This course was created with the
course builder. Create your online course today.
Start now
Create your course
with
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)
Bias and Variance 04 - ทดลองใช้ straight line อธิบายข้อมูล
Lesson content locked
If you're already enrolled,
you'll need to login
.
Enroll in Course to Unlock