คำอธิบายหลักสูตร
หลักสูตรเทคนิคการทำงานของ AI แสดงให้เห็นถึงการสร้างปัญญาประดิษฐ์ด้วยข้อมูลที่แตกต่างกัน เพื่อให้สามารถนำไปใช้ได้เหมาะสมกับรูปแบบของข้อมูลและวัตถุประสงค์ของงาน นำ เสนอขั้นตอนกระบวนวิธีการสร้างโมเดล การทดสอบความถูกต้องแม่นยำ ของการทำงานของปัญญาประดิษฐ์ในรูปแบบต่าง ๆ เพื่อให้ผู้เรียนสามารถเลือกใช้เทคนิคที่เหมาะสมกับข้อมูลที่มีได้

สถานที่เรียน
วิทยาลัยการศึกษาตลอดชีวิต มหาวิทยาลัยเชียงใหม่
CMU MOOC - https://mooc.cmu.ac.th/

ผู้เรียนกลุ่มเป้าหมาย
นักศึกษาและบุคลากรมหาวิทยาลัยเชียงใหม่ และบุคคลทั่วไปที่สนใจ

ความต้องการพื้นฐานของผู้เรียน
ไม่มี

วัตถุประสงค์
ผู้เรียนสามารถเลือกเทคนิคในการสร้างปัญญาประดิษฐ์ได้ตรงวัตถุประสงค์การทำงานได้

จำนวนชั่วโมงการเรียนรู้
ชั่วโมงการเรียนรู้ทั้งหมด: 2 ชั่วโมง
ชั่วโมงการเรียนรู้ต่อสัปดาห์: 30 นาที/สัปดาห์

ภาษาที่ใช้ในการสอนผ่านระบบออนไลน์
ภาษาไทย

เนื้อหาและหัวข้อในหลักสูตร
บทที่ 1 Classical AI

1.1 ระบบ AI ก่อนมีการเรียนรู้
1.2 ตัวอย่างของของระบบ AI ที่ไม่มีการเรียนรู้
1.3 ข้อจำกัดของระบบ AI ที่ไม่มีการเรียนรู้

บทที่ 2 Classification task

2.1 ลักษณะของการแก้ปัญหาแบบ Classification
2.2 ข้อมูลกับ Classification
2.3 ตัวอย่างเทคนิคการทำ Classification

บทที่ 3 Regression task

3.1 ลักษณะของการแก้ปัญหาแบบ Regression
3.2 Linear Regression
3.3 การเตรียมข้อมูลสำหรับการทำ Linear Regression
3.4 ตัวอย่างการทำ Regression แบบอื่น ๆ

บทที่ 4 Detection task

4.1 ลักษณะของการแก้ปัญหาแบบ Detection
4.2 ตัวอย่างการทำ Detection

บทที่ 5 Clustering task

5.1 ลักษณะของการแก้ปัญหาแบบ Clustering
5.2 ประเภทของการทำ Clustering

บทที่ 6 Supervised learning

6.1 ลักษณะของ Supervised Learning
6.2 ข้อมูลกับ Supervised Learning
6.3 ตัวอย่างของ Supervised Learning

บทที่ 7 Unsupervised learning

7.1 ลักษณะของ Unsupervised Learning
7.2 ข้อมูลกับ Unsupervised Learning
7.3 ตัวอย่างของ Unsupervised Learning

บทที่ 8 Reinforcement learning

8.1 ลักษณะของ Reinforcement Learning
8.2 สภาวะแวดล้อมในการทำ Reinforcement Learning
8.3 ตัวอย่างของ Reinforcement Learning

บทที่ 9 Feature extraction

9.1 ความหมายของการทำ Feature Extraction
9.2 ประโยชน์ในการทำ Feature Extraction
9.3 ตัวอย่างการทำ Feature Extraction

บทที่ 10 Feature selection

10.1 ความหมายของการทำ Feature Selection
10.2 ประโยชน์ในการทำ Feature Selection
10.3 ตัวอย่างการทำ Feature Selection

บทที่ 11 Performance evaluation

11.1 สาเหตุที่ต้องมีการวัดประสิทธิภาพ
11.2 การวัดประสิทธิภาพของ Classification
11.3 การวัดประสิทธิภาพของ Regression
11.4 การวัดประสิทธิภาพของ Detection
11.5 การวัดประสิทธิภาพใน Unsupervised Learning
11.6 การวัดประสิทธิภาพใน Reinforcement Learning

บทที่ 12 Nearest neighbour model

12.1 Nearest Neighbour คืออะไร
12.2 การทำงานของโมเดล Nearest Neighbour
12.3 การวัดระยะสำหรับการระบุ Nearest Neighbour

บทที่ 13 Na?ve bayes

13.1 Na?ve Bayes คืออะไร
13.2 ความน่าจะเป็นแบบเบย์
13.3 การทำงานของโมเดล Na?ve Bayes
13.4 การเรียนรู้โมเดล Na?ve Bayes

บทที่ 14 Logistic regression

14.1 Logistic Regression คืออะไร
14.2 การทำงานของโมเดล Logistic Regression
14.3 การเรียนรู้ด้วย Logistic Regression

บทที่ 15 Discriminant analysis

15.1 Discriminant Analysis คืออะไร
15.2 การทำงานของโมเดล Discriminant Analysis
15.3 การเรียนรู้ด้วย Discriminant Analysis

บทที่ 16 Decision tree

16.1 Decision Tree คืออะไร
16.2 การจำแนกด้วย Decision Tree
16.3 การเรียนรู้ของ Decision Tree

บทที่ 17 Ensemble methods

17.1 Ensemble Methods คืออะไร
17.2 ข้อดีของ Ensemble Methods
17.3 Bagging
17.4 Boosting
17.5 Stacking

บทที่ 18 Neural networks

18.1 Neural Network คืออะไร
18.2 การทำงานของ Neural Network
18.3 การเรียนรู้ด้วย Neural Network
18.4 Deep Learning

บทที่ 19 K-means

19.1 การทำ Clustering ด้วย K-mean
19.2 การเรียนรู้ของโมเดล K-mean

บทที่ 20 Q-learning

20.1 การทำ Reinforcement Learning ด้วย Q-Learning
20.2 การเรียนรู้ Q-table
20.3 Deep Q-learning

กิจกรรมในรายวิชา การวัดผลและประเมินผล/เกณฑ์การให้คะแนนเพื่อรับใบประกาศนียบัตร
แบบทดสอบก่อนเรียน 0% แบบทดสอบระหว่างเรียน 0%
กิจกรรม ส่งงาน 0% แบบทดสอบหลังเรียน 100%

ผู้เรียนมีคะแนนรวมทั้งหมดไม่ต่ำกว่า 70% ถือว่าผ่านเกณฑ์เพื่อรับประกาศนียบัตรในระบบได้