สมัครเรียนโทร. 085-350-7540 , 084-88-00-255 , ntprintf@gmail.com

AI / Machine Learning

The brief history of artificial intelligence - ประวัติศาสตร์ AI ฉบับย่อ Jupyter Notebook on AWS Pandas Tutorials ตรวจจับตำแหน่งของมือจากกล้องเว็บแคมแบบเรียลไทม์ด้วย Python ง่าย ๆ ใน 2 นาที ตรวจจับวัตถุด้วย Python ใน 5 Steps ใช้ AI แบ่งส่วนภาพคนกับฉากหลังแบบง่าย ๆ แป๊บเดียวเสร็จ ใช้ AI บอกท่าทางคนด้วย Code เพียง 15 บรรทัด สร้างแอนิเมชันจากตัวการ์ตูนที่เราวาดเองด้วย Code 2 บรรทัด สร้างไฟล์ท่าเต้นสุดคิวท์ให้ตัวการ์ตูนเต้นตามใน 1 คำสั่ง Artificial Intelligence (AI) Machine Learning 8 Fun Machine Learning ProjectsFor Beginner การหาค่าเหมาะที่สุด (Optimization) Mathematical Optimization Top 20 Python Machine Learning Open Source Projects Introduction to Neural Networks Introduction to Deep Learning with TensorFlow Installing TensorFlow for Deep Learning - OPTIONAL Deep Learning with TensorFlow - Creating the Neural Network Model Deep Learning with TensorFlow - How the Network will run พื้นฐาน TensorFlow - TensorFlow คืออะไร พื้นฐาน TensorFlow - การติดตั้ง TensorFlow บน Windows, macOS, และ Linux พื้นฐาน TensorFlow - การติดตั้ง TensorFlow สำหรับ GPU พื้นฐาน TensorFlow - การติดตั้ง TensorFlow บน Google Colab พื้นฐาน TensorFlow - ความเข้าใจพื้นฐานเกี่ยวกับ Tensor (Tensor คืออะไร) พื้นฐาน TensorFlow - การใช้ tf.constant() เพื่อสร้าง Tensor พื้นฐาน TensorFlow - การใช้ tf.Variable() เพื่อสร้างตัวแปร พื้นฐาน TensorFlow - การเปลี่ยนแปลงค่าของ Tensor พื้นฐาน TensorFlow - การทำงานกับ Operations ใน TensorFlow พื้นฐาน TensorFlow - การใช้ tf.add(), tf.subtract(), tf.multiply() TensorFlow การจัดการกับ Tensors - การเปลี่ยนรูปทรงของ Tensor ด้วย tf.reshape() TensorFlow การจัดการกับ Tensors - การเปลี่ยนชนิดข้อมูลของ Tensor ด้วย tf.cast() TensorFlow การจัดการกับ Tensors - การตัดแบ่งและรวม Tensor ด้วย tf.split() และ tf.concat() TensorFlow การจัดการกับ Tensors - การสร้าง Tensors แบบสุ่มด้วย tf.random() TensorFlow การจัดการกับ Tensors - การใช้งาน Broadcasting ใน TensorFlow TensorFlow การจัดการกับ Tensors - การคำนวณค่าเฉลี่ยและผลรวมของ Tensor TensorFlow การจัดการกับ Tensors - การหาค่าสูงสุดและต่ำสุดใน Tensor TensorFlow การจัดการกับ Tensors - การสร้าง Identity Matrix ด้วย tf.eye() TensorFlow การจัดการกับ Tensors - การหา Trace ของ Matrix TensorFlow การจัดการกับ Tensors - การคำนวณ Determinant ของ Matrix TensorFlow การทำงานกับกราฟ - การสร้าง Computational Graph TensorFlow การทำงานกับกราฟ - การใช้ Autograph ใน TensorFlow TensorFlow การทำงานกับกราฟ - การใช้ tf.function เพื่อเร่งความเร็วการทำงาน TensorFlow การทำงานกับกราฟ - การตรวจสอบ Graph ด้วย tf.summary TensorFlow การทำงานกับกราฟ - การใช้ TensorBoard เพื่อแสดงผล Graph TensorFlow การทำงานกับกราฟ - การทำงานกับ Control Flow (เช่น tf.while_loop, tf.cond) TensorFlow การทำงานกับกราฟ - การสร้าง Custom Operations TensorFlow การทำงานกับกราฟ - การใช้ Gradient Tape เพื่อคำนวณอนุพันธ์ TensorFlow การทำงานกับกราฟ - การทำ Automatic Differentiation TensorFlow การทำงานกับกราฟ - การใช้งาน Gradient Descent Optimizer TensorFlow การสร้างและจัดการโมเดล - การใช้ Sequential API ในการสร้างโมเดล TensorFlow การสร้างและจัดการโมเดล - การสร้างโมเดลด้วย Functional API TensorFlow การสร้างและจัดการโมเดล - การสร้าง Custom Layers ใน TensorFlow TensorFlow การสร้างและจัดการโมเดล - การสร้างและฝึกโมเดลด้วย Model.fit() TensorFlow การสร้างและจัดการโมเดล - การปรับแต่งโมเดลด้วย Model.compile() TensorFlow การสร้างและจัดการโมเดล - การใช้ Loss Functions เช่น MeanSquaredError, CategoricalCrossentropy TensorFlow การสร้างและจัดการโมเดล - การใช้งาน Optimizers เช่น Adam, SGD TensorFlow การสร้างและจัดการโมเดล - การทำ Regularization ในโมเดล (L1, L2) TensorFlow การสร้างและจัดการโมเดล - การสร้างโมเดลด้วย Keras API ใน TensorFlow TensorFlow การสร้างและจัดการโมเดล - การบันทึกและโหลดโมเดลที่ฝึกแล้วด้วย Model.save() และ Model.load_model() TensorFlow การทำงานกับข้อมูล - การโหลดข้อมูลจาก CSV ด้วย tf.data.Dataset TensorFlow การทำงานกับข้อมูล - การใช้ tf.data.Dataset.from_tensor_slices() เพื่อสร้าง Dataset TensorFlow การทำงานกับข้อมูล - การปรับขนาดและแปลงรูปภาพใน Dataset TensorFlow การทำงานกับข้อมูล - การทำงานกับ Batch Data ด้วย Dataset.batch() TensorFlow การทำงานกับข้อมูล - การใช้ Dataset.map() เพื่อแปลงข้อมูล TensorFlow การทำงานกับข้อมูล - การทำ Shuffling ข้อมูลด้วย Dataset.shuffle() TensorFlow การทำงานกับข้อมูล - การโหลดข้อมูลจาก TFRecord Files TensorFlow การทำงานกับข้อมูล - การเขียนข้อมูลเป็น TFRecord Files TensorFlow การทำงานกับข้อมูล - การทำ Prefetching ข้อมูลเพื่อเพิ่มความเร็ว TensorFlow การทำงานกับข้อมูล - การทำงานกับ Sequence Data ใน TensorFlow TensorFlow การประมวลผลภาพ - การใช้ TensorFlow กับชุดข้อมูล MNIST TensorFlow การประมวลผลภาพ - การโหลดและแสดงรูปภาพด้วย TensorFlow TensorFlow การประมวลผลภาพ - การทำงานกับ tf.image สำหรับการจัดการรูปภาพ TensorFlow การประมวลผลภาพ - การทำการเปลี่ยนขนาดรูปภาพ (Resizing) TensorFlow การประมวลผลภาพ - การทำการหมุนและสะท้อนรูปภาพ TensorFlow การประมวลผลภาพ - การทำ Image Augmentation TensorFlow การประมวลผลภาพ - การทำ Normalization ของภาพ TensorFlow การประมวลผลภาพ - การทำการปรับแต่งข้อมูลสำหรับการฝึกโมเดล (Data Preprocessing) TensorFlow การประมวลผลภาพ - การทำการจัดแบ่งข้อมูลเป็น Training และ Testing Sets TensorFlow การประมวลผลภาพ - การใช้ ImageDataGenerator ในการจัดการข้อมูลภาพ TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การสร้าง Convolutional Neural Network (CNN) TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การใช้งาน Convolution Layers TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การใช้ Max Pooling และ Average Pooling TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การใช้ Dropout เพื่อป้องกัน Overfitting TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การสร้างโมเดล CNN สำหรับการรู้จำภาพ TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การใช้ Transfer Learning ด้วยโมเดลที่ถูกฝึกมาแล้ว (Pre-trained Models) TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การใช้งานโมเดลเช่น VGG16, ResNet, Inception TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การประยุกต์ใช้ Fine-Tuning ในโมเดล Pre-trained TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การทำการทำนายภาพด้วยโมเดลที่ถูกฝึก TensorFlow การสร้างโมเดลการรู้จำภาพ (Image Classification) - การประเมินผลการทำนายด้วย Accuracy และ Confusion Matrix TensorFlow การทำงานกับ Sequential Data และ Time Series - การสร้าง Recurrent Neural Network (RNN) TensorFlow การทำงานกับ Sequential Data และ Time Series - การใช้งาน Simple RNN Layers TensorFlow การทำงานกับ Sequential Data และ Time Series - การใช้งาน Long Short-Term Memory (LSTM) TensorFlow การทำงานกับ Sequential Data และ Time Series - การใช้งาน Gated Recurrent Unit (GRU) TensorFlow การทำงานกับ Sequential Data และ Time Series - การสร้างโมเดลเพื่อทำนาย Time Series TensorFlow การทำงานกับ Sequential Data และ Time Series - การจัดการกับ Sequence Padding TensorFlow การทำงานกับ Sequential Data และ Time Series - การทำงานกับ Variable Length Sequences TensorFlow การทำงานกับ Sequential Data และ Time Series - การใช้ Attention Mechanism ใน Time Series TensorFlow การทำงานกับ Sequential Data และ Time Series - การสร้างและฝึก Transformer Networks TensorFlow การทำงานกับ Sequential Data และ Time Series - การประยุกต์ใช้โมเดล RNN/LSTM ในการสร้าง Text Generation TensorFlow การประมวลผลข้อความ (Text Processing) - การทำงานกับข้อความใน TensorFlow TensorFlow การประมวลผลข้อความ (Text Processing) - การใช้ Tokenization เพื่อแปลงข้อความเป็นตัวเลข TensorFlow การประมวลผลข้อความ (Text Processing) - การสร้าง Embeddings ด้วย tf.keras.layers.Embedding TensorFlow การประมวลผลข้อความ (Text Processing) - การใช้ Word2Vec ใน TensorFlow TensorFlow การประมวลผลข้อความ (Text Processing) - การทำการรู้จำความหมายในประโยคด้วย Sentiment Analysis TensorFlow การประมวลผลข้อความ (Text Processing) - การสร้างโมเดลสำหรับการจำแนกข้อความ TensorFlow การประมวลผลข้อความ (Text Processing) - การทำ Sequence to Sequence Learning TensorFlow การประมวลผลข้อความ (Text Processing) - การใช้ Attention Mechanism ใน NLP TensorFlow การประมวลผลข้อความ (Text Processing) - การสร้างโมเดลสำหรับ Machine Translation TensorFlow การประมวลผลข้อความ (Text Processing) - การใช้ Pre-trained Transformers เช่น BERT, GPT-2 ใน TensorFlow TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การทำงานกับ Generative Adversarial Networks (GANs) TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การสร้าง Discriminator และ Generator ใน GAN TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การสร้าง Conditional GAN (cGAN) TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การสร้าง Variational Autoencoders (VAEs) TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การทำงานกับ Self-Supervised Learning TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การประยุกต์ใช้ Reinforcement Learning ด้วย TensorFlow TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การใช้ Proximal Policy Optimization (PPO) TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การใช้ Deep Q-Learning (DQN) TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การสร้างและฝึกโมเดล Deep Reinforcement Learning TensorFlow การเรียนรู้เชิงลึกขั้นสูง - การใช้ TensorFlow Lite เพื่อ Deploy โมเดลบน Mobile พื้นฐาน Keras - Keras คืออะไร พื้นฐาน Keras - ความแตกต่างระหว่าง Keras และ TensorFlow พื้นฐาน Keras - การติดตั้ง Keras ผ่าน TensorFlow พื้นฐาน Keras - Keras API คืออะไร พื้นฐาน Keras - การใช้ Keras กับ TensorFlow พื้นฐาน Keras - การใช้ Keras บน Google Colab พื้นฐาน Keras - ความเข้าใจเกี่ยวกับ Sequential API ใน Keras พื้นฐาน Keras - การใช้ Functional API ใน Keras พื้นฐาน Keras - การใช้ Model Subclassing ใน Keras พื้นฐาน Keras - การใช้ Input() ในการสร้าง Input Layer การสร้างโมเดลพื้นฐานใน Keras - การสร้างโมเดล Sequential ด้วย Keras การสร้างโมเดลพื้นฐานใน Keras - การเพิ่มเลเยอร์ในโมเดลด้วย model.add() การสร้างโมเดลพื้นฐานใน Keras - การสร้างโมเดลด้วย Functional API การสร้างโมเดลพื้นฐานใน Keras - การเชื่อมโยงเลเยอร์หลายทางด้วย Functional API การสร้างโมเดลพื้นฐานใน Keras - การสร้างโมเดลแบบมีหลายอินพุตและหลายเอาต์พุต การสร้างโมเดลพื้นฐานใน Keras - การใช้เลเยอร์ Dense ใน Keras การสร้างโมเดลพื้นฐานใน Keras - การใช้เลเยอร์ Activation เพื่อเพิ่มฟังก์ชันการกระตุ้น การสร้างโมเดลพื้นฐานใน Keras - การใช้เลเยอร์ Dropout เพื่อป้องกันการ Overfitting การสร้างโมเดลพื้นฐานใน Keras - การใช้เลเยอร์ BatchNormalization เพื่อเร่งความเร็วในการฝึกโมเดล การสร้างโมเดลพื้นฐานใน Keras - การใช้เลเยอร์ Flatten เพื่อทำให้ Tensor แบนราบ Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การใช้ model.compile() เพื่อเตรียมโมเดลสำหรับการฝึก Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การเลือกใช้ Optimizers เช่น SGD, Adam, RMSprop Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การใช้ Loss Functions เช่น MeanSquaredError, CategoricalCrossentropy Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การเพิ่ม Metrics ในการประเมินโมเดล เช่น Accuracy Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การใช้ Custom Loss Function Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การสร้าง Custom Metric Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การใช้ Custom Optimizer Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การทำงานกับ Learning Rate Scheduling Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การใช้ Early Stopping เพื่อป้องกันการ Overfitting Keras การทำงานกับ Optimizers, Loss Functions, และ Metrics - การใช้ ReduceLROnPlateau เพื่อลดค่า Learning Rate อัตโนมัติ การฝึกโมเดลใน Keras - การฝึกโมเดลด้วย model.fit() การฝึกโมเดลใน Keras - การฝึกโมเดลด้วย Mini-batch Gradient Descent การฝึกโมเดลใน Keras - การประเมินผลโมเดลด้วย model.evaluate() การฝึกโมเดลใน Keras - การทำนายผลลัพธ์ด้วย model.predict() การฝึกโมเดลใน Keras - การใช้ Validation Data ในการฝึกโมเดล การฝึกโมเดลใน Keras - การปรับแต่งจำนวน Epochs และ Batch Size การฝึกโมเดลใน Keras - การทำ Cross-Validation ใน Keras การฝึกโมเดลใน Keras - การใช้ fit_generator() สำหรับการฝึกข้อมูลขนาดใหญ่ การฝึกโมเดลใน Keras - การใช้ Callbacks ใน Keras การฝึกโมเดลใน Keras - การเก็บข้อมูลการฝึกด้วย History Object การบันทึกและโหลดโมเดลใน Keras - การบันทึกโมเดลด้วย model.save() การบันทึกและโหลดโมเดลใน Keras - การบันทึกโมเดลในรูปแบบ HDF5 การบันทึกและโหลดโมเดลใน Keras - การบันทึกโมเดลในรูปแบบ SavedModel (TensorFlow) การบันทึกและโหลดโมเดลใน Keras - การโหลดโมเดลด้วย load_model() การบันทึกและโหลดโมเดลใน Keras - การบันทึกเฉพาะน้ำหนักโมเดลด้วย model.save_weights() การบันทึกและโหลดโมเดลใน Keras - การโหลดน้ำหนักโมเดลด้วย model.load_weights() การบันทึกและโหลดโมเดลใน Keras - การใช้ Checkpoint เพื่อบันทึกโมเดลระหว่างการฝึก การบันทึกและโหลดโมเดลใน Keras - การบันทึกโมเดลแบบ Sequential และ Functional API การบันทึกและโหลดโมเดลใน Keras - การทำการบันทึกโมเดลหลายเวอร์ชันด้วย Checkpoints การบันทึกและโหลดโมเดลใน Keras - การบันทึกโมเดลที่ดีที่สุดด้วย EarlyStopping และ Checkpoints การทำงานกับข้อมูลใน Keras - การโหลดข้อมูลจากไฟล์ CSV ด้วย Keras การทำงานกับข้อมูลใน Keras - การใช้ ImageDataGenerator สำหรับการโหลดและแปลงข้อมูลภาพ การทำงานกับข้อมูลใน Keras - การทำ Image Augmentation ด้วย ImageDataGenerator การทำงานกับข้อมูลใน Keras - การโหลดข้อมูลจาก tf.data.Dataset การทำงานกับข้อมูลใน Keras - การทำงานกับ Sequence Data ด้วย TimeseriesGenerator การทำงานกับข้อมูลใน Keras - การใช้ pad_sequences เพื่อจัดการกับข้อมูลที่ไม่สมดุล การทำงานกับข้อมูลใน Keras - การทำ Normalization ของข้อมูลด้วย StandardScaler การทำงานกับข้อมูลใน Keras - การทำ One-Hot Encoding ของข้อมูลที่เป็นหมวดหมู่ การทำงานกับข้อมูลใน Keras - การแยกข้อมูลเป็นชุดการฝึกและชุดการทดสอบ การทำงานกับข้อมูลใน Keras - การโหลดข้อมูล MNIST ใน Keras Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การสร้างเลเยอร์ Convolution ด้วย Conv2D Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การใช้เลเยอร์ MaxPooling และ AveragePooling Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การสร้างโมเดล CNN สำหรับการรู้จำภาพ Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การใช้เลเยอร์ GlobalMaxPooling และ GlobalAveragePooling Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การใช้เลเยอร์ Dropout ร่วมกับ CNN เพื่อป้องกัน Overfitting Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การเพิ่ม BatchNormalization ใน CNN เพื่อเร่งความเร็วการฝึก Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การใช้ Padding กับเลเยอร์ Convolution Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การใช้ Dilated Convolution ใน Keras Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การทำ Fine-Tuning โมเดล CNN Keras การสร้างโมเดล Convolutional Neural Networks (CNN) - การใช้ Transfer Learning ร่วมกับโมเดล CNN Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การสร้างเลเยอร์ Simple RNN Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การสร้างเลเยอร์ Long Short-Term Memory (LSTM) Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การสร้างเลเยอร์ Gated Recurrent Unit (GRU) Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การประยุกต์ใช้ RNN ในการทำนาย Time Series Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การสร้าง Text Generation ด้วย RNN Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การใช้ Bidirectional RNN ใน Keras Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การใช้ Attention Mechanism ใน RNN Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การทำ Sequence-to-Sequence Learning ด้วย RNN Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การจัดการกับ Sequence Padding ใน RNN Keras การสร้างโมเดล Recurrent Neural Networks (RNN) - การประยุกต์ใช้ RNN ในงาน NLP Keras การสร้างโมเดลการประมวลผลภาพ - การสร้างโมเดลการรู้จำภาพด้วย CNN Keras การสร้างโมเดลการประมวลผลภาพ - การใช้ Pre-trained Models เช่น VGG16, ResNet Keras การสร้างโมเดลการประมวลผลภาพ - การใช้ Transfer Learning ในงานการรู้จำภาพ Keras การสร้างโมเดลการประมวลผลภาพ - การใช้โมเดล MobileNet สำหรับการรู้จำภาพ Keras การสร้างโมเดลการประมวลผลภาพ - การทำการ Segment ภาพด้วย Fully Convolutional Networks (FCN) Keras การสร้างโมเดลการประมวลผลภาพ - การทำการ Segmentation ด้วย UNet Keras การสร้างโมเดลการประมวลผลภาพ - การทำการตรวจจับวัตถุด้วย YOLO (You Only Look Once) Keras การสร้างโมเดลการประมวลผลภาพ - การใช้โมเดล SSD (Single Shot Multibox Detector) Keras การสร้างโมเดลการประมวลผลภาพ - การทำ Image Captioning ด้วย CNN + RNN Keras การสร้างโมเดลการประมวลผลภาพ - การสร้างโมเดลการรู้จำใบหน้า Keras การทำงานกับ Natural Language Processing (NLP) - การใช้ Tokenizer ในการจัดการกับข้อความ Keras การทำงานกับ Natural Language Processing (NLP) - การสร้าง Word Embedding ด้วย Embedding Layer Keras การทำงานกับ Natural Language Processing (NLP) - การใช้ Pre-trained Word Embeddings เช่น GloVe Keras การทำงานกับ Natural Language Processing (NLP) - การทำงานกับ One-Hot Encoding ในงาน NLP Keras การทำงานกับ Natural Language Processing (NLP) - การสร้างโมเดลสำหรับ Sentiment Analysis Keras การทำงานกับ Natural Language Processing (NLP) - การสร้างโมเดลสำหรับการจำแนกข้อความ Keras การทำงานกับ Natural Language Processing (NLP) - การทำงานกับ Seq2Seq Models ในการแปลภาษา Keras การทำงานกับ Natural Language Processing (NLP) - การสร้างโมเดล Text Generation Keras การทำงานกับ Natural Language Processing (NLP) - การใช้ Attention Mechanism ในงาน NLP Keras การทำงานกับ Natural Language Processing (NLP) - การประยุกต์ใช้ BERT และ GPT-2 ใน Keras

The brief history of artificial intelligence - ประวัติศาสตร์ของ AI ฉบับย่อ

 

โลกเปลี่ยนไปอย่างรวดเร็ว แล้วจะเกิดอะไรขึ้นต่อจากนี้? 

ตั้งแต่ Midjourney ซึ่งเป็น AI สำหรับสร้างรูปได้เปิดให้คนทั่วไปได้เข้าไปใช้งานกันได้ฟรี ทำให้เกิดกระแสมากมายในชุมชนต่าง ๆ กลุ่มคนที่มองในแง่บวกต่างทึ่งในความสามารถของ AI ส่วนในฝั่งแง่ลบกลับมองอย่างหวาดกลัวว่า AI จะเข้ามาแย่งงานมนุษย์ หลังจากนั้นอีกไม่นาน ChatGPT ซึ่งเป็น AI ที่โต้ตอบกับมนุษย์ได้ก็เปิดตัวมาตอกย้ำความทึ่งและความหวาดกลัวเหล่านั้นให้ทวีคูณขึ้นไปอีก เพราะหลายคนได้สัมผัสแล้วว่า AI ได้ลุกคืบเข้ามาอยู่ใกล้ตัวของเราและพัฒนาความสามารถของมันด้วยความเร็วที่เร็วกว่าที่หลายคนคาดเอาไว้

บางคนมองเห็นช่องทางทำธุรกิจจากเทคโนโลยีนี้ ในขณะที่บางคนยังไม่เข้าใจว่ามันดีอย่างไรและเก่งขนาดไหนแล้ว บางคนหวาดกลัวว่ามันจะมาแย่งงาน ในขณะที่บางคนก็เห็นว่าเรื่องนี้ช่างไกลตัวนักเอาเวลาไปนั่งกินหมูกระทะดีกว่าจะตระหนักหรือรับรู้

 

แล้วความจริงเรื่องปัญญาประดิษฐ์มันเป็นอย่างไรล่ะ?
AI จะเป็นยังไงต่อจากนี้นะ? 
เราควรจะให้ความสำคัญกับ AI ไหม?
เราควรจะกลัว AI ไหม?
เราจะเรียนเขียนโปรแกรมไปเพื่ออะไร?
หรือเราจะใช้ AI ทำเงินได้อย่างไร? 

 

แม้จะมีคำพูดที่ว่าอนาคตเป็นสิ่งที่คาดเดาไม่ได้ แต่ไม่ว่าจะเป็นปัญหาเศรษฐกิจอย่างค่า GDP ปัญหาสังคมอย่างจำนวนประชากร ปัญหาสิ่งแวดล้อมอย่างภาวะโลกร้อน ไปจนถึงระดับจักรวาลอย่างเส้นทางโคจรของดวงดาวต่าง ๆ การจะคาดเดาอนาคตของสิ่งใดนั้น หากเรารู้แนวโน้มในอดีตของสิ่งนั้นก่อนก็จะทำให้คาดเดาสิ่งที่จะเกิดขึ้นต่อไปในอนาคตได้แม่นยำขึ้น ดังนั้นแทนที่จะตอบคำถามเหล่านั้น ในบทความแรกของชุดบทความ AI นี้ ผมจะขอพาท่านผู้อ่านดำดิ่งสู่ประวัติศาสตร์ตั้งแต่แรกเริ่มของคอมพิวเตอร์และปัญญาประดิษฐ์ เราจะมาดูกันว่าประวัติศาสตร์ของปัญญาประดิษฐ์เป็นอย่างไร ในปัจจุบันปัญญาประดิษฐ์ทำอะไรได้แล้วบ้าง บทความนี้เป็นการรวบรวมประวัติศาสตร์แบบย่อ ๆ ของปัญญาประดิษฐ์ตั้งแต่ยุคเริ่มต้นจนถึงปัจจุบันที่กำลังเป็นยุคเริ่มต้นของปัญญาประดิษฐ์แบบ Generative หรือ Generative AI เพื่อให้ท่านได้เข้าใจความเป็นมา พัฒนาการของปัญญาประดิษฐ์ และมองเห็นถึงแนวโน้มที่จะเกิดขึ้นต่อไปในอนาคต โดยหวังเป็นอย่างยิ่งว่าเมื่อถึงบทสรุปของบทความนี้แล้วจะมีคำตอบสำหรับคำถามที่ท่านกำลังสงสัยอยู่ไม่มากก็น้อย

รูปภาพและข้อมูลส่วนหนึ่งในนี้มาจากเว็บ https://ourworldindata.org/brief-history-of-ai [1] ซึ่งเป็นเว็บที่มีข้อมูลเกี่ยวกับ AI ที่น่าสนใจมากมาย หากใครสนใจก็ลองไปอ่านกันดูนะครับ

 

เรามาถึงจุดนี้ได้อย่างไร?

ในช่วงระยะเวลาไม่กี่สิบปีมานี้ คอมพิวเตอร์ได้เปลี่ยนแปลงไปอย่างรวดเร็วและได้กลายมาเป็นส่วนประกอบหนึ่งในการใช้ชีวิตประจำวันของเรา ที่ใกล้ตัวที่สุดคงไม่พ้นสมาร์ตโฟนซึ่งทุกวันนี้แทบจะเรียกได้ว่าเป็นปัจจัยที่ 5 ไปเสียแล้ว การที่เทคโนโลยีเปลี่ยนแปลงไปอย่างรวดเร็วนี้ทำให้หลายคนอาจหลงลืมไปแล้วหรือเด็กรุ่นใหม่ก็อาจไม่รู้ว่าเทคโนโลยีก่อนหน้านี้เคยเป็นอย่างไร ดังนั้นเราจะมาเริ่มกันจากจุดกำเนิดของคอมพิวเตอร์ดิจิทัลเครื่องแรกกัน

คอมพิวเตอร์ดิจิทัลเครื่องแรกถูกประดิษฐ์ขึ้นในช่วงทศวรรษ 1940 หรือประมาณ 8 ทศวรรษก่อนดังที่แสดงในภาพไทม์ไลน์ด้านล่าง ซึ่งนับตั้งแต่ตอนนั้น นักวิทยาศาสตร์คอมพิวเตอร์บางคนก็พยายามสร้างเครื่องจักรให้มีความฉลาดเทียบเท่ากับมนุษย์แล้ว

ไทม์ไลน์ประวัติศาสตร์คอมพิวเตอร์และ AI

 

ก่อนวันแรกของประวัติศาสตร์ [2]

ผู้ที่เป็นคนแรกที่เกิดความคิดและคำถามถึงความเป็นไปได้เกี่ยวกับปัญญาประดิษฐ์ตามที่มีการบันทึกไว้คือ ชาลส์ แบบเบจ (Charles Babbage) ผู้เป็นนักคณิตศาสตร์ นักปรัชญา นักประดิษฐ์ และวิศวกรเครื่องกล ช่างน่าเสียดายที่เขาเสียชีวิตในปีค.ศ. 1871 ก่อนที่จะประสบความสำเร็จในการพัฒนาผลงานหลาย ๆ ชิ้น

 

AI ระบบแรก [3] 

ระบบแรกของ AI ที่มีการบันทึกไว้นี้มีชื่อว่าธีซีอุส (Theseus) สร้างขึ้นโดยคลอดด์ แชนนอน (Claude Shannon) ในปีค.ศ. 1950 ธีซีอุสเป็นหนูหุ่นยนต์ที่ควบคุมด้วยรีโมตคอนโทรลและทำงานร่วมกับสวิตช์รีเลย์โทรศัพท์ ความสามารถของหนูหุ่นยนต์ตัวนี้คือหาทางออกจากเขาวงกตได้ และความน่าทึ่งคือมันจำเส้นทางเดินเองได้ด้วย

AI ระบบแรกของโลก Theseus    

ภาพด้านบนนี้ถูกเผยแพร่บนนิตยสาร Life ในปีค.ศ. 1952
ภาพล่างซ้ายแสดงเส้นทางที่หนูธีซีอุสใช้เรียนรู้รูปแบบเขาวงกต ส่วนภาพล่างขวาแสดงเส้นทางตรงไปยังทางออกที่มันเลือกใช้ในการเดินครั้งที่สอง


นับตั้งแต่หนูธีซีอุสถือกำเนิดขึ้นมาจนถึงตอนที่โพสต์บทความนี้ก็ผ่านมาได้เจ็ดทศวรรษแล้ว จะเห็นได้ว่าความสามารถของปัญญาประดิษฐ์ก้าวหน้ามาไกลจากเดิมมากดังไทม์ไลน์ในภาพด้านล่าง 

ไทม์ไลน์ประวัติศาสตร์ AI

อธิบายไทม์ไลน์

  • ก่อนปีค.ศ. 1950 - First digital computers: เป็นช่วงเวลาที่คอมพิวเตอร์ดิจิทัลเครื่องแรกกำเนิดขึ้นมา
  • ปีค.ศ. 1950 - Theseus: หนูหุ่นยนต์ AI ชื่อธีซีอุสของคลอดด์ แชนนอน
  • ปีค.ศ. 1958 - Perceptron Mark I: โครงข่ายประสาทประดิษฐ์ของแฟรงก์ โรเซนแบลตต์ (Frank Rosenblatt)
  • ปีค.ศ. 1990 - TD-Gammon: ซอฟต์แวร์ที่เรียนรู้การเล่นแบ็กแกมมอนในระดับสูง TD-Gammon เป็นรองแค่ผู้เล่นจริงที่อยู่ในอันดับสูงสุด
  • ปีค.ศ. 2010 - AlexNet: ระบบ Deep Learning ตัวสำคัญในยุคแรก ๆ ประกอบด้วยโครงข่ายประสาทเทียมหลายชั้น สามารถแยกแยะภาพของวัตถุต่าง ๆ เช่น สุนัขและแมวในระดับใกล้เคียงกับมนุษย์
  • ปีค.ศ. 2020 - AI กับการพัฒนาการในด้านการจดจำรูปภาพและภาษาที่มีความสามารถในการรับรู้เทียบเคียงได้กับมนุษย์

 

ความสามารถในการจดจำภาษาและภาพของระบบ AI ในเวลานี้เทียบเท่ากับมนุษย์แล้ว

ถึงแม้แนวคิดและทฤษฎีเกี่ยวกับ AI จะมีผู้คิดไว้หลายสิบปีแล้วแต่ยังมีอุปสรรคเรื่องฮาร์ดแวร์ที่ยังมีประสิทธิภาพไม่เพียงพอที่จะประมวลผลตามทฤษฎีเหล่านั้น ทว่าตอนนี้เทคโนโลยีต่าง ๆ ได้พัฒนาขึ้นมาอย่างมากทำให้ข้อจำกัดทางด้านฮาร์ดแวร์นั้นเริ่มหมดไป (ขอเพียงมีเงิน) ดังนั้นช่วงสองทศวรรษที่ผ่านมานี้ความสามารถในการจดจำภาษาและภาพของระบบ AI จึงมีการพัฒนาไปอย่างก้าวกระโดด กราฟด้านล่างนี้เป็นการเปรียบเทียบเมื่อให้มนุษย์และ AI ทำแบบทดสอบชุดเดียวกันในด้านความสามารถ 5 ด้านที่แตกต่างกัน ได้แก่ การจดจำลายมือ การจดจำคำพูด การจดจำภาพ ความเข้าใจในการอ่าน และความเข้าใจในภาษาของ AI ตามลำดับ

การทดสอบความสามารถ AI เทียบกับมนุษย์

 

ในการทดสอบจะกำหนดให้ค่าประสิทธิภาพเริ่มต้นของระบบ AI ไว้ที่ -100 และค่าประสิทธิภาพของมนุษย์เป็นค่าพื้นฐานอยู่ที่ 0 ดังนั้นเมื่อใดที่เส้นกราฟแสดงประสิทธิภาพของ AI สูงเหนือเส้นพื้นฐานไปก็หมายความว่า AI สามารถทำบททดสอบได้ดีกว่าที่มนุษย์ทำได้แล้วนั่นเอง

จะเห็นได้ว่าก่อนปีค.ศ. 2010 ยังไม่มีระบบใดที่จดจำรูปภาพหรือแสดงผลทางภาษาได้น่าเชื่อถือเทียบเท่ากับมนุษย์ ทว่าหลังจากนั้นเป็นต้นมา ความสามารถของ AI ได้พุ่งทะยานขึ้นอย่างรวดเร็ว และเอาชนะมนุษย์ได้ภายในเวลาไม่กี่ปีเท่านั้น

 

การจดจำและการใช้ภาษาของ AI ในโลกจริง

นอกจากการทดลองในงานวิจัย แท้จริงแล้วตอนนี้ระบบ AI ที่เกี่ยวกับภาษาได้มาโลดแล่นอยู่รอบตัวเราในหลาย ๆ ทางทั้งที่เรารู้ตัวและไม่รู้ตัว หลาย ๆ คนที่ใช้อีเมลของค่าย Google น่าจะเคยเห็นว่าบางครั้ง Gmail ก็มีการเสนอตัวเลือกคำตอบกลับอีเมลที่ส่งมาให้เรา ซึ่งส่วนใหญ่ก็เป็นคำตอบกลับที่เข้าท่าเสียด้วย (อันนี้อ้างอิงจากประสบการณ์ของผู้เขียนที่รับส่งอีเมลเป็นภาษาอังกฤษกับภาษาญี่ปุ่นเป็นหลักนะครับ แต่คิดว่าภาษาไทยก็คงไม่ต่างกันมาก) การที่มันนำเสนอตัวเลือกคำตอบกลับที่ใช้งานได้จริงให้เราได้นั้นย่อมแสดงว่ามันเข้าใจความหมายของเนื้อหาในอีเมลของเราทั้งฉบับแล้วนั่นเอง   

นอกจากนี้ที่หลายคนน่าจะได้ใช้กันบ่อย ๆ ก็เช่น โปรแกรมช่วยแปลภาษา ซึ่งทุกวันนี้ก็ต้องถือว่าแปลได้ดีขึ้นกว่าเมื่อก่อนมาก ๆ ๆ จนนักแปลหลายท่านเริ่มกังวลกันแล้วว่ามันจะมาแย่งงานเราหรือไม่ แต่ไม่ต้องกังวลไปนะครับ ถ้าเราเก่งจริงเราจะมีที่ยืนเสมอ

อีกหนึ่ง AI ด้านภาษาที่กำลังมาแรง ณ ขณะที่เขียนบทความนี้คงไม่พ้น ChatGPT ระบบที่นักเรียนใช้ถามการบ้านมาตอบครู ไปจนถึงโปรแกรมเมอร์ใช้ถามให้มันแก้บักให้ คิดว่าหลาย ๆ คนที่ได้ลองเข้าไปใช้งานคงทึ่งกับความฉลาดและความเข้าใจในด้านภาษาของมันเช่นเดียวกับผมแน่นอน

ถึงแม้ตอนนี้ระบบ AI จะยังไม่สามารถสร้างชิ้นงานด้านภาษาที่ยาวและมีใจความต่อเนื่องได้ แต่ก็มีประโยชน์อย่างมากในการช่วยสร้างงานวิจัยหรืองานเขียนหากเราใช้ได้อย่างถูกต้องและเหมาะสม ส่วนในอนาคตก็ต้องรอกันดูว่า AI จะพัฒนาไปได้ไกลแค่ไหน สุดท้ายแล้วมันอาจสร้างงานวิจัยหรืองานเขียนขึ้นมาได้เองทั้งฉบับโดยไม่ต้องใช้มนุษย์ช่วยเลยก็ได้

 

พัฒนาจากการจดจำภาพสู่การสร้างสรรค์ภาพ

นอกจากความสามารถด้านการจดจำที่ก้าวกระโดดแล้ว ความสามารถในการสร้างรูปภาพของ AI ก็ยังพัฒนาอย่างก้าวกระโดดด้วยเช่นกัน ภาพทั้งเก้าภาพด้านล่างนี้แสดงให้เห็นพัฒนาการที่เปลี่ยนไปในระยะเวลา 9 ปี คนทั้งหมดที่อยู่ในภาพเหล่านี้ไม่ใช่คนจริง ๆ แต่เป็นภาพคนที่ใช้ AI สร้างขึ้นมา

ไทม์ไลน์ตัวอย่างการสร้างภาพด้วย AI ตั้งแต่ปี 2014-2022

 

ชุดรูปภาพนี้เริ่มจากภาพบนซ้ายที่สร้างเมื่อปีค.ศ. 2014 จะเห็นว่าเป็นภาพใบหน้าหญิงสาวแบบภาพขาวดำสมัยก่อน แต่หลังจากผ่านไปเพียงแค่ 3 ปีเท่านั้น ตั้งแต่ภาพในปีค.ศ. 2017 จะเห็นได้ว่าระบบ AI สามารถสร้างภาพที่ตาของเรายากจะแยกออกว่าแตกต่างจากภาพถ่ายจริงอย่างไร และยังสมจริงขึ้นเรื่อย ๆ

ในช่วงไม่กี่ปีที่ผ่านมานี้ AI เพิ่มความสามารถให้น่าทึ่งกว่าเดิมด้วยการสร้างภาพจากข้อความพร้อม (Prompt) ที่ใส่เข้าไป ตัวอย่างเช่นในภาพล่างขวาเป็นภาพที่ได้ออกมาหลังจากป้อนข้อความ “ปอมเมอเรเนียนสวมมงกุฎบนบัลลังก์ของกษัตริย์ ทหารเสือสองตัวยืนอยู่ข้างบัลลังก์” เข้าไปไม่กี่วินาทีเท่านั้น

AI มีความฉลาดมากขนาดที่สามารถแปลข้อความออกมาได้ตามที่เราต้องการ สงสัยกันไหมครับว่ามันเข้าใจความหมายของคำต่าง ๆ ในข้อความที่ใส่เข้าไปได้อย่างไร? ความสามารถนี้เกิดจากกระบวนการที่เรียกว่าการเรียนรู้ของเครื่อง (Machine Learning) ซึ่งทำให้ AI ได้เรียนรู้และพัฒนาความสามารถขึ้นไปเรื่อย ๆ แล้วไว้ผมจะมาเขียนเรื่อง Stable Diffusion ให้อ่านนะครับ ใครสนใจก็รอติดตามกันนะครับ

อ้อ! ตอนนี้ทาง EPT กำลังรวบรวม Prompt สำหรับสร้างรูปใน Midjourney และจัดหมวดหมู่ไว้ให้ท่านได้เลือกหยิบไปใช้ได้แบบฟรี ๆ หากใครสนใจก็คลิกเข้าไปดูที่ https://expert-programming-tutor.com/tutorial/midjourney.php ได้เลยครับ 

 

ตอนนี้เราอยู่จุดไหน? แต่ AI กำลังอยู่จุดนี้แล้ว

ขณะที่หลายคนอาจจะยังใช้ชีวิตในรูปแบบเดิม ๆ อยู่นี้ AI ก็กำลังเข้ามาเปลี่ยนวิถีการใช้ชีวิตของพวกเราในด้านต่าง ๆ โดยค่อย ๆ แทรกซึมเข้ามาในทุกกิจกรรมของเราอย่างเช่น

ด้านการเดินทาง

หากใครเกิดทันยุคก่อนสมาร์ตโฟนน่าจะจำกันได้ว่า สมัยนั้นเวลาเราจะเดินทางไปต่างจังหวัดหรือที่ที่ไม่รู้จักเราจะต้องหยิบหนังสือแผนที่ออกมากางแล้วหาว่าจะขับรถไปด้วยเส้นทางไหนดี แต่สมัยนี้เพียงแค่หยิบสมาร์ตโฟนขึ้นมาแล้วจิ้มสถานที่หรือพูดบอกเข้าไป โปรแกรมแผนที่ก็จะคำนวณแล้วเลือกเส้นทางให้เราโดยอัตโนมัติ แถมมันยังคำนวณไปถึงสภาพจราจรของแต่ละเส้นทางเพื่อหาเส้นทางที่ใช้เวลาน้อยที่สุดให้เราเสียด้วย 

ด้านการเงิน

ทุกวันนี้หลายธนาคารเริ่มเอาระบบ AI เข้ามาใช้ในการประเมินแล้วว่าจะอนุมัติเงินกู้ให้เราหรือไม่ โดยประเมินจากประวัติและลักษณะการใช้ชีวิตของเราว่ามีความเสี่ยงที่จะผิดชำระเงินกับทางสถาบันไหม อีกหน่อยข้อมูลส่วนตัวด้านลบของเราอาจทำให้เราเสียสิทธิ์หลาย ๆ อย่างก็เป็นได้

ด้านการตลาด

สินค้าและบริการต่าง ๆ ที่เราเห็นบนโลกโซเซียล ได้วางรูปแบบเอาไว้ให้เราเห็นและเข้าถึงง่าย แถมยังมีการนำเสนอของที่เราน่าจะอยากซื้อ เพื่อกระตุ้นให้เราตัดสินใจซื้อได้ง่ายขึ้นนั่นเอง

นี่เป็นเพียงตัวอย่างส่วนหนึ่งเท่านั้นที่เห็นได้ชัดว่าเทคโนโลยีด้าน AI ที่ใกล้ตัวเรานั้นเปลี่ยนแปลงไปอย่างไรในสองทศวรรษนี้ แล้วท่านผู้อ่านคิดว่าในอนาคตมันจะมีความสามารถไปถึงขั้นไหนแล้วเข้ามาเกี่ยวข้องในชีวิตประจำวันของเราอีกแค่ไหนกันครับ?

 

ศึกษาแนวโน้มจากอดีตเพื่อทำนายอนาคตของ AI

ระบบ AI ที่ได้กล่าวมาในบทความนี้เป็นผลมาจากความก้าวหน้าอย่างต่อเนื่องของเทคโนโลยี AI ในหลายทศวรรษที่ผ่านมา แต่นอกจากที่ยกตัวอย่างไปแล้วก็ยังมีผู้พัฒนาระบบ AI ออกมาอีกมากมาย แผนภูมิด้านล่างนี้จะแสดงให้เห็นมุมมองของประวัติศาสตร์ในช่วงแปดทศวรรษที่ผ่านมา วงกลมเล็ก ๆ แต่ละวงในแผนภูมินี้แสดงถึงระบบ AI หนึ่งระบบ แกนนอนจะบอกว่าระบบ AI นี้ถูกสร้างขึ้นเมื่อปีค.ศ.ใด และแกนตั้งจะแสดงจำนวนการคำนวณที่ใช้ในการฝึกระบบ AI 

แผนภูมิแสดงประวัติศาสต์ของ AI

 

ยิ่งระบบ AI ได้รับการฝึกมากขึ้นเท่าไหร่ก็จะยิ่งมีประสิทธิภาพมากขึ้นเท่านั้น และพิจารณาให้ดีจะเห็นว่าแกนแนวตั้งของแผนภาพนี้เป็นสเกลลอการิทึม หมายความว่าค่าของแต่ละเส้นสเกลจะห่างกันถึง 100 เท่าเลยทีเดียว ซึ่งแสดงให้เห็นอัตราการเติบโตที่รวดเร็วอย่างน่าอัศจรรย์ของเทคโนโลยีทั้งฝั่งฮาร์ดแวร์และซอฟต์แวร์

 

จะเป็นอย่างไรต่อไป?

การศึกษาแนวโน้มระยะยาวเพื่อดูว่าเป็นไปได้ในอนาคตที่ได้รับการกล่าวถึงที่สุดน่าจะเป็นของอาเจยา คอตร้า (Ajeya Cotra) ที่ศึกษาจำนวนการคำนวณที่ใช้ในการฝึกระบบ AI เพื่อหาว่า AI จะมีความสามารถเทียบเท่าสมองของมนุษย์ในช่วงเวลาใด และล่าสุดเธอได้ประเมินความน่าจะเป็นที่ AI ดังกล่าวจะพัฒนาสำเร็จภายในปี 2040 ไว้ที่ 50% ซึ่งหากนับจากตอนนี้ก็เหลืออีกไม่ถึงสองทศวรรษแล้ว [4]

ปัญญาประดิษฐ์ได้เปลี่ยนสิ่งที่เราเห็น สิ่งที่เรารู้ และสิ่งที่เราทำไปจากเดิมมากมาย ณ จุดนี้ เทคโนโลยีเหล่านี้ยังมีช่วงเวลาในประวัติศาสตร์เป็นระยะเวลาสั้น ๆ เท่านั้นเมื่อเทียบกับประวัติศาสตร์ของมนุษย์ ทว่ามันจะไม่หยุดอยู่ที่จุดนี้และจะกลายเป็นหน้าประวัติศาสตร์ที่กินช่วงเวลายาวนานอย่างแน่นอน เพราะแม้แต่ ณ วินาทีนี้ AI ก็ยังเรียนรู้อยู่อย่างไม่หยุดยั้ง

เมื่อ AI พยายามไล่กวดขึ้นมาเพื่อยืนเทียบเคียงมนุษย์ บางทีอีกไม่นานเราอาจได้เห็นหุ่นยนต์เดินไปมาตามท้องถนนเหมือนอย่างในภาพยนตร์แนวไซไฟก็ได้ ถึงเวลาแล้วหรือยังที่เราจะพิจารณาว่าเราควรเลือกหรือเปลี่ยนเส้นทางเดินไปยังเส้นทางไหน  
 

ขอให้ทุกท่านตื่นตัวแต่อย่าได้หวาดกลัว 


ยังมีโอกาสและเส้นทางอีกมากมายให้เราเลือกเดิน โดยเฉพาะสำหรับผู้ที่สนใจอยากเริ่มเรียนเขียนโปรแกรมแล้วถอดใจไปตั้งแต่ยังไม่ทันได้เริ่ม ขอให้ท่านมั่นใจได้เลยว่าถ้าเราเก่งจริง โปรแกรมเมอร์จะเป็นอาชีพสุดท้ายที่ AI จะแทนที่ได้  

 

สุดท้ายนี้

อยากลงลึกถึงประวัติศาสตร์ AI ให้อ่านบทความนี้ ถ้าอยากลงลึกถึงทฤษฎี (พร้อมปฏิบัติ) ให้ลงคอร์ส Machine Learning (AI701) 


แต่ถ้ายังไม่มีพื้นฐานแล้วอยากเรียนเพื่อจะไปใช้งาน AI อีกทีก็ขอแนะนำคอร์ส Python + Web Programming + Machine Learning (PY203) ที่จะปูตั้งแต่พื้นฐานการเขียนโปรแกรมให้ท่านได้ฝึกคิด ฝึกทำ และสุดท้ายจะสร้างสิ่งต่าง ๆ ได้ด้วยตัวเองครับ

 

 

ที่มาและเว็บไซต์อ้างอิง

[1] https://ourworldindata.org/brief-history-of-ai
[2] https://en.wikipedia.org/wiki/Charles_Babbage
[3] https://web.archive.org/web/20220125004420/https://www.technologyreview.com/2018/12/19/138508/mighty-mouse/ 
[4] https://www.alignmentforum.org/posts/KrJfoZzpSDpnrv9va/draft-report-on-ai-timelines


Tag ที่น่าสนใจ: artificial_intelligence ai_history computer_science technology_development machine_learning data_processing deep_learning generative_ai programming computation digital_computers language_processing image_recognition human_vs_ai innovation


บทความนี้อาจจะมีที่ผิด กรุณาตรวจสอบก่อนใช้

หากมีข้อผิดพลาด/ต้องการพูดคุยเพิ่มเติมเกี่ยวกับบทความนี้ กรุณาแจ้งที่ http://m.me/Expert.Programming.Tutor

ไม่อยากอ่าน Tutorial อยากมาเรียนเลยทำอย่างไร?

สมัครเรียน ONLINE ได้ทันทีที่ https://elearn.expert-programming-tutor.com

หรือติดต่อ

085-350-7540 (DTAC)
084-88-00-255 (AIS)
026-111-618
หรือทาง EMAIL: NTPRINTF@GMAIL.COM

แผนที่ ที่ตั้งของอาคารของเรา

แผนผังการเรียนเขียนโปรแกรม

Link อื่นๆ

Allow sites to save and read cookie data.
Cookies are small pieces of data created by sites you visit. They make your online experience easier by saving browsing information. We use cookies to improve your experience on our website. By browsing this website, you agree to our use of cookies.

Copyright (c) 2013 expert-programming-tutor.com. All rights reserved. | 085-350-7540 | 084-88-00-255 | ntprintf@gmail.com

ติดต่อเราได้ที่

085-350-7540 (DTAC)
084-88-00-255 (AIS)
026-111-618
หรือทาง EMAIL: NTPRINTF@GMAIL.COM
แผนที่ ที่ตั้งของอาคารของเรา