PYTHON-L2

Machine Learning using Python

ระยะเวลา
3
วัน (
18
ชม.) |ช่วงเวลา 9:00 - 16:00 น.
ประเภทการอบรม
Public
Inhouse
11,900
บาท
*ราคาดังกล่าวยังไม่รวมภาษีมูลค่าเพิ่ม
ขอใบเสนอราคา Public
ขอใบเสนอราคา Inhouse
หลักสูตร Machine Learning Using Python
หลักสูตร Machine Learning Using Python
Development
รูปแบบการอบรม
  • Classroom
  • Hybrid
?
Classroom : อบรมแบบ Class Room ณ ห้องอบรม 9EXPERT
Hybrid : (เลือกอบรมแบบ Class Room หรือ Ms Teams)

รอบการอบรม

17-19
Aug
รับสมัคร
23-25
Nov
รับสมัคร

Python เป็นโปรแกรมที่มีความสามารถในการทำ Machine Learning หรือ ML เพื่อทำการวิเคราะห์และประมวลผลด้วย AI (Artificial Intelligence)Python เป็นภาษาโปรแกรมที่ง่ายต่อการเรียนรู้ นอกจากนั้นยังมี Library จำนวนมาก ที่สามารถประยุกต์ใช้งาน Artificial Intelligence และ Machine Learning สำหรับทำการวิเคราะห์และประมวลผลข้อมูล เพื่อนำไปใช้ประโยชน์ในการสร้างความได้เปรียบทางธุรกิจเหนือคู่แข่งได้

วัตถุประสงค์

  1. ผู้อบรมสามารถเข้าใจหลักการของ A.I. และ Machine Learning ได้
  2. ผู้อบรมสามารถใช้ภาษา Python ประยุกต์ใช้งานทางด้าน  A.I. และ Machine Learning ได้​
  3. ผู้อบรมสามารถประยุกต์ใช้ Deep Learning และ CNN สำหรับ Image Classification และ Object Detection ได้
  4. ผู้อบรมสามารถใช้ Pretrained Models สำหรับการแก้ปัญหาจริงได้

หลักสูตรนี้เหมาะสำหรับ

  • นักเรียน นักศึกษา วิศวกร นักพัฒนาซอฟต์แวร์ หรือบุคคลทั่วไปที่สนใจการประยุกต์ใช้งาน Machine Learning ด้วยภาษา Python
  • ผู้ที่ต้องการเรียนรู้ภาษา Python เพื่อต่อยอดในงานทางด้าน  Data science ในอนาคต
  • ผู้ที่ต้องการเรียนรู้ภาษา Python เพื่อต่อยอดในงานทางด้าน  Machine Learning และ AI ได้​
  • Data Analysts และ Data Scientists ที่ต้องการพัฒนาทักษะด้าน  Deep Learning

พื้นฐานของผู้เข้าอบรม

  1. ผู้เข้าอบรมต้องมีความเข้าใจการเขียนโปรแกรมภาษา Python เบื้องต้นมาก่อน
  2. ผู้เข้าอบรมสามารถใช้งานคอมพิวเตอร์พื้นฐานได้ดี
  3. มีความตั้งใจและอยากเรียนรู้​
  4. มีความรู้พื้นฐานด้านคณิตศาสตร์และสถิติ

ความต้องการของระบบ

  • CPU : Core i5, i7 OR Faster
  • RAM : 4 GB Minimum (8 GB Recommended)
  • Storage : 500 GB hard disks 7200 RPM SATA
  • OS : Windows 10 / 11 หรือ macOS
  • Python 3.x
  • Microsoft Visual Studio Code
  • Google Colab Account
  • Jupyter

หัวข้อการฝึกอบรม

  • แนวคิดและประเภทของ AI
  • ความแตกต่างระหว่าง AI, ML, และ Deep Learning
  • การประยุกต์ใช้งาน

  • Python 3.x Installation
  • Microsoft Visual Studio Code
  • Google Colab
  • Workshop: "Hello, World" of Machine Learning
     

  • workshop: Image Scraping

  • Data Preparation (การเตรียมข้อมูล)
  • Dealing with Missing Values and Duplicate Data
    • Encoding Techniques
    • One Hot Encoding
    • Ordinal Encoding
    • Label Encoding
  • Data Augmentation
  • Data Separation (Train/Validation/Test Split)

  • Linear Regression
  • Multiple Linear Regression
  • Evaluation Metrics (MAE, MSE, and RMSE)

  • แนะนำ Keras และ  TensorFlow
  • โครงสร้างของ Neural Network
  • การนับจำนวน ANN parameters

  • Convolutional Layer
  • Pooling Layer
  • Fully Connected Layer
  • CNN for MNIST dataset
  • CNN for Fashion-MNIST dataset
  • CNN for CIFAR10 dataset
  • CNN for CIFAR100 dataset
  • Validation split
  • Batch size
  • Early Stopping
  • Plotting graph
  • Underfitting vs Overfitting
  • Model Checkpoint
  • Resume Training

  • VGG16 and VGG19
  • NASNet
  • EfficientNetV2
  • ConvNeXt
  • Etc.

  • Machine Learning Algorithms
    • Support Vector Machine (SVM)
    • K-Nearest Neighbors (KNN)
    • Naive Bayes
    • Decision Trees
    • Random Forest
    • XGBoost
  • Cross Validation
  • Grid Search
  • Hyperparameters Tuning

  • Accuracy
  • Precision
  • Recall
  • F1-Score

  • K-mean Clustering
  • Euclidian distance
  • The elbow method

  • Face Detection
  • Face Recognition
  • Deep Fake Technology

  • Image Object Detection
  • Video Object Detection
  • Webcam (Real-time Detection)
  • Custom Object Detection