Autoplay
Autocomplete
Previous Lesson
Complete and Continue
AI for Investment
1. เตรียม Evironment ให้พร้อมสำหรับการเขียนโปรแกรม
แนะนำคอร์ส (24:53)
เตรียม Evironment สำรับ Python (4:59)
การ install ไลบารี่ดึงข้อมูล (2:50)
ลง Course Resources (2:12)
Course Resources
2. Machine Learning - General Matters
ML General_01 Machine Learning คืออะไร (2:09)
ML General_02 ตัวอย่างโปรเจ็ค Machine Learning (6:33)
ML General_03 ประเภทของ Machine Learning (3:23)
ML General_04 ตัวอย่าง Supervised Learning (1:41)
ML General_05 ตัวอย่าง Unsupervised Learning (1:23)
ML General_06 ตัวอย่าง Semi-supervised Learning (1:23)
ML General_07 การเรียนรู้แบบ Reinforcement Learning (2:24)
ML General_08 ขั้นตอนการพัฒนาโปรเจ็ค Machine Learning (5:53)
ML General_09 ขั้นตอนการสร้างโมเดล Machine Learning (3:27)
3. Machine Learning: Bias and Variance ในการทำงานกับ Machine Learning
Bias and Variance 01 - ข้อมูลตัวอย่าง (3:38)
Bias and Variance 02 - เส้นที่อธิบายข้อมูลได้ดีที่สุด หรือ Line of best fit (2:02)
Bias and Variance 03 - การแบ่งชุดข้อมูลสอน (train) และ ทดสอบ (test) (2:30)
Bias and Variance 04 - ทดลองใช้ straight line อธิบายข้อมูล (2:56)
Bias and Variance 05 - ทดลองใช้ squiggly line อธิบายข้อมูล (1:54)
Bias and Variance 06 - เปรียบเทียบบนข้อมูลสอน (Train set) (1:41)
Bias and Variance 07 - เปรียบเทียบบนข้อมูลทดสอบ (Test set) (3:37)
Bias and Variance 08 - เปรียบเทียบบนข้อมูลทดสอบ (ต่อ) (1:06)
Bias and Variance 09 - ค่า Varaince (1:56)
Bias and Variance 10 - สรุป Bias and Variance (4:45)
Bias and Variance 11 - ตัวอย่างสรุป Bias and Variance (5:48)
4. เริ่มต้นทำ Machine Learning ด้วยการจัดเตรียมข้อมูล
[Code NB.1] ว่าด้วยข้อมูล (9:56)
[Code NB.1] ฟีเจอร์เอนจิเนียร์ (4:04)
[Code NB.1] แบ่งข้อมูลเป็นข้อมูล Train และ Test (3:50)
5. แนวคิดของ Linear Regression
Linear Regression Concept_01 แนวคิดของ Linear Regression: ทำนายราคาบ้านด้วยพื้นที่บ้าน (7:09)
Linear Regression Concept_02 การอธิบายข้อมูลด้วยเส้นตรง 1 เส้น (6:27)
Linear Regression Concept_03 การเปรียบเทียบเส้นตรงมากกว่า 1 เส้น (4:46)
Linear Regression Concept_04 ค่า Residual (6:16)
Linear Regression Concept_05 ค่า Residual ของเส้นตรง 6 เส้น (5:33)
Linear Regression Concept_06 เส้นตรงที่ดีที่สุด (4:42)
Linear Regression Concept_07 ค่า ssmean (5:28)
Linear Regression Concept_08 ค่า varmean (0:35)
Linear Regression Concept_09 ค่า ssfit (4:21)
Linear Regression Concept_10 ค่า varfit (0:31)
Linear Regression Concept_11 ค่า R2 (5:32)
Linear Regression Concept_12 กรณีที่ดีที่สุดของค่า R2 (5:09)
Linear Regression Concept_13 กรณีที่แย่ที่สุดของค่า R2 (2:37)
Linear Regression Concept_14 พารามิเตอร์อื่น (8:33)
Linear Regression Concept_15 สรุป (3:23)
[Code NB.1] Linear Regression (5:22)
[Code NB.1] การประเมินประสิทธิภาพของ Linear Regression (3:48)
6. Machine Learning - การทำงานกับ Cross Validataion
Cross Validataion_01 ชุดข้อมูลตัวอย่าง (2:46)
Cross Validation_02 เลือกอัลกอริทึ่มด้วยค่า Accuracy (3:57)
Cross Validation_03 ปัญหาในการเลือกอัลกอริทึ่ม (2:24)
Cross Validation_04 การใช้ Cross validation ในการทดสอบประสิทธิภาพของอัลกอริทึ่ม (5:03)
Cross Validation_05 k-Fold Cross validation (1:07)
Cross Vlidation_06 LOOCV (1:16)
Cross Vlidation_07 Sensitivity Analysis (4:46)
Cross Vlidation_08 การประยุกต์ใช้ Cross validation (1:53)
[Code NB.1] ว่าด้วย Cross Validation (5:56)
7. Machine Learning - Regularization
Regularization_01 แนะนำ Overfit และ underfit สำหรับ Classification (5:13)
Regularization_02 แนะนำ Overfit และ Underfit สำหรับ Regression (3:52)
Regularization_03 Summary of Overfit and Underfit (4:48)
Regularization_04 การทำ Regularization กับข้อมูล Outliners (3:06)
Regularization_05 Rudge Regularization (Concept) (5:17)
Regularization_06 Ridge Regularization (Equation and example)) (4:14)
Regularization_07 Lasso Regularization (2:46)
Regularization_08 เปรียบเทียบระหว่าง Ridge และ Lasso (3:27)
Regularization_09 Elastic Net Regularization (3:53)
Regularization_10 การเลือกเทคนิค Regularization (2:40)
[Code NB.2] สร้างฟีเจอร์แบบสุ่ม (7:37)
[Code NB.2] Ridge Regularization (13:14)
[Code NB.2] Lasso Regularization (4:35)
[Code NB.2] Elastic Net Regularization (5:46)
8. เริ่มต้นทำงานกับข้อมูลการลงทุน
จะเอาดาต้าจากที่ไหน? (4:12)
ก่อนจะเริ่มกัน
[CODE NB.3] SET API KEY (3:43)
[CODE NB.3] ดึงข้อมูล (9:16)
[CODE NB.3] ดูภาพรวมข้อมูล (7:36)
[CODE NB.3] การเข้าถึงข้อมูลด้วย iloc (5:24)
[CODE NB.3] การเข้าถึงข้อมูลด้วย loc (7:58)
[CODE NB.3] การเข้าถึงข้อมูลด้วยเงื่อนไข (9:22)
[CODE NB.3] การ Resample ข้อมูล (15:00)
[CODE NB.4] Return (10:09)
[CODE NB.4] 1ปีควรจะมีกี่วัน? (6:24)
[CODE NB.4] Helper Function (5:28)
[CODE NB.5] Data Hub (6:22)
[CODE NB.5] Financial Signal (4:16)
[CODE NB.5] Hub Return (3:45)
[CODE NB.5] รวมข้อมูล (5:30)
9. Financial data preparation
[CODE NB.6] รีอินเด็กซ์อมูลลงทุน (8:59)
[CODE NB.6] รวมข้อมูลราคาและข้อมูลงบการเงิน (11:59)
[CODE NB.7] เตรียมทำนายราคาหุ้น (5:00)
[CODE NB.7] แยก X(ฟีเจอร์) และ Y(เป้าหมาย) (2:15)
[CODE NB.7] สร้างโมเดลทำนายราคาหุ้น (7:55)
[CODE NB.8] ดึงข้อมูลสิ้นปี (13:05)
[CODE NB.9] ปัญหาของข้อมูลสิ้นปี (5:40)
[CODE NB.9] กำหนดวันที่สร้างโมเดล (10:31)
[CODE NB.10] Cleaning ข้อมูล (5:36)
[CODE NB.10] สร้าง Ratio งบการเงิน (11:52)
[CODE NB.11] ดูการแจกแจงของข้อมูล และ จัดการกับข้อมูล Outlier (6:52)
[CODE NB.11] Clipping ข้อมูล (9:29)
[CODE NB.11] สร้าง x และ y (2:13)
10. โปรเจคที่ 1 : Stock selection with Linear Regression
[CODE NB.12] ข้อมูลที่จะใช้ในโปรเจ็ค (5:45)
[CODE NB.12] สร้างข้อมูล Training และข้อมูล Testing สำหรับใช้ในโปรเจ็ค (5:50)
[CODE NB.13] อธิบายข้อมูล (8:34)
[CODE NB.13] ตัดแบ่งข้อมูลอีกต่อหนึง (10:21)
[CODE NB.13] สร้างโมเดล Linear Regression และ ทำนาย (4:52)
[CODE NB.13] วัดผลโมเดลด้วย RMSE (3:27)
[CODE NB.13] วัดผลโมเดลด้วย R2 (3:20)
[CODE NB.13] วัดผลโมเดลด้วย Cross Validation (8:33)
[CODE NB.14] เตรียมข้อมูลสร้างฟังก์ชั่น Data_Prep (6:11)
[CODE NB.14] Feature Engineering ข้อมูลสำหรับโมเดล Linear Regression (6:55)
[CODE NB.14] วัดผลโมเดล (4:37)
[CODE NB.15] ขนาดของ Training Set เท่าไหร่ดี? (13:56)
[CODE NB.16] แสดงผลการทำนายด้วย Line Plot (11:52)
[CODE NB.16] แสดงผลการทำนายด้วย Scatter พร้อมเส้น Linear Fited Line และการตีความ (11:22)
[CODE NB.16] สร้างตารางผลการทำนาย (13:11)
[CODE NB.16] สร้างอัลกอริทึ่มสำหรับเลือกหุ้นที่น่าลงทุน (9:24)
[CODE NB.17] สร้างฟังก์ชั่นทำนายหุ้นและเพิ่มตัวแปรสุ่ม (18:20)
[CODE NB.17] สร้างรายงานผลการซิมูเลชั่น (8:22)
[CODE NB.18] สร้างโมเดลใหม่และเซฟโมเดล อะไรคือ Pickle (9:42)
[CODE NB.19] เทสโมเดลกับข้อมูล Unseen (4:28)
11. โปรเจคที่ 1 : Stock selection with Regularization (ปรับแต่งโมเดลด้วย Regularization))
[CODE NB.20] baseline สำหรับวัดผลเปรียบเทียบ (3:26)
[CODE NB.20] Ridge Regression (8:41)
[CODE NB.20] Lasso Regrssion (5:28)
[CODE NB.20] ElasticNet (3:25)
[CODE NB.21] Mutiplerun on Ridge Regression (9:51)
[CODE NB.21] Mutiplerun on Lasso Regression (7:39)
[CODE NB.21] Mutiplerun on ElasticNet (6:22)
[CODE NB.22] GridSearch on Ridge (8:00)
[CODE NB.22] GridSearch on Ridge พร้อมทดสอบผล (6:57)
[CODE NB.22] GridSearch on Ridge และข้อควรระวัง (11:06)
[CODE NB.22] GridSearch on Lasso และข้อจำกัด (8:53)
[CODE NB.22] GridSearch on ElsticNet (9:55)
[CODE NB.23] ทดสอบ Ridge Model on Unseen Data (6:26)
[CODE NB.23] ทดสอบ ElasticNet on Unseen Data (4:41)
[CODE NB.24] สร้างซิมูเลชั่นย้อนหลัง แต่ละปีเรามี Training /Testing Data กี่เปอร์เซ็น (8:08)
[CODE NB.24] สร้างซิมูเลชั่นย้อนหลัง ตัวฟังก์ชั่น (17:36)
[CODE NB.24] สร้างซิมูเลชั่นย้อนหลัง แล้วที่ทำมามันดีกว่าถือหุ้นเฉยๆไหม? (3:36)
12. Decision Tree
Decision tree_01 แนะนำ Decision Tree (6:15)
Decision tree_02 ส่วนประกอบของ Tree (2:11)
Decision tree_03 วิเคราะห์ข้อมูล Downfall (4:08)
Decision tree_04 วิเคราะห์ข้อมูล IsProfit (1:37)
Decision tree_05 วิเคราห์ข้อมูล PE (1:37)
Decision tree_06 วิเคราะห์ข้อมูล PE 2 (3:51)
Decision tree_07 ค่า Gini และ การคำนวณค่า Gini ของโหนด Downfall (9:39)
Decision tree_08 การคำนวณค่า Gini ของโหนด IsProfit (6:11)
Decision tree_09 เลือกโหนดราก หรือ Root node (2:51)
Decision tree_10 คำนวนค่า Gini ใหม่ของโหนด Downfall (3:57)
Decision tree_11 คำนวณค่า Gini ใหม่ของโหนด PE (2:08)
Decision tree_12 สรุปโครงสร้างต้นไม้ที่ได้ (3:48)
Decision tree_13 เปรียบเทียบต้นไม้ของเรากับต้นไม้ที่สร้างด้วยโปรแกรม Python (2:16)
Decision tree_14 สรุป Decision Tree (2:43)
[CODE NB.25] ข้อมูลตัวอย่างโรคหัวใจ (3:23)
[CODE NB.25] Feature Engineering และ Dummy Data (2:50)
[CODE NB.25] สร้างโมเดล Decision Tree (5:30)
[CODE NB.25] วัดผลโมเดล (4:45)
13. Prune Tree
Prune Tree_01 ต้นแบบ Full tree (5:02)
Prune Tree_02 วิเคราะห์ Full tree (4:46)
Prune Tree_03 การ prune Tree คืออะไร (2:57)
Prune Tree_04 การนำ Condition node ออกจาก tree (2:11)
Prune Tree_05 ค่า SSR ของ tree (7:09)
Prune Tree_06 ค่า tree score ของต้นไม้ (4:18)
Prune Tree_07 tree score ของต้นไม้หลายรูปแบบ (2:30)
Prune Tree_08 ผลกระทบของค่า Alpha กับการคำนวนค่า tree score (4:02)
Prune Tree_09 การเลือกค่า Alpha ที่เหมาะสม (3:12)
Prune Tree_10 การใช้ Cross valivation สำหร้บการ prune tree (4:03)
[CODE NB.25] ปรับแต่งโครงสร้าง Decision Tree ด้วย Cost Complexity Pruning- Alpha (12:38)
14. Regression Tree
Regression Tree_01 แนะนำ Regression Tree และ ข้อมูลตัวอย่าง (5:54)
Regression Tree_02 ทดลองสร้าง Regression Tree (3:48)
Regression Tree_03 ทดลองสร้าง Regression Tree ด้วยเงื่อนไขใหม่ (3:20)
Regression Tree_04 คำนวณค่า SSR ของจุดตัดที่ 7.5 (4:20)
Regression Tree_05 คำนวณค่า SSR ของจุดตัดอื่นๆ (3:58)
Regression Tree_06 Root ของ Decision Tree (1:39)
Regression Tree_07 เพิ่มเงื่อนไขให้กับ Decision Tree (11:03)
Regression Tree_08 การกำหนดความลึกของ Decision Tree (2:40)
Regression Tree_09 กรณีที่มี Feature มากกว่า 1 Feature (2:25)
[CODE NB.26] Regression Tree (4:14)
[CODE NB.26] วัดผล และดูผลกระทบจากต้นไม้ขนาดใหญ่ และ เล็ก (4:32)
[CODE NB.26] ปรับแต่งโครงสร้าง Regression Tree ด้วย Cost Complexity Pruning- Alpha (7:53)
15. โปรเจคที่ 2 : การเลือกหุ้นด้วย Decision Tree (Stock selection with Decision Tree)
[CODE NB.27] ว่าด้วยข้อมูล (6:21)
[CODE NB.27] สร้างโมเดล Decision Tree และ สอนโมเดล Tree (7:17)
[CODE NB.27] สร้างฟังก์ชั่นอธิบายโครงสร้าง Decision Tree (13:05)
[CODE NB.27] วัดผลโมเดล Decision Tree (9:06)
[CODE NB.27] เลือกหุ้นจากโมเดล Decision Tree (3:47)
[CODE NB.27] ทดสอบ Unseen Data และปัญหาบางอย่าง (7:18)
[CODE NB.28] Mannaul Search on Decision Tree (11:46)
[CODE NB.28] GridSearch on Decision Tree (4:43)
[CODE NB.29] Cost Complexity Pruning- Alpha (13:00)
[Code NB.30] ทดสอบโมเดล Decision Tree เพิ่มตัวแปรสุ่ม (17:58)
[Code NB.30] เซฟโมเดล (4:20)
[Code NB.31] ทดสอบโมเดล Decision Tree (12:20)
[Code NB.32] ปัญหาของการเลือกหุ้นจาก Decision Tree ด้วยอัลกอริทึ่มดิม (15:34)
[Code NB.33] ทดสอบอัลกอริทึ่มเลือกหุ้นตัวใหม่ (4:52)
16. อัลกอริทึ่ม Random Forest
Random Forest_01 แนะนำ Random Forest (3:26)
Random Forest_02 การสร้าง Bootstrapped data (4:14)
Random Forest_03 สร้างต้นไม้ (Decision Tree) ต้นแรก (3:10)
Random Forest_04 ข้อควรรู้ (0:43)
Random Forest_05 กระบวนการในการสร้าง Random Forest (1:37)
Random Forest_06 การใช้ Ramdon Forest ในการทำนายข้อมูล (3:23)
Random Forest_07 การประเมินประสิทธิภาพของ Random Forest (2:26)
[Code NB.34] Random Forest (6:26)
17. โปรเจคที่ 3 : การเลือกลงทุนในหุ้นด้วย Random Forest (Stock selection with Random Forest)
[Code NB.35] Random Forest (6:11)
[Code NB.35] วัดผล Random Forest และ Feature Importance (6:18)
[Code NB.35] ทดสอบ Random Forest กับ Unseen Data (2:16)
[Code NB.36] Random Forest Optimization (5:13)
[Code NB.37] MutipleRun on Random Forest (3:40)
[Code NB.37] ปัญหาบางอย่างของการทดสอบ (4:37)
[Code NB.37] ปรับเปลี่ยนการทดสอบดูหน่อย (13:23)
[Code NB.38] ทดสอบโมเดล Random Forest กับข้อมูล Unseen Data (1:03)
[Code NB.39] ซิมูเลชั่นด้วย Random Forest 1 (4:01)
[Code NB.39] ซิมูเลชั่นด้วย Random Forest 2 (6:04)
18. สรุป
Final Word (5:56)
19. [Optional section] Simple Linear Regression (Math)
Simple LR (math)_01 แนะนำ Simple Linear Regression (3:13)
Simple LR (math)_02 ค่า Error (4:28)
Simple LR (math)_03 ค่า Squared error (1:34)
Simple LR (math)_04 กราฟของค่า Error (3:24)
Simple LR (math)_05 การหาค่าที่น้อยที่สุดด้วยการทำ Derivative (3:46)
Simple LR (math)_06 การหาค่า Error ที่น้อยที่สุดสำหรับ Simple Linear Regression (2:40)
Simple LR (math)_07 การคำนวณค่า Derivative E บนตัวแปร a (2:37)
Simple LR (math)_08 การคำนวณค่า Derivative E บนตัวแปร b (1:41)
Simple LR (math)_09 สมการของตัวแปร a และ b (3:54)
Simple LR (math)_10 สรุป (1:52)
20. [Optional section] Multiple Linear Regression (Math)
Multiple LR (math)_01 แนะนำ Multiple Linear Regression (2:09)
Multiple LR (math)_02 ชุดข้อมูล (1:53)
Multiple LR (math)_03 Hyperplane ใน Multiple Linear Regression (1:58)
Multiple LR (math)_04 สมการของ Multiple Linear Regression (4:10)
Multiple LR (math)_05 อะไรคือ Feature Vector (4:36)
Multiple LR (math)_06 อะไรคือ Transposed of weight (7:08)
Multiple LR (math)_07 สมหารของ Weights (7:41)
Multiple LR (math)_08 สรุป (1:11)
Decision tree_13 เปรียบเทียบต้นไม้ของเรากับต้นไม้ที่สร้างด้วยโปรแกรม Python
Lesson content locked
If you're already enrolled,
you'll need to login
.
Enroll in Course to Unlock