ผลต่างระหว่างรุ่นของ "01204472 ภาคต้น 2555"
ไปยังการนำทาง
ไปยังการค้นหา
Jittat (คุย | มีส่วนร่วม) |
Jittat (คุย | มีส่วนร่วม) |
||
| แถว 11: | แถว 11: | ||
== รายการการประยุกต์ใช้ == | == รายการการประยุกต์ใช้ == | ||
| − | * | + | * ทฤษฎีเมตริกซ์ |
| − | ** ใช้เพื่อโมเดลเอกสารและแสดงความสัมพันธ์ระหว่างเอกสาร ([http://en.wikipedia.org/wiki/Vector_space_model Vector space model]) | + | ** Machine Learning / AI: 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 PCA], [http://en.wikipedia.org/wiki/Collaborative_filtering Collaborative filtering] |
| − | + | ** กราฟิกส์: ทฤษฎีพื้นฐานเกี่ยวกับ transformation | |
| − | + | * การหาค่าที่ดีที่สุด | |
| − | ** | + | ** Machine Learning / AI: ใช้ในการเทรนเครื่องจักรการเรียนรู้ เช่น [http://en.wikipedia.org/wiki/Artificial_neural_network neural networks] หรือ [http://en.wikipedia.org/wiki/Support_vector_machine Support vector machine] |
| − | + | ** กราฟิกส์: การประยุกต์ใช้การหาค่าที่ดีที่สุดในปัญหาต่าง ๆ เช่น | |
| − | * กราฟิกส์ | + | ** หุ่นยนต์ |
| − | + | ** เครื่องข่ายคอมพิวเตอร์ | |
| − | |||
| − | * หุ่นยนต์ | ||
| − | * เครื่องข่ายคอมพิวเตอร์ | ||
รุ่นแก้ไขเมื่อ 03:00, 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
- ทฤษฎีเมตริกซ์
- Machine Learning / AI: ใช้เพื่อโมเดลเอกสารและแสดงความสัมพันธ์ระหว่างเอกสาร (Vector space model), เทคนิคที่เกี่ยวข้องกับ eigenvalue เช่น SVD และ PCA, Collaborative filtering
- กราฟิกส์: ทฤษฎีพื้นฐานเกี่ยวกับ transformation
- การหาค่าที่ดีที่สุด
- Machine Learning / AI: ใช้ในการเทรนเครื่องจักรการเรียนรู้ เช่น neural networks หรือ Support vector machine
- กราฟิกส์: การประยุกต์ใช้การหาค่าที่ดีที่สุดในปัญหาต่าง ๆ เช่น
- หุ่นยนต์
- เครื่องข่ายคอมพิวเตอร์
