ปัญญาประดิษฐ์และการประยุกต์ใช้งาน

Artificial Intelligence and Its Applications

เพื่อให้นักศึกษามีความรู้ความเข้าใจเกี่ยวกับหลักของปัญญาประดิษฐ์ วิธีการเรียนรู้ อัลกอรึทึมที่เกี่ยวข้อง   มีความรู้ความเข้าใจในวิธีการคำนวณแบบปัญญาประดิษฐ์ สามารถประยุกต์ใช้กับงานหรือระบบเมคคาทรอนิกส์
ศึกษาเกี่ยวกับหลักของปัญญาประดิษฐ์และการนำไปประยุกต์ใช้กับระบบเมคคาทรอนิกส์ ประกอบด้วย 1) โครงข่ายประสาทเทียม ได้แก่ โครงข่ายกำเนิด โครงข่ายประสาทลึก และ โครงข่ายประสาทแบบคอนโวลูชัน 2) วิธีการเรียนรู้ ทั้ง การเรียนรู้แบบมีผู้สอน การเรียนรู้แบบไม่มีผู้สอน การเรียนรู้แบบเสริมกำลัง และ การเรียนรู้แบบกึ่งควบคุม 3) วิธีการคำนวณแบบปัญญาประดิษฐ์อื่น ๆ เช่น ระบบฟัซซี่ หรือ อัลกอริทึมแบบวิวัฒนาการ และ 4) การแนะนำการเขียนโปรแกรมความสัมพันธ์กับ AI การประยุกต์ใช้งานเมคคาทรอนิกส์ ในวงกว้างและกรณีศึกษาจากสาขาวิศวกรรมที่เกี่ยวข้อง
Study a major branch of artificial intelligence and their applicability to mechatronic systems. 1) neural networks including generative networks, deep neural networks and convolution neural networks, 2) learning methods including supervised learning, unsupervised learning, reinforcement learning and semi-supervised learning, 3) appreciation of other computational intelligence methods: fuzzy systems or evolutionary algorithms and 4) an introduction to programming and its relationship to Al. Mechatronic applications in broader terms and case studies from other relevant areas of engineering.
อาจารย์ประจำรายวิชา ประกาศเวลาการให้คำปรึกษาเป็นรายบุคคลหรือรายกลุ่มตามความเหมาะสม นัดหมายผ่านช่องทางการติดต่อที่สะดวกต่อทั้งตัวอาจารย์และนักศึกษา
1.2 มีวินัย ตรงต่อเวลา รับผิดชอบต่อตนเองและสังคม เคารพกฎระเบียบและข้อบังคับต่างๆ ขององค์กรและสังคม
1.4 สามารถวิเคราะห์และประเมินผลกระทบจากการใช้ความรู้ทางวิศวกรรมต่อบุคคล องค์กร สังคมและสิ่งแวดล้อม
การนำเสนอโปรเจค และรายงานโปรเจค
การตรงเวลาของนักศึกษาต่อการเข้าชั้นเรียน
การส่งงานที่มอบหมายตามกำหนด
2.1 มีความรู้และความเข้าใจทางคณิตศาสตร์พื้นฐานวิทยาศาสตร์ วิศวกรรมพื้นฐาน เพื่อการประยุกต์ใช้กับงานทางด้านวิศวกรรมที่เกี่ยวข้องและการสร้างนวัตกรรมทางเทคโนโลยี
2.3 สามารถบูรณาการความรู้ในสาขาวิชาที่ศึกษากับความรู้ในศาสตร์อื่นๆ ที่เกี่ยวข้อง
2.4 สามารถวิเคราะห์และแก้ไขปัญหา ด้วยวิธีการที่เหมาะสม รวมถึงการประยุกต์ใช้เครื่องมือที่เหมาะสม เช่น โปรแกรมคอมพิวเตอร์ เป็นต้น
- การสอบกลางภาคและปลายภาค
- แบบฝึกหัดท้ายบทเรียน
- การนำเสนอโปรเจค
 
กิจกรรมที่ ผลการเรียนรู้ * วิธีการประเมินผลนักศึกษา สัปดาห์ที่ประเมิน สัดส่วนของการประเมินผล
1 2.1, 3.3, 5.1, 5.5 สอบกลางภาค, สอบปลายภาค 9, 18 20, 20
2 2.4, 3.3, 4.3, 5.1, 5.5 การส่งงานรายบุคคลตามที่มอบหมาย 3, 4, 5, 11, 13, 14, 15 20
3 1.2, 1.4, 2.1, 2.3, 2.4, 3.1, 3.3, 3.4, 4.4, 5.1, 5.5 การส่งงานกลุ่มตามที่มอบหมาย 8, 11, 16, 17, 18 30
4 1.2, 1.4, 2.1, 2.3, 2.4, 3.1, 3.3, 3.4, 4.3, 4.4, 5.1, 5.5 การเข้าชั้นเรียน การมีส่วนร่วม อภิปราย เสนอความคิดเห็นในชั้นเรียน ตลอดภาคการศึกษา 10
https://developers.google.com/machine-learning/ https://colab.research.google.com/ https://roboflow.com/ https://www.kaggle.com/ https://huggingface.co/learn/ Scikit-learn. Machine Learning in Python. https://scikit-learn.org/ MATLAB. Machine Learning. https://www.mathworks.com/solutions/machine-learning.html Seaborn. Example gallery. https://seaborn.pydata.org/ Pandas. Pandas documentation. https://pandas.pydata.org/ Matplotlib. Matplotlib:Visualization with Python. https://matplotlib.org/ NumPy. NumPy documentation. https://numpy.org/ Tinnakorn Marlaithong และ Papoj Thamjaroenporn. (2021, December 7). เพิ่มประสิทธิภาพของ Machine Learning Model ด้วย Hyperparameter Optimization. https://bdi.or.th/big-data-101/machine-learning-model-hyperparameter-optimization/ Weerapat Satitkanitkul และNavavit Ponganan. (2023, July 11). โมเดลของคุณเมพ (MAPE) แค่ไหน: 2 วิธีวัดผลความแม่นยำโมเดลhttps://bdi.or.th/big-data-101/mape-evaluation/ Lapiello, E., (2022). How good is your forecasting? Unpacking metrics to evaluate true business impact of your models. https://medium.com/bcggamma/how-good-is-your-forecasting-unpacking-metrics-to-evaluate-true-business-impact-of-your-models-4a08b5a213c4 Ramakrishnan, J., Shaabani, E., Li, C. & Sustik, M. A., (2019). Anomaly Detection for an E-Commerce Pricing System. Bergstra, J., & Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of machine learning research, 13(2).
Brink, H., Richards, J., & Fetherolf, M. (2016). Real-world machine learning. Manning Publication. John D. Kelleher, Brendan Tierney. (2018). Data Science. https://doi.org/10.7551/mitpress/11140.001.0001 Goyal, P., Pandey, S., & Jain, K. (2018). Deep learning for natural language processing. New York: Apress. McKinney, W. (2022). Python for data analysis: data wrangling with pandas, NumPy, and Jupyter (Third edition). O’Reilly Media, Inc.  Hagiwara, M. (2022). Real-world natural language processing. Manning Publications. Raaijmakers, S. (2022). Deep learning for natural language processing. Manning Publication. Surdeanu, M., & Valenzuela-Escárcega, M. A. (2024). Deep learning for natural language processing: a gentle introduction. Cambridge University Press. กอบเกียรติ สระอุบล. (2563). เรียนรู้ Data science และ AI : Machine learning ด้วย Python. (พิมพ์ครั้งที่ 1). กรุงเทพฯ : มีเดีย เนทเวิร์ค. กอบเกียรติ สระอุบล. (2565). เรียนรู้ AI : Deep learning ด้วย Python. (พิมพ์ครั้งที่ 2). กรุงเทพฯ : อินเตอร์มีเดีย.