Python Class · คาบที่ 3 · 🤖
AI & Machine Learning
รู้จัก AI ที่อยู่รอบตัว และลองเล่นกับ Model จริง
คาบ 1 Python พื้นฐาน
คาบ 2 Data Science
คาบ 3 · วันนี้ AI & ML
ไม่ใช่แค่ “วิเคราะห์ข้อมูล” แต่
ให้คอมเรียนรู้จากข้อมูล
สิ่งที่จะเรียนวันนี้
01 AI / ML / Deep Learning คืออะไร?Concept
02 ML ทำงานยังไง — 3 ประเภทหลักConcept
03 Demo: Image Classification 🟢 Demo
04 Demo: Sentiment Analysis 🟢 Demo
05 Demo: Text Generation (LLM) 🟢 Demo
06 AI รอบตัว + จริยธรรม + เส้นทางต่อDiscuss
🧪 ครึ่งแรกเข้าใจ concept · ครึ่งหลัง demo สดบน Colab — ลองเล่นกับ AI จริงเลย
🟢 COLAB DEMO · ก่อนเริ่ม
เตรียม Colab ให้พร้อมก่อนเริ่ม
01 เปิด Colab สร้าง Notebook ชื่อ “AI_ML_Demo”
02 ซูม browser 125–150% ให้คนหลังห้องเห็นชัด
03 รัน cell ติดตั้ง library ก่อนสอน 5–10 นาที
!pip install transformers torch pillow -q
print("✅ ติดตั้งเสร็จแล้ว พร้อมใช้งาน!")
✅ ติดตั้งเสร็จแล้ว พร้อมใช้งาน!
⚠️ โหลด model จาก internet นานพอสมควร — ถ้าเน็ตช้า ให้รัน cell นี้ระหว่างเรียน Part 1–2 ไปก่อน
PART 01
AI / ML / Deep Learning
แยกแยะให้ชัด — ในข่าวมักใช้คำเหล่านี้สลับกัน
01
🧠 วงกลมซ้อน · AI ⊃ ML ⊃ DL
AI vs ML vs Deep Learning
AI
MACHINE LEARNING
DEEP LEARNING
NEURAL NETWORKS
AIArtificial Intelligence ทำให้คอมฉลาดเหมือนคน — ร่มใหญ่สุด รวมระบบเขียนกฎตายตัวแบบเก่าด้วย
MLMachine Learning สอนให้คอมเรียนรู้จากข้อมูล ไม่ต้องเขียนกฎเอง
DLDeep Learning ML แบบซับซ้อน ใช้โครงข่ายเหมือนสมองคน
Neural Networksโครงข่ายประสาทเทียม เบื้องหลัง ChatGPT, Face ID, รถ Tesla
📰 ข่าวพูดว่า “AI” ส่วนใหญ่หมายถึง ML หรือ Deep Learning
แบบเก่า vs Machine Learning
โจทย์: สอนคอมให้แยก หมา กับ แมว
❌ แบบเก่า · Rule-based
เขียนกฎเองทุกอย่าง
ถ้า มีขน + 4 ขา + เห่า → หมา
ถ้า มีขน + 4 ขา + เหมียว → แมว
ถ้า มีขน + 4 ขา + ??? → ???
# ไม่รู้! ต้องเขียนกฎเพิ่มเรื่อยๆ
✅ Machine Learning
ให้คอมเรียนรู้จากข้อมูล
ให้ดูรูปหมา 0,000 รูป
ให้ดูรูปแมว 0,000 รูป
→ คอมเรียนรู้ pattern เอง
รูปใหม่ ทายถูก 0% ✓
💡 Rule-based: เราคิดกฎให้คอม · ML: ให้ข้อมูล แล้วคอมหากฎเอง
สลับกันนิดเดียว: ใครเป็นคนคิด “กฎ”?
ของ 3 อย่างเดิม — กฎ · ข้อมูล · คำตอบ — แค่ย้ายตำแหน่ง
เขียนโปรแกรมแบบเดิม เราเป็นคนคิดกฎ
+
Machine Learning คอมหากฎเองจากตัวอย่าง
+
กฎย้ายจาก “สิ่งที่เราใส่” → “สิ่งที่คอมหาให้”
🔁 ML = ให้ ข้อมูล + คำตอบ แล้วคอม หากฎเอง — รูปใหม่ที่ไม่เคยเห็นก็ใช้กฎนั้นทายได้
✏️ INTERACTIVE 1
AI หรือไม่ AI?
ทายในใจก่อน แล้วค่อยเปิดเฉลยทีละข้อ
🧮 01 เครื่องคิดเลข
ไม่ใช่ AI
▶️ 02 Google แนะนำ วิดีโอ YouTube
?
▶️ 02 Google แนะนำ วิดีโอ YouTube
AI ✓
🪴 03 ระบบรดน้ำต้นไม้ ตั้งเวลา
?
🪴 03 ระบบรดน้ำต้นไม้ ตั้งเวลา
ไม่ใช่ AI
📱 04 Face ID ปลดล็อคมือถือ
AI ✓
📊 06 สูตร Excel =SUM(A1:A10)
?
📊 06 สูตร Excel =SUM(A1:A10)
ไม่ใช่ AI
🔑 หลักง่ายๆ: เรียนรู้จากข้อมูล + ปรับตัวได้ = AI · ทำตามคำสั่งตายตัว = ไม่ใช่
PART 02
ML ทำงานยังไง?
3 ประเภทหลัก — ไม่มีสูตร เข้าใจผ่านตัวอย่าง
02
ประเภท 1 / 3 · Supervised
Supervised: มีเฉลยให้ดู
เหมือนสอนเด็กทำการบ้าน — มีเฉลยหลังเล่ม
① เรียนจากตัวอย่าง + เฉลย (label)
🐱 = แมว
🐶 = หมา
🐈 = แมว
🐕 = หมา
🤖 Model จับ pattern ว่าแต่ละแบบต่างกันยังไง
② เจอรูปใหม่ → ทายเอง
🤖 Model ที่เรียนแล้ว
“แมว” ✓
📮 ใช้กับ: ทายราคาบ้าน · แยกอีเมลสแปม · วิเคราะห์ความรู้สึกรีวิว
ประเภท 2 / 3 · Unsupervised
Unsupervised: ไม่มีเฉลย จัดกลุ่มเอง
เหมือนให้เด็กจัดของเล่นเป็นกลุ่ม — ไม่บอกว่าต้องจัดยังไง
กลุ่ม 1
กลุ่ม 2
กลุ่ม 3
🚗
🚕
🚙
🚌
🏎️
⚽
🏀
🏈
⚾
🎾
🧸
🐻
🐼
🐨
🐰
ไม่มี label ไม่มีใครบอกว่า “นี่คือรถ” — คอมหา pattern เอง ว่าอันไหนคล้ายกัน
🎵 ใช้กับ แนะนำเพลง — Spotify จัดกลุ่ม user ตามรสนิยม โดยไม่เคยถามว่าชอบแนวไหน
ประเภท 3 / 3 · Reinforcement
Reinforcement: เรียนจากรางวัล
เหมือนสอนหมาทำ trick — ทำถูกได้ขนม ทำผิดไม่ได้
🐕 ลองทำ
🦴 รางวัล / โทษ
🔧 ปรับวิธี
รอบ 1 ทำผิด ✗ ไม่ได้ขนม
รอบ 2 ทำผิดอีก ✗ ไม่ได้ขนม
รอบ 3 ทำถูก! 🦴 ได้ขนม
ใช้กับ: 🎮 AI เล่นเกม 🚗 รถขับเอง
🎯 คอมลองผิดลองถูก แล้วได้ reward เมื่อทำถูก — ค่อยๆ เก่งขึ้นเอง
✏️ ถามปากเปล่า
TikTok คัดวิดีโอให้เรา ใช้ ML แบบไหน?
01 Supervised มีเฉลยให้ดู
ทายราคาบ้าน · แยกสแปม
02 ✓ คำตอบ Unsupervised ไม่มีเฉลย จัดกลุ่มเอง
แบ่งกลุ่มลูกค้า · แนะนำเพลง
03 Reinforcement เรียนจากรางวัล / โทษ
AI เล่นเกม · รถขับเอง
📱 ใช้ Unsupervised เป็นหลัก — ดูพฤติกรรมว่าเราดูวิดีโออะไร นานแค่ไหน โดยไม่ได้ถามว่าชอบประเภทไหน
PART 03 · DEMO
Image Classification 🖼️
พอแล้วสำหรับ theory — มาให้ AI ทายรูปภาพกัน!
03
🖼️ ก่อน demo
Image Classification ทำงานยังไง?
AI ดูรูป แล้วบอกว่ามีอะไรในรูป — พร้อม % ความมั่นใจ
🖼️ รูปภาพ ส่งเข้าไป
🤖 Model (Hugging Face)
📊 ผลลัพธ์ + ความมั่นใจ · ตัวอย่าง
🤗 Hugging Face = ห้องสมุด AI สำเร็จรูป — เหมือน App Store ของ model ฟรีหลายหมื่นตัว ไม่ต้อง train เอง
🟢 COLAB DEMO · ขั้น 1 / 3
โหลด AI model มาใช้
from transformers import pipeline # เอา AI pipeline มาใช้
from PIL import Image # สำหรับเปิดรูป
import requests # สำหรับโหลดรูปจาก internet
# ขั้น 1: โหลด AI model มา (ครั้งแรกโหลดนานหน่อย)
classifier = pipeline("image-classification")
print("✅ AI พร้อมแล้วครับ!")
IMPORT หยิบเครื่องมือมาก่อน: AI pipeline, เปิดรูป, โหลดรูปจากเน็ต
บรรทัดสำคัญ แค่บรรทัดเดียว ได้ AI model ทั้งตัวมาใช้ — ไม่ต้องเขียนโค้ด train เอง
🟢 COLAB DEMO · ขั้น 2 / 3
โหลดรูปแมวจาก internet
# ขั้น 2: โหลดรูปแมวจาก internet
url = "https://upload.wikimedia.org/wikipedia/commons/thumb/4/4d/Cat_November_2010-1a.jpg/640px-Cat_November_2010-1a.jpg"
img = Image.open(requests.get(url, stream=True).raw)
img # แสดงรูปใน Colab
🐈 Cat_November_2010-1a.jpg
🤔 รูปนี้คืออะไร? → แมวใช่ไหมครับ ลองดูว่า AI บอกอะไร
🌐 requests ไปโหลดรูปจากลิงก์ → Image.open เปิดเป็นรูปให้ AI ดู
🟢 COLAB DEMO · ขั้น 3 / 3
ให้ AI ทาย!
# ขั้น 3: ให้ AI ทาย!
result = classifier(img)
# แสดงผลลัพธ์อันดับ 1 (อันที่มั่นใจสูงสุด)
print(f"AI บอกว่า: {result[0]['label']}")
print(f"ความมั่นใจ: {result[0]['score']:.1%}")
AI บอกว่า: tabby cat ความมั่นใจ: 91.2%
result[0] อันดับ 1 = อันที่ AI มั่นใจสูงสุด
🧠 model ไม่เคยเห็นรูปนี้ มาก่อน แต่ทายถูก — เพราะเรียนจากรูปแมวหลายล้านรูปตอน training
✏️ INTERACTIVE 2
ลองเปลี่ยนรูปให้ AI ทาย
# ลองหารูปจาก Google แล้ววาง URL ลงมา
# เช่น รูปอาหารไทย, รูปสัตว์แปลกๆ, รูปรถ
my_url = "_________________________________"
img2 = Image.open(requests.get(my_url, stream=True).raw)
results2 = classifier(img2)
for r in results2:
print(f"{r['label']}: {r['score']:.1%}")
# ❓ AI ตอบถูกไหม?
# ลองหารูปที่ทำให้ AI งง ดู! (เช่น รูปมุมแปลก, รูปวาด)
01 Google รูปอะไรก็ได้
02 คลิกขวา → Copy image address
03 วางใน my_url แล้วรัน
FOR LOOP พิมพ์ทุกคำตอบ ที่ AI ทาย พร้อม %
⏱ 3–4 นาที
ใครลองรูปที่ทำให้ AI งงได้บ้าง?
ยกมือเล่าให้ห้องฟังหน่อย 🙋
🎨 รูปการ์ตูน
🔄 รูปมุมแปลกๆ
🍜 รูปอาหาร
✏️ รูปวาด
ข้อจำกัด AI สับสนได้ เจอรูปที่แปลกไปจากตอนเรียน ก็ทายผิดได้ — นี่แหละข้อจำกัดของ AI
📱 Face ID หลักการเดียวกันเลย แต่ train มาให้แยกแยะใบหน้า โดยเฉพาะ และต้องแม่นยำกว่านี้มาก
☕ พัก 10 นาที — กลับมาดู AI อ่านความรู้สึกกัน
PART 04 · DEMO
Sentiment Analysis 💬
ให้ AI อ่านรีวิว แล้วบอกความรู้สึก
04
Sentiment Analysis: AI อ่านความรู้สึก
AI อ่านข้อความ → วิเคราะห์ “ความรู้สึก” → Positive / Negative
🛍️ วิเคราะห์รีวิวสินค้า
📱 ความเห็นใน Social Media
🏦 ประเมิน Feedback ลูกค้า
“This food is amazing! Best restaurant ever!” POSITIVE
“Terrible service. I waited 2 hours for cold food.” NEGATIVE
“The movie was okay, nothing special.” POSITIVE
🤔 ประโยคกลางๆ AI ก็ลังเล — บอก Positive แต่มั่นใจแค่ 61% ดู % ความมั่นใจด้วยเสมอ
🟢 COLAB DEMO
วิเคราะห์ความรู้สึกทีละรีวิว
from transformers import pipeline
sentiment = pipeline("sentiment-analysis")
texts = [
"This food is amazing! Best restaurant ever!",
"Terrible service. I waited 2 hours for cold food.",
"The movie was okay, nothing special.",
]
for text in texts:
result = sentiment(text)[0]
print(f"{text}")
print(f" → {result['label']} ({result['score']:.1%})")
print()
This food is amazing! Best restaurant ever! → POSITIVE (99.3%) Terrible service. I waited 2 hours for cold food. → NEGATIVE (98.7%) The movie was okay, nothing special. → POSITIVE (61.2%)
PIPELINE เปลี่ยนแค่ชื่องาน ได้ AI คนละแบบ
[0] เอาผลแรก: label + score
🟢 COLAB DEMO · ทดสอบข้อจำกัด
ประชด — AI จะเข้าใจไหม?
# ประชด — AI จะเข้าใจไหม?
ประชด = "Oh great, another Monday. Just what I needed."
ผล3 = sentiment(ประชด)[0]
print(f"ข้อความ: {ประชด}")
print(f"AI บอกว่า: {ผล3['label']} ({ผล3['score']:.1%})")
“Oh great , another Monday. Just what I needed.”
😒 คนอ่าน ประชด = NEGATIVE
🤖 AI น่าจะบอก POSITIVE ?
⚠️ AI เห็นคำว่า “great” ก็คิดว่าบวก — ยังไม่เข้าใจน้ำเสียง ประชด หรืออารมณ์ขัน ได้ดีนัก
✏️ INTERACTIVE
พิมพ์รีวิวของตัวเอง ให้ AI อ่าน
# ✏️ ลองพิมพ์รีวิวร้านอาหาร ร้านกาแฟ หรืออะไรก็ได้ที่เคยไป
# ลองทั้งแบบดีและแบบแย่ แล้วดูว่า AI อ่านถูกไหม
my_review = "___________________________" # พิมพ์รีวิวของตัวเอง
ผลลัพธ์ = sentiment(my_review)[0]
print(f"รีวิว: {my_review}")
print(f"AI บอกว่า: {ผลลัพธ์['label']} ({ผลลัพธ์['score']:.1%})")
👍 ลองรีวิวดี 1 อัน
👎 ลองรีวิวแย่ 1 อัน
😏 ลองประชด เช่น “Oh great, another rainy day”
⏱ 3 นาที
🙋 ใครได้ผลที่ AI ทายผิด บ้าง? เพราะอะไร?
PART 05 · DEMO
Text Generation 💡
ChatGPT ทำงานยังไง? — demo ที่สนุกที่สุดของวันนี้
05
LLM คืออะไร?
L
Large ใหญ่ — เรียนจากข้อความมหาศาล
L
Language ภาษา — ทำงานกับข้อความ
ChatGPT Claude Gemini → ใช้เทคโนโลยีนี้
🔮 หลักการ: “ทำนายคำถัดไป” ซ้ำไปเรื่อยๆ → ดูเหมือนเข้าใจภาษา
LLM ทายคำถัดไปยังไง?
Prompt
แมวนั่งบน ___ เก้าอี้
🙂 คน คิดว่าเป็นอะไรได้หลายอย่าง
🤖 LLM คำนวณความน่าจะเป็น ของทุกคำ
probability คำถัดไป
… คำอื่นๆ อีกมาก
🎲 → เลือก “เก้าอี้” (หรือสุ่มตาม probability)
ได้คำแล้ว ก็เอาไปทายคำต่อไปอีก
ทำซ้ำทีละคำ — เร็วมากจนดูเหมือนเขียนทีละประโยค
แมวนั่งบน
เก้าอี้
ตัวโปรด
แล้ว
หลับไป
คำที่ LLM ทายได้(ตัวอย่างประกอบ)
🔁 เอาคำที่ได้ต่อท้าย แล้วทำนายคำถัดไปอีก — วนแบบนี้จนได้ทั้งประโยค
จุดสำคัญที่ต้องจำ
01
ไม่ได้ “คิด” ไม่ได้คิดเหมือนคน แต่ “ทำนาย” ได้เก่งมาก
02
อ่านมาเยอะมาก เรียนรู้จากข้อความหลายล้านล้านคำ — หนังสือ บทความ โค้ด
03
ทีละคำ แต่เร็ว ทำนายทีละคำ แต่เร็วมาก จนดูเหมือนพูดคล่อง
🧠 รู้เรื่องเยอะ แต่ไม่ได้ “เข้าใจ” เหมือนคน — แค่ทำนายคำที่น่าจะตามมา
🟢 COLAB DEMO · Text Generation
เรียก GPT-2 มาเขียนต่อ
from transformers import pipeline
# GPT-2 คือ model รุ่นเก่า (2019) เล็กกว่า ChatGPT มาก
# แต่หลักการเดียวกันเลยครับ — ทำนายคำถัดไป
generator = pipeline("text-generation", model="gpt2")
print("✅ พร้อมแล้วครับ!")
ChatGPT ใหญ่กว่าหลายพันเท่า เรียนจากข้อมูลมหาศาลกว่า
GPT-2 2019
🧩 หลักการเดียวกัน ต่างกันที่ขนาดและข้อมูล — ChatGPT เลยฉลาดกว่ามาก
🟢 COLAB DEMO · Text Generation
ให้ AI เขียนต่อจาก prompt
# ให้ AI เขียนต่อจาก prompt นี้
prompt = "Once upon a time, a cat decided to"
result = generator(prompt, max_length=50)
print("Prompt:", prompt)
print("AI เขียนต่อว่า:")
print(result[0]["generated_text"])
Prompt: Once upon a time, a cat decided to AI เขียนต่อว่า: Once upon a time, a cat decided to ▍ … AI แต่งต่อเอง
MAX_LENGTH กำหนดว่าให้เขียนยาวได้แค่ไหน
🎲 บางทีสมเหตุสมผล บางทีก็แปลกๆ — เพราะ GPT-2 เป็น model เก่าและเล็ก กว่า ChatGPT มาก
✏️ INTERACTIVE 3
ลองเปลี่ยน prompt เป็นอะไรก็ได้
# ลองเปลี่ยน prompt แล้วดูว่า AI เขียนต่อว่าอะไร
my_prompt = "_________________________________"
result = generator(my_prompt, max_length=60)
print(result[0]["generated_text"])
# ลองอะไรสนุกๆ:
# "The best programming language is"
# "In the year 2050, robots will"
# "A student walked into the classroom and"
ไอเดียเพิ่ม
"The best thing about being a student is"
"Studying at university is"
"The future of technology will"
"If I had a superpower, I would"
⏱ 3–4 นาที
🙋 ใครได้ผลลัพธ์ตลกๆ หรือน่าแปลกใจ บ้าง? เล่าให้ห้องฟังหน่อย · แล้ว ☕ พัก 10 นาที
PART 06
AI รอบตัว + จริยธรรม
AI อยู่ตรงไหนในชีวิตเรา · ต้องระวังอะไร · เรียนต่อที่ไหน
06
AI ที่ใช้ทุกวัน (แต่ไม่รู้ตัว)
📱 Face ID ✓ เพิ่งลอง Image Classification
🌐 Google Translate Neural Machine Translation
🎵 Spotify แนะนำเพลง Recommendation System
🎬 TikTok ฟีดวิดีโอ Recommendation + Content Analysis
🚗 Tesla Autopilot Computer Vision + RL
💬 ChatGPT ✓ เพิ่งลอง Large Language Model
⏰ ตั้งแต่ตื่นนอนวันนี้ ใช้ AI อะไรไปแล้วบ้าง? คุยกับคนข้างๆ 2 นาที
⚠️ AI ก็ผิดพลาดได้ · 1 / 2
Bias (อคติ): ข้อมูลเอียง AI ก็เอียง
AI เรียนจากข้อมูล → ถ้าข้อมูลมี bias, AI ก็ bias ด้วย
ข้อมูล train · เรซูเม่ 10 ปี
👨 👨 👨 👨 👨 👩 👨 👨 👨 👨 👨 👨
ส่วนใหญ่เป็นผู้ชาย (ภาพประกอบ)
🤖 AI คัดเรซูเม่
เรียนผิดๆ: “ผู้ชาย = ดี”
เลือกผู้ชาย มากกว่าผู้หญิง เรื่องจริงของ Amazon — สุดท้ายต้องปิดระบบนั้น
⚖️ ก่อนใช้ AI ตัดสินใจเรื่องสำคัญ ถามก่อน: ข้อมูลที่ train ครอบคลุมทุกกลุ่มคนไหม?
⚠️ AI ก็ผิดพลาดได้ · 2 / 2
Hallucination: AI โกหกแบบมั่นใจ
AI สร้างข้อมูลเท็จ แต่พูดราวกับเป็นเรื่องจริง — ถามข่าว ก็อาจแต่งข่าวขึ้นมาเอง
นักกฎหมายในสหรัฐฯ ใช้ ChatGPT
“ช่วยหาคดีตัวอย่าง
ที่เกี่ยวข้องให้หน่อย”
ไปค้นจริง ไม่มีสักคดี — ยื่นศาลไปแล้ว โดนตำหนิหนัก
AI ตอบมา 6 คดี · ชื่อคดี + ปีที่ตัดสิน
คดีที่ 1 ✓ มั่นใจ ไม่มีอยู่จริง
คดีที่ 2 ✓ มั่นใจ ไม่มีอยู่จริง
คดีที่ 3 ✓ มั่นใจ ไม่มีอยู่จริง
คดีที่ 4 ✓ มั่นใจ ไม่มีอยู่จริง
คดีที่ 5 ✓ มั่นใจ ไม่มีอยู่จริง
คดีที่ 6 ✓ มั่นใจ ไม่มีอยู่จริง
💡 สิ่งสำคัญ: ตรวจสอบผลลัพธ์จาก AI เสมอ — อย่าเชื่อ 100%
เส้นทางต่อ — อยากเรียนเพิ่มไปไหนดี?
🔰
เริ่มต้น Kaggle Learn (ฟรี) fast.ai
📚
คอร์สเต็ม Andrew Ng — Coursera Google ML Crash Course
🏆
ลงมือทำ Kaggle Competitions Hugging Face Spaces
💡
เครื่องมือ scikit-learn TensorFlow / PyTorch
🛠️ ทั้ง 3 คาบนี้เป็นจุดเริ่มต้น — สิ่งสำคัญที่สุดคือ “ลงมือทำ” project เล็กๆ ด้วยตัวเอง
สรุปสิ่งที่เรียนวันนี้
AI vs ML vs DL เข้าใจความต่าง + วงกลมซ้อน
ML 3 ประเภท Supervised / Unsupervised / Reinforcement
Image Classification ให้ AI ทายรูป ด้วย Hugging Face
Sentiment Analysis AI อ่านรีวิว บอก Positive / Negative
Text Generation (LLM) ทำนายคำถัดไป เบื้องหลัง ChatGPT
จริยธรรม AI Bias, Hallucination — อย่าเชื่อ AI 100%
คาบ 1 Python จากศูนย์
คาบ 2 วิเคราะห์ข้อมูลได้
คาบ 3 เล่นกับ AI ได้เอง
ก้าวมาไกลมากแล้ว ต่อไปคือ ลงมือทำเอง
🎉 ขอบคุณที่ตั้งใจเรียนทั้ง 3 คาบ — มีคำถามถามได้เสมอ แล้วลองทำ project เล็กๆ ต่อเลยนะครับ