หลักสูตร Deep Learning with Python เป็นการอบรมการสร้างโมเดล Deep Learning ด้วย PyTorch และ Keras 3 ทั้ง Neural Network, CNN, Transfer Learning, การตรวจจับวัตถุด้วย YOLO, LSTM, Transformer และ Fine-tune โมเดลภาษาไทยด้วย Hugging Face เหมาะกับนักพัฒนาที่มีพื้นฐาน Python และ Machine Learning
Deep Learning คือกลไกเบื้องหลังระบบ AI ที่ใช้อยู่ทุกวัน ทั้งการจำแนกภาพ ตรวจจับวัตถุจากกล้อง วิเคราะห์ความรู้สึกจากข้อความ ไปจนถึงโมเดลภาษาขนาดใหญ่ แต่เครื่องมือเปลี่ยนเร็วมาก โค้ดแบบ TensorFlow 1 และ Keras 2 ที่เคยสอนกันใช้ไม่ได้แล้ว ไลบรารีหลักอย่าง Hugging Face Transformers ก็หันมาใช้ PyTorch เป็นหลัก นักพัฒนาที่อยากสร้างโมเดลเองจึงต้องเข้าใจทั้งหลักการและเครื่องมือชุดปัจจุบัน
หลักสูตรนี้พาผู้เรียนสร้างโมเดล Deep Learning ด้วย Python โดยใช้ PyTorch 2 เป็นแกนหลักร่วมกับ Keras 3 เริ่มจากหลักการ Neural Network, Backpropagation และ Training Loop ที่เขียนเอง แล้วต่อด้วยเทคนิคฝึกโมเดล CNN สำหรับงานภาพ Transfer Learning การตรวจจับวัตถุด้วย Ultralytics YOLO26 และ Autoencoder จากนั้นเข้าสู่ข้อมูลลำดับด้วย LSTM และ GRU สถาปัตยกรรม Transformer การ Fine-tune โมเดลวิเคราะห์ความรู้สึกภาษาไทยด้วย Hugging Face และการ Export โมเดลเป็น ONNX ปิดท้ายด้วย Capstone ที่สร้างโมเดลพร้อมหน้าเดโมของตนเอง (อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง ระดับ Advanced)
รายละเอียดหลักสูตร
หลักสูตรนี้เป็นฉบับปรับปรุงใหม่ปี 2026 ที่มาแทนเนื้อหาเดิมของหลักสูตร Deep Learning with Python โดยยังคงแกนเดิม คือ Neural Network, CNN, การตรวจจับวัตถุด้วย YOLO, Transfer Learning, LSTM และ GRU, Autoencoder และการวิเคราะห์ความรู้สึกด้วย BERT แต่เปลี่ยนเครื่องมือจาก TensorFlow แบบเดิมมาเป็น PyTorch 2 ร่วมกับ Keras 3 อัปเดตเป็น YOLO26 ใช้ Hugging
Face Transformers สำหรับงานภาษา และเพิ่ม Transformer, Fine-tuning และการ Export เป็น ONNX อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab ระดับ Advanced Lab รันบน Google Colab ได้โดยไม่ต้องมี GPU ในเครื่อง ผู้ที่ยังไม่มีพื้นฐาน Machine Learning แนะนำให้เรียนหลักสูตร Python for Machine Learning ก่อน
Section 1: Lab: เตรียมสภาพแวดล้อม Deep Learning
Section 2: จาก Machine Learning สู่ Neural Network
Section 3: Lab: Tensor และ Autograd ใน PyTorch
Section 4: Lab: เขียน Training Loop ด้วย PyTorch
Section 5: Lab: สร้างโมเดลเร็วขึ้นด้วย Keras 3
Section 6: เทคนิคฝึกโมเดลให้ดีและเร็ว
Section 7: Lab: CNN สำหรับจำแนกภาพ
Section 8: Lab: Transfer Learning และ Fine-tuning
Section 9: Lab: ตรวจจับวัตถุด้วย YOLO26
Section 10: Autoencoder และ Generative Model
Section 11: Lab: RNN, LSTM และ GRU กับข้อมูลลำดับ
Section 12: Transformer และกลไก Attention
Section 13: Lab: วิเคราะห์ความรู้สึกด้วย Hugging Face
Section 14: Lab: นำโมเดลไปใช้งาน
Section 15: Workshop: Capstone Project
ขณะนี้ยังไม่มีรอบอบรมเปิดรับสมัคร ลงชื่อจองไว้ได้เลย ทีมงานจะติดต่อกลับเป็นกลุ่มแรกเมื่อเปิดรอบถัดไป หรือสอบถามทางไลน์ หรือโทร 02-570-8449 หรือ 088-807-9770
Neural Network ประกอบด้วยชั้นของ Neuron ที่รับข้อมูลเข้า คูณด้วยน้ำหนัก บวกค่า Bias แล้วผ่านฟังก์ชัน Activation ส่งต่อไปชั้นถัดไปจนได้ผลลัพธ์ ระหว่างฝึกโมเดลจะเทียบผลลัพธ์กับคำตอบจริงด้วย Loss Function แล้วใช้ Backpropagation คำนวณว่าควรปรับน้ำหนักแต่ละตัวอย่างไร และ Optimizer เช่น Adam หรือ AdamW ปรับค่าซ้ำหลายรอบจนความคลาดเคลื่อนลดลง ในหลักสูตรผู้เรียนจะเขียน Training Loop เองด้วย PyTorch เพื่อเห็นทุกขั้นตอนนี้
CNN (Convolutional Neural Network) ใช้ตัวกรองขนาดเล็กเลื่อนไปทั่วภาพเพื่อจับลักษณะเฉพาะที่ตำแหน่งใดก็ได้ ชั้นแรกจับเส้นขอบและสี ชั้นถัดไปรวมเป็นรูปทรงและวัตถุ แล้วใช้ Pooling ย่อขนาดข้อมูล การใช้ตัวกรองชุดเดียวกันทั้งภาพทำให้มีพารามิเตอร์น้อยกว่าเครือข่ายแบบเชื่อมทุกจุด จึงเหมาะกับงานจำแนกภาพ และเป็นพื้นฐานของโมเดลตรวจจับวัตถุอย่าง YOLO ซึ่งในหลักสูตรใช้รุ่น YOLO26
Transfer Learning คือการนำโมเดลที่ฝึกกับข้อมูลชุดใหญ่มาแล้วมาใช้ต่อกับงานใหม่ของเรา โดยตรึงชั้นต้นที่จับลักษณะทั่วไปไว้ แล้วเปลี่ยนชั้นสุดท้ายให้ตรงกับคลาสที่ต้องการก่อนฝึกเพิ่ม จากนั้นอาจปลดตรึงบางชั้นมา Fine-tune ด้วยอัตราการเรียนรู้ต่ำ วิธีนี้ใช้ข้อมูลและเวลาน้อยกว่าการฝึกเองตั้งแต่ต้นมาก ในหลักสูตรใช้โมเดลสำเร็จรูปจาก torchvision และ KerasHub กับงานภาพ และใช้โมเดลภาษาจาก Hugging Face กับงานข้อความ
เหมาะกับนักพัฒนาและ Web Developer ที่มีพื้นฐาน Python และต้องการพัฒนาระบบ AI ด้วย Deep Learning รวมถึง Data Scientist ที่ต้องการอัปเดตจาก TensorFlow 1 หรือ Keras 2 สู่เครื่องมือปัจจุบัน ควรเขียน Python ได้คล่องและเข้าใจพื้นฐาน Machine Learning เช่น การแบ่งข้อมูลและการวัดผลโมเดล ผู้ที่ยังไม่มีพื้นฐานนี้แนะนำให้เรียนหลักสูตร Python for Machine Learning ก่อน
อธิบายหลักการ Neural Network ได้ เขียน Training Loop ด้วย PyTorch และสร้างโมเดลด้วย Keras 3 สร้าง CNN จำแนกภาพ ใช้ Transfer Learning ฝึก YOLO26 ตรวจจับวัตถุจากข้อมูลของตนเอง พยากรณ์ข้อมูลลำดับด้วย LSTM และ GRU เข้าใจ Transformer และ Fine-tune โมเดลวิเคราะห์ความรู้สึกภาษาไทยด้วย Hugging Face รวมถึง Export โมเดลเป็น ONNX และทำหน้าเดโมด้วย Gradio ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion)
ได้ หลักสูตรนี้จัดเป็นการอบรมแบบ In-house ให้ทีมในองค์กรได้ และปรับตัวอย่างให้ตรงกับงานของทีม เช่น จำแนกภาพ ตรวจจับวัตถุ หรือวิเคราะห์ข้อความจากโจทย์ที่คล้ายข้อมูลขององค์กร ขอใบเสนอราคาได้จากหน้านี้ หรือติดต่อทาง LINE @itgenius โทร 02-570-8449
งาน Internet of Things ไม่ได้มีแค่การเขียนโปรแกรมบนบอร์ดเล็ก ๆ แต่ยังต้องมีโปรแกรมฝั่งคอมพิวเตอร์ Raspberry Pi หรือ Gateway ที่รับข้อมูลจากเซนเซอร์ แปลงข้อมูล เก็บลงฐานข้อมูล และส่งต่อไปยังระบบอื่น Python เป็นภาษาที่นิยมที่สุดสำหรับงานส่วนนี้ เพราะอ่านง่าย…
เมื่อเว็บที่สร้างด้วย Django เริ่มมีผู้ใช้จริง ข้อมูลมากขึ้น และมีหลายบทบาทเข้ามาใช้งาน งานที่ต้องทำก็เปลี่ยนจากการทำหน้าเว็บให้ทำงานได้ ไปเป็นการทำให้ระบบเร็ว ปลอดภัย จัดการสิทธิ์ได้ละเอียด และดูแลต่อได้ง่าย Django มีเครื่องมือสำหรับงานเหล่านี้ครบในตัว…
หลายคนเขียน Python พื้นฐานได้แล้วแต่ยังติดอยู่กับสคริปต์สั้น ๆ พอต้องสร้างโปรแกรมที่ทำงานพร้อมกันหลายงาน คุยผ่านเครือข่าย ส่งอีเมล เก็บข้อมูลลงฐานข้อมูล หรือดูแลโค้ดร่วมกับทีม ก็เริ่มไม่แน่ใจว่าควรเขียนแบบไหน อีกทั้ง Python เปลี่ยนไปมากในช่วงหลัง ทั้ง Type…
