พื้นฐานที่ต้องเรียนมาก่อน
MachineLearning
ตะลุยเนื้อหา Python & Machine Learning เบื้องต้นทั้งภาคทฤษฎีและภาคปฏิบัติทั้งหมด 12 ชั่วโมง
https://www.youtube.com/playlist?list=PLEE74DyIkwEnWO3_W96AN725X2XYoUixg
| ตอนที่ | ชื่อหัวข้อ |
|---|---|
| 1 | รู้จักกับ Machine Learning |
| 2 | รู้จักกับชุดข้อมูล (Data Set) |
| 3 | Iris Data Set |
| 4 | MNIST Dataset |
| 5 | แสดงภาพตัวเลขด้วย Pylab และ Matplotlib |
| 6 | แสดงภาพตัวเลข MNIST Dataset (ตัวเต็ม) |
| 7 | เขียนโปรแกรมแบ่งชุดข้อมูล |
| 8 | ไลบราลี่ Seaborn |
| 9 | รู้จัก Linear Regression |
| 10 | การกระจายข้อมูล (Scatter) |
| 11 | สร้างโมเดล Linear Regression |
| 12 | สร้างโมเดลทำนายอุณหภูมิ |
| 13 | การวัดประสิทธิภาพโมเดล |
| 14 | Binary Classifier |
| 15 | Gradient Descent |
| 16 | เขียนโปรแกรมแบ่งชุดข้อมูล MNIST |
| 17 | จำแนกข้อมูลเป็น 2 กลุ่ม (Binary Classification) |
| 18 | Stochastic Gradient Descent (SGD) |
| 19 | Cross Validation |
| 20 | Confusion Matrix |
| 21 | Precision Recall และ F1-Score |
| 22 | การคำนวณหาเพื่อนบ้านใกล้สุด (K-NN) |
| 23 | การสร้าง KNN Model |
| 24 | ทำนายโรคเบาหวานด้วย KNN พร้อมค่า K ที่เหมาะสม |
| 25 | ทำนายโรคเบาหวานด้วย KNN และวัดประสิทธิภาพโมเดล |
| 26 | ทฤษฎีการจัดหมวดหมู่ด้วย Naive Bayes |
| 27 | สร้างโมเดลด้วย Gaussian Naive Baye |
| 28 | ทำนายรายได้ประชากรด้วย GaussianNB |
| 29 | การวิเคราะห์องค์ประกอบหลัก (PCA) |
| 30 | การใช้ PCA ทำงานร่วมกับโมเดล |
| 31 | MNIST Dataset ทำงานร่วมกับ PCA |
| 32 | การจัดกลุ่มด้วย K-Means(K-Means Clustering) |
| 33 | การประยุกต์ใช้ K-Means(K-Means Clustering) |
| 34 | การจดจำใบหน้า (Face Recognition) |
| 35 | แสดงข้อมูลใบหน้า (LFW Databset) |
| 36 | สร้างโมเดลด้วย SVM (Support Vector Machine) |
| 37 | รู้จักกับ Neural Network |
| 38 | สร้างโมเดลจดจำตัวอักษรด้วย MLP |