1: Introduction
2: Probability Theory
3: Sampling
4: Linear Classification

1: Introduction

เมื่อเราอยู่ใน environment ใดนานๆ เมื่อมีการเปลี่ยนแปลงที่ดีขึ้น แต่สมองเรา ก็ไม่สามารถนำสิ่งที่ดีนั้นมาพัฒนาต่อได้ เพราะคุ้นเคยกับสิ่งแวดล้อมเดิมๆ

ถ้าเราให้ machine ค่อยๆเรียนรู้ไปเรื่อยๆ มันสามารถ measurement , calculate แต่มันสามารถ empower ได้มากขึ้นต่างกับ human brain หรือไม่

Procedure programming -> ลักษณะเป็น flow instruction encode
– แต่ถ้า OOP การ encode ขึ้นกับ ลักษณะแต่ละ nature of data
Galileo พูดถึง book “Discourses of mathematical Demostration Relating to Two New Sciences”
– two science – เป็น science of motion , material /construction
ideal of develop dialogue ระหว่าง 3 character – Salviati , Sagredo , Simplicio
p 3 , Galileo ยกตัวอย่าง

2: Probability Theory

probability theory สำคัญสำหรับ machine learning , ประกอบด้วย
– independence
– rule of probability
– Simpson’s paradox
– probability mass
– density function
– cumulative distribution function
– definition of expectation , variance , moment
random variables – conjugacy of probability distribution and application to prior and postr probabiltiy distribution
บทนี้สรุป – graphical representatio of random variable
และ their dependencies , parameter
p 7 , 2.1 Independence , Probability Rules and Simpson’s Paradox

3: Sampling

4: Linear Classification

• Facebook
• X
• Line