คณิตศาสตร์และวิศวกรรมการคำนวณ
ทำความเข้าใจความหมายเชิงเรขาคณิตและกายภาพของอนุพันธ์ การหาจุดต่ำสุด/สูงสุดของฟังก์ชัน และการนำไปสร้างระบบควบคุมอัตโนมัติและโครงข่ายประสาทเทียม
อนุพันธ์ไม่ใช่แค่สูตร x^n → n·x^(n-1) แต่คือเครื่องวัดว่าขยับตัวแปรต้นนิดเดียว ตัวแปรตามจะพุ่งขึ้นหรือดิ่งลงแรงแค่ไหน ตัวอย่างจริง: PID Controller ในรถไร้คนขับ, Backpropagation ใน Deep Neural Networks
ใช้อนุพันธ์ย่อยคำนวณการขยับ Weights เพื่อลด Loss พร้อมโค้ดตัวอย่าง f(w) = w² และความเชื่อมโยงกับ GPU Tensors และพีชคณิตเชิงเส้น
ฟังก์ชันและกราฟ (Functions, Limits & Continuity)จำเป็นมาก (Must-have)
ต้องเข้าใจความต่อเนื่องของกราฟและนิยามของลิมิตก่อนจึงจะนิยามอนุพันธ์ได้
พีชคณิตเชิงเส้น (Linear Algebra & Matrix)
เมทริกซ์และเวกเตอร์ที่ทำงานร่วมกับอนุพันธ์ย่อยในระบบหลายมิติ
แคลคูลัสหลายตัวแปร (Multivariable & Jacobians)
คำนวณความชันในมิติ N มิติสำหรับการเทรนโมเดล AI ขนาดใหญ่
คณิตศาสตร์สำหรับ Machine Learning
การนำแคลคูลัสไปใช้ใน Backpropagation, Diffusion Model และ LLMs
ซีรีส์ภาพจำลอง 3D: สัญชาตญาณของอนุพันธ์และปริพันธ์
อธิบายเชิงเรขาคณิตโดยไม่ต้องท่องจำสูตร
Gradient Descent: จาก SGD สู่ AdamW
บทความวิจัยเปรียบเทียบกลยุทธ์ปรับพารามิเตอร์ของ Deep Neural Networks
Interactive Sandbox: PID Controller
ทดลองปรับค่า Kp, Ki, Kd บนแบบจำลองรถไร้คนขับ ดู Overshoot แบบ Real-time
📝 ทำแบบทดสอบ แคลคูลัสและอนุพันธ์ (Calculus) →
Before 2 ข้อ • After 2 ข้อ พร้อมเฉลยละเอียด