ปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง

Artificial Intelligence and Machine Learning

ศึกษาและฝึกปฏิบัติเกี่ยวกับ การเรียนรู้ของเครื่องและทฤษฎีการเรียนรู้ พีชคณิตเชิงเส้นที่จำเป็น ได้แก่ เวกเตอร์ เมทริกซ์ การแปลงเชิงเส้น ค่าและเวกเตอร์ลักษณะเฉพาะ การเรียนรู้แบบมีผู้สอน  การแบ่งประเภท  การถดถอย ค่าผิดปกติ ซัพพอร์ตเวกเตอร์แมชชีน การเลือกแบบจำลองและคุณลักษณะ การลดขนาดมิติของข้อมูล ต้นไม้ตัดสินใจ การเรียนรู้แบบไม่มีผู้สอน การจัดกลุ่ม การเรียนรู้แบบเสริมกำลัง ข่ายงานประสาทเทียม การเรียนรู้เชิงลึก การประยุกต์ใช้ในงานเชิงปัญญาประดิษฐ์ เช่น การประมวลภาพและภาษา
 
Study and practice of machine learning and learning theory, essential linear algebra concepts (vector, matrix, linear transformation, eigenvector and eigenvalue), supervised learning, classification, regression, outliers, Support Vector Machines, model selection and feature selection, dimensionality reduction, decision trees, unsupervised learning, clustering, reinforcement learning, artificial neural networks, deep learning, applications in AI-related tasks such as image processing and natural language processing.
 
 
เพื่อให้สอดคล้องกับเทคโนโลยีและแนวโน้มในปัจจุบัน เนื่องจากสาขาวิชา AI และ Machine Learning พัฒนาอย่างก้าวกระโดด การปรับปรุงรายวิชาจึงมุ่งเน้นไปที่การอัปเดตเนื้อหาให้ครอบคลุมเทคโนโลยีใหม่ๆ ที่ได้รับความนิยมในปัจจุบัน เช่น:
1 Generative AI: การเรียนรู้เกี่ยวกับ Large Language Models (LLMs) และเทคนิคการเขียน Prompt Engineering เพื่อสร้างสรรค์ผลงานต่างๆ
2 การประยุกต์ใช้ในอุตสาหกรรม: การนำกรณีศึกษาจริงจากภาคธุรกิจมาใช้ในการสอน เพื่อให้นักศึกษาเห็นภาพการนำ AI ไปใช้แก้ปัญหาในด้านต่างๆ เช่น การตลาด, การเงิน, หรือการผลิต .
3 เครื่องมือและแพลตฟอร์ม: การฝึกให้นักศึกษาใช้เครื่องมือมาตรฐานในอุตสาหกรรม เช่น TensorFlow, PyTorch, และบริการคลาวด์ต่างๆ เช่น Google Cloud, AWS, หรือ Azure
 

เพื่อเสริมสร้างทักษะที่จำเป็นสำหรับตลาดแรงงาน การปรับปรุงรายวิชาไม่ได้เน้นแค่ทฤษฎี แต่ยังรวมถึงทักษะปฏิบัติที่จำเป็นต่อการทำงาน:
1 ทักษะด้านข้อมูล (Data Skills): การให้ความสำคัญกับขั้นตอนการจัดการข้อมูล (Data Preprocessing), การวิเคราะห์ข้อมูลเชิงลึก, และการทำความเข้าใจความสำคัญของข้อมูลที่มีคุณภาพ
2 การแก้ปัญหาเชิงสร้างสรรค์: การมอบหมายโครงงานที่ท้าทาย เพื่อฝึกให้นักศึกษาคิดวิเคราะห์และออกแบบวิธีการแก้ปัญหาด้วย AI ที่เหมาะสม
3 ความรู้พื้นฐานที่แข็งแกร่ง: ทบทวนและเสริมสร้างความรู้พื้นฐานด้านคณิตศาสตร์ เช่น พีชคณิตเชิงเส้น (Linear Algebra) และสถิติ (Statistics) ซึ่งเป็นรากฐานที่สำคัญของการเรียนรู้ของเครื่อง
 

เพื่อปลูกฝังความรับผิดชอบและจริยธรรมในการใช้ AI ในยุคที่ AI มีบทบาทมากขึ้น การเข้าใจถึงผลกระทบทางสังคมและจริยธรรมจึงเป็นสิ่งสำคัญ:
1 ความรับผิดชอบต่อสังคม: การสอนให้นักศึกษาตระหนักถึงความลำเอียง (Bias) ที่อาจเกิดขึ้นในข้อมูลและผลลัพธ์ของ AI และวิธีการจัดการกับปัญหาเหล่านี้
2 ความปลอดภัยและความเป็นส่วนตัว: การเน้นย้ำถึงความสำคัญของการปกป้องข้อมูลส่วนตัวของผู้ใช้งาน และการสร้างระบบ AI ที่มีความปลอดภัยและเชื่อถือได้
 
ศึกษาและฝึกปฏิบัติเกี่ยวกับ การเรียนรู้ของเครื่องและทฤษฎีการเรียนรู้ พีชคณิตเชิงเส้นที่จำเป็น ได้แก่ เวกเตอร์ เมทริกซ์ การแปลงเชิงเส้น ค่าและเวกเตอร์ลักษณะเฉพาะ การเรียนรู้แบบมีผู้สอน  การแบ่งประเภท  การถดถอย ค่าผิดปกติ ซัพพอร์ตเวกเตอร์แมชชีน การเลือกแบบจำลองและคุณลักษณะ การลดขนาดมิติของข้อมูล ต้นไม้ตัดสินใจ การเรียนรู้แบบไม่มีผู้สอน การจัดกลุ่ม การเรียนรู้แบบเสริมกำลัง ข่ายงานประสาทเทียม การเรียนรู้เชิงลึก การประยุกต์ใช้ในงานเชิงปัญญาประดิษฐ์ เช่น การประมวลภาพและภาษา
 
Study and practice of machine learning and learning theory, essential linear algebra concepts (vector, matrix, linear transformation, eigenvector and eigenvalue), supervised learning, classification, regression, outliers, Support Vector Machines, model selection and feature selection, dimensionality reduction, decision trees, unsupervised learning, clustering, reinforcement learning, artificial neural networks, deep learning, applications in AI-related tasks such as image processing and natural language processing.
 
1. ให้คำปรึกษาผ่านระบบโซเชียลเนตเวิร์ค เช่น ไลน์ หรือเฟสบุค ทั้งการคุยโต้ตอบทันทีและการฝากข้อความทิ้งไว้ใน E-mail และมีการตอบภายหลัง โดยนักศึกษาสามารถขอคำปรึกษาผ่านทางระบบนี้ได้ตลอด 24 ชั่วโมง (นอกเวลาราชการฝากข้อความ) หรือใช้ช่องทางโทรศัพท์ปรึกษาระยะสั้น ใน 8 ชั่วโมงของทุกวันและเวลาราชการ
2. อาจารย์จัดเวลาให้คำปรึกษาเป็นรายบุคคล หรือรายกลุ่มตามความต้องการ 1 ชั่วโมงต่อสัปดาห์ (เฉพาะรายที่ต้องการ)
 
1 ความซื่อสัตย์สุจริต: ไม่ลอกเลียนแบบผลงานของผู้อื่น ไม่ว่าจะในรายงาน โครงการ หรือการสอบ ต้องให้เกียรติและอ้างอิงแหล่งที่มาของข้อมูลอย่างถูกต้อง
2 ความรับผิดชอบและความมีวินัยในตนเอง: ทำงานที่ได้รับมอบหมายให้สำเร็จตามกำหนดเวลา มีความมุ่งมั่นตั้งใจ และรับผิดชอบต่อผลลัพธ์ของงานที่ทำ
3 การเคารพสิทธิส่วนบุคคล: ตระหนักถึงความสำคัญของข้อมูลส่วนตัวและข้อมูลที่เป็นความลับ ไม่นำข้อมูลไปใช้ในทางที่ผิดกฎหมายหรือผิดจริยธรรม
4 จริยธรรมในการใช้ข้อมูล: เข้าใจถึงผลกระทบทางสังคมที่อาจเกิดขึ้นจากการใช้ข้อมูลขนาดใหญ่ (Big Data) และการทำเหมืองข้อมูล เช่น อคติ (Bias) ที่อาจแฝงอยู่ในข้อมูล และผลกระทบต่อการตัดสินใจ
5 การทำงานร่วมกับผู้อื่น: มีความสามารถในการทำงานเป็นทีม รับฟังความคิดเห็นของผู้อื่น และรู้จักแบ่งปันความรู้เพื่อสร้างสรรค์ผลงานที่ดีที่สุด
 
1 การบรรยายสอดแทรก: อาจารย์จะสอดแทรกเรื่องจริยธรรมในการใช้ข้อมูลและผลกระทบทางสังคมของเทคโนโลยีคลังข้อมูลและเหมืองข้อมูลในระหว่างการบรรยาย
2 กรณีศึกษา: ใช้กรณีศึกษาที่เกี่ยวข้องกับประเด็นด้านจริยธรรม เช่น การใช้ข้อมูลลูกค้าอย่างไม่เหมาะสม หรืออคติในโมเดล AI เพื่อกระตุ้นให้นักศึกษาได้คิดและอภิปราย
3 กำหนดเป็นส่วนหนึ่งของโครงการ: มอบหมายให้นักศึกษาทำโครงการที่ต้องพิจารณาประเด็นด้านจริยธรรม เช่น การนำเสนอแนวทางในการใช้ข้อมูลอย่างปลอดภัยและมีจริยธรรม หรือการวิเคราะห์อคติในชุดข้อมูล
4 การทำงานกลุ่ม: ส่งเสริมให้นักศึกษาได้ทำงานร่วมกันในโครงการกลุ่ม เพื่อเรียนรู้การแบ่งปันความรับผิดชอบ การรับฟังความคิดเห็น และการยอมรับในความแตกต่าง
 
1 การสังเกตพฤติกรรมในชั้นเรียน: สังเกตการมีส่วนร่วมในชั้นเรียน การอภิปรายอย่างสร้างสรรค์ และการทำงานร่วมกับผู้อื่น
2 การพิจารณาจากผลงาน: ตรวจสอบความถูกต้องของการอ้างอิงแหล่งที่มาในรายงานและโครงการ เพื่อประเมินความซื่อสัตย์
3 การนำเสนอโครงการ: ประเมินทัศนคติและแนวคิดที่แสดงออกในการนำเสนอโครงการกลุ่ม โดยเฉพาะอย่างยิ่งประเด็นที่เกี่ยวข้องกับจริยธรรม
4 การให้คะแนนจากเพื่อนร่วมทีม (Peer Assessment): ให้นักศึกษาประเมินผลการทำงานของเพื่อนในกลุ่ม เพื่อประเมินความรับผิดชอบและความร่วมมือในการทำงานเป็นทีม
 
1 เข้าใจแนวคิดพื้นฐานของปัญญาประดิษฐ์ (AI) และ การเรียนรู้ของเครื่อง (Machine Learning - ML) รวมถึงความแตกต่างและส่วนที่เกี่ยวข้องกัน
2 อธิบายประเภทของปัญหาและกระบวนการทำงานของ ML: เช่น การเรียนรู้แบบมีผู้สอน (Supervised Learning), การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning) และการเรียนรู้แบบเสริมกำลัง (Reinforcement Learning)
3 เลือกและประยุกต์ใช้อัลกอริทึม ML พื้นฐาน: สำหรับงานต่างๆ เช่น การจำแนกประเภท (Classification), การถดถอย (Regression), และการจัดกลุ่ม (Clustering)
4 ใช้เครื่องมือและไลบรารีที่เกี่ยวข้องกับ ML: เช่น Python, scikit-learn, TensorFlow หรือ PyTorch เพื่อสร้างและฝึกฝนโมเดล
5 ประเมินและตีความประสิทธิภาพของโมเดล: สามารถใช้เมตริกต่างๆ เช่น Accuracy, Precision, Recall, Confusion Matrix และ ROC Curve เพื่อวัดผลและเลือกโมเดลที่ดีที่สุด
6 ตระหนักถึงประเด็นด้านจริยธรรมและความท้าทายของ AI: เช่น ความลำเอียงของข้อมูล (Data Bias), ความเป็นส่วนตัว, และความรับผิดชอบในการนำ AI ไปใช้งานจริง
 
1 การบรรยายเชิงทฤษฎี: อธิบายหลักการเบื้องหลังของ AI และ ML, อัลกอริทึมต่างๆ และแนวคิดทางคณิตศาสตร์ที่เกี่ยวข้อง
2 การฝึกปฏิบัติในห้องแล็บ: ให้นักศึกษาได้ลงมือเขียนโค้ดและสร้างโมเดล ML ด้วยตนเอง โดยใช้ภาษา Python และไลบรารีที่จำเป็น
3 โครงการเชิงปฏิบัติ (Practical Projects): มอบหมายให้นักศึกษาทำโครงการที่ท้าทาย โดยใช้ข้อมูลจริงเพื่อฝึกแก้ปัญหาตั้งแต่ต้นจนจบ
4 กรณีศึกษา (Case Studies): วิเคราะห์ตัวอย่างการนำ AI และ ML ไปประยุกต์ใช้ในอุตสาหกรรมต่างๆ เพื่อให้นักศึกษาเห็นภาพการทำงานจริง
5 การอภิปรายในชั้นเรียน: เปิดโอกาสให้นักศึกษาได้แลกเปลี่ยนความคิดเห็นเกี่ยวกับประเด็นทางจริยธรรมและแนวโน้มในอนาคตของ AI
 
1 สอบกลางภาคและปลายภาค: เพื่อประเมินความรู้เชิงทฤษฎีและแนวคิดหลักที่เกี่ยวข้องกับ AI และ ML
2 งานในห้องแล็บ (Lab Assignments): ให้คะแนนจากผลลัพธ์ของโค้ดที่เขียนและโมเดลที่สร้างขึ้น เพื่อวัดทักษะการปฏิบัติ
3 โครงการ (Project): เป็นการประเมินที่สำคัญที่สุด โดยนักศึกษาจะต้องนำเสนอรายงานและโค้ดของโมเดลที่พัฒนาขึ้น เพื่อประเมินความสามารถในการแก้ปัญหาเชิงปฏิบัติ
4 การมีส่วนร่วมในชั้นเรียน: ประเมินจากการเข้าร่วมการอภิปรายและแสดงความคิดเห็นในประเด็นต่างๆ
 
1 ทักษะการคิดวิเคราะห์: สามารถแยกแยะปัญหาที่ซับซ้อนออกเป็นส่วนย่อยๆ เพื่อทำความเข้าใจโครงสร้างของปัญหาในบริบทของข้อมูลได้
2 ทักษะการคิดเชิงสังเคราะห์: สามารถรวบรวมและเชื่อมโยงแนวคิดหรือข้อมูลที่แตกต่างกัน เพื่อสร้างเป็นแนวทางแก้ไขปัญหาที่สมเหตุสมผลและมีประสิทธิภาพ
3 ทักษะการคิดเชิงสร้างสรรค์และนวัตกรรม: สามารถคิดค้นวิธีการใหม่ๆ ในการใช้ข้อมูลเพื่อแก้ปัญหาหรือค้นพบข้อมูลเชิงลึกที่ไม่เคยมีมาก่อน
4 ทักษะการแก้ปัญหา: สามารถระบุปัญหา เลือกใช้เครื่องมือและเทคนิคที่เหมาะสม วางแผน และดำเนินการเพื่อแก้ไขปัญหาที่เกี่ยวข้องกับข้อมูลได้อย่างเป็นระบบ
5 ทักษะการคิดเชิงระบบ: เข้าใจความสัมพันธ์และผลกระทบระหว่างส่วนประกอบต่างๆ ในระบบคลังข้อมูลและเหมืองข้อมูล เพื่อให้สามารถออกแบบและจัดการระบบได้อย่างมีประสิทธิภาพ
 
1 การวิเคราะห์กรณีศึกษา (Case Study Analysis): มอบหมายให้นักศึกษาวิเคราะห์กรณีศึกษาที่ซับซ้อนในโลกธุรกิจ โดยให้นักศึกษาเสนอแนวทางในการใช้คลังข้อมูลและเหมืองข้อมูลเพื่อแก้ปัญหา
2 โครงการกลุ่ม (Group Project): กำหนดให้มีโครงการที่ท้าทาย ซึ่งนักศึกษาต้องออกแบบและสร้างระบบคลังข้อมูล หรือทำการวิเคราะห์ข้อมูลตั้งแต่ต้นจนจบ เพื่อให้ได้ฝึกฝนการคิดเชิงสังเคราะห์และการแก้ปัญหาร่วมกัน
3 การอภิปรายในชั้นเรียน: กระตุ้นให้นักศึกษามีส่วนร่วมในการอภิปรายเกี่ยวกับแนวคิดที่หลากหลายและวิธีการแก้ไขปัญหาที่แตกต่างกัน เพื่อฝึกฝนการคิดวิเคราะห์และเปิดรับมุมมองใหม่ๆ
4 การมอบหมายงานปลายเปิด (Open-Ended Assignments): ให้โจทย์ที่ไม่มีคำตอบที่ตายตัว เพื่อให้นักศึกษาได้คิดค้นวิธีการใหม่ๆ และใช้ความคิดสร้างสรรค์ในการนำเสนอผลลัพธ์
 
1 การประเมินจากโครงการ (Project-Based Assessment): ประเมินจากคุณภาพของรายงานโครงการและผลลัพธ์ที่ได้ โดยพิจารณาจากความลึกของการวิเคราะห์ การใช้เครื่องมือที่เหมาะสม และความสมเหตุสมผลของแนวทางแก้ไขปัญหา
2 การสอบที่เน้นการแก้ปัญหา (Problem-Solving Exams): แทนที่จะเน้นการท่องจำ ควรออกแบบข้อสอบที่มีสถานการณ์จำลอง (Scenario-Based Questions) เพื่อทดสอบความสามารถในการประยุกต์ใช้ความรู้และทักษะเพื่อแก้ไขปัญหาจริง
3 การนำเสนอผลงาน (Presentation): ประเมินจากการนำเสนอแนวคิด การวิเคราะห์ และผลลัพธ์ของโครงการ โดยเฉพาะอย่างยิ่งการตอบคำถามและการให้เหตุผลในการตัดสินใจต่างๆ
4 การประเมินการมีส่วนร่วม (Participation Assessment): ประเมินจากคุณภาพของการมีส่วนร่วมในการอภิปรายในชั้นเรียน รวมถึงความสามารถในการแสดงความคิดเห็นอย่างมีเหตุผลและสร้างสรรค์
 
1 ทักษะการทำงานเป็นทีม: สามารถทำงานร่วมกับผู้อื่นได้ในสถานการณ์ที่แตกต่างกัน มีส่วนร่วมอย่างแข็งขันในการอภิปรายกลุ่ม และสามารถแลกเปลี่ยนความคิดเห็นได้อย่างสร้างสรรค์
2 ความรับผิดชอบต่อหน้าที่: มีวินัยในตนเอง สามารถบริหารจัดการเวลาและทำงานที่ได้รับมอบหมายให้สำเร็จตามเป้าหมายและกำหนดเวลาที่กำหนดไว้
3 การสื่อสารอย่างมีประสิทธิภาพ: สามารถนำเสนอแนวคิด ผลการวิเคราะห์ และข้อสรุปต่างๆ ได้อย่างชัดเจน ทั้งในรูปแบบการพูดและการเขียน
4 ความเข้าใจในบทบาทของตนเอง: ตระหนักถึงหน้าที่และความรับผิดชอบของตนเองในการทำงานกลุ่ม รวมถึงการให้ความช่วยเหลือและสนับสนุนเพื่อนร่วมทีม
5 การปรับตัวและเปิดใจยอมรับความแตกต่าง: สามารถทำงานร่วมกับผู้อื่นที่มีพื้นฐานความรู้ ทัศนคติ หรือความถนัดที่แตกต่างกันได้
 
1 โครงการกลุ่ม (Group Project): กำหนดให้มีโครงการที่ซับซ้อนและต้องใช้ความร่วมมือจากหลายฝ่าย เพื่อให้นักศึกษาได้ฝึกฝนการทำงานเป็นทีม การแบ่งงาน และการสื่อสาร
2 การอภิปรายกลุ่ม: จัดกิจกรรมอภิปรายในชั้นเรียนเป็นกลุ่มย่อย เพื่อให้นักศึกษาได้ฝึกการแสดงความคิดเห็น การรับฟังผู้อื่น และการหาข้อสรุปร่วมกัน
3 การนำเสนอผลงานกลุ่ม: ให้นักศึกษาทำงานร่วมกันเพื่อเตรียมการนำเสนอผลงาน โดยทุกคนต้องมีส่วนร่วมและแสดงบทบาทที่ชัดเจน เพื่อฝึกฝนทักษะการสื่อสารและการทำงานร่วมกัน
4 การมอบหมายงานที่มีกำหนดเวลาชัดเจน: กำหนดส่งงานแต่ละชิ้นด้วยกำหนดเวลาที่แน่นอน เพื่อฝึกความรับผิดชอบและการบริหารจัดการเวลาของตนเอง
 
1 การประเมินจากผลงานกลุ่ม: พิจารณาคุณภาพของผลงานที่ทำร่วมกันเป็นทีม เช่น รายงานและผลลัพธ์ของโครงการ เพื่อสะท้อนถึงการทำงานร่วมกันอย่างมีประสิทธิภาพ
2 การประเมินโดยเพื่อนร่วมทีม (Peer Assessment): ให้นักศึกษาประเมินผลการทำงานของเพื่อนร่วมทีม เพื่อให้เกิดการประเมินที่มาจากมุมมองที่หลากหลายและสะท้อนถึงความรับผิดชอบของแต่ละคนในกลุ่ม
3 การประเมินการนำเสนอ: พิจารณาจากความชัดเจนในการนำเสนอ ความสามารถในการตอบคำถาม และการทำงานร่วมกันของสมาชิกในกลุ่มขณะนำเสนอ
4 การสังเกตพฤติกรรม: สังเกตพฤติกรรมระหว่างการทำกิจกรรมกลุ่ม การอภิปราย และการทำงานในห้องเรียน เพื่อประเมินการมีส่วนร่วมและความรับผิดชอบของนักศึกษาแต่ละคน
 
1 ทักษะการวิเคราะห์เชิงตัวเลข: สามารถเลือกใช้เทคนิคทางคณิตศาสตร์และสถิติที่เหมาะสมเพื่อทำความเข้าใจข้อมูล, ฝึกฝนโมเดล, และตีความผลลัพธ์ได้อย่างถูกต้อง
2 ทักษะการสื่อสาร: สามารถอธิบายแนวคิดที่ซับซ้อนของ AI และ ML ให้เข้าใจง่ายได้ทั้งในการพูดและการเขียน รวมถึงการนำเสนอผลการวิเคราะห์โมเดลอย่างชัดเจนโดยใช้ภาพและแผนภูมิ
3 ทักษะการใช้เทคโนโลยีสารสนเทศ: สามารถใช้เครื่องมือและไลบรารีต่างๆ ที่จำเป็นในงานด้าน AI และ ML เช่น ภาษาโปรแกรม Python, ไลบรารี scikit-learn, TensorFlow, และ PyTorch ได้อย่างคล่องแคล่ว
 
1 การบรรยายเชิงปฏิบัติ: ในระหว่างการบรรยายทฤษฎี ควรมีตัวอย่างโค้ดและข้อมูลจริงประกอบ เพื่อให้นักศึกษาได้เห็นภาพการนำทฤษฎีไปใช้ในทางปฏิบัติ
2 การฝึกปฏิบัติในห้องแล็บ: มอบหมายให้นักศึกษาใช้เครื่องมือและไลบรารีต่างๆ เพื่อสร้างและทดสอบโมเดล ML ด้วยตนเอง
3 โครงการกลุ่ม: กำหนดให้มีโครงการที่ท้าทาย ซึ่งต้องใช้ทักษะทั้งสามด้านในการวิเคราะห์ข้อมูล, สร้างโมเดล, และนำเสนอผลลัพธ์
4 การนำเสนอผลงาน: ส่งเสริมให้นักศึกษาฝึกฝนการสื่อสารด้วยการนำเสนอผลงานโครงการ โดยต้องอธิบายกระบวนการและผลลัพธ์ที่ได้จากการวิเคราะห์เชิงตัวเลขอย่างชัดเจน
 
1 แบบฝึกหัดและการสอบปฏิบัติ: ประเมินความเข้าใจเชิงสถิติและคณิตศาสตร์ รวมถึงความสามารถในการเขียนโค้ดเพื่อสร้างโมเดล
2 การประเมินจากรายงานและโค้ดโครงการ: พิจารณาจากความลึกของการวิเคราะห์ข้อมูล, การใช้เทคโนโลยีที่เหมาะสม, และความชัดเจนในการนำเสนอผลลัพธ์ในรายงาน
3 การประเมินการนำเสนอ: ให้คะแนนจากการนำเสนอผลงานโครงการ โดยพิจารณาจากความสามารถในการสื่อสารข้อมูลที่ซับซ้อนให้เข้าใจง่าย และการใช้ภาพประกอบการนำเสนออย่างเหมาะสม
4 การสังเกตการทำงานในห้องแล็บ: ประเมินจากการสังเกตพฤติกรรมและความคล่องแคล่วในการใช้เครื่องมือต่างๆ ที่เกี่ยวข้องกับรายวิชา
 
1 ทักษะการใช้เครื่องมือและซอฟต์แวร์: สามารถใช้โปรแกรมหรือภาษาโปรแกรมที่เกี่ยวข้องกับการจัดการและวิเคราะห์ข้อมูลได้อย่างเชี่ยวชาญ เช่น การใช้เครื่องมือ ETL ในการดึงข้อมูล การใช้เครื่องมือ BI ในการสร้างแดชบอร์ด และการใช้ภาษาโปรแกรม (Python, R) เพื่อสร้างโมเดลเหมืองข้อมูล
2 ทักษะการออกแบบและพัฒนา: สามารถออกแบบโครงสร้างคลังข้อมูล (Dimensional Modeling) และพัฒนากระบวนการ ETL ได้อย่างเป็นระบบ
3 ทักษะการปฏิบัติงานในโครงการ: สามารถนำความรู้และทฤษฎีมาประยุกต์ใช้ในการทำโครงการจริงได้ ตั้งแต่การตั้งโจทย์ การรวบรวมข้อมูล การวิเคราะห์ และการนำเสนอผลลัพธ์
4 ทักษะการทำงานในสภาพแวดล้อมจริง: สามารถจัดการกับปัญหาที่อาจเกิดขึ้นระหว่างการทำงานกับข้อมูลขนาดใหญ่ เช่น ข้อมูลที่ไม่มีคุณภาพ หรือปัญหาด้านประสิทธิภาพของระบบ
 
1 การฝึกปฏิบัติในห้องแล็บ: จัดให้นักศึกษาได้ใช้เครื่องมือและซอฟต์แวร์จริงเพื่อทำแบบฝึกหัดที่หลากหลาย เช่น การสร้าง Star Schema, การเขียนสคริปต์เพื่อทำความสะอาดข้อมูล หรือการสร้างโมเดลจำแนกประเภท (Classification Model)
2 โครงการกลุ่ม (Project-Based Learning): กำหนดให้มีโครงการที่นักศึกษาต้องทำตั้งแต่ต้นจนจบ ซึ่งอาจเป็นการสร้างคลังข้อมูลขนาดเล็ก หรือการแก้ปัญหาธุรกิจโดยใช้เทคนิคเหมืองข้อมูล เพื่อให้นักศึกษาได้ฝึกฝนทักษะการปฏิบัติงานในทุกขั้นตอน
3 การจำลองสถานการณ์ (Simulation): จัดกิจกรรมที่จำลองสถานการณ์จริงที่อาจเกิดขึ้นในโลกการทำงาน เพื่อให้นักศึกษาได้ฝึกการแก้ไขปัญหาเฉพาะหน้าและตัดสินใจภายใต้สถานการณ์ที่ซับซ้อน
4 การนำเสนอผลงาน: ให้นักศึกษาได้นำเสนอผลงานที่ได้จากการปฏิบัติ เพื่อฝึกทักษะการสื่อสารและอธิบายขั้นตอนการทำงานที่ชัดเจน
 
1 การประเมินจากงานในห้องแล็บ: ตรวจสอบผลงานที่ได้จากการทำแบบฝึกหัดในห้องแล็บ เพื่อประเมินความสามารถในการใช้เครื่องมือและซอฟต์แวร์
2 การประเมินจากผลงานโครงการ: พิจารณาจากคุณภาพของผลงานโครงการ ไม่ว่าจะเป็นฐานข้อมูลที่สร้างขึ้น, โค้ดที่เขียน, หรือรายงานผลการวิเคราะห์ เพื่อประเมินความสามารถในการประยุกต์ใช้ความรู้
3 การสอบปฏิบัติ (Practical Exam): อาจมีการสอบที่ให้นักศึกษาแก้โจทย์ปัญหาเชิงปฏิบัติโดยใช้คอมพิวเตอร์และซอฟต์แวร์ที่เกี่ยวข้อง
4 การประเมินการนำเสนอผลงาน: ให้คะแนนจากการนำเสนอโครงการ โดยพิจารณาจากความชัดเจนในการอธิบายขั้นตอนการทำงานและทักษะการใช้เครื่องมือประกอบการนำเสนอ
 
กิจกรรมที่ ผลการเรียนรู้ * วิธีการประเมินผลนักศึกษา สัปดาห์ที่ประเมิน สัดส่วนของการประเมินผล
1 ทดสอบย่อย 1 ทดสอบย่อย 2 สอบกลางภาคเรียน สอบปลายภาคเรียน แบบทดสอบ Google Form , ข้อสอบข้อเขียน, ข้อสอบปฏิบัติ 4 8 9 17 10% 10% 25% 25%
2 การทำงานกลุ่มและผลงาน วิเคราะห์กรณีศึกษาค้นคว้า การนำเสนอ รายงาน ตลอดภาคการศึกษา 20%
3 เข้าชั้นเรียน การเข้าชั้นเรียน การมีส่วนร่วม อภิปราย เสนอความคิดเห็นผ่านระบบออนไลน์ ตลอดภาคการศึกษา 10%
 
1 "ปัญญาประดิษฐ์ด้วยการเรียนรู้ของเครื่อง ฉบับภาษา Python" โดย รศ.ดร. ปริญญา สงวนสัตย์ หนังสือเล่มนี้มักถูกแนะนำสำหรับผู้ที่ต้องการเรียนรู้เชิงปฏิบัติด้วยภาษาโปรแกรม Python
2 "ปัญญาประดิษฐ์ (Aritificial Intelligence) เอกสารคาสอน" โดย บุญเสริม กิจศิริกุล หรือตำราจากสถาบันการศึกษาอื่นๆ ที่เผยแพร่ในรูปแบบเอกสารคำสอนออนไลน์ ซึ่งจะเน้นหลักการและทฤษฎีพื้นฐานของ AI
3 "Artificial Intelligence: A Modern Approach" โดย Stuart Russell และ Peter Norvig หนังสือเล่มนี้ถือเป็นตำราหลักที่ใช้สอน AI ในมหาวิทยาลัยชั้นนำทั่วโลก มีเนื้อหาที่ครอบคลุมตั้งแต่แนวคิดพื้นฐานไปจนถึงหัวข้อขั้นสูง
4 "The Elements of Statistical Learning" โดย Trevor Hastie, Robert Tibshirani และ Jerome Friedman เล่มนี้เหมาะสำหรับผู้ที่ต้องการลงลึกในทฤษฎีทางสถิติที่อยู่เบื้องหลังการเรียนรู้ของเครื่อง
 
 
1 เอกสารประกอบการสอนของมหาวิทยาลัยต่างๆ: มหาวิทยาลัยหลายแห่งในประเทศไทยและต่างประเทศมักจะเผยแพร่เอกสารคำสอน (PowerPoint, PDF) และวิดีโอการบรรยายของรายวิชา ปัญญาประดิษฐ์ และ การเรียนรู้ของเครื่อง บนเว็บไซต์ของคณะหรือระบบจัดการการเรียนรู้ (LMS)
2 คอร์สออนไลน์ (MOOCs): แพลตฟอร์มอย่าง Coursera, edX และ Udacity มีคอร์สเรียน AI และ ML ที่สอนโดยผู้เชี่ยวชาญจากสถาบันชั้นนำ เช่น คอร์ส "Machine Learning" ของ Andrew Ng ที่ Stanford University ซึ่งเป็นที่นิยมอย่างมาก
3 วารสารวิชาการและบทความ (Journals & Articles): สำหรับการติดตามความรู้ที่ทันสมัยที่สุด สามารถค้นหาบทความวิชาการจากวารสารต่างๆ หรือแพลตฟอร์มอย่าง Google Scholar, IEEE Xplore หรือ ACM Digital Library ได้
 
1 แบบประเมินรายวิชาออนไลน์: ให้นักศึกษาทำแบบสำรวจเมื่อสิ้นสุดภาคการศึกษา เพื่อวัดความพึงพอใจในเนื้อหา ความเหมาะสมของอาจารย์ผู้สอน และประโยชน์ที่ได้รับจากรายวิชา
2 การสนทนากลุ่ม (Focus Group Discussion): จัดการพูดคุยกับตัวแทนนักศึกษาเพื่อรับฟังข้อเสนอแนะเชิงลึกเกี่ยวกับความท้าทายที่พบระหว่างการเรียน และส่วนที่ควรปรับปรุงในอนาคต
3 แบบประเมินระหว่างภาคเรียน: ใช้วิธีการประเมินสั้นๆ ทุก 4-5 สัปดาห์ เพื่อตรวจสอบว่าเนื้อหาที่ผ่านมามีความยากง่ายเหมาะสมหรือไม่ และปรับแผนการสอนได้ทันท่วงที
 
1 แบบประเมินการสอนจากนักศึกษา: ใช้แบบประเมินมาตรฐานของมหาวิทยาลัย เพื่อให้นักศึกษาประเมินความชัดเจนในการอธิบายเนื้อหา, การตอบคำถาม, และการให้คำแนะนำเชิงปฏิบัติ
2 การประเมินจากผู้เชี่ยวชาญภายนอก: เชิญผู้เชี่ยวชาญจากภาคอุตสาหกรรมหรืออาจารย์ท่านอื่นที่มีความเชี่ยวชาญด้าน AI มาร่วมสังเกตการณ์การสอนหรือการนำเสนอโครงงาน เพื่อรับฟังข้อเสนอแนะเกี่ยวกับเนื้อหาและวิธีการประเมิน
3 การทบทวนการสอนด้วยตนเอง (Self-Reflection): อาจารย์ผู้สอนทบทวนและประเมินผลการสอนของตนเองในแต่ละสัปดาห์ เพื่อระบุจุดแข็งและจุดที่ต้องพัฒนา
 
1 อัปเดตเนื้อหาให้ทันสมัย: นำข้อเสนอแนะของนักศึกษาและผู้เชี่ยวชาญมาปรับปรุงเนื้อหา เช่น การเพิ่มเทคโนโลยีล่าสุดอย่าง Generative AI หรือการใช้เครื่องมือใหม่ๆ
2 ปรับเปลี่ยนวิธีการสอน: หากพบว่าการบรรยายทฤษฎีเพียงอย่างเดียวไม่เพียงพอ อาจเพิ่มกิจกรรมภาคปฏิบัติ (Hands-on Lab) หรือกรณีศึกษามากขึ้น เพื่อให้นักศึกษาได้ฝึกฝนทักษะจริง
3 เพิ่มเครื่องมือและแหล่งข้อมูล: แนะนำและส่งเสริมให้นักศึกษาใช้แพลตฟอร์มการเรียนรู้ออนไลน์ (เช่น Coursera, edX) และเครื่องมือที่ใช้ในอุตสาหกรรมจริง เช่น TensorFlow, PyTorch, และ Hugging Face
 
1 การตรวจสอบจากคณะกรรมการ: ในการประเมินโครงงานสุดท้าย ควรมีคณะกรรมการมากกว่าหนึ่งท่าน (อาจารย์ประจำวิชา, อาจารย์ที่ปรึกษา, หรือผู้เชี่ยวชาญภายนอก) เพื่อร่วมกันประเมินผลงานตามเกณฑ์ที่ชัดเจน
2 การเปรียบเทียบผลงาน: เปรียบเทียบผลงานของนักศึกษาแต่ละรุ่นกับผลงานของปีที่ผ่านมา หรือเปรียบเทียบกับมาตรฐานของสถาบันอื่น เพื่อตรวจสอบคุณภาพของผลงานอย่างต่อเนื่อง
3 การสอบวัดความเข้าใจ (Proficiency Test): อาจใช้แบบทดสอบเพื่อวัดความเข้าใจในหลักการและทฤษฎีพื้นฐานของ AI และ Machine Learning ที่นักศึกษาควรมี
 
1 จัดทำรายงานสรุปผล: รวบรวมผลการประเมินจากทุกส่วน และจัดทำรายงานสรุปเพื่อนำเสนอต่อคณะกรรมการประจำภาควิชา
2 วางแผนการปรับปรุง: วางแผนการปรับปรุงรายวิชาในภาคการศึกษาถัดไป (ระยะสั้น) และวางแผนการพัฒนาหลักสูตรในระยะ 3-5 ปี (ระยะยาว)
3 แจ้งผลการปรับปรุง: แจ้งผลการปรับปรุงให้นักศึกษารุ่นต่อไปทราบ เพื่อให้นักศึกษาเห็นความสำคัญของการมีส่วนร่วมในการประเมินและพัฒนาหลักสูตร .