ดูวิดีโอเนื้อหาคอร์ส https://tinyurl.com/y475edmf
เนื้อหาของคอร์ส
• สอนวิธีพัฒนางาน A.I. แขนงแมชชีนเลินนิงด้วยภาษา C#
• สอนวิธีใช้เครื่องมือช่วยพัฒนาต่าง ๆ เช่น Automated ML (AutoML), Azure ML, API
• สอนวิธีประยุกต์ใช้งานในสถาปัตยกรรมต่าง ๆ เช่น .NET Core console app, Windows desktop app (WinForm) และ ASP.NET Core
• สอนวิธีเขียนโค้ดเพื่อทำ
o Classification/Categorization
o Anomaly Detection
o Automatically divide customer feedback into positive and negative categories
o Detect fraudulent banking transactions
o Regression/Predict continuous values, product price
o Recommendations Suggest products that online shoppers may want to buy, based on their previous purchases
C#, .NET Core developer
C#, .NET Core, Application development, SQL Database ระดับพื้นฐาน
สาเหตุที่ควรเรียนคอร์สนี้ • เรียนแล้วสามารถพัฒนางาน A.I. แขนงแมชชีนเลินนิงได้ • เป็นหลักสูตรเพื่อนักพัฒนา .NET ด้วยภาษา C# • นำไปใช้กับแอพลิเกชันได้หลายแบบ เช่น เดกส์ทอป เว็บ สมาร์ทโฟน • สร้างและรันข้ามเพลตฟอร์มได้ Windows, Linux, and macOS • เป็นเฟรมเวิร์กที่โอเพ่นซอร์ส • เป็นเฟรมเวิร์กที่ฟรี • พัฒนาและทำงานได้ที่ local ไม่จำเป็นต้องเชื่อมกับคลาวด์ • มีประสิทธิภาพสูงกว่าเฟรมเวิร์กประเภทเดียวกันอย่าง scikit-learn และ H2O • ผู้เรียนไม่ต้องเก่งสถิติ คณิตศาสตร์ หรือ Data Science • พร้อมนำผลลัพธ์ไปใช้กับ End-user Application ได้ทันที
โมเดลแมชชีนเลินนิงที่สอนในคอร์สนี้ทำงานได้ในสถาปัตยกรรมต่าง ๆ ดังนี้ End-user Application Architecture • ASP.NET Core web apps & WebAPI services • ASP.NET web apps & WebAPI services • Azure Functions • Any other Azure app model app (server-side) • .NET WPF desktop app • .NET WinForms desktop app • .NET Core console app • .NET Framework console app
Course outline วันที่ 1: ความรู้พื้นฐาน ML.NET • Introduction to ML.NET • ML.NET Hello world • Introduction to Data Science basic • Create model using Azure ML • Introduction to AutoML • Introduction to ML.NET coding
วันที่ 2: วิธีสร้างML เพื่อพยากรณ์ราคาสินค้าหรือคำตอบที่เป็นตัวเลขเชิงปริมาณ Regression/Predict continuous values • นำข้อมูลเข้าจากไฟล์ CSV และ SQL Server • สร้างดาต้าเซตด้วย IViewer • ทำ data cleansing, normalization • ทำโปรเจกต์เพื่อสร้างโมเดล ML • สร้าง pipeline และ transformer • ทำโปรเจกต์เพื่อ train โมเดล ML • ทำเขียนโค้ดเพื่อ save และ load โมเดล • ทำโปรเจกต์ส่วน End-user Application
วันที่ 3: ทำ ML เพื่อวิเคราะห์ข้อความ และการคัดกรองสแปม • วิธีทำ ML เพื่อวิเคราะห์ user message ว่าเป็นบวกหรือลบ Classification/Categorization • วิธีทำ ML เพื่อแยกแยะหมวดหมู่ของ message (divide customer feedback) • การคัดกรอง message หรืออีเมลที่เป็นสแปม Spam detection
หมายเหตุ : ลำดับการสอนอาจไม่เรียงตามนี้หรือหลักสูตรอาจถูกเปลี่ยนแปลงโดยไม่ได้แจ้งให้ทราบล่วงหน้า