PickAClass · AI, เทคโนโลยีและวิศวกรรม

AI และแมชชีนเลิร์นนิง

เรียนรู้พื้นฐานของปัญญาประดิษฐ์และแมชชีนเลิร์นนิง ตั้งแต่อัลกอริทึมคลาสสิกไปจนถึงการปรับใช้โมเดล ครอบคลุมการเรียนรู้แบบมีผู้สอน ไม่มีผู้สอน และการเรียนรู้แบบเสริมกำลัง

11 subcategories · 183 courses total

พื้นฐาน AI และ ML

เริ่มต้นเส้นทางสู่ปัญญาประดิษฐ์โดยการเรียนรู้แนวคิดพื้นฐาน ประวัติ และอัลกอริทึมแมชชีนเลิร์นนิงประเภทต่างๆ

สำรวจ AI สุดล้ำที่สร้างเนื้อหาใหม่ ตั้งแต่ข้อความและรูปภาพไปจนถึงโค้ด ทำความเข้าใจโมเดลต่างๆ เช่น GAN, VAE และแบบจำลองภาษาขนาดใหญ่

การเรียนรู้เชิงลึก (Deep Learning)

ดำดิ่งสู่โลกของโครงข่ายประสาทเทียม เรียนรู้การสร้าง ฝึกฝน และเพิ่มประสิทธิภาพโมเดลการเรียนรู้เชิงลึกสำหรับงานที่ซับซ้อนโดยใช้เฟรมเวิร์กอย่าง TensorFlow และ PyTorch

การประมวลผลภาษาธรรมชาติ (NLP)

สอนคอมพิวเตอร์ให้เข้าใจ ประมวลผล และสร้างภาษามนุษย์ ครอบคลุมหัวข้อตั้งแต่การประมวลผลข้อความเบื้องต้นและการวิเคราะห์ความรู้สึก ไปจนถึง transformers และโมเดลภาษาขนาดใหญ่

MLOps (การดำเนินงาน Machine Learning)

เรียนรู้หลักการและแนวปฏิบัติในการปรับใช้ ตรวจสอบ และบำรุงรักษาโมเดล Machine Learning ในสภาพแวดล้อมการใช้งานจริง เชื่อมช่องว่างระหว่าง Data Science และ DevOps

คอมพิวเตอร์วิทัศน์

ทำให้เครื่องจักรสามารถมองเห็นและตีความโลกทัศน์ได้ เรียนรู้เกี่ยวกับการจำแนกประเภทภาพ การตรวจจับวัตถุ และการแบ่งส่วนโดยใช้ deep learning

จริยธรรมและธรรมาภิบาลของ AI

ทำความเข้าใจผลกระทบทางสังคมของปัญญาประดิษฐ์ เรียนรู้เกี่ยวกับความเป็นธรรม ความรับผิดชอบ ความโปร่งใส และอคติในระบบ AI และสำรวจหลักการเพื่อการพัฒนาอย่างมีความรับผิดชอบ

การเรียนรู้แบบมีผู้สอน

ฝึกฝนแมชชีนเลิร์นนิงประเภทที่พบบ่อยที่สุดให้เชี่ยวชาญ เรียนรู้การสร้างโมเดลที่คาดการณ์โดยอิงตามข้อมูลที่มีป้ายกำกับ ซึ่งครอบคลุมงานด้านการถดถอยและการจำแนกประเภท

การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning)

ค้นพบรูปแบบและโครงสร้างที่ซ่อนอยู่ในข้อมูลที่ไม่มีป้ายกำกับ สำรวจเทคนิคต่างๆ เช่น การจัดกลุ่ม (clustering) การลดมิติ (dimensionality reduction) และการทำเหมืองกฎความสัมพันธ์ (association rule mining)

การเรียนรู้แบบเสริมกำลัง

เรียนรู้การสร้างเอเจนต์อัจฉริยะที่ตัดสินใจได้อย่างเหมาะสมที่สุดผ่านการลองผิดลองถูก สำรวจแนวคิดต่างๆ เช่น Q-learning, policy gradients และการนำไปใช้งาน

การพยากรณ์อนุกรมเวลา

วิเคราะห์และคาดการณ์ค่าในอนาคตจากข้อมูลที่เรียงตามลำดับเวลา ฝึกฝนวิธีการแบบคลาสสิก เช่น ARIMA และแนวทางการเรียนรู้เชิงลึกสมัยใหม่ เช่น LSTM สำหรับการพยากรณ์