กลับสู่คอร์สเรียน
COMP5511 ปริญญาโท

PolyU | แนวคิดปัญญาประดิษฐ์

หลักสูตรที่ครอบคลุมนี้ให้ความรู้เบื้องต้นเกี่ยวกับปัญญาประดิษฐ์อย่างเข้มข้นแต่เข้าใจง่าย ออกแบบมาสำหรับนักศึกษาระดับบัณฑิตศึกษาและผู้เชี่ยวชาญในสายอาชีพ โดยเชื่อมช่องว่างระหว่างรากฐานทางประวัติศาสตร์และนวัตกรรมล้ำสมัย เนื้อหาหลักสูตรเริ่มจากปัญญาประดิษฐ์เชิงสัญลักษณ์และอัลกอริทึมการค้นหา ไปจนถึงการเรียนรู้เชิงลึกและปัญญาประดิษฐ์เชิงสร้างสรรค์ในยุคปัจจุบัน ผู้เรียนจะได้สำรวจหัวข้อสำคัญต่าง ๆ เช่น การแทนความรู้ การให้เหตุผลเชิงความน่าจะเป็น และแมชชีนเลิร์นนิงแบบดั้งเดิม ก่อนจะเจาะลึกสู่โครงข่ายประสาทเทียม ทรานส์ฟอร์เมอร์ และโมเดลภาษาขนาดใหญ่ (LLMs) หลักสูตรนี้เน้นทั้งทฤษฎีและการปฏิบัติ โดยใช้ Python และเฟรมเวิร์กมาตรฐานอุตสาหกรรมอย่าง PyTorch ในการนำอัลกอริทึมไปใช้งาน ปฏิสัมพันธ์กับ API สมัยใหม่ และจัดการประเด็นสำคัญด้านจริยธรรมและความปลอดภัยของปัญญาประดิษฐ์

5.0
64.0h
100 ผู้เรียน
25 บทเรียน
80 การถูกใจ
ปัญญาประดิษฐ์
เริ่มเรียน

ภาพรวมคอร์สเรียน

สรุปเนื้อหา

หลักสูตรที่ครอบคลุมนี้ให้ความรู้เบื้องต้นเกี่ยวกับปัญญาประดิษฐ์ (AI) อย่างเข้มข้นแต่เข้าถึงได้ ออกแบบมาสำหรับนักศึกษาระดับบัณฑิตศึกษาและผู้เชี่ยวชาญ เชื่อมโยงช่องว่างระหว่างรากฐานทางประวัติศาสตร์และนวัตกรรมล้ำสมัย หลักสูตรนี้เริ่มจาก AI เชิงสัญลักษณ์และอัลกอริทึมการค้นหาไปจนถึง Deep Learning และ Generative AI สมัยใหม่ นักศึกษาจะได้สำรวจหัวข้อสำคัญ เช่น การแทนความรู้ การใช้เหตุผลเชิงความน่าจะเป็น และแมชชีนเลิร์นนิงแบบคลาสสิก ก่อนที่จะเจาะลึกเข้าไปในโครงข่ายประสาทเทียม Transformers และ Large Language Models (LLMs) หลักสูตรนี้เน้นทั้งทฤษฎีและการปฏิบัติ โดยใช้ Python และเฟรมเวิร์กมาตรฐานอุตสาหกรรมเช่น PyTorch ในการนำอัลกอริทึมไปใช้งาน โต้ตอบกับ API สมัยใหม่ และจัดการประเด็นสำคัญด้านจริยธรรมและความปลอดภัยของ AI

เชื่อมโยงช่องว่างระหว่าง Symbolic AI แบบคลาสสิกและ Generative AI สมัยใหม่ หลักสูตรนี้มอบความลึกทางทฤษฎีและทักษะการปฏิบัติด้วย Python ให้กับนักศึกษาเพื่อออกแบบสถาปัตยกรรม นำไปใช้งาน และประเมินระบบอัจฉริยะอย่างมีจริยธรรม

วัตถุประสงค์การเรียนรู้

  1. เชี่ยวชาญพื้นฐาน AI: วิเคราะห์และนำกระบวนทัศน์การแก้ปัญหาพื้นฐานไปใช้ รวมถึงการค้นหาแบบฮิวริสติก การใช้เหตุผลเชิงตรรกะ และการสร้างแบบจำลองเชิงความน่าจะเป็น
  2. นำสถาปัตยกรรม Deep Learning ไปใช้: ออกแบบและฝึกโครงข่ายประสาทเทียมขั้นสูงโดยใช้ PyTorch ตั้งแต่ Multi-layer Perceptrons ไปจนถึง Convolutional Neural Networks และ Transformers
  3. ปรับใช้โซลูชัน Generative AI: สร้างแอปพลิเคชันที่ใช้ Large Language Models (LLMs) โดยใช้เทคนิคต่างๆ เช่น การปรับแต่งละเอียด (fine-tuning) การออกแบบพรอมต์ (prompt engineering) และ Retrieval-Augmented Generation (RAG)
  4. รับประกันการพัฒนา AI อย่างมีจริยธรรม: ประเมินระบบ AI อย่างมีวิจารณญาณในด้านอคติ ความปลอดภัย และการจัดแนว (alignment) พร้อมประยุกต์ใช้กลยุทธ์สำหรับความสามารถในการอธิบายและความทนทานในสถานการณ์จริง

บทเรียน

Lecture