Building AI/ML Models with scikit-learn
- TTDT69
- Classroom
- Fundamental
- Thai | 0
หลักสูตรนี้ มุ่งเน้นการพัฒนา Machine Learning Models ด้วย Python และ scikit-learn ตั้งแต่ AI Architecture, ML Lifecycle, การเตรียมข้อมูล, Feature Engineering และ Model Training ไปจนถึงการประเมินประสิทธิภาพของ Model
Course description
Time
Instructor
Venue
Building AI/ML Models with scikit-learn
วัตถุประสงค์
หลักสูตรนี้ มุ่งเน้นการพัฒนา Machine Learning Models ด้วย Python และ scikit-learn ตั้งแต่ AI Architecture, ML Lifecycle, การเตรียมข้อมูล, Feature Engineering และ Model Training ไปจนถึงการประเมินประสิทธิภาพของ Model
ผู้เรียนจะได้ฝึกสร้างและประยุกต์ใช้ Machine Learning Models ทั้ง Regression, Classification และ Unsupervised Learning เช่น Lasso, Ridge, SVM, Decision Trees, Random Forests, Gradient Boosting, K-means, Mean Shift และ PCA เพื่อให้สามารถเลือกใช้ Algorithm ให้เหมาะสมกับปัญหาและนำไปต่อยอดการพัฒนา AI/ML Applications ได้
กลุ่มเป้าหมาย
1. AI / Machine Learning Engineer
2. Data Scientist
3. Data Analyst
4. Software Developer
5. Python Developer
คุณสมบัติของผู้เข้าอบรม
1. มีพื้นฐานการเขียนโปรแกรม Python
2. มีพื้นฐานเกี่ยวกับ Machine Learning จะช่วยให้เรียนได้ง่ายขึ้น
ประโยชน์ที่จะได้รับ
1. เข้าใจกระบวนการพัฒนาและนำ ML Models ไปใช้งาน
2. สามารถเตรียมข้อมูลและสร้าง Features สำหรับ Machine Learning
3. สามารถสร้างและประเมิน Regression และ Classification Models ด้วย Scikit-learn
4. สามารถเลือกใช้ Algorithm เช่น SVM, Random Forest และ Gradient Boosting ได้เหมาะสมกับปัญหา
5. สามารถประยุกต์ใช้ Clustering และ PCA เพื่อวิเคราะห์ข้อมูล
6. สามารถนำความรู้ไปต่อยอดการพัฒนา AI/ML Applications ได้
Day 1
1. AI Architecture
- ML Lifecycle
- Feature Engineering
- Model Training
- Model Scaling & Performance
2. Introduction to Scikit-learn
- Machine Learning Use Cases
- Supervised & Unsupervised Learning
- Mean & Variance
- Categorical Data & One-hot Encoding
- Numerical Data Representation
- Count Vectorization
- TF-IDF
Day 2
3. Regression Models with Scikit-learn
- Ordinary Least Squares Regression
- R-squared Evaluation
- L1 & L2 Regularization
- Overfitting & Bias-Variance Trade-off
- Multicollinearity
- Lasso & Ridge Regression
- Support Vector Regression
4. SVM & Gradient Boosting
- SVM Classification
- SVM Model Setup
- Decision Trees
- Random Forests
- Gradient Boosting Regression
- Shrinkage Factor
Day 3
5. Clustering & Dimensionality Reduction
- Clustering Concepts
- K-means Clustering
- Mean Shift Clustering
- K-means vs. Mean Shift
- Principal Component Analysis (PCA)
Payment can be made by:
- Cash or Credit Card or Bank Cheque payable to
สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ or National Science and Technology Development Agency
(a post-dated cheque is not accepted) on the first day of the service or within the last day of the service. - Account transfer and send the proof of the payment (the deposit slip) via email songsiri@swpark.or.th
- ธนาคารกรุงเทพ สาขาอุทยานวิทยาศาสตร์
Saving Account Number: 080-0-00001-0
Account Name: สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ - ธนาคารกรุงไทย สาขาตลาดไท
Saving Account Number: 152-1-32668-1
Account Name: สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ
- ธนาคารกรุงเทพ สาขาอุทยานวิทยาศาสตร์
Notes:
- Withholding tax (3%) is exempt.
- Should you need to withdraw, you must send the notice of the withdrawal in writing no later than 7 working days before the commencement date. The cancellation less than 7 days will be subject to a fine of 40% of the fee.
- Software Park Thailand reserves the rights to cancel courses due to unforeseen circumstances.
Contact Person
For more information, contact our course coordinator on:
: +662 583 9992 Ext. 81426
: 
12,000 THB .
(ราคายังไม่รวม Vat 7%)
สำคัญ!!! กรุณารอการยืนยันเปิดการอบรมจากเจ้าหน้าที่ก่อนการชำระค่าลงทะเบียน
Course Detail :
Instructor info
Mr.Phanupong Permpimol
CEO, iRobust Co.,Ltd. Software Development and Security