สรุปคอร์ส : Machine Learning for Business Professionals จาก Coursera EP. 1
Machine Learning for Business Professionals ของฝากจากช่วงเคอร์ฟิว จริงๆ แล้วช่วงเคอร์ฟิวนี้มีคอร์สฟรีจาก Coursera ที่น่าสนใจเยอะมาก แต่ดันมาสะดุดใจกับคอร์สนี้ ที่ได้ Certificate ฟรีๆ ปกติราคาตกอยู่ที่ 49 USD (ประมาณ 1,500 กว่าบาท) และสอนโดย Google Cloud (เรียนฟรี แล้วได้ Cert. เหมาะกับนักเก็บ Cert. แบบเราเจรงๆ )
ลองกด Enroll กันเข้าไปก่อนนะ แล้วเดี๋ยวมันจะ -49 USD ให้เราเอง ไม่ต้องตกกะใจ ขอบคุณ เพจ Nooblearning ที่เสี่ยงตายกดไปก่อนแล้ว 5555
คอร์สนี้เหมาะกับใคร
เหมาะกับทุกคนที่สนใจเรื่อง Machine Learning เพราะคอร์สนี้ไม่มี Coding แต่มี Lab จาก Qwiklabs ให้ทุกคนได้ลองทำ ML กันบน Google Cloud รับรองเรียนแล้ว Run Model กันได้สบายยยย ช่วงท้ายมีตัวอย่าง Hands-on Lab ML มาอวดกันด้วยยย
เนื้อหาแบ่งออกเป็น 4 Week (แนะนำให้เรียนทีละ Week)
Course contents
EP.1 Week1 : What is Machine Learning ?
EP.2 Week2: Employing Machine Learning
EP.3 Week 3 : Discovering ML Uses Cases
EP.4 Week 4 : How to be successful at ML
EP นี้จะเริ่มจาก Week 1 กันก่อนเลยยยยยยย !!
Week 1 : What is ML ?
Definition
ML คือ การใช้วิธีการที่เป็นมาตรฐาน (standard algorithms) เพื่อหาข้อมูลเชิงลึก (predictive insights) จากข้อมูล (data) และทำให้เกิดการตัดสินใข (decision) แบบซ้ำไปซ้ำมาได้
จากใน definition แบ่งเป็น 4 องค์ประกอบ 1. Algorithm 2. Data 3. Predictive insight 4. Decision
Backward-looking vs Forward-looking
ก่อนจะไปดูองค์ประกอบของ ML แต่ละข้อ ลองมาดู Backward-looking vs Forward-looking กันก่อนเพื่อให้เห็นภาพมากขึ้น
บริษัทส่วนใหญ่มี Dashboard และ reports สิ่งเหล่านี้เรียกว่า “Backward-looking data” การวิเคราะห์เกือบทั้งหมดของธุรกิจเป็นการมองย้อนกลับไปในอดีต โดยดูข้อมูล historical เพื่อหาตัวชี้วัดบางอย่างหรือเพื่อหา trends
ปัจจุบัน การดู trend ในอดีตมันคงไม่พอแล้ว เราต้องมีการตัดสินใจจาก trend นั้นๆ ด้วย เช่น Business Analyst วิเคราะห์ report และเห็น demand ที่เพิ่มขึ้นของสินค้าบางชนิดในประเทศหนึ่ง เลยแนะนำให้ตั้งราคาสินค้าใหม่ในประเทศนั้นเพื่อเพิ่มกำไรให้กับธุรกิจ และนี่ก็คือการที่ Business Analyst กำลังใช้ predictive insight ที่ได้จากข้อมูล หรือ “Forward-looking”
- แล้วจะสามารถตัดสินใจแบบนี้กับสินค้าทุกตัวในทุกๆ ประเทศได้มั้ย ?
- จะปรับราคาสินค้าได้ทุกนาทีโดยดูจากจำนวนของคนที่ต้องการซื้อสินค้าแบบ real-time ได้หรือเปล่า ?
แน่นอนว่าทำไม่ได้ จึงต้องมีการใช้ Machine Learning ที่ใช้ computer ช่วยในการหา insights และสามารถขยายขีดจำกัดของ Business Intelligence และ Decision-making ได้มากขึ้น (ให้มันทำงานแทนเราสิ สบายแล้ววว !!)
1. Algorithm
เมื่อเราพูดถึง ML ใช้ Standard algorithms เราสามารถ Train software หรือสอนให้เครื่องทำสิ่งที่แตกต่างกันได้ เช่น Train software เพื่อประมาณการภาษี หรือ Train software เพื่อให้คำนวนเวลาเดินทางกลับบ้าน ซึ่งเรียกการ Train software นี้ว่า Model
เราต้อง Train มันด้วยข้อมูลที่เป็นกลุ่มตัวอย่าง ถ้าจะ Train Model เพื่อประมาณการภาษี ก็สอน Train ด้วยการให้เห็นข้อมูลการคืนภาษีที่ผ่านมา หรือถ้าจะ Train Model เพื่อคำนวณเวลาเดินทาง ก็ต้อง Train เครื่องด้วยตัวอย่างการเดินทางที่ผ่านมา
ขั้นตอนแรกของ ML คือการ Train ด้วยข้อมูลตัวอย่างจำนวนมาก ข้อมูลตัวอย่างนั้นจะประกอบไปด้วย Inputs และคำตอบที่ถูกต้องสำหรับ Inputs นั้นเรียกว่า Labels
เช่น รูป A (Input) สถานะ Good (Label)
สมมุติว่าเราทำงานให้บริษัทผลิตชิ้นส่วน เราต้องการสร้าง ML model เพื่อหาชิ้นส่วนที่เสียหายก่อนที่มันจะถูกส่งไปประกอบเป็นตัวสินค้า เราต้องเก็บรวบรวมภาพของชิ้นส่วนต่างๆ ซึ่งมีทั้งชิ้นส่วนที่ดีและชิ้นส่วนที่เสียหาย ซึ่งต้องทำการ Label ภาพทุกภาพไว้ว่าดีหรือเสียหาย จากนั้นใช้ข้อมูลนี้เพื่อทำการ Train model สอนให้เครื่องรู้จักว่าภาพแบบไหนถึงจะเป็นคุณภาพดีและแบบไหนถึงเสียหาย
เมื่อ Train model เรียบร้อยแล้ว ก็สามารถทำนายรูปภาพชิ้นส่วนใหม่ๆ ได้ จากในภาพ คือ New Image เป็น Input ใหม่ที่จะถูกส่งเข้าไปใน model เพื่อทำนายได้คุณภาพของชิ้นส่วนว่าดีหรือเสียหาย และ New Image นี้จะเป็นสิ่งที่ model ไม่เคยเห็นมาก่อน แต่ถูกทำนายโดย ML ได้ เพราะมันเอาไปเทียบกับตัวอย่างที่มันเคยเรียนรู้มาก่อนแล้ว
มันเหมือนกับหมอดู ที่เคยเห็นคนที่เกิดวัน เวลา แบบนี้มาเยอะมาก แล้วทายไปในทางเดียวกัน !! หมอดูถูก Train ผ่าน ML มานี่เอง ฮ่า ๆๆๆ
The key to making an ML model generalize is lots of data.
Having labeled data is a prerequisite for successful ML.
ทำไมถึงบอกว่า algorithms พวกนี้เป็น standard ? เพราะว่ามันสามารถปรับใช้ได้กับหลายกรณี เช่น Image classification network ใช้การค้นหารูปแบบของรูปภาพ
- แยกแยะคุณภาพของชิ้นส่วนว่าดีหรือเสียหาย
- แยกแยะใบไม้ว่าใบไหนติดโรคหรือไม่ติดโรค
แม้ว่าจะใช้ algorithm เดียวกันแต่ rules ในการใช้คิดก็ต่างกัน ML ไม่ได้ใช้ logical rules เพราะ Image Classification Network ไม่ได้ใช้ rules แบบ if-this, then-that แต่ใช้ function แยกกลุ่มของรูปภาพ นั่นทำให้สามารถใช้ code ML แบบเดียวกันได้ เพราะมันขึ้นอยู่กับข้อมูลที่ถูก Train
2. Data
Model จะดีแค่ไหนขึ้นอยู่กับคุณภาพและจำนวนของ data ที่มี จากตัวอย่างที่แล้ว เราต้องการข้อมูล historical ของชิ้นส่วนที่เสียหายและชิ้นส่วนที่ดีจำนวนมาก เพื่อจะ Train model ให้แยกแยะคุณภาพของชิ้นส่วนว่าดีหรือเสียหายได้อย่างแม่นยำ
เหตุผลหลักว่าทำไม ML Model ต้องการข้อมูลที่มีคุณภาพสูง เป็นเพราะว่ามันไม่มีความรู้พื้นฐานแบบมนุษย์ data เป็นอย่างเดียวที่มันรู้จัก นั่นเป็นเหตุผลที่ว่า data เป็นส่วนประกอบหลักของ ML
แน่นอนว่า ML มี bug ที่เกิดจาก standard algorithm ที่เราใช้ แต่เกือบทุกครั้ง bug มาจาก data เราลด error ของ model กันบ่อยๆ ด้วยการใส่ data เข้าไปเพิ่ม เพื่อทำให้มันครอบคลุมมากขึ้น หรือ แก้ไข labels ของ data ที่ผิดเพี้ยน ทำให้คุณภาพของ ML model เพิ่มขึ้น
ช่วงที่ผ่านมา Google ต้องการใช้ ML เพื่อช่วยวินิจฉัยผู้ที่เป็นเบาหวานขึ้นตา ซึ่งเป็นเหตุผลที่ทำให้ตาบอดได้เร็วที่สุด โดยวิเคราะห์จากผู้ป่วยมากกว่า 415 ล้านคนทั่วโลกดูจากรูปภาพด้านหลังของลูกตา โดยทำงานร่วมกับกลุ่มจักษุแพทย์จาก US และ India โดยนำผลที่ได้จาก ML model มาเปรียบเทียบกับการวินิจฉัยของจักษุแพทย์
ในกราฟด้านขวา (ROC curve) เส้นสีดำคือผลทำนายจาก Model ส่วนจุดสีๆ ทั้งหลาย คือ ผลการวินิจฉัยของแพทย์ จะเห็นว่าไม่ว่าจะเป็นมนุษย์หรือ Model ก็มีผลที่ไม่ 100% มีส่วนที่ต้องพัฒนาเพื่อช่วยการวินัจฉัย ดังนั้น data จึงเป็นสิ่งที่สำคัญ
Best Practice ของ Data ที่ดี ประกอบด้วย 3 ข้อ ซึ่งสามารถพิจารณาได้ว่ามันเพียงพอสำหรับการทำ ML หรือยัง
1) Coverage
หมายถึง มันครอบคลุม Scenarios ต่างๆ ที่เป็นไปได้ของ Inputs และ Labels
เช่น data ของชิ้นส่วนที่ถูก Train ถ้าสมมุติว่า ข้อมูลตัวอย่างมีแต่ชิ้นส่วนสีแดง Model จะแยกแยะชิ้นส่วนที่เป็นสีน้ำเงินไม่ได้ ซึ่งการคิดเรื่อง Data coverage ค่อนข้างซับซ้อน ผู้คนส่วนใหญ่จึงใช้หลักที่ว่าเอาข้อมูลเยอะไว้ก่อนแหละดี 555555 แต่แค่เยอะอย่างเดียวอาจไม่พอ ไปดูกันต่อ
2) Cleanliness
แทบจะทุกครั้งที่ data มี errors หลายๆ อย่างซ่อนอยู่ เช่น
- ถ้า Train model ด้วยภาพของชิ้นส่วนต่างๆ แต่บางภาพดันมีเงาอยู่ในภาพด้วย มันอาจทำให้ Model แยกแยะ Labels ออกมาผิด
- มีรูปภาพลูกตาของผู้บ่วยเบาหวานจำนวนมาก ที่เหล่าแพทย์ไม่ยอมรับ สาเหตุมาจากภาพเบลอ หรือ spec เลนส์ของกล้องที่ถ่ายภาพมีความแตกต่างกัน
Dirty data can make machine learning hard.
ข้อมูลที่ผิดจะต้องถูกทำให้ถูกต้องที่สุด เพราะ ML model ไม่ควรเรียนรู้สิ่งที่ผิด Dirty data อาจมาจาก human error เช่น จากข้อมูลที่เซลล์กรอก หรือมาจาก software bugs และ Unclean data เป็นเรื่องปกติ (คนที่เคย clean data ทุกคนน่าจะเข้าใจดี 55555555T_T555555)
3) Completeness
หมายถึง data มีข้อมูลของ human knowledge ไม่ครบ เช่น ปัจจัยที่ทำให้ชิ้นส่วนที่ผลิตออกมาเสียหาย คือ overheating แต่ข้อมูลที่เก็บไว้ไม่มี column อุณหภูมิ ยิ่งถ้าไม่เก็บไว้ตั้งแต่เนิ่นๆ จะทำให้ตัวอย่างของอุณหภูมิไม่พอ
ML Model มองเห็นโลกใบนี้แค่วงกลมด้านซ้าย สิ่งที่มันมองไม่เห็นมันจะคิดว่าไม่มีอยู่จริง ถ้า ML Model เป็นรถยนต์และเห็นด้านซ้ายจะคิดว่าถนนเปิด แต่ในความเป็นจริงมีป้ายบอกด้านขวาว่าถนนปิด
ปัญหา Coverage vs ปัญหา Completeness อาจทำให้งง แต่พูดง่ายๆ ปัญหา Coverage เป็นจำนวน row แต่ completeness เป็นจำนวน column ที่ครอบคลุม scenarios ไม่เพียงพอ
การที่จะแก้ปัญหาทั้งหมดนี้ เริ่มได้ด้วยการเก็บ data ให้เยอะไว้ก่อน จากนั้นเมื่อนำมาใช้กับ Model มันจะทำให้เห็นว่าเรามีปัญหาตรงไหน จากนั้นค่อยๆ ไล่แก้ไปจน data พร้อมใช้และทำมา Train model ได้
3. Predictive insight
อะไรคือ predictive insight? ก็อย่างเช่นในตัวอย่าง เราต้องการใช้ Image Classification Model เพื่อแยกแยะชิ้นส่วนใหม่ที่ถูกผลิตออกมา และมันจะบอกเราได้ว่าเป็นชิ้นส่วนที่คุณภาพดีหรือเสียหาย
Predictive analytics จะเกี่ยวกับสิ่งที่เราไม่รู้ เช่น เหตุการณ์ในอนาคต, สินค้าใหม่ หรือ ประสบการณ์ใหม่ของลูกค้า เราจะได้ผลการคาดการณ์ความเป็นไปได้ของบางสิ่งที่เรายังไม่รู้มาก่อน ML เป็นเหมือนกับ Forward-looking ที่ทำนายอนาคต
4. Decision
ML เหมาะในสร้างการตัดสินใจซ้ำๆ ไม่เหมาะกับการใช้เพื่อการตัดสินใจครั้งเดียว การนำ ML ไปใช้ในธุรกิจเพื่อสร้าง Decision จะเกิดขึ้นเมื่อเราจะหา Business value เพราะประโยชน์ของ ML ที่เห็นได้ชัด คือ scalability และ efficiency
ถ้าเราต้องตัดสินใจอย่างรวดเร็วซ้ำไปซ้ำมา เพื่อแยกแยะว่าชิ้นส่วนอันไหนต้องถูกคัดออกจากกระบวนการผลิต ML model ไม่เพียงแค่ช่วยในการแยกแยะคุณภาพของชิ้นส่วนแต่มันยังทำได้ซ้ำๆ ทุกนาที อะไรบ้างที่เป็นการตัดสินใจซ้ำๆ
- กระบวนการ QC ชิ้นส่วนแต่ละชิ้นในสายการผลิต
- การแนะนำสินค้าตลอดช่วง journey ของลูกค้าบน website
- การปรับราคาที่เหมาะสมของสินค้าอย่างต่อเนื่อง
แล้วถ้าเป็นการสร้าง model เพื่อทำนายโอกาสที่รถบรรทุกจะพังล่ะ ?
เราอาจคิดว่ารถบรรทุกมันไม่ได้พังบ่อย ที่จริงแล้วในแต่ละวันช่างเครื่องต้องคอยตัดสินใจว่าควรจะตรวจสอบรถเพื่อหาว่ารถบรรทุกมีแนวโน้มที่จะพังหรือเปล่า ดูเป็นการตัดสินใจที่บ่อยเอาเรื่อง ดังนั้นข้อมูลตัวอย่างก็คงเพียงพอสำหรับการใช้ ML model เพื่อช่วยแก้ปัญหานี้
สรุป ML Definitions
มองหา Scenarios ที่มีส่วนประกอบครบ 4 อย่างนี้ จากนั้นใช้ ML เพื่อปรับเปลี่ยนธุรกิจ ลองย้อนกลับไปดูตัวอย่าง การสร้าง ML model เพื่อทำนายคุณภาพของชิ้นส่วนเพื่อคัดส่วนที่เสียทิ้ง
เริ่มจากการใช้ Standard algorithms แยกแยะ Data รูปภาพของชิ้นส่วน และใช้ผล Predictive insights เพื่อช่วย Making decision ในการคัดชิ้นส่วนที่เสียหายออกจากกระบวนการผลิต
ทำให้กระบวนการ QC มีราคาไม่แพงเหมือนเมื่อก่อนที่ต้องจ้างคน มันไม่ใช่แค่ทำให้เราประหยัดเท่านั้น มันยังหมายความว่าเราสามารถแทรกกระบวนการ QC ทั้งกระบวนการผลิตแทนที่จะทำมันในส่วนสุดท้ายของการผลิตอย่างเดียวเหมือนเมื่อก่อนนนน !! ของดีเวอร์ดิงี้
แถมด้วย Real Life ML Use Cases
ML อยู่รอบๆ ตัวเราโดยที่ทุกคนไม่รู้ตัว
- ได้อีเมล spam น้อยลงใน inbox
- ใช้ Siri หรือ Google Assistant ในการโทรหาแม่
- กดดูคลิปจากการแนะนำที่น่าสนใจใน Youtube Homepage
- ค้นหาเส้นทางกลับบ้านที่เร็วที่สุดผ่าน Google Maps
และนี่ก็เป็นตัวอย่าง Product ที่ใช้ ML ของ Google
ธุรกิจอื่นๆ จำนวนมาก กำลังใช้ ML เพื่อคิดถึงวิธีการที่ users โต้ตอบกับผลิตภัณฑ์ของพวกเค้า แทนที่จะใช้เม้าส์คลิกหรือกดปุ่มบนคีย์บอร์ด เหมือนเป็นการเปลี่ยนตัวเองให้ใกล้เคียงกับความเป็นมนุษย์มากที่สุด เริ่มจากการใช้เสียงของ users เปรียบเหมือนกับการพูดคุยกันทั่วไป
- ในปี 2019 คาดหวังว่า 33% ของ users ใน US ใช้ voice assistance
- ในปี 2020 คาดหวังว่า 85% ของ customer reactions ไม่ต้องใช้มนุษย์
- ในปี 2021 คาดหวังว่า 87% ของ customer reactions จะเป็นการใช้ chatbots หรือ virtual assistants.
หลายคนมักหยิบโทรศัพท์ขึ้นมาเพื่อสั่งพิซซ่าใช่มะ Domino pizza ส่งพิซซ่ามากกว่า 10 ล้านครั้งในแต่ละสัปดาห์ใน US ลูกค้าสามารถสั่งพิซซ่าผ่าน “Dom” ซึ่งเป็น bot การสั่งซื้อออนไลน์ที่ง่ายและผ่านแอพมือถือ
แต่ Domino ก็มุ่งที่สร้างวิธีสั่งซื้อที่ดีกว่าให้กับ users นั่นก็ครืออ การใช้เทคโนโลยี chat bot “Google’s dialogue flow” (คอร์สนี้ Google ขายของเก่งงงงงง)
Domino พัฒนา ordering experience ได้อย่างต่อเนื่องให้กับเหล่าลูกค้า เพราะ bot เริ่มที่จะรับออเดอร์ที่ซับซ้อนได้แล้ว แถมยังเหมือนกับมนุษย์มากขึ้นด้วย ทำให้เป็นการพัฒนา operation ไปในตัว เพราะ chat bot ไม่อารมณ์เสียใส่ลูกค้าแน่ๆ อะ (ทำไมหน่วยงานราชการไม่เอาไปใช้มั่งอะ โดนวีนบ่อยมากกก)
Where there is data, there are ML opportunities.
Hands-on Labs
และนี่ก็ครืออออ ส่วนที่สนุกมากกก Google cloud เค้าสอนเราสร้าง chatbot ผ่าน dialog flow บน GCP ตั้งแต่เริ่มต้นจนใช้งานได้จริง !! ขอเล่าสั้นๆ พอเน่อ ไปลองทำกันในคอร์สได้ สนุกโคตรๆ
Lab 1 : Build pizza chatbot with Dialog flow
มาลองดูหน้าตา Dialogflow ที่ใช้กัน ในการสร้าง chatbot แบบง่ายๆ เราจะใช้งานกันเพียง 2 ส่วน นั่นก็คือ
1) Entities
เริ่มจากการสร้าง Enities ก่อน เพื่อกำหนด parameter ต่างๆ ที่เกี่ยวกับการสั่ง pizza โดยเฉพาะ ซึ่งจะไม่มีอยู่ใน build-in parameter เหมือนกับ date และ time เค้าให้เราสร้างเพิ่มอีกสองตัวนั่นก็คือ size กับ pizza topping !!
เมื่อกำหนดค่าต่างๆ ให้ parameters เรียบร้อย ก็ไปเริ่มสร้าง intents กันเลยยยย
2) Intents
ส่วนนี้จะเป็นตัวกำหนดเงื่อนไขต่างๆ ตั้งแต่ input จาก users จนถึง output ที่โต้ตอบกับ users ในที่นี้จะเป็น Intents ชื่อ order.pizza
ใน Intents จะเริ่มจากส่วนที่เป็น Training phrases เป็นการสอน ML ให้รู้จักตัวอย่างประโยคที่ users น่าจะส่งค่าเข้ามาใน chat ที่เห็นเป็นสีสันสวยงามนั้นเกิดจากการที่เรา Map คำเข้ากับ parameter ที่เรา set ค่าไว้ในรูปด้านล่าง
จากนั้น set response ที่เป็นการส่งค่าไปหา users ผ่าน parameter ต่างๆ ที่เราตั้งค่าจากด้านบน เริ่มดูเหมือนพนักงานคุยกับลูกค้าเองเลยเนอะ
เราสามารถทดสอบ User chat กับ dialogflow ได้ เช่น
Users : I want to order a small cheese pizza for pickup today at 5 pm
Chat bot : We have placed your order for a small pizza with cheese, for pickup on 2020–04–06 at 17.00.00. See you then ! ดูเท่ไปเลยเนอะว่ามะ 55555
Lab 2 : Understanding Images with Google Cloud Platform
Lab นี้เป็นการใช้ AutoML Vision บน GCP ในการแยกแยะชนิดของภาพก้อนเมฆ (แหม เข้ากับ Cloud ดีจังเลย)
เริ่มต้นจากการ Import รูปภาพก้อนเมฆ 60 ภาพ (Inputs) แบ่งเป็น 3 ชนิด (Labels)
- Cirrus
- Cumulonimbus
- Cumulus
จากนั้นทำการ Train model โดยระบบจะแบ่งข้อมูลออกเป็น 3 ส่วน คือ
- Train : ใช้สำหรับสอน Model
- Validation : ใช้สำหรับทดสอบหา Metrics หลังจาก Train ว่า Model มีประสิทธิภาพแค่ไหน
- Test : ใช้สำหรับทดสอบประสิทธิภาพของ Model หลังจากได้ Model ที่ดีที่สุดแล้ว
หลังจาก Train เสร็จ Model จะส่งผลการทำนายออกมาใน Tab evaluate โดยมีทั้งค่า Precision, Recall และ Confusion Matrix (เดี๋ยวจะอธิบายแต่ละตัวใน EP ต่อๆ ไปนะครัช) จากนั้นลองใส่ Input ใหม่เข้าไปใน Model เพื่อทำนายผลด้วย Model
และนี่ก็ครือออ ผลที่ได้จาก Model !!
โอ้โหววว ทำนายแม่นเป๊ะ โมเดลสุดยอดไปเรยยยย !!
Course Summary
จบไปแล้ววว สำหรับ EP.1 ของคอร์ส Machine Learning for Business Professional คิดว่าคงมีประโยชน์ไม่มากก็น้อย แค่ Week แรก ก็ได้ลองทำ Chatbot กับ Image classification แล้วเนี่ยยย เนื้อหาเต็มๆ ของ Week 1 มีมากกว่านี้อีกเยอะเลย ถ้าสนใจก็ไปลงเรียนกันได้
สิ่งที่เรียนรู้จาก Week 1
- Machine Learning definitions
- Real life Machine Learning Use Cases
- 2 Hands-on Lab quick reviews
คอร์สนี้ใครที่ไม่มีความรู้เรื่อง ML มาก่อนก็ลองเรียนได้นะครัชชช คิดว่าเหมาะกับทุกคนที่สนใจ อ่านต่อได้ข้างล่าง
EP.2 Employing ML
EP.3 Discovering ML Use Cases
พุดคุยติชมได้ที่ https://www.facebook.com/Malonglearn
766 total views, 6 views today