ผลต่างระหว่างรุ่นของ "01204472 ภาคต้น 2555"
ไปยังการนำทาง
ไปยังการค้นหา
Jittat (คุย | มีส่วนร่วม) |
Jittat (คุย | มีส่วนร่วม) |
||
| แถว 13: | แถว 13: | ||
* การประยุกต์ใช้ในด้านที่เกี่ยวข้องกับการเรียนรู้ด้วยเครื่องจักรและปัญญาประดิษฐ์ | * การประยุกต์ใช้ในด้านที่เกี่ยวข้องกับการเรียนรู้ด้วยเครื่องจักรและปัญญาประดิษฐ์ | ||
** ใช้เพื่อโมเดลเอกสารและแสดงความสัมพันธ์ระหว่างเอกสาร ([http://en.wikipedia.org/wiki/Vector_space_model Vector space model]) | ** ใช้เพื่อโมเดลเอกสารและแสดงความสัมพันธ์ระหว่างเอกสาร ([http://en.wikipedia.org/wiki/Vector_space_model Vector space model]) | ||
| − | ** เทคนิคที่เกี่ยวข้องกับ [http://en.wikipedia.org/wiki/Eigenvalues_and_eigenvectors eigenvalue] เช่น [http://en.wikipedia.org/wiki/Singular_value_decomposition SVD] และ [http://en.wikipedia.org/wiki/Principal_component_analysis] | + | ** เทคนิคที่เกี่ยวข้องกับ [http://en.wikipedia.org/wiki/Eigenvalues_and_eigenvectors eigenvalue] เช่น [http://en.wikipedia.org/wiki/Singular_value_decomposition SVD] และ [http://en.wikipedia.org/wiki/Principal_component_analysis PCA] |
** [http://en.wikipedia.org/wiki/Collaborative_filtering Collaborative filtering] | ** [http://en.wikipedia.org/wiki/Collaborative_filtering Collaborative filtering] | ||
** ใช้ในการเทรน [http://en.wikipedia.org/wiki/Artificial_neural_network neural networks] | ** ใช้ในการเทรน [http://en.wikipedia.org/wiki/Artificial_neural_network neural networks] | ||
รุ่นแก้ไขเมื่อ 02:43, 11 พฤษภาคม 2555
การคำนวณเชิงตัวเลข เป็นหนึ่งในการประยุกต์ใช้งานหลักของคอมพิวเตอร์ การคำนวณเชิงตัวเลขมีขอบเขตในการประยุกต์ใช้ที่กว้างขวาง (ดูรายการด้านล่าง) ในวิชานี้ เราจะศึกษาทฤษฎีและอัลกอริทึมเกี่ยวกับเวกเตอร์และเมตริกซ์ ซึ่งนอกจากจะเป็นพื้นฐานในการทำความเข้าใจเทคนิคต่าง ๆ เกี่ยวกับการคำนวณเชิงตัวเลขแล้ว เนื้อหาในส่วนนี้ยังเกี่ยวข้องโดยตรงกับการประยุกต์ใช้งานในด้านต่าง ๆ รวมทั้งอัลกอริทึมสำหรับการหาค่าที่ดีที่สุดซึ่งเราจะได้ศึกษาทฤษฎีและอัลกอริทึมในวิชานี้
นอกจากนี้เรายังจะสัมผัสเนื้อหามาตรฐานของรายวิชาการคำนวณเชิงตัวเลข เช่น การหาค่าประมาณการ การหาอนุพันธ์ การอินทิเกรตเชิงตัวเลข การเข้าสมการอนุพันธ์ และการปรับหาเส้นโค้งที่เหมาะสม
ในหัวข้อต่าง ๆ เราจะศึกษาทั้งทฤษฎีและการนำไปประยุกต์ใช้
การวัดผล
- การบ้าน 30%
- สอบปลายภาค 30%
- โครงงานเล็ก 2 โครงงาน โครงงานละ 20%
รายการการประยุกต์ใช้
- การประยุกต์ใช้ในด้านที่เกี่ยวข้องกับการเรียนรู้ด้วยเครื่องจักรและปัญญาประดิษฐ์
- ใช้เพื่อโมเดลเอกสารและแสดงความสัมพันธ์ระหว่างเอกสาร (Vector space model)
- เทคนิคที่เกี่ยวข้องกับ eigenvalue เช่น SVD และ PCA
- Collaborative filtering
- ใช้ในการเทรน neural networks
- ใช้เพื่อ implement Support vector machine
- เครื่องข่ายคอมพิวเตอร์
- กราฟิกส์
- หุ่นยนต์
