ความรู้พื้นฐานเกี่ยวกับ AI และ ML
รศ. ดร.อติวงศ์ สุชาโต
หลักสูตร Chula Mooc Flexi
วันที่ 4 สิงหาคม 2568 เป็นต้นไป
วันที่ 4 สิงหาคม 2568 เป็นต้นไป
19 บทเรียน
19 วิดีโอ
ไม่กำหนด
ไม่มี
ผู้เรียนต้องทำคะแนนรวมทั้งหมดให้ได้ร้อยละ 60 ขึ้นไป
certificate of completion
นิสิตจุฬา ฯ กลุ่มนักเรียน นักศึกษา และประชาชนทั่วไปที่สนใจเทคโนโลยีและดิจิทัล
คอร์สนี้จะพาคุณทำความเข้าใจพื้นฐานของ 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
วัดและประเมินผลผ่านแบบทดสอบย่อย (Quiz) และแบบทดสอบหลังเรียน (Posttest) โดยจะแบ่งเป็นคะแนนจาก Quiz เท่ากับ 50 คะแนน และคะแนนจาก Posttest เท่ากับ 50 คะแนน ทั้งนี้ผู้เรียนต้องทำคะแนนรวมทั้งหมดให้ได้ร้อยละ 60 ขึ้นไปจึงจะสามารถขอรับ Certificate of Completion ได้
ผู้เรียนจะมีสิทธิ์ทำแบบทดสอบหลังเรียน (Posttest) เมื่อเข้าร่วมกิจกรรมการเรียน (Course Progress) มากกว่า 80% ขึ้นไป
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
ภาควิชาวิศวกรรมคอมพิวเตอร์ คณะวิศวกรรมศาสตร์ จุฬาลงกรณ์มหาวิทยาลัย