ศึกษาแนวคิดพื้นฐานและวิวัฒนาการของเทคโนโลยีปัญญาประดิษฐ์ (Artificial Intelligence) และการเรียนรู้ของเครื่อง (MachineLearning) การเตรียมและจัดการชุดข้อมูล (Data Preprocessing & Dataset) พื้นฐานวิทยาการข้อมูลด้วยการเขียนโปรแกรมภาษา Python ทฤษฎีเกม (Game Theory) รวมถึงการสร้างและการประเมินประสิทธิภาพของโมเดลการเรียนรู้ของเครื่อง ทั้งการเรียนรู้แบบมีผู้สอนและไม่มีผู้สอน ได้แก่ การถดถอยเชิงเส้น (Linear Regression), การถดถอยโลจิสติก (Logistic Regression),เครื่องจักรซัปพอร์ตเวกเตอร์ (Support Vector Machine), วิธีเพื่อนบ้านที่ใกล้เคียงที่สุด (K-Nearest Neighbors), วิธีนาอีฟเบย์ส(Naïve Bayes), ต้นไม้ตัดสินใจ (Decision Tree), การแบ่งกลุ่มข้อมูลด้วยเคมีนส์ (K-Means Clustering), โครงข่ายประสาทเทียมและการเรียนรู้เชิงลึก (Artificial Neural Network & Deep Learning) และวิธีการรวมโมเดล (Ensemble Methods) เพื่อให้ผู้เรียนสามารถนำความรู้ไปประยุกต์ใช้งานในการพัฒนานวัตกรรมและเทคโนโลยีดิจิทัลได้อย่างมีประสิทธิภาพ
ศึกษาแนวคิดพื้นฐานและวิวัฒนาการของเทคโนโลยีปัญญาประดิษฐ์ (Artificial Intelligence) และการเรียนรู้ของเครื่อง (MachineLearning) การเตรียมและจัดการชุดข้อมูล (Data Preprocessing & Dataset) พื้นฐานวิทยาการข้อมูลด้วยการเขียนโปรแกรมภาษา Python ทฤษฎีเกม (Game Theory) รวมถึงการสร้างและการประเมินประสิทธิภาพของโมเดลการเรียนรู้ของเครื่อง ทั้งการเรียนรู้แบบมีผู้สอนและไม่มีผู้สอน ได้แก่ การถดถอยเชิงเส้น (Linear Regression), การถดถอยโลจิสติก (Logistic Regression),เครื่องจักรซัปพอร์ตเวกเตอร์ (Support Vector Machine), วิธีเพื่อนบ้านที่ใกล้เคียงที่สุด (K-Nearest Neighbors), วิธีนาอีฟเบย์ส(Naïve Bayes), ต้นไม้ตัดสินใจ (Decision Tree), การแบ่งกลุ่มข้อมูลด้วยเคมีนส์ (K-Means Clustering), โครงข่ายประสาทเทียมและการเรียนรู้เชิงลึก (Artificial Neural Network & Deep Learning) และวิธีการรวมโมเดล (Ensemble Methods) เพื่อให้ผู้เรียนสามารถนำความรู้ไปประยุกต์ใช้งานในการพัฒนานวัตกรรมและเทคโนโลยีดิจิทัลได้อย่างมีประสิทธิภาพ