Dimensionality Reduction

หลักสูตร Dimensionality Reduction นี้ถูกออกแบบมาเพื่อให้ผู้เรียนได้เข้าใจและใช้เทคนิคการลดมิติในข้อมูลที่มีความซับซ้อนสูง หลักสูตรนี้จะนำเสนอแนวคิดพื้นฐานและวิธีการที่ใช้ในการลดจำนวนตัวแปรหรือฟีเจอร์ในข้อมูลโดยไม่สูญเสียความสำคัญของข้อมูลนั้นๆ ซึ่งเป็นขั้นตอนสำคัญในการเตรียมข้อมูลสำหรับการวิเคราะห์ข้อมูลเชิงลึกและการสร้างแบบจำลองทางการเรียนรู้ของเครื่อง (Machine Learning) นอกจากนี้ หลักสูตรยังครอบคลุมถึงการประยุกต์ใช้เทคนิคต่างๆ เช่น Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), และ t-SNE ในกรณีศึกษาที่หลากหลาย เพื่อให้ผู้เรียนสามารถนำความรู้ไปประยุกต์ใช้ในสถานการณ์จริงได้อย่างมีประสิทธิภาพ

What you’ll learn:

• เข้าใจพื้นฐานของการลดมิติและความสำคัญในกระบวนการวิเคราะห์ข้อมูล

• วิธีการประยุกต์ใช้ Principal Component Analysis (PCA) ในการลดมิติของข้อมูล

• การประยุกต์ใช้ Linear Discriminant Analysis (LDA) เพื่อแยกแยะคลาสในข้อมูลที่มีหลายมิติ

• การใช้ t-Distributed Stochastic Neighbor Embedding (t-SNE) เพื่อการแสดงผลข้อมูลในมิติที่ต่ำกว่าอย่างมีประสิทธิภาพ

• เรียนรู้เทคนิคการเตรียมข้อมูลก่อนการใช้การลดมิติ

• การประยุกต์ใช้เทคนิคการลดมิติในการสร้างแบบจำลอง Machine Learning

• การใช้การลดมิติในการวิเคราะห์ข้อมูลที่มีความซับซ้อนและมีฟีเจอร์จำนวนมาก

• ประสบการณ์การทำงานกับกรณีศึกษาและการใช้เทคนิคต่างๆ ในสถานการณ์จริง