ช่วงเวลาเรียนสำหรับบุคคลทั่วไป
เกี่ยวกับรายวิชา
รายวิชา ความรู้พื้นฐานเกี่ยวกับ AI และ ML คอร์สนี้จะพาไปทำความเข้าใจพื้นฐานของ ปัญญาประดิษฐ์ (Artificial Intelligence: AI) และ การเรียนรู้ของเครื่อง (Machine Learning: ML) อย่างเป็นระบบ เหมาะสำหรับผู้เริ่มต้นที่ต้องการปูพื้นความรู้ก่อนก้าวสู่การประยุกต์ใช้งานจริง ผู้เรียนจะได้เรียนรู้ความแตกต่างของ AI กับโปรแกรมคอมพิวเตอร์ทั่วไป กลไกการทำงานของ Machine Learning และโมเดล AI ประเภทต่าง ๆ รวมถึงเทคโนโลยีสำคัญในปัจจุบัน เช่น Generative AI, Self-supervised Learning, Reinforcement Learning ตลอดจนแนวคิดของโมเดล Pre-trained, การ Fine-tuning และเทคนิค RAG (Retrieval-Augmented Generation)
นอกจากนี้ คอร์สยังครอบคลุมการทำความเข้าใจข้อจำกัดของ AI ความสำคัญของการกำหนด Prompt คุณภาพ การสุ่มและการควบคุมผลลัพธ์ด้วย Temperature/Seed และการเลือกใช้แอปพลิเคชัน AI ให้เหมาะสมกับบริบทการใช้งาน เมื่อจบคอร์ส ผู้เรียนจะมีความเข้าใจที่ถูกต้องเกี่ยวกับพื้นฐาน AI และ ML มองภาพรวมเทคโนโลยีได้ชัดเจน รู้จักประเภทของงานที่ AI สามารถแก้ไขได้ พร้อมทั้งตระหนักถึงข้อจำกัดและประเด็นที่ควรคำนึงในการใช้งานจริง
เนื้อหารายวิชา
เนื้อหาในรายวิชา ความรู้พื้นฐานเกี่ยวกับ AI และ ML ประกอบด้วย
บทที่ 1 ความแตกต่างระหว่าง AI และโปรแกรมคอมพิวเตอร์อื่น ๆ
บทที่ 2 แนวคิด Machine Learning
บทที่ 3 โมเดลและจำนวนพารามิเตอร์
บทที่ 4 Supervised Learning
บทที่ 5 ปัญหาที่เหมาะกับ Supervised Learning
บทที่ 6 Unsupervised Learning
บทที่ 7 ปัญหาที่เหมาะกับ Unsupervised Learning
บทที่ 8 Reinforcement Learning
บทที่ 9 Self-supervised Learning
บทที่ 10 Generative AI
บทที่ 11 การสร้างเนื้อหาหลากหลายประเภทด้วย Generative AI
บทที่ 12 Pre-training และ Fine-Tuning
บทที่ 13 Retrieval Augmented Generation (RAG)
บทที่ 14 ความสุ่มใน Generative AI
บทที่ 15 AI แอปพลิเคชัน และ AI โมเดล
บทที่ 16 ข้อควรรู้ในการใช้ AI ในทางปฏิบัติ: Token และการคิดค่าใช้จ่าย
บทที่ 17 ข้อควรรู้ในการใช้ AI ในทางปฏิบัติ: Context Window
บทที่ 18 ข้อควรรู้ในการใช้ AI ในทางปฏิบัติ: ฮาร์ดแวร์สำหรับการประมวลผล AI
บทที่ 19 ข้อควรรู้ในการใช้ AI ในทางปฏิบัติ: Latency และ AI Hallucination
เกณฑ์การวัดและประเมินผล
มีการวัดและประเมินผลผ่านแบบทดสอบย่อย (Quiz) และแบบทดสอบหลังเรียน (Posttest) โดยจะแบ่งเป็นคะแนนจาก Quiz เท่ากับ 50 คะแนน และคะแนนจาก Posttest เท่ากับ 50 คะแนน ทั้งนี้ผู้เรียนต้องทำคะแนนรวมทั้งหมดให้ได้ร้อยละ 60 ขึ้นไป จึงจะสามารถดาวน์โหลด Certificate บนหน้ารายวิชาได้
วัตถุประสงค์
1. เข้าใจแนวคิดพื้นฐานของ AI และ Machine Learning
2. จำแนกประเภทของ Machine Learning และปัญหาที่แต่ละประเภทแก้ได้
3. อธิบายความหมายและการทำงานของ Generative AI และเทคนิคที่เกี่ยวข้อง
4. ระบุข้อจำกัดและปัจจัยที่ควรพิจารณาในการใช้งาน AI
5. เลือกใช้แอปพลิเคชัน AI ได้อย่างเหมาะสมกับโจทย์ที่กำหนด
หมายเหตุ
1. ผู้เรียนจะมีสิทธิ์ทำแบบทดสอบหลังเรียน (Posttest) เมื่อเข้าร่วมกิจกรรมการเรียน (Course Progress) มากกว่า 80% ขึ้นไป
2. ผู้เรียนจะสามารถทำข้อสอบ Posttest ได้มากกว่า 1 ครั้ง หรือจนกว่าจะสอบผ่านตามเกณฑ์ที่กำหนด และได้รับ Certificate
อาจารย์ผู้สอน
รศ. ดร.อติวงศ์ สุชาโต
ภาควิชาวิศวกรรมคอมพิวเตอร์
คณะวิศวกรรมศาสตร์
จุฬาลงกรณ์มหาวิทยาลัย
อันตรายจากสารเคมีและการบริหารจัดการความปลอดภัยในห้องปฏิบัติการเคมี
외국인을위한태국어커뮤니케이션 (Communicative Thai for Foreigners : Korean version)
TH
EN
