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
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
มีการวัดและประเมินผลผ่านแบบทดสอบย่อย (Quiz) และแบบทดสอบหลังเรียน (Posttest) โดยจะแบ่งเป็นคะแนนจาก Quiz เท่ากับ 50 คะแนน และคะแนนจาก Posttest เท่ากับ 50 คะแนน ทั้งนี้ผู้เรียนต้องทำคะแนนรวมทั้งหมดให้ได้ร้อยละ 60 ขึ้นไปจึงจะสามารถขอรับ Certificate of Completion ได้
1. ผู้เรียนจะมีสิทธิ์ทำแบบทดสอบหลังเรียน (Posttest) เมื่อเข้าร่วมกิจกรรมการเรียน (Course Progress) มากกว่า 80% ขึ้นไป
2. ผู้เรียนจะสามารถทำข้อสอบ Posttest ได้เพียง 1 ครั้งเท่านั้น
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