Practical LSTM Networks: Sequence Modeling with TensorFlow and Keras

ข้อมูลแบบอนุกรม (Sequential data) มีอยู่ทุกที่ ตั้งแต่ข้อมูลอนุกรมเวลาทางการเงินไปจนถึงภาษาธรรมชาติ แต่โครงข่ายประสาทเทียมแบบดั้งเดิมต้องเผชิญกับความยากลำบากในการจดจำข้อมูลข้ามเวลา เพื่อแก้ปัญหานี้ นักพัฒนาและนักวิทยาศาสตร์ข้อมูลจึงใช้เครือข่าย Long Short-Term Memory (LSTM) เพื่อดักจับความสัมพันธ์ระยะยาวในชุดข้อมูลแบบอนุกรม คอร์สเรียนรูปแบบข้อความนี้จะนำคุณไปสู่กลไกหลักของ Recurrent Neural Networks และ LSTMs โดยเปลี่ยนผ่านจากการทำความเข้าใจโครงสร้างข้อมูลอนุกรมพื้นฐาน ไปสู่การเขียนโมเดลที่สะอาดและทันสมัยด้วย TensorFlow และ Keras สิ่งที่คุณจะได้เรียนรู้: - ทำความเข้าใจสถาปัตยกรรมพื้นฐานของ Recurrent Neural Networks (RNNs) และวิธีที่ LSTMs แก้ปัญหา Vanishing Gradient - จัดเตรียมชุดข้อมูลอนุกรมสำหรับ Deep Learning โดยใช้เทคนิค Tokenization, Padding และการประมวลผลอนุกรมที่ทันสมัย - สร้างและตั้งค่าเลเยอร์ LSTM รวมถึง Stacked LSTMs และสถาปัตยกรรม Bidirectional โดยใช้ TensorFlow และ Keras - ประยุกต์ใช้โมเดล LSTM กับงานในโลกแห่งความเป็นจริง เช่น การพยากรณ์อนุกรมเวลา (Time-series forecasting) และการจัดหมวดหมู่ข้อความ (Text classification) - ประเมินประสิทธิภาพของโมเดลด้วย Sequence Metrics ที่เหมาะสม และใช้ Regularization เพื่อป้องกันปัญหา Overfitting - เปรียบเทียบสถาปัตยกรรม LSTM ดั้งเดิมกับวิธีการจัดการข้อมูลอนุกรมที่ทันสมัย รวมถึงกลไก Attention พื้นฐาน คุณจะได้เริ่มต้นจากคำนิยามที่สำคัญและสัญชาตญาณทางคณิตศาสตร์เบื้องหลังความจำแบบอนุกรม จากนั้นจึงก้าวหน้าผ่านคำอธิบายแบบข้อความทีละขั้นตอนและการอธิบายโค้ดอย่างเป็นระบบ เมื่อจบคอร์สนี้ คุณจะสามารถออกแบบ ฝึกฝน และประเมินโมเดล LSTM สำหรับความท้าทายต่างๆ ที่ใช้ข้อมูลอนุกรมได้อย่างมั่นใจ คอร์สนี้ออกแบบมาสำหรับผู้เริ่มต้นในด้าน Deep Learning และนักพัฒนาที่มีความรู้พื้นฐานเกี่ยวกับ Python และต้องการเชี่ยวชาญด้านการสร้างโมเดลข้อมูลอนุกรมเป็นพิเศษ ไม่จำเป็นต้องมีประสบการณ์ Deep Learning มาก่อน เริ่มอ่านแต่วันนี้เพื่อเชี่ยวชาญ Recurrent Neural Networks และสร้างโมเดลอนุกรมที่ชาญฉลาดยิ่งขึ้น