Introduction to Data Driven and Machine Learning in Engineering

พื้นฐานการขับเคลื่อนด้วยข้อมูล และการเรียนรู้ของเครื่องในงานวิศวกรรม

4(4-0-8)

วิชาบังคับก่อน : SCI03 1003 ความน่าจะเป็นและสถิติ

หลักสูตรนี้ให้ความเข้าใจพื้นฐานเกี่ยวกับการวิเคราะห์ทางสถิติและความน่าจะเป็นที่ออกแบบมาโดยเฉพาะสำหรับปัญหาทางวิศวกรรม นักเรียนจะได้เรียนรู้การใช้ข้อมูลเพื่อระบุรูปแบบและสร้างข้อมูลเชิงลึกที่สามารถนำไปปฏิบัติได้ซึ่งจะช่วยปรับปรุงแนวทางปฏิบัติทางวิศวกรรม หลักสูตรประกอบด้วยพีชคณิตเชิงเส้นขั้นพื้นฐานพ และมีการปฏิบัติ วิเคราะห์ข้อมูลด้วนภาษา Python หัวข้อสำคัญจะเน้นการวิเคราะห์ในด้านสถิติ วิธีเมทริกซ์ (matrix methods) การแยกค่าเอกพจน์ (SVD) การวิเคราะห์องค์ประกอบหลัก (PCA) และการแปลงฟูเรียร์ (FT) การอภิปรายเชิงลึกจะครอบคลุมถึงการวิเคราะห์สเปกตรัม (spectral analysis) เอกพจน์ของอนุกรมเวลาตัวแปรเดียว การสร้างแบบจำลองแนวโน้มและฤดูกาล (trends and seasonality) โดยใช้กำลังสองน้อยที่สุด(least squares) และการวิเคราะห์เศษตกค้าง (residual analysis) ตลอดจนการสร้างแบบจำลองด้วย ARMA

ผลสัมฤทธิ์การเรียนรู้

1. เข้าใจแนวคิดของการเรียนรู้ของโครงข่ายประสาทเทียมและเทคนิคที่ขับเคลื่อนด้วยข้อมูลสำหรับการแก้ปัญหาทางวิศวกรรมโยธา
2. สามารถหาคุณลักษณะของข้อมูลอนุกรมเวลาและระบุรูปแบบที่เด่นชัดของข้อมูลได้ทั้งเชิงสถิติ และความน่าจะเป็น
3. วิเคราะห์คุณสมบัติทางความน่าจะเป็นและทางสถิติของชุดข้อมูล ด้วยภาษา Python
4. ใช้หลักสถิติในการสร้างแบบจำลองและคาดการณ์ผลลัพธ์ทางวิศวกรรมได้อย่างมีประสิทธิภาพ

 

Introduction to Data Driven and Machine Learning in Engineering

Prerequisite : SCI03 1003 Probability and Statistics

This course provides a basic understanding of statistical analysis and probability designed specifically for engineering problems. Students will learn to use data to identify patterns and create actionable insights that improve engineering practices. The curriculum includes basic linear algebra with practice data analysis using Python language. Important topics will focus on statistical analysis, matrix methods, singular values decomposition (SVD), Principal component analysis (PCA) and Fourier transform (FT). An in-depth discussion will cover singular spectral analysis of single variable time series. Modeling trends and seasonality using least squares, and residual analysis and modeling with Autoregressive moving-average (ARMA).

Learning Outcomes

1. Understand the concept of machine learning and data-driven techniques for solving civil engineering problems.
2. Able to find characteristics of time series data and identify prominent patterns in the data in both statistical and probability methods.
3. Analyze probabilistic and statistical properties of data sets using Python.
4. Apply probabilistic and statistical to effectively model and predict engineering results.

v