Course syllabus

  1. Learning outcome
  2. Course syllabus

010123229-64 การเรียนรู้ของเครื่อง (Machine Learning)

Course Syllabus

Data entry : Dr.Vera Sa-ing
1. Course number and name

010123229-64 การเรียนรู้ของเครื่อง (Machine Learning)

2. Credits and contact hours

3(3-0-6)

3. Instructor’s or course coordinator’s name

Dr.Vera Sa-ing

4. Text book, title, author, and year

  1. Andreas C. Müller and Sarah Guido, “Introduction to Machine Learning with Python,” O’Reilly Media, Inc, 2017.
  2. Sebastian Raschka and Vahid Mirjalili, “Python Machine Learning,” Packt Publishing, 2017.
  3. Dirk P. Kroese, Zdravko I. Botev, Thomas Taimre, and Radislav Vaisman, “Data Science and Machine Learning,” Mathematical and Statistical Methods, 2023.
  4. Dipanjan Sarkar, Raghav Bali, and Tushar Sharma, “Practical Machine Learning with Python,” Apress, 2018.

5. Specific course information

  1. brief description of the content of the course (catalog description)
    Linear Regression; Logistic Regression; Generalization; Bias and Variance; Overfitting; Regularization; Validation; Neural Networks; Support Vector Machine; Clustering; Dimensionality Reduction; Deep Learning.
  2. prerequisites or co-requisites
    010123135-64 Linear Algebra
  3. indicate whether a required, elective, or selected elective (as per Table 5-1) course in the program
    Elective :

6. Specific goals for the course

  1. specific outcomes of instruction (e.g. The student will be able to explain the significance of current research about a particular topic.)
    1. CLO1 The student will be able to implement the linear and logistic regression.
    2. CLO2 The student will be able to analyze the performance of generalization.
    3. CLO3 The student will be able to understand the overfitting of algorithms.
    4. CLO4 The student will be able to analyze the validation of machine learning.
    5. CLO5 The student will be able to implement the clustering algorithms.
    6. CLO6 The student will be able to implement the neural network algorithms.
    7. CLO7 The student will be able to implement the deep learning algorithms.
  2. explicitly indicate which of the student outcomes listed in Criterion 3 or any other outcomes are addressed by the course.
    ABET Student Outcome (SO) Listed in Criterion 3 Course learning outcome (CLO)
    PO1 : ความรู้ทางด้านวิศวกรรม และพื้นฐานทางด้านคณิตศาสตร์ และวิทยาศาสตร์ สามารถประยุกต์ความรู้ทางด้านคณิตศาสตร์ วิทยาศาสตร์ วิทยาการคำนวณ พื้นฐานทางด้านวิศวกรรม และความรู้เฉพาะทางวิศวกรรมเพื่อกำหนดกรอบความคิดในการแก้ปัญหาวิศวกรรม รวมทั้งการพัฒนาแบบจำลองทางคณิตศาสตร์และวิศวกรรม หรือ ให้นิยาม รวมทั้งประยุกต์วิธีการ กระบวนงาน กระบวนการ หรือระบบงานทางวิศวกรรมในการทำงานได้
    • CLO1 The student will be able to implement the linear and logistic regression.
    • CLO5 The student will be able to implement the clustering algorithms.
    • CLO6 The student will be able to implement the neural network algorithms.
    • CLO7 The student will be able to implement the deep learning algorithms.
    PO2 : การวิเคราะห์ปัญหาทางวิศวกรรม สามารถระบุปัญหา สืบค้นทางเอกสาร สร้างแบบจำลองรวมตั้งสมการความสัมพันธ์ระหว่างตัวแปรต่าง ๆ เพื่อหาคำตอบ และแก้ไขปัญหาทางวิศวกรรมที่ซับซ้อน จนได้ข้อสรุปเบื้องต้น โดยใช้หลักการและเครื่องมือวิเคราะห์ทางด้านคณิตศาสตร์ วิทยาศาสตร์ และทางด้านวิศวกรรมศาสตร์ ทั้งนี้ ให้คำนึงถึงการพัฒนาที่ยั่งยืนในทุกองค์ประกอบ
    • CLO2 The student will be able to analyze the performance of generalization.
    • CLO4 The student will be able to analyze the validation of machine learning.
    PO3 : การออกแบบและพัฒนาเพื่อหาคำตอบของปัญหา สามารถหาคำตอบของปัญหาทางวิศวกรรมที่ซับซ้อน และออกแบบระบบงานหรือกระบวนการทางวิศวกรรมตามความต้องการและข้อกำหนดงานโดยคำนึงถึงข้อกำหนดด้านสังคม วัฒนธรรม ความปลอดภัย การอนามัยและสิ่งแวดล้อม มาตรฐานการปฏิบัติวิชาชีพ และการพัฒนาที่ยั่งยืน อาทิ มูลค่าตลอดวัฏจักรชีวิต การปลดปล่อยคาร์บอนสุทธิเป็นศูนย์ และประเด็นทางสิ่งแวดล้อมต่าง ๆ ที่เกี่ยวข้อง
    • CLO3 The student will be able to understand the overfitting of algorithms.
    PO4 : การพิจารณาตรวจสอบ สามารถตรวจสอบ วินิจฉัย ประเมินผล งานและปัญหาทางวิศวกรรมซึ่งครอบคลุมถึงการตั้งสมมติฐาน การหาข้อมูล การทดลอง การวิเคราะห์ การแปลความหมายข้อมูล สังเคราะห์ข้อมูล ข้อสนเทศ และออกแบบ เพื่อให้ได้ผลสรุปที่ถูกต้องตามหลักเหตุผล
    • CLO2 The student will be able to analyze the performance of generalization.
    • CLO4 The student will be able to analyze the validation of machine learning.
    PO5 : การใช้อุปกรณ์เครื่องมือทันสมัย สามารถสร้าง เลือก และประยุกต์ใช้เทคนิควิธี ทรัพยากร อุปกรณ์เครื่องมือทางวิศวกรรมและเทคโนโลยีสารสนเทศที่เหมาะสมและทันสมัย โดยคำนึงถึงข้อกำหนดและข้อจำกัดของเครื่องมือและอุปกรณ์เหล่านั้น
    • CLO1 The student will be able to implement the linear and logistic regression.
    • CLO5 The student will be able to implement the clustering algorithms.
    • CLO6 The student will be able to implement the neural network algorithms.
    • CLO7 The student will be able to implement the deep learning algorithms.
    PO6 : การทำงานร่วมกันเป็นทีม สามารถทำงานร่วมกับผู้อื่นที่มีความหลากหลายในสหสาขาวิชาได้อย่างมีประสิทธิภาพ สามารถทำงานในฐานะสมาชิกของกลุ่มและผู้นำกลุ่มในรูปแบบต่าง ๆ ได้
    • CLO2 The student will be able to analyze the performance of generalization.
    PO10 : การบริหารงานวิศวกรรม มีความรู้และความเข้าใจในด้านเศรษฐศาสตร์และการบริหารงานวิศวกรรมโดยคำนึงถึงความเสี่ยงและความเปลี่ยนแปลงที่อาจเกิดขึ้น
    • CLO3 The student will be able to understand the overfitting of algorithms.

7. Brief list of topics to be covered
Week Topic Details Activities
Introduction Introduction of Machine Learning
Basic Data Analytic I Data, Data Types
Basic Data Analytic II Data, Data Type, Data Visualization
Basic Data Analytic III Data, Data Type, Data Visualization, Data Cleaning
Basic Data Analytic IV Data, Data Type, Data Visualization, Data Cleaning, Data Analytic
Basic Machine Learning I Data Cleaning for Machine Learning
Basic Machine Learning II Cleaning and Preparing for Machine Learning
Basic Machine Learning III Correlation Analysis for Machine Learning
Basic Machine Learning IV Implementation of Correlation Analysis for Machine Learning
Advance Machine Learning I Analysis Algorithms of Machine Learning
Advance Machine Learning II Prediction Algorithms of Machine Learning
Advance Machine Learning III Classification Algorithms of Machine Learning
Advance Machine Learning IV Clustering Algorithms of Machine Learning
8. Course Assessment
Course assessment Weight score (%) Assessment tools Date
Formative 1 5 Attention
Formative 2 15 quiz, assignment
Formative 3 50 group discussion, Project
Formative 4 30 final examination

หมายเหตุ - ลำดับเนื้อหาจะมีการปรับเปลี่ยนตามความเหมาะสม