Neural Network

1. Zoom Link: https://chula.zoom.us/j/91037649181?pwd=RXpiYlJSNDgvVFZsMmZLSy9sNXpqUT09

2. Shared Drive: https://drive.google.com/drive/folders/1euG9uuvlS_-brFRJTVIxdcwvgSk7ffjQ?usp=sharing

3. Course Schedule:

   1. 18 Jan 21: Course Introduction (Brain System, Artificial Neuron)

   2. 25 Jan 21: Artificial Neuron Architecture (VDO Playlist)

   3. 1 Feb 21: TLN Architecture (VDO Playlist)

   4. 8,15,22 Feb 21: TLN Architecture+TLN Training+Supervised Learning (Brief VDO)

      1. TLN Architecture (Last four clips from VDO Playlist: เริ่มดูตั้งแต่ MLP in Specific Area)

      2. Training a Perceptron (VDO Playlist)

      3. Q&A Session: Monday, 13:00-15:00, 15 Feb 21.

   5. 1 Mar 21: Midterm Exam (Recorded Midterm Exam Guide VDO)

      1. สามารถ Download ข้อสอบได้ที่นี่ หมดเวลาส่ง 16:15 น. ของวันนี้ครับ https://drive.google.com/file/d/14gL8BOEyyYI7PvzwUjnk-pW2iJtdC_f4/view?usp=sharing

      2. เมื่อส่งเสร็จแล้ว รบกวนลงชื่อที่นี่ด้วยครับ https://docs.google.com/forms/d/e/1FAIpQLSfEaDpocFeTzUX4PDYlZ72u8yqmtdMcRDtRy6WXQvKk9rvJyg/viewform?usp=sf_link

      3. รวมคำถามคำตอบ

         1. ในข้อสอบมี "เลขข้อ" 6 ซ้ำกัน อย่าได้ถือสาครับ

         2. 13:14 ข้อที่เป็นการ Train แปะ Code Colab ได้เลยไหม

            1. แปะได้ครับ แต่ให้แสดงค่าระหว่างการคำนวณอย่างเพียงพอด้วย อย่าตอบแค่คำตอบครับ เพื่อให้ผมสามารถตรวจสอบคำตอบได้ครับ เดี๋ยวผมตรวจลำบากครับ

         3. 13:22 dichotomies คืออะไรเหรอครับ

            1. ที่เอาเส้นแบ่งตัวอย่างออกเป็นสองกลุ่มครับ แต่ละการแบ่งยังกำหนดตัวอย่างได้เป็นสองแบบ คือ ข้างหนึ่งเป็นลบอีกข้างเป็นบวก และกลับกันครับ

         4. 13:42 อาจารย์ครับข้อ 5 ทำไมสูตร binary มันแปลกอะครับ

            1. ตรง e คือ target-output

         5. 13:45 ข้อ 6 ทำเป็น tln ใช่มั้ยครับ

            1. ข้อ 6 แรกเป็น linear ครับ

            2. ข้อ 6 หลัง เป็น sigmoid ครับ มีเขียนไว้ในโจทย์แล้วครับ

         6. 13:50 Weight ต่าง ๆ กำหนดเองเลยใช่ไหม

            1. เกือบทุกข้อจะมีระบุไว้ว่า ให้ weight เริ่มต้นเป็นเท่าใด แต่ถ้าไม่มีระบุไว้ ก็สามารถกำหนดได้เองครับ

         7. 14:20 1 Iteration คือ 1 example ใช่ไหมครับ

            1. ใช่ครับ

         8. 14:21 ข้อ 7 ที่ให้หา Weiner Solution ใช้ code ได้มั้ยครับ

            1. ได้ครับ แต่ต้องแสดงค่า P และ R ด้วยครับ

         9. 14:22 สรุปข้อ 6 แรก เป็น Linear หรือ Binary

            1. เป็น Liner ครับ

         10. 14:24 ข้อ 8 ตัวอย่างบวกกับลบหมายถึงอย่างไร

             1. ให้มีสองตัวอย่างตัวอย่างละ 1 iteration พอครับ โดยต้องปรับ weight ของตัวอย่างบวก 1 ครั้ง และของตัวอย่างลบ 1 ครั้งครับ

         11. 14.32 ถ้าเอา code จาก colab ที่เรียนในชั้นเรียนต้องแสดงอะไรบ้าง ตรงนี้น่าจะเหมือนเพื่อน

             1. แสดงค่าตรงกลางที่ใช้คำนวณด้วยครับ อย่าแสดงแต่คำตอบ เช่น Weiner solution ก็ต้องแสดงค่า P กับ R อย่าแสดงแต่คำตอบ

             2. ถ้าเป็น weiner solution ก็คงเหมือนครับ ตรงนี้ไม่เป็นไรครับ แต่ถ้าเป็นอันอื่นไม่น่าจะเหมือน

         12. 14:53 ข้อที่เป็น TLN ให้ปรับ Weight ต่อกันเลยใช่ไหม

             1. ใช่ครับ อยากให้เป็นแบบนั้น คือ ปรับตัวหนึ่ง แล้วเอาที่ได้ไปปรับอีกตัวหนึ่งต่อครับ

         13. 14:54 ข้อ 6 แรกเป็น Linear ใช่ไหม ไม่ใช่ Binary

             1. ใช่ครับเป็น Linear ครับ สูตรเป็น Linear ครับ

   6. Backpropagation Neural Network (VDO Clips) (Quiz)

   7. Support Vector Machine (VDO Clips)

   8. Recorded VDO for BNN

Topic: 2110571 (Neural Networks)

Start Time : Mar 22, 2021 01:00 PM

Meeting Recording:

https://chula.zoom.us/rec/share/4yMhC03eLUXl5ZU2QXmDzYcT0hpid2OTJ3UkzgLpS8fXkHMwLt3MO34-5iSDfxDC.IC7wVCNlNAnZ8LuA

3. 9. 5 Apr 21: Self Organizing Feature Map (VDO Clips, Colab)

   10. 20 Apr 21: Associative Memory (VDO Clips)

   11. Convolution Neural Network (VDO Clips)

   12. LSTM (VDO Clips)

   13. Class Review

   14. Project Presentation (3 May 21) Update ตารางเวลานำเสนอได้ที่นี่:

       1. งานกลุ่ม กลุ่มละ 2-3 คน

       2. ให้เลือกข้อมูล (ถ้าเป็นข้อมูลของตัวเอง ที่ต้องสกัดมาจากแหล่งอื่น จะดีมาก) ที่ตัวเองสนใจ ที่ยังไม่มีใครลองทำด้วย Neural Networks มา 1 ชุดข้อมูล

       3. ประยุกต์ใช้เทคนิคที่เล่าให้ฟังในชั้นเรียนเพื่อแก้ปัญหานั้น

       4. นำเสนอเป็นเวลา 10 นาที

          1. อธิบายข้อมูล

          2. อธิบายการ "เตรียม" ข้อมูล

          3. อธิบาย "โครงสร้าง" เน็ตเวิร์กที่ใช้

          4. อธิบายผลลัพธ์ในเชิงความถูกต้องที่ได้

          5. "อภิปราย" ผลลัพธ์ ผิดตรงไหน ตรงไหนดีแล้ว ได้ลองแก้ไขอะไรอย่างไร หรืออยากแก้ไขอะไรในอนาคต ***

          6. จุดมุ่งหมายของการ Present คือ นำเสนอว่าตัวเอง "เข้าใจ" และ "ประยุกต์" ใช้นิวรอลเน็ตเวิร์กกับข้อมูลจริงได้ และ "แบ่งปัน" ความรู้และเทคนิคกับเพื่อน

   15. Final Exam

       1. 13:00-16:00, 17 May 2021

       2. 13 May 2021, VDO แนวทางการเตรียมตัวสอบ

       3. 15 May 2021, 18:00 Q&A

       4. 17 May 2021

          1. Download ข้อสอบได้ที่นี่ word, pdf

          2. เริ่มทำเวลา 13:15 หมดเวลาส่ง 16:15 ส่งเมลมาที่ sukree@cp.eng.chula.ac.th ตามรายละเอียดในหัวกระดาษ

          3. ลงชื่อเข้าสอบที่ฟอร์มนี้

          4. รวมคำถามคำตอบ เบอร์โทรศัพท์ผม 0814937676 ในกรณีที่ต้องการคำตอบด่วนนะครับ

             1. 13:23 ข้อ 1 กับ 2 ตัวอย่างจำเป็นต้องอยู่บนเส้นทั้งหมดหรือไม่คำตอบ ไม่จำเป็นครับ ไม่จำเป็นต้องใช้จุดทั้งหมดเพื่อหาคำตอบครับ

             2. 13:32 ส่วนที่ไม่อยู่บน decision surface แล้ว lagrange ของตัวที่ไม่อยู่ จะต้องหาอย่างไรคำตอบ ด้วยการคำนวณ ควรจะได้ค่ากลับมาใกล้เคียง 0 ครับ ปกติค่านี้จะเป็น 0 ครับ

             3. 14:26 ข้อ 5 ให้ปรับ winner node และเพื่อนบ้านกี่รอบคำตอบ รอบเดียวพอครับ

   16. 
       

4. Grading System

   1. Midterm (Online) 25%

   2. Final (Online) 25%

   3. Project 50%

5. References:

   1. Kumar, S. (2013). Neural Networks: A Classroom Approach. India: McGraw-Hill.

   2. Russell, S. J., & Norvig, P. (2021). Artificial intelligence: A modern approach. Hoboken, NJ: Pearson.