MENU
สอบถามข้อมูล 02 564 6500

หลักสูตรอบรมเชิงปฏิบัติการ Machine Learning and Data Analysis for Materials Scientists and Engineers (กย. – พย. 65)

หลักสูตรอบรมเชิงปฏิบัติการ Machine Learning and Data Analysis for Materials Scientists and Engineers (กย. – พย. 65)

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

ึ

Print Friendly, PDF & Email