ความรู้พื้นฐานเกี่ยวกับ AI และ ML

รศ. ดร.อติวงศ์ สุชาโต

หลักสูตร Chula Mooc Flexi

  • ร่วมสร้างสรรค์สังคมแห่งการเรียนรู้
  • รหัสวิชา : NEURON0129
    5.0
  • หน่วยกิต :
FREE
ที่ว่าง 123/10000
  • ลงทะเบียน

    วันที่ 4 สิงหาคม 2568 เป็นต้นไป

  • เวลาเรียน

    วันที่ 4 สิงหาคม 2568 เป็นต้นไป

  • เนื้อหา

    19 บทเรียน

  • วิดีโอ

    19 วิดีโอ

  • ระยะเวลา

    ไม่กำหนด

  • เอกสาร

    ไม่มี

  • เกณฑ์เรียนจบ

    ผู้เรียนต้องทำคะแนนรวมทั้งหมดให้ได้ร้อยละ 60 ขึ้นไป

  • ประกาศนียบัตร

    certificate of completion

  • กลุ่มเป้าหมาย

    นิสิตจุฬา ฯ กลุ่มนักเรียน นักศึกษา และประชาชนทั่วไปที่สนใจเทคโนโลยีและดิจิทัล

แนะนำรายวิชา
เกี่ยวกับรายวิชา

       เข้าใจพื้นฐานของ ปัญญาประดิษฐ์ (Artificial Intelligence: AI) และ การเรียนรู้ของเครื่อง (Machine Learning: ML) อย่างเป็นระบบ เหมาะสำหรับผู้เริ่มต้นที่ต้องการปูพื้นความรู้ก่อนก้าวสู่การประยุกต์ใช้งานจริง



      เรียนรู้ความแตกต่างของ 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

วัตถุประสงค์และสิ่งที่ได้จากเรียน

    • เข้าใจแนวคิดพื้นฐานของ AI และ Machine Learning

    • จำแนกประเภทของ Machine Learning และปัญหาที่แต่ละประเภทแก้ได้

    • อธิบายความหมายและการทำงานของ Generative AI และเทคนิคที่เกี่ยวข้อง

    • ระบุข้อจำกัดและปัจจัยที่ควรพิจารณาในการใช้งาน AI

    • เลือกใช้แอปพลิเคชัน AI ได้อย่างเหมาะสมกับโจทย์ที่กำหนด

เกณฑ์การวัดและประเมินผล

           มีการวัดและประเมินผลผ่านแบบทดสอบย่อย (Quiz) และแบบทดสอบหลังเรียน (Posttest) โดยจะแบ่งเป็นคะแนนจาก Quiz เท่ากับ 50 คะแนน และคะแนนจาก Posttest เท่ากับ 50 คะแนน ทั้งนี้ผู้เรียนต้องทำคะแนนรวมทั้งหมดให้ได้ร้อยละ 60 ขึ้นไปจึงจะสามารถขอรับ Certificate of Completion ได้ 

หมายเหตุ

    1. ผู้เรียนจะมีสิทธิ์ทำแบบทดสอบหลังเรียน (Posttest) เมื่อเข้าร่วมกิจกรรมการเรียน (Course Progress) มากกว่า 80% ขึ้นไป 

    2. ผู้เรียนจะสามารถทำข้อสอบ Posttest ได้เพียง 1 ครั้งเท่านั้น 

เนื้อหาหลักสูตร

    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)

อาจารย์ผู้สอน
    • รศ.ดร.อติวงศ์ สุชาโต

    ภาควิชาวิศวกรรมคอมพิวเตอร์
    คณะวิศวกรรมศาสตร์
    จุฬาลงกรณ์มหาวิทยาลัย

คอร์สแนะนำ