หลักสูตร Python for Machine Learning เป็นการอบรมการสร้างและวัดผลโมเดล Machine Learning ด้วย Python, pandas และ scikit-learn ทั้ง Regression, KNN, Naive Bayes, SVM, Random Forest, K-Means, PCA และโปรเจกต์จดจำใบหน้าด้วย Eigenfaces เหมาะกับโปรแกรมเมอร์ ฝ่ายไอที ครู อาจารย์ และนักศึกษาที่มีพื้นฐาน Python
Machine Learning ยังเป็นหัวใจของงาน AI ในองค์กร ทั้งการพยากรณ์ยอดขาย คัดกรองลูกค้า จัดหมวดเอกสาร หรือตรวจจับความผิดปกติ และงานข้อมูลแบบตารางจำนวนมากยังได้ผลดีและคุ้มค่ากว่าเมื่อใช้โมเดลคลาสสิกแทน Deep Learning แต่ผู้เริ่มต้นมักติดอยู่ที่การเรียกใช้คำสั่งตามตัวอย่าง โดยไม่เข้าใจว่าโมเดลเรียนรู้อย่างไร ควรเตรียมข้อมูลแบบไหน และจะรู้ได้อย่างไรว่าโมเดลดีพอจะใช้งานจริง
หลักสูตรนี้พาผู้เรียนสร้างโมเดล Machine Learning ด้วย Python ตั้งแต่พื้นฐาน โดยใช้ pandas 3 และ scikit-learn 1.9 เริ่มจากเข้าใจหลักการของ Linear และ Logistic Regression ผ่าน Gradient Descent แล้วต่อด้วย K-Nearest Neighbors, Naive Bayes, Support Vector Machine, Decision Tree, Random Forest, Gradient Boosting, K-Means และ PCA พร้อมฝึกเตรียมข้อมูลด้วย Pipeline วัดผลด้วย Cross-Validation และปรับค่า Hyperparameter อย่างเป็นระบบ ก่อนรวมทุกอย่างในโปรเจกต์จดจำใบหน้าด้วย Eigenfaces การบันทึกโมเดล และ Capstone ที่ทำงานครบตั้งแต่ข้อมูลดิบจนได้โมเดลพร้อมหน้าเดโม (อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง ระดับ Beginner)
รายละเอียดหลักสูตร
หลักสูตรนี้เป็นฉบับปรับปรุงใหม่ปี 2026 ที่มาแทนเนื้อหาเดิมของหลักสูตร Python for Machine Learning โดยยังคงแกนเดิม คือ Regression, K-Nearest Neighbors, Naive Bayes, SVM และโปรเจกต์จดจำใบหน้าด้วย Eigenfaces แต่เปลี่ยนเครื่องมือเป็น uv, JupyterLab, pandas 3 และ scikit-learn 1.9 และเพิ่มเรื่อง Pipeline การวัดผล Tree และ Gradient Boosting, K-Means และการนำโมเดลไปใช้ อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab ทุกหัวข้อ ระดับ Beginner ใช้โน้ตบุ๊กทั่วไปโดยไม่ต้องมี GPU และใช้เครื่องมือโอเพนซอร์สทั้งหมด ผู้ที่ต้องการต่อยอดไปสู่ Neural Network สามารถเรียนต่อในหลักสูตร Deep Learning with Python
Section 1: Lab: เตรียมสภาพแวดล้อม Python สำหรับ ML
Section 2: พื้นฐานปัญญาประดิษฐ์และ Machine Learning
Section 3: Lab: เตรียมและสำรวจข้อมูลด้วย pandas 3
Section 4: Lab: Linear Regression ตั้งแต่หลักการ
Section 5: Logistic Regression และการวัดผล Classification
Section 6: Lab: Pipeline และ ColumnTransformer
Section 7: Cross-Validation และการปรับ Hyperparameter
Section 8: Lab: K-Nearest Neighbors
Section 9: Lab: Naive Bayes และการจำแนกข้อความภาษาไทย
Section 10: Lab: Support Vector Machine
Section 11: Lab: Decision Tree, Random Forest และ Boosting
Section 12: Unsupervised Learning: K-Means และ PCA
Section 13: Lab: ระบบจดจำใบหน้าด้วย Eigenfaces
Section 14: Lab: นำโมเดลไปใช้งาน
Section 15: Workshop: Capstone Project
ขณะนี้ยังไม่มีรอบอบรมเปิดรับสมัคร ลงชื่อจองไว้ได้เลย ทีมงานจะติดต่อกลับเป็นกลุ่มแรกเมื่อเปิดรอบถัดไป หรือสอบถามทางไลน์ หรือโทร 02-570-8449 หรือ 088-807-9770
Linear Regression ใช้ทำนายค่าตัวเลขต่อเนื่อง เช่น ราคาบ้านหรือยอดขาย โดยหาเส้นที่ทำให้ค่าความคลาดเคลื่อนรวมน้อยที่สุด ส่วน Logistic Regression ใช้จำแนกกลุ่ม เช่น ลูกค้าจะยกเลิกบริการหรือไม่ โดยส่งผลรวมเชิงเส้นผ่านฟังก์ชัน Sigmoid ให้ได้ความน่าจะเป็นระหว่าง 0 ถึง 1 แล้วตัดสินด้วยค่า Threshold ในหลักสูตรผู้เรียนจะเขียน Gradient Descent เองก่อน แล้วจึงใช้ scikit-learn เพื่อให้เห็นว่าโมเดลเรียนรู้อย่างไร
Cross Validation คือการแบ่งข้อมูลเป็นหลายส่วน เช่น K-Fold แบ่งเป็น 5 ส่วน แล้วสลับใช้ส่วนหนึ่งเป็นชุดทดสอบและที่เหลือเป็นชุดฝึกจนครบ จากนั้นเฉลี่ยผลลัพธ์ ทำให้ประเมินความแม่นยำกับข้อมูลใหม่ได้น่าเชื่อถือกว่าการแบ่งครั้งเดียว ช่วยจับปัญหา Overfitting และใช้ร่วมกับ GridSearchCV เลือกค่า Hyperparameter เช่น ค่า K ของ KNN หรือ C ของ SVM โดยควรเตรียมข้อมูลไว้ใน Pipeline เพื่อไม่ให้ข้อมูลชุดทดสอบรั่วเข้าไปตอนฝึก
SVM หาเส้นหรือระนาบแบ่งกลุ่มที่เว้นระยะห่างจากจุดข้อมูลที่ใกล้ที่สุดของแต่ละกลุ่มให้มากที่สุด จุดที่อยู่ชิดเส้นแบ่งเรียกว่า Support Vectors เมื่อข้อมูลแบ่งด้วยเส้นตรงไม่ได้ จะใช้ Kernel เช่น RBF หรือ Polynomial เพื่อคำนวณเสมือนยกข้อมูลไปอยู่ในมิติที่สูงขึ้นซึ่งแบ่งได้ง่ายกว่า โดยปรับค่า C และ gamma เพื่อคุมความเข้มงวดของเส้นแบ่ง ในหลักสูตรใช้ SVM จดจำตัวเลขลายมือและเป็นตัวจำแนกในโปรเจกต์ Eigenfaces
เหมาะกับโปรแกรมเมอร์ ผู้ดูแลระบบ ฝ่ายไอทีที่พัฒนาระบบขององค์กร ครูอาจารย์ และนักศึกษาที่อยากเริ่มงาน Machine Learning ต้องเขียน Python ระดับพื้นฐานได้ เคยเขียนโปรแกรมมาบ้าง และใช้คอมพิวเตอร์จัดการไฟล์ได้คล่อง ส่วนคณิตศาสตร์ใช้ระดับมัธยมปลาย เพราะหลักสูตรอธิบายสถิติและพีชคณิตที่จำเป็นให้ใหม่ระหว่างเรียน
เตรียมข้อมูลด้วย pandas สร้าง Pipeline ที่ไม่รั่วข้อมูล สร้างและวัดผลโมเดล Regression และ Classification ใช้ KNN, Naive Bayes, SVM, Random Forest และ Gradient Boosting ได้ตรงโจทย์ จัดหมวดข่าวภาษาไทยด้วย TF-IDF จัดกลุ่มข้อมูลด้วย K-Means ทำระบบจดจำใบหน้าด้วย Eigenfaces บันทึกโมเดลอย่างปลอดภัย และทำหน้าเดโมด้วย Gradio ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion)
ใช้ Python 3.12 ขึ้นไป จัดการโปรเจกต์และไลบรารีด้วย uv และเขียนโค้ดใน JupyterLab หรือ VS Code ร่วมกับ NumPy, pandas 3, scikit-learn 1.9, Matplotlib, PyThaiNLP, skops และ Gradio ซึ่งเป็นโอเพนซอร์สทั้งหมด ใช้เครื่อง Windows, Mac หรือ Linux ก็ได้โดยไม่ต้องมี GPU แต่ควรมีสิทธิ์ติดตั้งโปรแกรม หรือใช้ Google Colab ผ่านบัญชี Google แทนได้
Python เป็นภาษาที่ถูกใช้มากที่สุดภาษาหนึ่งในปัจจุบัน ทั้งงานเว็บ งานอัตโนมัติ งานข้อมูล IoT และ AI ด้วยรูปแบบภาษาที่อ่านง่ายและเรียนรู้ได้เร็ว จึงเป็นภาษาแรกที่สถาบันการศึกษาและองค์กรจำนวนมากเลือกใช้ แต่ผู้เริ่มต้นหลายคนเรียนจากตัวอย่างกระจัดกระจาย…
องค์กรส่วนใหญ่มีข้อมูลยอดขาย ลูกค้า และการใช้งานระบบสะสมอยู่มาก แต่ยังใช้ข้อมูลเหล่านั้นเพียงทำรายงานย้อนหลัง ทั้งที่ข้อมูลชุดเดียวกันนี้สามารถนำมาสร้างแบบจำลองพยากรณ์ได้ เช่น คาดการณ์ยอดขาย ทำนายลูกค้าที่มีแนวโน้มยกเลิกบริการ แบ่งกลุ่มลูกค้า…
Django เป็นเว็บเฟรมเวิร์กภาษา Python ที่ใช้สร้างเว็บไซต์และระบบงานที่ขับเคลื่อนด้วยฐานข้อมูลมาอย่างยาวนาน เพราะมีของที่ต้องใช้มาให้ครบตั้งแต่ ORM, หน้า Admin, ระบบฟอร์ม, ระบบผู้ใช้ ไปจนถึงการป้องกันช่องโหว่พื้นฐาน…
