กลุ่มเป้าหมาย

- นักพัฒนาโปรแกรมที่ต้องการเริ่มต้นศึกษาเกี่ยวกับ Machine Learning
- Programmer
- Software Developer
- ผู้เรียนสามารถใช้ภาษา Python ได้
- เหมาะสำหรับ นักบริหาร นักวิจัย นักศึกษา หรือบุคคล

ประโยชน์ที่จะได้รับ
- เข้าใจภาษา Python เพื่อทำ Image Classification
- สามารถใช้ Pytorch สร้าง model รวมทั้งเทคนิคการปรับปรุง model และ images

Day1.

1. Setting Up:

  - Python, Jupyter and Pytorch.

  - Supplements(optional):

       - Libraries and Tools for image preparation:

                   numpy, matplotlib, pandas sklearn and Pytorch tensors.

       - Creating user defined datasets with Sklearn make_* Functions.

  - Introducing Web sites that provide free datasets.

          sklearn, hugging face, github(Awesome Datasets) datasets.

          torchvision, kaggle, imagenet

  - Visualizing and understanding well known image datasets.

          iris, wine, breast cancer and digits.

          MNIST(handwritten digits), CIFAR-10/100,

          Dog/Cat and Rock/Paper/Scissors.

Day: 2

2. Machine Learning: Focusing on supervised learning for regression and classification.

   - Introducing 'model' with LinearRegression.

   - Model training, testing, evaluate, plotting and accuracy.

   - Introducing regression, gradient descent and auto-grad

   - Definition of: error, loss-function, learning rate, optimizers,

epoch and batching.

   - Using sklearn Train-Test split() and validation dataset.

   - Using Pytorch: Dataset, DataLoader, Model, Parameter, user-defined models

and customized pre-defined models.

   - Using Pytorch Dataset objects.

   - Creating a DIY general 'train' procedure, Saving and Loading a trained model.

Day: 3

3. Neural Network:

   - Introducing neural model(perceptron), single layer neural network(SNN).

   - Creating multi-layers neural network(MNN) by composing models.

   - Aspects of overfitting, regularization, feature selection,

dropout and early stopping.

   - Activation functions: tanh(), reLU(), sigmoid(), ... and effect for MNN.

   - Example of MNN for MNIST set.

Day: 4

4. Image Classification:

   - Introducing image normalization, tranformation and augmentation.

   - Explaining matrix convolution, 2D Convolution Model and convolution

neural network(CNN) with Lenet.

   - Example of CNN for MNIST set.

   - Example of CNN for Edge Detection.

   - Using pre-trained models for image classification:

          e.g.  AlexNet, GoogleNet, VGG, Resnet, Densenet, ShuffleNet and SqueezeNet.

   - Introducing transfer learning with examples: CAT/DOG and Rock/Paper/Scissors set.

   - Examples of model freezing and image augmentation.