หลักสูตร

Classical Machine Learning ด้วย Python

ในคอร์สนี้นักเรียนจะได้ทำความรู้จักกับโมเดล ML เบื้องต้นกับข้อมูลตารางจริง เช่น ทำนายราคา แยกประเภทข้อมูล โดยใช้ Linear Regression, Logistic Regression, Decision Tree

• Chapter 1
  Intro to Machine Learning & AI
  • ความแตกต่างของ AI, ML, Deep Learning
  • ประเภทของ Machine Learning: Supervised, Unsupervised
  • ปัญหาการจำแนก (Classification) และการทำนาย (Regression)
  • ข้อมูลตารางคืออะไร
  • แนะนำ Scikit-learn, Pandas, Numpy, Matplotlib
• Chapter 2
  การเตรียมข้อมูลเบื้องต้น
  • การโหลดชุดข้อมูลด้วย Pandas (read_csv, .head(), .info())
  • การตรวจสอบ missing data และจัดการเบื้องต้น
  • การใช้ .describe(), .value_counts(), .corr()
  • การแปลงข้อมูล category เป็นตัวเลข (LabelEncoder, One-Hot Encoding)
  • การแบ่งข้อมูล train/test ด้วย train_test_split
• Chapter 3
  ทฤษฎี Linear Regression และการประยุกต์
  • ไอเดียของ Linear Regression (การหาความสัมพันธ์เชิงเส้น)
  • Loss Function: Mean Squared Error (MSE)
  • สร้างโมเดล Linear Regression ด้วย sklearn.linear_model.LinearRegression
  • การวัดผลโมเดล: R² Score, MAE, MSE
• Chapter 4
  Logistic Regression
  • ความต่างของ Linear กับ Logistic Regression
  • Sigmoid Function & Probability
  • สร้างโมเดลด้วย LogisticRegression ใน Scikit-learn
  • ประเมินผลโมเดล: Accuracy, Confusion Matrix, Precision/Recall, F1-score
• Chapter 5
  Decision Tree
  • แนวคิดการแบ่งข้อมูลด้วยเงื่อนไข (if-else tree)
  • สร้าง Decision Tree ด้วย DecisionTreeClassifier และ DecisionTreeRegressor
  • Visualize ต้นไม้ด้วย plot_tree
• Chapter 6
  การปรับแต่งโมเดล (Model Tuning)
  • การใช้ Hyperparameter เช่น max_depth, min_samples_split
  • เทคนิค Grid Search กับ GridSearchCV
  • Randomized Search
• Chapter 7
  การสร้าง AI จริง
  • วิเคราะห์และเลือกชุดข้อมูล (แนะนำ: Titanic, Boston Housing, Iris)
  • ทำ Feature Engineering และสร้าง Model Pipeline
  • วัดผลและสรุปผลการทดลอง
  • นำเสนอ mini project เป็นกลุ่ม/เดี่ยว