หลักสูตรฝึกอบรมเชิงปฏิบัติการ

Machine Learning and Data Analysis for Materials Scientists and Engineers

เรียน Online (Zoom platform) ระหว่าง กันยายน – พฤศจิกายน 2565
สอนโดย ทีมผู้เชี่ยวชาญด้าน Machine Learning และ Deep Learning
นำโดย ดร. สิระ ศรีสวัสดิ์ ฝ่ายวิจัย คณะแพทยศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย และ ดร. อิทธิ ฉัตรนันทเวช Nanoinformatics and Artificial Intelligence Research Team ศูนย์นาโนเทคโนโลยีแห่งชาติ

<ดาวน์โหลดโปสเตอร์ประชาสัมพันธ์>

Track A: Machine Learning Principles and Communication
รับไม่จำกัดจำนวน | ระยะเวลาการเรียน 7 ชั่วโมง (กันยายน 2565) | เรียนรู้ในรูปแบบของ Lecture

กำหนดการเรียนรู้ใน Track A:

• Introduction to machine learning and deep learning (5 ก.ย. 65 เวลา 09:00-10:30 น.)
• Principles of unsupervised techniques (12 ก.ย. 65 เวลา 09:00-10:30 น.)
• Principles of supervised techniques (19 ก.ย. 65 เวลา 09:00-10:30 น.)
• Machine learning experimental design (26 ก.ย. 65 เวลา 09:00-10:30 น.)
• Course wrap-up and discussion (28 ก.ย. 65 เวลา 10:00-11:00 น.)

สิ่งที่ผู้เรียนจะได้รับ:

เข้าใจหลักการและขีดความสามารถของ Machine Learning และ Deep Learning
สามารถออกแบบโครงการวิจัยที่อาศัยการพัฒนา Machine Learning Model ได้
สามารถสื่อสารกับนักวิจัยทาง Machine Learning เพื่อดำเนินงานวิจัยร่วมกันอย่างมีประสิทธิภาพ
หัวข้อการเรียนรู้ใน Track A:

1.Principles of classical machine learning
  1.Optimization view of ML
  2.Model development
  3.Post-development
  4.Deployment
2.Principles of unsupervised techniques
  1.Dimensionality reduction
  2.Clustering
3.Principles of supervised techniques
  1.Linear model
  2.SVM
  3.Tree model
4.Principles of deep learning
  1.Artificial neural network
  2.End-to-end learning and representation learning
  3.Convolutional neural networks
  4.Recurrent neural networks
  5.Graph neural network
5.Machine learning experimental design
6.Communications

Track B: Data Science and Machine Learning Practical Skills

**รับจำนวนจำกัด สำหรับผู้ที่สนใจเรียนรู้ในเชิงลึกและฝึกปฏิบัติการ**
ระยะเวลาการเรียน 19 ชั่วโมง (ตุลาคม – พฤศจิกายน 2565) | เรียนรู้ในรูปแบบ Lecture & Hands-on
ระยะเวลาเรียนรู้พื้นฐาน Python Programming ด้วยตนเอง [Pre-course]: 18 ชั่วโมง [4 Kaggle course]

**มีการสอบวัดพื้นฐานด้าน Python programming**

กำหนดการเรียนรู้ใน Track B:

• Statistical inference and imputation (5 ต.ค. 65 เวลา 10:30-12:00 น.)
• Introduction to machine learning and deep learning (10 ต.ค. 65 เวลา 09:00-10:30 น.)
• Principles of unsupervised techniques (17 ต.ค. 65 เวลา 09:00-10:30 น.)
• Unsupervised learning practice (19 ต.ค. 65 เวลา 10:30-12:00 น.)
• Principles of supervised techniques (26 ต.ค., 10:30-12:00 น.)
• Supervised learning practice I (31 ต.ค. 65 เวลา 09:00-10:30 น.)
• Supervised learning practice II (7 พ.ย. 65 เวลา 09:00-10:30 น.)
• Principles of deep learning I (14 พ.ย. 65 เวลา 09:00-11:00 น.)
• Principles of deep learning II (21 พ.ย. 65 เวลา 09:00-11:00 น.)
• Deep learning practice I (28 พ.ย. 65 เวลา 09:00-11:00 น.)
• Deep learning practice II (7 ธ.ค. 65 ระยะเวลา 2 ชม.)

สิ่งที่ผู้เรียนจะได้รับ:

เข้าใจหลักการและขีดความสามารถของ Machine Learning และ Deep Learning
สามารถใช้โปรแกรมภาษา Python เพื่อการประมวลผลข้อมูล วิเคราะห์ข้อมูลทางสถิติ และแสดงผลเป็นกราฟที่เหมาะสมต่อการสื่อสารผลการวิเคราะห์
สามารถใช้เทคนิคคัดเลือกตัวแปรและปรับพารามิเตอร์เพื่อให้ได้โมเดลที่มีความสามารถสูงสุดตามเป้าหมาย
สามารถทำความเข้าใจและประยุกต์ใช้กระบวนการพัฒนา Machine Learning Model จากบทความตีพิมพ์ได้
สามารถนำ Artificial Neural Network Model ที่ถูกออกแบบไว้แล้วมา train บนชุดข้อมูลของตนเองได้
สามารถออกแบบและดัดแปลง Artificial Neural Network Model พื้นฐานได้
หัวข้อการเรียนรู้ใน Track B:

1.[Pre-course] Kaggle’s Python programming, data handling, and data visualization
2.Statistical inference and imputation [Lecture / Hands on]
  1.Review of statistical techniques
  2.Statistical inference
  3.Imputation
3.Principles of classical machine learning [Lecture, Joint with Track A]
4.Principles of unsupervised techniques [Lecture, Joint with Track A]
5.Unsupervised techniques practice [Hands on]
  1.PCA, PCoA (MDS)
  2.t-SNE, UMAP
  3.k-mean, hierarchical/agglomerative
  4.DBSCAN
6.Principles of supervised techniques [Lecture, Joint with Track A]
7.Supervised techniques practice I – Model tuning [Hands on]
  1.Linear and logistic regression
  2.Support vector machine
  3.Decision tree
  4.Bagging: Random Forest
  5.Boosting: AdaBoost, XGBoost
8.Supervised techniques practice II – Full pipeline [Hands on]
9.Principles of deep learning I [Lecture]
  1.Artificial neural network
  2.Learning process
  3.End-to-end learning and representation learning view of DL
  4.Convolutional neural networks
10.Principles of deep learning II [Lecture]
  1.Recurrent neural networks
  2.Attention mechanism and transformer architecture
  3.Graph neural network
11.Practical deep learning I – Transfer learning [Hands on]
  1.Transfer learning
  2.Data preprocessing
  3.Training control
  4.Saliency map
  5.Representation learning
12.Practical deep learning II – Building your own model [Hands on]
  1.Build a new model from scratch
  2.Fully connected model
  3.CNN model
  4.RNN model

ฟรี ไม่มีค่าใช้จ่าย สนใจสมัครเข้าร่วมการเรียนรู้ใน Track A หรือ Track B ได้โดยสแกน QR Code

หรือที่ลิงค์ https://forms.gle/tGQ9fgtx6SgoSNry8

ติดต่อเพื่อขอรับรายละเอียดเพิ่มเติมได้ที่ MTEC Materials Informatics Project Email: 2mi@mtec.or.th

กิจกรรมนี้สนับสนุนโดยสำนักงานปลัดกระทรวงการอุดมศึกษา วิทยาศาสตร์ วิจัยและนวัตกรรม (สป. อว.) ภายใต้โครงการการเสริมสร้างศักยภาพและขับเคลื่อนความร่วมมือเชิงยุทธศาสตร์ระหว่างประเทศระดับทวิภาคีและพหุภาคี ประจำปีงบประมาณ 2565