ปัจจุบัน มีการนำเทคโนโลยี AI มาประยุกต์ใช้กับงานด้านต่าง ๆ อย่างแพร่หลาย จนอาจกล่าวได้ว่า กิจกรรมบางอย่างในชีวิตประจำวันของเราอาจเกี่ยวข้อง AI ไม่มากก็น้อย และในส่วนของผู้ที่ต้องการศึกษาเรียนรู้ทางด้าน AI ความรู้พื้นฐานที่จำเป็นต้องมีในลำดับต้น ๆ ก็คือ Machine Learning เพราะต้องใช้สำหรับการคำนวณเพื่อทำนายผลและตัดสินใจ หรืออาจกล่าวได้ว่า Machine Learning ก็คือวิธีการคิดของ AI นั่นเอง
อย่างไรก็ตาม Machine Learning มีโมเดลหรือ Algorithm ให้เลือกใช้หลากหลายชนิด ซึ่งต่างก็มีรูปแบบการคำนวณในแบบเฉพาะของตนเอง และเหมาะกับข้อมูลที่มีลักษณะของแตกต่างกัน ในหนังสือเล่มนี้จึงได้รวบรวมหลักการของโมเดล ซึ่งนอกจากจะกล่าวถึงวิธีคิดและการคำนวณของแต่ละโมเดลด้วยคณิตศาสตร์ระดับพื้นฐานแล้ว ยังนำเสนอขั้นตอนการใช้งานผ่านไลบรารี Scikit-Learn พร้อมตัวอย่างการใช้งานที่หลากหลายรูปแบบ เพื่อให้ผู้อ่านได้เรียนรู้หลักการต่างๆ ของ Machine Learning จนเกิดความเข้าใจที่ดีพอในระดับหนึ่ง และสามารถนำไปประยุกต์ใช้กับงานด้าน AI ได้ตามต้องการ
บทที่ 1 Machine Learning (ML) และเครื่องมือเขียนโค้ด
บทที่ 2 พื้นฐาน Data Science
บทที่ 3 การจัดเตรียมข้อมูลสำหรับ ML
บทที่ 4 โมเดล Linear Regression
บทที่ 5 โมเดล Logistic Regression
บทที่ 6 โมเดล Support Vector Macthines
บทที่ 7 โมเดล K-Nearest Nighbors
บทที่ 8 โมเดล Naive Bayes
บทที่ 9 โมเดล Decision Tree
บทที่ 10 โมเดล Neural Network
บทที่ 11 โมเดล K-Means Clustering
บทที่ 12 การเรียนรู้แบบ Ensemble