COMP5511 Postgraduate

PolyU | แนวคิดด้านปัญญาประดิษฐ์

หลักสูตรนี้นำเสนอการแนะนำอย่างละเอียดและเข้าใจง่ายเกี่ยวกับปัญญาประดิษฐ์ ซึ่งออกแบบมาสำหรับนักศึกษาชั้นสูงและผู้เชี่ยวชาญในสายงาน โดยสะท้อนความเชื่อมโยงระหว่างรากฐานประวัติศาสตร์กับนวัตกรรมสมัยใหม่ หลักสูตรจะพัฒนาจากแนวคิดของปัญญาประดิษฐ์แบบสัญลักษณ์และอัลกอริธึมการค้นหา สู่เทคโนโลยีล้ำสมัย เช่น การเรียนรู้เชิงลึก (Deep Learning) และปัญญาประดิษฐ์สร้างเนื้อหา (Generative AI) นักเรียนจะได้สำรวจหัวข้อสำคัญ เช่น การแทนความรู้ การให้เหตุผลเชิงความน่าจะเป็น และการเรียนรู้ของเครื่องแบบดั้งเดิม ก่อนจะลงลึกไปในเครือข่ายประสาทเทียม โมเดล Transformers และโมเดลภาษาขนาดใหญ่ (LLMs) โดยเน้นทั้งทฤษฎีและปฏิบัติจริง หลักสูตรใช้ภาษาโปรแกรม Python และเฟรมเวิร์กมาตรฐานอุตสาหกรรม เช่น PyTorch เพื่อการประยุกต์ใช้อัลกอริธึม โต้ตอบกับ API สมัยใหม่ และจัดการประเด็นสำคัญด้านจริยธรรมและความปลอดภัยในปัญญาประดิษฐ์

5.0

64.0h

100 ผู้เรียน

80 การถูกใจ

ปัญญาประดิษฐ์

เริ่มเรียน

บทเรียน

ภาพรวมคอร์สเรียน

📚 สรุปเนื้อหา

หลักสูตรนี้นำเสนอการเรียนรู้อย่างเข้มข้นและเข้าใจง่ายเกี่ยวกับปัญญาประดิษฐ์ (AI) สำหรับนักศึกษาปริญญาโทและผู้เชี่ยวชาญ โดยสะท้อนความก้าวหน้าตั้งแต่รากฐานทางประวัติศาสตร์ไปจนถึงนวัตกรรมล่าสุด หลักสูตรจะพัฒนาจากปัญญาประดิษฐ์เชิงสัญลักษณ์และอัลกอริธึมการค้นหา สู่การเรียนรู้เชิงลึก (Deep Learning) และปัญญาประดิษฐ์สร้างสรรค์ (Generative AI) ในปัจจุบัน นักเรียนจะได้สำรวจหัวข้อสำคัญ เช่น การแทนข้อมูลความรู้ การให้เหตุผลแบบความน่าจะเป็น และการเรียนรู้ของเครื่องแบบคลาสสิก ก่อนจะล้ำลึกเข้าสู่เครือข่ายประสาทเทียม โมเดล Transformers และโมเดลภาษาขนาดใหญ่ (LLMs) โดยเน้นทั้งทฤษฎีและการปฏิบัติ ใช้ภาษา Python และเฟรมเวิร์กมาตรฐานในอุตสาหกรรม เช่น PyTorch เพื่อประยุกต์ใช้อัลกอริธึม โต้ตอบกับ API สมัยใหม่ และแก้ไขประเด็นสำคัญด้านจริยธรรมและความปลอดภัยของปัญญาประดิษฐ์

สร้างความเชื่อมโยงระหว่างปัญญาประดิษฐ์เชิงสัญลักษณ์แบบดั้งเดิมกับปัญญาประดิษฐ์สร้างสรรค์สมัยใหม่ หลักสูตรนี้เตรียมความพร้อมให้ผู้เรียนมีความเข้าใจเชิงทฤษฎีอย่างลึกซึ้งและทักษะการเขียนโปรแกรมด้วยภาษา Python เพื่อออกแบบ ดำเนินการ และประเมินระบบอัจฉริยะอย่างมีจริยธรรม

🎯 เป้าหมายการเรียนรู้

เชี่ยวชาญพื้นฐานของปัญญาประดิษฐ์: วิเคราะห์และประยุกต์ใช้แนวทางการแก้ปัญหาพื้นฐาน ได้แก่ การค้นหาด้วยเทคนิคเชิงวิเคราะห์ (heuristic search) การให้เหตุผลตามตรรกะ และการจำลองแบบความน่าจะเป็น
ประยุกต์ใช้อาร์กิเทคเจอร์การเรียนรู้เชิงลึก: ออกแบบและฝึกอบรมเครือข่ายประสาทเทียมขั้นสูงโดยใช้ PyTorch ตั้งแต่โมเดลเพอร์เซปตรอนหลายชั้น (MLP) ไปจนถึงเครือข่ายประสาทเชิงพิเศษ (CNN) และโมเดล Transformers
นำเสนอบริการปัญญาประดิษฐ์สร้างสรรค์: ออกแบบแอปพลิเคชันที่ใช้โมเดลภาษาขนาดใหญ่ (LLMs) โดยใช้เทคนิคต่าง ๆ เช่น การปรับแต่งเฉพาะทาง (fine-tuning) การออกแบบคำสั่ง (prompt engineering) และการเสริมการดึงข้อมูล (Retrieval-Augmented Generation - RAG)
ส่งเสริมการพัฒนาปัญญาประดิษฐ์ที่มีจริยธรรม: วิเคราะห์วิจารณ์ระบบปัญญาประดิษฐ์ด้านอคติ ความปลอดภัย และความสอดคล้อง พร้อมใช้กลยุทธ์เพื่อเพิ่มความโปร่งใสและเสถียรภาพในสถานการณ์จริง

บทเรียน

บทนำ: ขยายขอบเขตการคำนวณความน่าจะเป็นแบบดั้งเดิม เพื่อทำความเข้าใจว่าความไม่แน่นอนส่งผลต่อปัญญาประดิษฐ์สมัยใหม่อย่างไร บทนี้สำรวจเหตุผลที่โมเดลภาษาขนาดใหญ่ (LLMs) “หลอน” (hallucinate) และทำไมสิ่งนี้จึงเป็นคุณสมบัติ ไม่ใช่ข้อบกพร่อง รวมถึงการสร้างงานศิลปะจากสัญญาณรบกวนบริสุทธิ์ด้วยโมเดลการกระจาย (Diffusion models) และการตัดสินใจของเอเจนต์อัตโนมัติในโลกที่ไม่แน่นอน

ผลการเรียนรู้:

จากเบย์สสู่ "อารมณ์": ทำความเข้าใจความมั่นใจและค่าปรับตัวอย่างมีเหตุผล โดยเข้าใจว่า "ความน่าจะเป็น 99%" อาจผิดพลาดได้ แม้ไม่ต้องล็อกกับคณิตศาสตร์ซับซ้อน
แรงขับเคลื่อนแห่งความคิดสร้างสรรค์: วิเคราะห์กลไกการสุ่มแบบความน่าจะเป็น (เช่น อุณหภูมิ, Top-P) ที่ทำให้เกิดความคิดสร้างสรรค์ในปัญญาประดิษฐ์สร้างสรรค์ และนำไปสู่อาการหลอน
การตัดสินใจของเอเจนต์: เข้าใจกลยุทธ์การตัดสินใจภายใต้ความไม่แน่นอน โดยเน้นปัญหา “การสำรวจกับการใช้ประโยชน์” (Exploration vs. Exploitation) ในเรื่องการเรียนรู้เสริม (Reinforcement Learning) และระบบหลายเอเจนต์

บทเรียน

Lecture

Lab

Mock

ภาพรวมคอร์สเรียน

📚 สรุปเนื้อหา

🎯 เป้าหมายการเรียนรู้

บทเรียน