พื้นฐาน Deep Learning และ Reinforcement Learning

ปัญญาประดิษฐ์กำลังพลิกโฉมหลากหลายอุตสาหกรรม แต่กลไกเบื้องหลังโครงข่ายประสาทเทียมและการตัดสินใจอัตโนมัติมักดูเหมือนเป็นกล่องดำ คอร์สนี้จะย่อยระบบที่ซับซ้อนเหล่านี้ให้กลายเป็นแนวคิดที่เข้าใจและจัดการได้ง่าย ซึ่งออกแบบมาสำหรับผู้เริ่มต้นในThe field คุณจะเปลี่ยนผ่านจากการรู้เรื่อง machine learning พื้นฐาน ไปสู่การเข้าใจว่าโครงสร้างเชิงลึกประมวลผลข้อมูลที่ซับซ้อนอย่างไร และ reinforcement learning ช่วยให้อาเจนต์เรียนรู้และปรับปรุงผ่านการปฏิสัมพันธ์กับสิ่งแวดล้อมได้อย่างไร สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจรากฐานทางคณิตศาสตร์ของโครงข่ายประสาทเทียมและกระบวนการ backpropagation - สำรวจสถาปัตยกรรมสมัยใหม่ รวมถึง convolutional layers และพื้นฐานของ transformer models - ประยุกต์ใช้หลักการ reinforcement learning เพื่อสร้างแบบจำลองการปฏิสัมพันธ์ระหว่างเอเจนต์กับสิ่งแวดล้อม - เรียนรู้กลไกของ Markov Decision Processes และความสำคัญของ reward functions - เชี่ยวชาญแนวคิดหลักของ Q-learning และ policy gradients สำหรับการตัดสินใจอัตโนมัติ - ฝึกฝนการระบุโครงสร้าง deep learning ที่เหมาะสมสำหรับความท้าทายของข้อมูลที่แตกต่างกัน คอร์สนี้เริ่มต้นด้วยคำศัพท์ที่จำเป็นและประวัติความเป็นมาที่เป็นรากฐานของโครงข่ายประสาทเทียม ก่อนที่จะเจาะลึกไปยังสถาปัตยกรรม deep learning เฉพาะทางและตรรกะของ reinforcement learning คุณจะได้เรียนรู้ผ่านคำอธิบายที่เป็นลายลักษณ์อักษรและการฝึกฝนตรรกะเชิงโค้ดที่จะช่วยเสริมสร้างความเข้าใจในทุกแนวคิด คอร์สนี้ออกแบบมาสำหรับผู้เริ่มต้นที่ต้องการก้าวข้าม data science พื้นฐาน โดยไม่จำเป็นต้องมีประสบการณ์ด้าน deep learning หรือ reinforcement learning มาก่อน เริ่มต้นการเดินทางของคุณสู่วัฏจักรเทคโนโลยีหลักที่ขับเคลื่อนนวัตกรรม AI ในปัจจุบัน