Machine Learning and Data Analysis

การเรียนรู้ของเครื่องและการวิเคราะห์ข้อมูล                                      

4(3-3-9)

วิชาบังคับก่อน:    SCI03 1005 แคลคูลัส 3 หรือเรียนควบคู่กับ SCI03 1005 แคลคูลัส 3,

ENG22 2004 พีชคณิตเชิงเส้น,

ENG22 2007 วิธีทางสถิติในงานขนส่งและโลจิสติกส์,

ENG22 2011 วิธีการคอมพิวเตอร์ในงานขนส่งและโลจิสติกส์ 2

ความรู้เบื้องต้นเกี่ยวกับวิทยาศาสตร์ข้อมูล ปัญญาประดิษฐ์ และการเรียนรู้ของเครื่อง
การจำแนกโดยใช้ตัวแบบเพื่อนบ้านใกล้ที่สุด ตัวแบบนาอีฟเบย์ส ต้นไม้การตัดสินใจและกฎการตัดสินใจ เครือข่ายประสาทเทียม การเรียนรู้โดยซัพพอร์ตเวคเตอร์ การวิเคราะห์ตะกร้าด้วยกฎความสัมพันธ์
การแบ่งกลุ่มด้วยการวิเคราะห์จัดกลุ่มแบบค่าเฉลี่ยเค การประเมินประสิทธิภาพของแบบจำลอง การปรับปรุงประสิทธิภาพของแบบจำลอง การวิเคราะห์ข้อมูล และกรณีศึกษาในการประยุกต์ใช้ในงานขนส่งและโลจิสติกส์

ผลลัพธ์การเรียนรู้ที่คาดหวังระดับรายวิชา

1. อธิบายความแตกต่างระหว่างปัญญาประดิษฐ์ และการเรียนรู้ของเครื่องได้
2. อธิบายการจำแนกโดยใช้ตัวแบบเพื่อนบ้านใกล้ที่สุดได้
3. อธิบายตัวแบบนาอีฟเบย์สได้
4. อธิบายต้นไม้การตัดสินใจและกฎการตัดสินใจได้
5. อธิบายเครือข่ายประสาทเทียมได้
6. อธิบายการเรียนรู้โดยซัพพอร์ตเวคเตอร์ได้
7. อธิบายการวิเคราะห์ตะกร้าด้วยกฎความสัมพันธ์ได้
8. อธิบายการแบ่งกลุ่มด้วยการวิเคราะห์จัดกลุ่มแบบค่าเฉลี่ยเคได้
9. อธิบายการประเมินประสิทธิภาพของแบบจำลองได้
10. อธิบายการปรับปรุงประสิทธิภาพของแบบจำลองได้
11. วิเคราะห์ข้อมูลที่มีขนาดใหญ่ได้
12. นำเสนอผลงานด้วยวาจา และการเขียนรายงานได้

Machine Learning and Data Analysis

Prerequisite:     SCI03 1005 Calculus III

or enrolling with SCI03 1005 Calculus III

ENG22 2004 Linear Algebra

ENG22 2007 Statistical Methods in Transportation and Logistics

ENG22 2011 Computer Methods in Transportation and Logistics II

Introduction to data science, artificial intelligence, and machine learning; classification using nearest neighbors, naïve Bayes, decision trees and rules; neural networks and support vector machines; market basket analysis using association rules; clustering with k-means; evaluating model performance; improving model performance; case studies in transportation and logistics.

Course Learning Outcomes (CLOs)

1. Distinct the difference between artificial intelligence, and machine learning.
2. Explain the classification using nearest neighbors.
3. Explain the naïve Bayes model.
4. Explain the decision trees and rules.
5. Explain the neural networks.
6. Explain the support vector machines.
7. Explain the market basket analysis using association rules.
8. Explain the clustering with k-means.
9. Explain the evaluation of model performance.
10. Explain the improvement of model performance.
11. Analyze the big data.
12. Oral and report presentation.