรก็ตามสำหรับคนที่ไม่มี ท่านสามารถใช้ ChatGPT3.5 ซึ่งเป็นตัวฟรี แล้วผมจะส่งเฉลยที่แชร์มาจาก ChatGPT4 ซึ่งได้ทำการ Run เตรียมตัวไว้ก่อนหน้านี้ ท่านก็สามารถศึกษาเรียนรู้ไปได้พร้อมกันครับ หลังจากนั้น ถ้าเปิดรับสมัครท่านก็ค่อยมาฝึกทำตามทีหลังได้ครับ

เรียนวันเสาร์ที่ 16 ธันวาคม วันอาทิตย์ที่ 17 ธันวาคม และวันเสาร์ที่ 23 ธันวาคม 2023 เวลา 9.00-16.00 เรียนออนไลน์ ผ่านโปรแกรม zoom ครับ

รบกวนติดต่อมาที่ไลน์ Line id : billykai ครับ

อบรม AI โดย
อ.ไก่
ประวัติ
ปริญญาตรี วิศวกรรมไฟฟ้า มหาวิทยาลัยเชียงใหม่
(เกียรตินิยมอันดับหนึ่ง)
ปริญญาโท บริหารธุรกิจ มหาวิทยาลัยเกษตรศาสตร์
อดีต พนักงานบริษัท ไอบีเอ็ม ผู้เชี่ยวชาญฝ่ายเมนเฟรม
วิทยากรทางด้าน AI สอนให้หน่วยงานราชการ รวมทั้งมหาวิทยาลัย และ องค์กรหลายแห่ง
Line id : billykai