|
มหาสารคาม | |||||||||||||
ปริญญาโท ระบบในเวลาราชการ | |||||||||||||
กลุ่ม | วัน | เวลา | ห้อง | อาคาร | เรียน | ที่นั่ง(เปิด-ลง-เหลือ) | หมวด | ||||||
01 | เสาร์ | 15:00-18:00 | IT-4-1Co | FAC IT | LECT | 5 | 1 | 4 | W | ||||
อาจารย์: | |||||||||||||
สำรองสำหรับ: | คณะวิทยาการสารสนเทศ ชั้นปี 2 คณะวิทยาการสารสนเทศ ชั้นปี 3 คณะวิทยาการสารสนเทศ ชั้นปี 4 คณะวิทยาการสารสนเทศ ชั้นปี 5 | 5-0-5 5-1-4 5-0-5 5-0-5 | |||||||||||
สอบปลายภาค: | |||||||||||||
ปริญญาโท ระบบนอกเวลาราชการ | |||||||||||||
กลุ่ม | วัน | เวลา | ห้อง | อาคาร | เรียน | ที่นั่ง(เปิด-ลง-เหลือ) | หมวด | ||||||
01 | เสาร์ | 15:00-18:00 | IT-4-1Co | FAC IT | LECT | 5 | 1 | 4 | W | ||||
อาจารย์: | รศ.ดร.โอฬาริก สุรินต๊ะ | ||||||||||||
สอบปลายภาค: | |||||||||||||
Course Description ทฤษฎีเกี่ยวกับโครงข่ายประสาทเทียม โครงสร้างของโครงข่ายประสาทเทียมแบบต่าง ๆ เช่น โครงข่ายประสาทเทียมแบบป้อนไปข้างหน้า โครงข่ายประสาทเทียมแบบแพร่ย้อนกลับ โครงข่ายประสาทเทียมเปอร์เซ็ปตรอน แบบหลายชั้น และโครงข่ายประสาทเทียมเชิงลึก ความรู้เบื้องต้นเกี่ยวกับการเรียนรู้เชิงลึกสำหรับการรู้จำรูปภาพ โครงข่ายประสาทเทียมแบบคอนโวลูชันในโครงสร้างแบบต่าง ๆ เช่น LeNet5; AlexNet; GoogLeNet; และ ResNet การพัฒนาและการประยุกต์การเรียนรู้เชิงลึกสำหรับการตรวจจับและการรู้จำรูปภาพ Theory of neural networks; neural network architecture such as feedforward, backpropagation, multi-layer perceptron, and deep neural networks; introduction to deep learning for image recognition; convolutional neural network in different architectures such as LeNet5, AlexNet, GoogLeNet, and ResNet architectures; development and application of deep learning methods to image detection and recognition หมายเหตุ เรียน C = Lecture L = Lab S = Self Study หมวด A = วิชาศึกษาทั่วไปบังคับ B = วิชาศึกษาทั่วไปเลือก C = วิชาแกน F = วิชาเลือกเสรี H = วิชาชีพครูเลือก L = วิชาพื้นฐานวิชาเอก M = วิชาเอกบังคับ N = วิชาเอกเลือก O = วิชาเฉพาะ T = วิชาโท W = ไม่ระบุ X = ยังไม่กำหนด |