การเรียนรู้เชิงลึก
4(2-6-13)
วิชาบังคับก่อน: ENG39 2001 การโปรแกรมคอมพิวเตอร์สำหรับวิศวกรรมอิเล็กทรอนิกส์
ปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง โครงข่ายประสาทเทียม โครงข่ายประสาทแบบป้อนไปหน้า การเรียนรู้เชิงลึก มองเห็นของเครื่อง การถ่ายทอดการเรียนรู้ การประมวลผลภาษาธรรมชาติ โครงข่ายแบบวนซ้ำ การเรียนรู้แบบเสริมกำลัง การสร้างแบบจำลองด้วยเฟลมเวิร์คต่างๆ เช่น Scikit learn, TensorFlow, Pytorch เป็นต้น
ผลลัพธ์การเรียนรู้ที่คาดหวังระดับรายวิชา
- สามารถอธิบายความหมายของปัญญาประดิษฐ์และการเรียนรู้ของเครื่องได้
- สามารถใช้การเรียนรู้ของเครื่อง เพื่อแก้ปัญหาการถดถอยเชิงเส้นได้
- เข้าใจและสามารถใช้งานการเรียนรู้ของเครื่องชนิดการเรียนรู้แบบมีผู้สอน เพื่อแก้ปัญหาการจำแนกประเภทได้
- มีความรู้ความเข้าใจเกี่ยวกับ โครงข่ายประสาทเทียม การเรียนรู้เชิงลึก โครงข่ายประสาทแบบป้อนไปหน้า การใช้งานโครงข่ายประสาทเทียมแบบคอนโวลูชัน การใช้งานและความสำคัญของฟังก์ชันกระตุ้น
- สามารถใช้วิธีการถ่ายทอดการเรียนรู้ในการสร้างแบบจำลองเพื่อลดระยะเวลาในการเตรียมชุดข้อมูล และเพิ่มประสิทธิภาพของแบบจำลองได้
- สามารถนำความรู้ในด้านการเรียนรู้เชิงลึก ไปประยุกต์ใช้งานด้านการมองเห็นของเครื่องได้
- สามารถใช้งานการเรียนรู้แบบเสริมกำลังเพื่อแก้ปัญหาทางวิศวกรรมได้
- สามารถใช้งานโครงข่ายแบบวนซ้ำเพื่อทำนายข้อมูลในอนาคตได้
- สามารถสร้างแบบจำลองเพื่อใช้สำหรับการประมวลผลภาษาธรรมชาติได้
Deep Learning
Prerequisite: ENG39 2001 Computer Programming for Electronic Engineering
Artificial intelligence, machine learning, artificial neural network, feed-forward neural network, reinforcement learning, deep learning, convolution neural network, machine vision, transfer learning, Generative adversarial network (GAN), natural language processing (NLP), recurrent neural network, and AI framework such as Scikit learn, TensorFlow and Pytorch.
Course Learning Outcomes (CLOs)
- Be able to explain what artificial intelligence and machine learning are and how they work
- Able to solve linear regression problems with machine learning.
- Able to apply supervised learning to solve classification problems.
- Knowledgeable and skilled in the use of neural networks, deep learning, forward-feed neural networks, convolutional neural network applications, and the importance of activation functions.
- Understand and be able to fit the model with the transfer-learning method.
- Able to apply machine vision with industrial machines.
- Understand and be able to use a Generative adversarial network.
- Understand and be able to use recurrent neural networks for future-data prediction.
- Understand and be able to use natural language processing (NLP)
