ปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง

Artificial Intelligence and Machine Learning

หมวดที่ 1

ข้อมูลทั่วไป

1.รหัสและชื่อรายวิชา รหัสรายวิชา MENEE652 ชื่อรายวิชาภาษาไทย ปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง ชื่อรายวิชาภาษาอังกฤษ Artificial Intelligence and Machine Learning 2.จำนวนหน่วยกิต 3( 3 - 0 - 6 ) 3.หลักสูตร และประเภทของรายวิชา 2 หลักสูตร 4.อาจารย์ผู้รับผิดชอบรายวิชาและอาจารย์ผู้สอน นาย สมนึก สุระธง
นาย จักรภพ ใหม่เสน
5.ภาคเรียน/ปีการศึกษา ภาคเรียน 1 ปีการศึกษา 2568 6.รายวิชาที่ต้องเรียนมาก่อน (Pre-requisites) - 7.รายวิชาที่ต้องเรียนพร้อมกัน (Co-requisites) - 8.สถานที่เรียน เชียงใหม่ 9.วันที่จัดทำหรือปรับปรุงรายละเอียดของรายวิชาครั้งล่าสุด 21 มิถุนายน 2568 12:54 ประเภท : มคอ.3 สถานะการกรอกข้อมูล : อยู่ระหว่างจัดทำ

หมวดที่ 2

จุดมุ่งหมายและวัตถุประสงค์

1. จุดมุ่งหมายของรายวิชา

2. วัตถุประสงค์ในการพัฒนาปรับปรุงรายวิชา

หมวดที่ 3

ลักษณะและการดำเนินการ

1. คำอธิบายรายวิชา

2. จำนวนชั่วโมงที่ใช้ต่อภาคการศึกษา บรรยาย : สอนเสริม : การฝึกปฏิบัติ/งานภาคสนาม/การฝึกงาน : การศึกษาด้วยตนเอง :

3. จำนวนชั่วโมงต่อสัปดาห์ที่อาจารย์ให้คำปรึกษาและแนะนำทางวิชาการแก่นักศึกษาเป็นรายบุคคล

หมวดที่ 4

การพัฒนาผลการเรียนรู้ของนักศึกษา

1. คุณธรรม จริยธรรม 1.1 คุณธรรม จริยธรรมที่ต้องพัฒนา

1.2 วิธีการสอน

1.3 วิธีการประเมินผล

2. ความรู้ 2.1 ความรู้ที่ต้องได้รับ

2.2 วิธีการสอน

2.3 วิธีการประเมินผล

3. ทักษะทางปัญญา 3.1 ทักษะทางปัญญา ที่ต้องพัฒนา

3.2 วิธีการสอน

3.3 วิธีการประเมินผล

4. ทักษะความสัมพันธ์ระหว่างบุคคลและความรับผิดชอบ 4.1 ทักษะความสัมพันธ์ระหว่างบุคคลและความรับผิดชอบ ที่ต้องพัฒนา

4.2 วิธีการสอน

4.3 วิธีการประเมินผล

5. ทักษะการวิเคราะห์เชิงตัวเลข การสื่อสารและการใช้เทคโนโลยีสารสนเทศ 5.1 ทักษะการวิเคราะห์เชิงตัวเลข การสื่อสารและการใช้เทคโนโลยีสารสนเทศ ที่ต้องพัฒนา

5.2 วิธีการสอน

5.3 วิธีการประเมินผล

6. ด้านทักษะพิสัย 6.1 ผลการเรียนรู้ด้านทักษะพิสัย

6.2 วิธีการสอน

6.3 วิธีการประเมินผล

หมวดที่ 5

แผนการสอนและการประเมินผล

1. แผนการสอน

สัปดาห์ที่ 1 หัวข้อ/รายละเอียด

Introduction to AI & Applications
- ประวัติและวิวัฒนาการของ AI
- ประเภทของ AI (Narrow, General, Super AI)
- AI vs ML vs Deep Learning
- จริยธรรมในการใช้ AI
- การประยุกต์ใช้ AI ในอุตสาหกรรมต่างๆ

จำนวนชั่วโมง: 3 ชั่วโมง

กิจกรรม

Case study analysis
อภิปรายเรื่อง AI ethics
วิเคราะห์ AI applications

ผู้สอน : -

สัปดาห์ที่ 2 หัวข้อ/รายละเอียด

Mathematics Foundation
- Linear algebra (vectors, matrices)
- Eigenvalues และ eigenvectors
- Probability และ statistics
- Calculus basics (derivatives, gradients)
- Information theory basics

จำนวนชั่วโมง: 3 ชั่วโมง

กิจกรรม

Mathematical problem sets
Python + NumPy exercises
Statistical analysis lab

ผู้สอน : -

สัปดาห์ที่ 3 หัวข้อ/รายละเอียด

Introduction to ML
- Machine Learning คืออะไร?
- Supervised vs Unsupervised vs Reinforcement
- Training, validation, test sets
- Overfitting และ underfitting
- Cross-validation techniques

จำนวนชั่วโมง: 3 ชั่วโมง

กิจกรรม

Data splitting hands-on
ML workflow implementation
Cross-validation lab

ผู้สอน : -

สัปดาห์ที่ 4 หัวข้อ/รายละเอียด

Supervised Learning - Regression
- Linear regression (simple & multiple)
- Polynomial regression
- Regularization (Ridge, Lasso, Elastic Net)
- Logistic regression
- Model evaluation metrics

จำนวนชั่วโมง: 3 ชั่วโมง

กิจกรรม

Linear regression from scratch
House price prediction
Regularization comparison

ผู้สอน : -

สัปดาห์ที่ 5 หัวข้อ/รายละเอียด

Classification Algorithms I
- k-Nearest Neighbors (k-NN)
- Decision Trees
- Random Forest
- Classification evaluation metrics

จำนวนชั่วโมง: 3 ชั่วโมง

กิจกรรม

k-NN implementation
Decision tree visualization
Random Forest comparison

ผู้สอน : -

สัปดาห์ที่ 6 หัวข้อ/รายละเอียด

Classification Algorithms II
- Support Vector Machines (SVM)
- Naive Bayes classifier
- Model comparison และ selection
- Performance metrics analysis

จำนวนชั่วโมง: 3 ชั่วโมง

กิจกรรม

SVM parameter tuning
Spam email classifier
Multi-classifier comparison

ผู้สอน : -

สัปดาห์ที่ 7 หัวข้อ/รายละเอียด

Unsupervised Learning
- k-Means clustering
- Hierarchical clustering
- DBSCAN
- Principal Component Analysis (PCA)
- t-SNE for visualization

จำนวนชั่วโมง: 3 ชั่วโมง

กิจกรรม

Customer segmentation
Dimensionality reduction viz
Clustering comparison

ผู้สอน : -

สัปดาห์ที่ 8 หัวข้อ/รายละเอียด

Neural Networks Basics
- Perceptron และ multi-layer perceptrons
- Backpropagation algorithm
- Activation functions
- Neural network architectures
- Training neural networks

จำนวนชั่วโมง: 3 ชั่วโมง

กิจกรรม

Neural network from scratch
TensorFlow/PyTorch intro
Network architecture design

ผู้สอน : -

สัปดาห์ที่ 9 หัวข้อ/รายละเอียด

Midterm

จำนวนชั่วโมง: 3 ชั่วโมง

กิจกรรม

ผู้สอน : -

สัปดาห์ที่ 10 หัวข้อ/รายละเอียด

Deep Learning - CNN
- Convolutional Neural Networks
- Convolution และ pooling layers
- CNN architectures
- Image classification
- Transfer learning basics

จำนวนชั่วโมง: 3 ชั่วโมง

กิจกรรม

Image classification CNN
CNN visualization
Transfer learning lab

ผู้สอน : -

สัปดาห์ที่ 11 หัวข้อ/รายละเอียด

Deep Learning - RNN & NLP
- Recurrent Neural Networks
- LSTM และ GRU
- Natural Language Processing basics
- Text preprocessing
- Sequence modeling

จำนวนชั่วโมง: 3 ชั่วโมง

กิจกรรม

Text classification RNN
Sentiment analysis
Text preprocessing lab

ผู้สอน : -

สัปดาห์ที่ 12 หัวข้อ/รายละเอียด

Advanced ML Topics
- Computer Vision applications
- Recommender systems
- Ensemble methods (Bagging, Boosting)
- Feature engineering advanced
- AutoML concepts

จำนวนชั่วโมง: 3 ชั่วโมง

กิจกรรม

Advanced topic project
Ensemble methods lab
Feature engineering workshop

ผู้สอน : -

สัปดาห์ที่ 13 หัวข้อ/รายละเอียด

Generative AI & Modern Techniques
Introduction to Generative AI
Autoencoders basics
Modern AI trends
Large Language Models overview
AI tools และ frameworks

จำนวนชั่วโมง: 3 ชั่วโมง

กิจกรรม

Generative model exploration
AI tools hands-on
Trend analysis presentation

ผู้สอน : -

สัปดาห์ที่ 14 หัวข้อ/รายละเอียด

Model Deployment & MLOps
- Model serialization และ versioning
- API development for ML models
- Cloud deployment basics
- Model monitoring และ maintenance
- Production best practices

จำนวนชั่วโมง: 3 ชั่วโมง

กิจกรรม

Flask/FastAPI deployment
Cloud deployment lab
MLOps pipeline setup

ผู้สอน : -

สัปดาห์ที่ 15 หัวข้อ/รายละเอียด

Final Project & Assessment
- Final project presentations
- Peer review และ feedback
- Course review และ synthesis
- Career opportunities in AI/ML
- Future learning paths

จำนวนชั่วโมง: 3 ชั่วโมง

กิจกรรม

Project presentation
Portfolio development
Career planning workshop

ผู้สอน : -

สัปดาห์ที่ 16 หัวข้อ/รายละเอียด

ทบทวนก่อนสอบ

จำนวนชั่วโมง: 3 ชั่วโมง

กิจกรรม

ผู้สอน : -

สัปดาห์ที่ 17 หัวข้อ/รายละเอียด

Final

จำนวนชั่วโมง: 3 ชั่วโมง

กิจกรรม

ผู้สอน : -

หมวดที่ 5

แผนการสอนและการประเมินผล

2. แผนการประเมินผลการเรียนรู้

กิจกรรมที่	ผลการเรียนรู้ *	วิธีการประเมินผลนักศึกษา	สัปดาห์ที่ประเมิน	สัดส่วนของการประเมินผล
ไม่มีข้อมูล

หมวดที่ 6

ทรัพยากรประกอบการเรียนการสอน

1. หนังสือ ตำรา และเอกสารประกอบการสอนหลัก

"Hands-On Machine Learning" by Aurélien Géron
"Pattern Recognition and Machine Learning" by Christopher Bishop
"The Elements of Statistical Learning" by Hastie, Tibshirani, and Friedman

2. เอกสาร และข้อมูลสำคัญ

3. เอกสาร และข้อมูลแนะนำ

หมวดที่ 7

การประเมินและปรับปรุงการดำเนินการของรายวิชา

1. กลยุทธ์การประเมินประสิทธิผลของรายวิชาโดยนักศึกษา

2. กลยุทธ์การประเมินการสอน

3. การปรับปรุงการสอน

4. การทวนสอบมาตรฐานผลสัมฤทธิ์ของนักศึกษาในรายวิชา

5. การดำเนินการทบทวนและวางแผนปรับปรุงประสิทธิผลของรายวิชา