Python Class · คาบที่ 3 · 🤖

AI &Machine Learning

รู้จัก AI ที่อยู่รอบตัว และลองเล่นกับ Model จริง

คาบ 1Python พื้นฐาน คาบ 2Data Science คาบ 3 · วันนี้AI & ML
ไม่ใช่แค่ “วิเคราะห์ข้อมูล” แต่ ให้คอมเรียนรู้จากข้อมูล

สิ่งที่จะเรียนวันนี้

01AI / ML / Deep Learning คืออะไร?Concept
02ML ทำงานยังไง — 3 ประเภทหลักConcept
03Demo: Image Classification🟢 Demo
04Demo: Sentiment Analysis🟢 Demo
05Demo: Text Generation (LLM)🟢 Demo
06AI รอบตัว + จริยธรรม + เส้นทางต่อDiscuss
🧪ครึ่งแรกเข้าใจ concept · ครึ่งหลัง demo สดบน Colab — ลองเล่นกับ AI จริงเลย
🟢 COLAB DEMO · ก่อนเริ่ม

เตรียม Colab ให้พร้อมก่อนเริ่ม

01เปิด Colab สร้าง Notebook ชื่อ “AI_ML_Demo”
02ซูม browser 125–150% ให้คนหลังห้องเห็นชัด
03รัน 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 Intelligenceทำให้คอมฉลาดเหมือนคน — ร่มใหญ่สุด รวมระบบเขียนกฎตายตัวแบบเก่าด้วย
MLMachine Learningสอนให้คอมเรียนรู้จากข้อมูล ไม่ต้องเขียนกฎเอง
DLDeep LearningML แบบซับซ้อน ใช้โครงข่ายเหมือนสมองคน
Neural Networksโครงข่ายประสาทเทียมเบื้องหลัง 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

เขียนโปรแกรมแบบเดิมเราเป็นคนคิดกฎ
กฎเราเขียนเอง
+
ข้อมูล
โปรแกรม
คำตอบ
Machine Learningคอมหากฎเองจากตัวอย่าง
ข้อมูล
+
คำตอบ(เฉลย)
ML
กฎ ✨คอมหาเอง
กฎย้ายจาก “สิ่งที่เราใส่” → “สิ่งที่คอมหาให้”
🔁ML = ให้ ข้อมูล + คำตอบ แล้วคอม หากฎเอง — รูปใหม่ที่ไม่เคยเห็นก็ใช้กฎนั้นทายได้
✏️ INTERACTIVE 1

AI หรือไม่ AI?

ทายในใจก่อน แล้วค่อยเปิดเฉลยทีละข้อ

🧮

01เครื่องคิดเลข

?
🧮

01เครื่องคิดเลข

ไม่ใช่ AI
▶️

02Google แนะนำ
วิดีโอ YouTube

?
▶️

02Google แนะนำ
วิดีโอ YouTube

AI ✓
🪴

03ระบบรดน้ำต้นไม้
ตั้งเวลา

?
🪴

03ระบบรดน้ำต้นไม้
ตั้งเวลา

ไม่ใช่ AI
📱

04Face ID
ปลดล็อคมือถือ

?
📱

04Face ID
ปลดล็อคมือถือ

AI ✓
💬

05ChatGPT
ตอบคำถาม

?
💬

05ChatGPT
ตอบคำถาม

AI ✓
📊

06สูตร Excel =SUM(A1:A10)

?
📊

06สูตร 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
🐱
รูปที่ไม่เคยเห็น
?
🤖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

แบ่งกลุ่มลูกค้า

🎵 ใช้กับ

แนะนำเพลง — Spotify จัดกลุ่ม user ตามรสนิยม โดยไม่เคยถามว่าชอบแนวไหน

ประเภท 3 / 3 · Reinforcement

Reinforcement: เรียนจากรางวัล

เหมือนสอนหมาทำ trick — ทำถูกได้ขนม ทำผิดไม่ได้

🐕 ลองทำ
🦴 รางวัล / โทษ
🔧 ปรับวิธี
รอบ 1ทำผิด✗ ไม่ได้ขนม
รอบ 2ทำผิดอีก✗ ไม่ได้ขนม
รอบ 3ทำถูก!🦴 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

ImageClassification 🖼️

พอแล้วสำหรับ theory — มาให้ AI ทายรูปภาพกัน!

03
🖼️ ก่อน demo

Image Classification ทำงานยังไง?

AI ดูรูป แล้วบอกว่ามีอะไรในรูป — พร้อม % ความมั่นใจ

🖼️รูปภาพส่งเข้าไป
🤖Model(Hugging Face)
📊 ผลลัพธ์ + ความมั่นใจ · ตัวอย่าง
tabby cat
91.2%
Persian cat
6.1%
Egyptian cat
2.2%
🤗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!")
✅ AI พร้อมแล้วครับ!
IMPORTหยิบเครื่องมือมาก่อน: AI pipeline, เปิดรูป, โหลดรูปจากเน็ต
บรรทัดสำคัญแค่บรรทัดเดียว 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 catความมั่นใจ: 91.2%
result[0]อันดับ 1 = อันที่ AI มั่นใจสูงสุด
🧠model ไม่เคยเห็นรูปนี้มาก่อน 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)
01Google รูปอะไรก็ได้
02คลิกขวา → Copy image address
03วางใน my_url แล้วรัน
FOR LOOPพิมพ์ทุกคำตอบที่ 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 มาให้แยกแยะใบหน้าโดยเฉพาะ และต้องแม่นยำกว่านี้มาก

☕พัก 10 นาที — กลับมาดู AI อ่านความรู้สึกกัน
PART 04 · DEMO

SentimentAnalysis 💬

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
99.3%
“Terrible service. I waited 2 hours for cold food.”NEGATIVE
98.7%
“The movie was okay, nothing special.”POSITIVE
61.2%
🤔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%)
PIPELINEเปลี่ยนแค่ชื่องาน 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.”
😒 คนอ่านประชด = NEGATIVE
🤖 AI น่าจะบอกPOSITIVE ?
⚠️AI เห็นคำว่า “great” ก็คิดว่าบวก — ยังไม่เข้าใจน้ำเสียง ประชด หรืออารมณ์ขันได้ดีนัก
✏️ 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 ทายผิดบ้าง? เพราะอะไร?
PART 05 · DEMO

Text Generation 💡

ChatGPT ทำงานยังไง? — demo ที่สนุกที่สุดของวันนี้

05

LLM คืออะไร?

L
Large

ใหญ่ — เรียนจากข้อความมหาศาล

L
Language

ภาษา — ทำงานกับข้อความ

M
Model

โมเดล — ตัวทำนาย

ChatGPTClaudeGemini→ ใช้เทคโนโลยีนี้
🔮หลักการ: “ทำนายคำถัดไป” ซ้ำไปเรื่อยๆ → ดูเหมือนเข้าใจภาษา

LLM ทายคำถัดไปยังไง?

Prompt
แมวนั่งบน ___เก้าอี้
🙂 คน

คิดว่าเป็นอะไรได้หลายอย่าง

🤖 LLM

คำนวณความน่าจะเป็นของทุกคำ

probability คำถัดไป
เก้าอี้ ✓
35%
โต๊ะ
25%
หลังคา
15%
ตัก
12%
…คำอื่นๆ อีกมาก
🎲→ เลือก “เก้าอี้” (หรือสุ่มตาม probability)

ได้คำแล้ว ก็เอาไปทายคำต่อไปอีก

ทำซ้ำทีละคำ — เร็วมากจนดูเหมือนเขียนทีละประโยค

แมวนั่งบน
เก้าอี้
ตัวโปรด
แล้ว
หลับไป
คำที่ LLM ทายได้
(ตัวอย่างประกอบ)
↑
เก้าอี้
โต๊ะ
หลังคา
↑
ตัวโปรด
ไม้
ริมหน้าต่าง
↑
แล้ว
และ
ของ
↑
หลับไป
มองออกไป
ร้องเหมียว
🔁เอาคำที่ได้ต่อท้าย แล้วทำนายคำถัดไปอีก — วนแบบนี้จนได้ทั้งประโยค

จุดสำคัญที่ต้องจำ

01
ไม่ได้ “คิด”

ไม่ได้คิดเหมือนคน แต่ “ทำนาย” ได้เก่งมาก

02
อ่านมาเยอะมาก

เรียนรู้จากข้อความหลายล้านล้านคำ — หนังสือ บทความ โค้ด

03
ทีละคำ แต่เร็ว

ทำนายทีละคำ แต่เร็วมากจนดูเหมือนพูดคล่อง

🧠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!")
✅ พร้อมแล้วครับ!
ChatGPTใหญ่กว่าหลายพันเท่า
เรียนจากข้อมูลมหาศาลกว่า
GPT-22019
🧩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 toAI เขียนต่อว่า:Once upon a time, a cat decided to ▍ … AI แต่งต่อเอง
MAX_LENGTHกำหนดว่าให้เขียนยาวได้แค่ไหน
🎲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 หรือน่าแปลกใจบ้าง? เล่าให้ห้องฟังหน่อย · แล้ว ☕ พัก 10 นาที
PART 06

AI รอบตัว+ จริยธรรม

AI อยู่ตรงไหนในชีวิตเรา · ต้องระวังอะไร · เรียนต่อที่ไหน

06

AI ที่ใช้ทุกวัน (แต่ไม่รู้ตัว)

📱Face ID ✓ เพิ่งลองImage Classification
🌐Google TranslateNeural Machine Translation
🎵Spotify แนะนำเพลงRecommendation System
🎬TikTok ฟีดวิดีโอRecommendation + Content Analysis
🚗Tesla AutopilotComputer Vision + RL
💬ChatGPT ✓ เพิ่งลองLarge 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
✓ มั่นใจไม่มีอยู่จริง
คดีที่ 2
✓ มั่นใจไม่มีอยู่จริง
คดีที่ 3
✓ มั่นใจไม่มีอยู่จริง
คดีที่ 4
✓ มั่นใจไม่มีอยู่จริง
คดีที่ 5
✓ มั่นใจไม่มีอยู่จริง
คดีที่ 6
✓ มั่นใจไม่มีอยู่จริง
💡สิ่งสำคัญ: ตรวจสอบผลลัพธ์จาก AI เสมอ — อย่าเชื่อ 100%

เส้นทางต่อ — อยากเรียนเพิ่มไปไหนดี?

🔰
เริ่มต้นKaggle Learn (ฟรี)
fast.ai
📚
คอร์สเต็มAndrew Ng — Coursera
Google ML Crash Course
🏆
ลงมือทำKaggle Competitions
Hugging Face Spaces
💡
เครื่องมือscikit-learn
TensorFlow / PyTorch
🛠️ทั้ง 3 คาบนี้เป็นจุดเริ่มต้น — สิ่งสำคัญที่สุดคือ “ลงมือทำ” project เล็กๆ ด้วยตัวเอง

สรุปสิ่งที่เรียนวันนี้

AI vs ML vs DLเข้าใจความต่าง + วงกลมซ้อน
ML 3 ประเภทSupervised / Unsupervised / Reinforcement
Image Classificationให้ AI ทายรูป ด้วย Hugging Face
Sentiment AnalysisAI อ่านรีวิว บอก Positive / Negative
Text Generation (LLM)ทำนายคำถัดไป เบื้องหลัง ChatGPT
จริยธรรม AIBias, Hallucination — อย่าเชื่อ AI 100%
คาบ 1Python จากศูนย์ คาบ 2วิเคราะห์ข้อมูลได้ คาบ 3เล่นกับ AI ได้เอง
ก้าวมาไกลมากแล้วต่อไปคือ ลงมือทำเอง
🎉ขอบคุณที่ตั้งใจเรียนทั้ง 3 คาบ — มีคำถามถามได้เสมอ แล้วลองทำ project เล็กๆ ต่อเลยนะครับ
ภาพรวมทุกฉากคลิกเพื่อไป · Esc เพื่อปิด

ปุ่มลัด

→ · Space · PgDn · คลิกจังหวะถัดไป
← · PgUpย้อนหนึ่งจังหวะ
↓ / ↑ข้ามทั้งฉาก ไปถัดไป / ก่อนหน้า
Home / Endฉากแรก / ฉากสุดท้าย
O · Escภาพรวมทุกฉาก
ตัวเลข + Enterไปฉากนั้น
Fเต็มจอ
Bพักจอ (ขาว)
Pพิมพ์ / บันทึก PDF
?เปิด/ปิดหน้านี้
กด → เพื่อไปต่อ · O ภาพรวม · ? ปุ่มลัด