1. เข้าใจแนวคิดพื้นฐานของการเรียนรู้ของเครื่อง เช่น การเรียนรู้แบบมีผู้สอนและไม่มีผู้สอน

2. คุ้นเคยกับอัลกอริทึมพื้นฐาน เช่น การถดถอยเชิงเส้นและต้นไม้ตัดสินใจ

3. สามารถใช้ไลบรารีและเครื่องมือการเรียนรู้ของเครื่องที่มีอยู่เพื่อแก้ปัญหาง่ายๆ ได้

1. สามารถเตรียมและวิเคราะห์ข้อมูลได้อย่างมีประสิทธิภาพสำหรับงานการเรียนรู้ของเครื่อง

2. เข้าใจและประยุกต์ใช้อัลกอริทึมขั้นสูง เช่น เครื่องเวกเตอร์สนับสนุนและวิธีการรวมโมเดล

3. สามารถปรับแต่งพารามิเตอร์ของโมเดลเพื่อเพิ่มประสิทธิภาพและป้องกันการเรียนรู้เกิน

1. ออกแบบและพัฒนาโมเดลการเรียนรู้ของเครื่องเฉพาะสำหรับปัญหาจริงที่ซับซ้อน

2. เชี่ยวชาญในเฟรมเวิร์กและสถาปัตยกรรมการเรียนรู้เชิงลึก เช่น เครือข่ายประสาทเทียมและเครือข่ายคอนโวลูชัน

3. ประเมินและปรับปรุงความทนทาน ความสามารถในการปรับขนาด และการนำโมเดลไปใช้ในสภาพแวดล้อมการผลิต