ชุดบทเรียนเชิงปฏิสัมพันธ์และใบงานปฏิบัติการวิชา การเรียนรู้ของเครื่อง (Machine Learning) ครอบคลุมตั้งแต่ทฤษฎีพื้นฐาน จนถึงแบบจำลองสมัยใหม่ พร้อมระบบจำลองแบบโต้ตอบ (Interactive Simulations), เครื่องคำนวณคณิตศาสตร์สด (KaTeX Math), โหมดสไลด์บรรยายในตัว (Presentation Slide Mode) และใบงาน Jupyter Notebook / Google Colab ที่เชื่อมโยงกับคลังโค้ดมาตรฐาน
- Interactive Simulations & Sandboxes: ทุกบทเรียนมีแบบจำลองภาพเคลื่อนไหวหรือกราฟโต้ตอบ (HTML5 Canvas / SVG) เช่น การปรับระนาบไฮเปอร์เพลน, การลู่เข้าของ Gradient Descent, เครื่องคำนวณ Entropy, การจำลอง Q-Learning Gridworld, K-Means 2D Sandbox, 2D Convolution Visualizer, System 1 vs System 2 Race Simulator, และ Thai License Plate (LPR) Sandbox
- Math Rigor with KaTeX: สูตรคณิตศาสตร์ถูกเรนเดอร์อย่างสวยงามและคมชัดด้วย KaTeX พร้อมการพิสูจน์ที่มาทีละขั้น (Step-by-step calculus & derivations)
- Built-in Presentation Slide Mode: สามารถกดปุ่ม "นำเสนอสไลด์" หรือกดปุ่มคีย์บอร์ดเพื่อแปลงหน้าบทเรียนเป็นสไลด์บรรยายเต็มหน้าจอได้ทันที รองรับปุ่ม
Space,ArrowRight,ArrowLeftและEsc - Dual-Track Learning (Theory + Code): เชื่อมโยงเนื้อหาภาคทฤษฎีเข้ากับใบงานปฏิบัติการจริงใน Jupyter Notebook ทั้งจากตำรา Hands-On Machine Learning (3rd Edition), Python ML Notebooks และ Microsoft ML-For-Beginners
| บทที่ | ไฟล์บทเรียน | หัวข้อภาษาไทย | หัวข้อภาษาอังกฤษ / โมเดลหลัก | การทดลองจำลองสด |
|---|---|---|---|---|
| 01 | 01-ML-Intro.html |
ปฐมบทการเรียนรู้ของเครื่อง | Introduction to ML & Paradigms | เปรียบเทียบ Supervised / Unsupervised / Semi / Self-Supervised |
| 02 | 02-ML-Models.html |
การจำแนกรูปแบบโมเดล | Types of ML Models & Causal DAGs | โมเดลกล่องดำ vs กล่องแก้ว, Causal Inference |
| 03 | 03-ML-Regression.html |
การวิเคราะห์การถดถอย | Linear Regression & Gradient Descent | กราฟลู่เข้าของ Gradient Descent vs Normal Equation |
| 04 | 04-ML-Regression-Classification.html |
ถดถอยเทียบกับจำแนกประเภท | Regression vs. Classification | เปรียบเทียบ Continuous Output vs Decision Threshold |
| - | 04-training-linear-models-code-slides.html |
สไลด์โค้ดบรรยายประกอบ | Companion Code Slides: Linear Models | สไลด์สรุปโค้ดบรรยายและแบบฝึกหัด |
| 05 | 05-ML-Evaluation.html |
การวัดประสิทธิภาพโมเดล | Evaluation Metrics & Loss Functions | Confusion Matrix, ROC-AUC vs PR-Curve บนข้อมูล Imbalanced |
| 06 | 06-ML-Logistics-Regression.html |
การถดถอยโลจิสติก | Logistic Regression & Logit Derivation | Sigmoid Curve, Log-Odds |
| 07 | 07-ML-Logistics-Regression-Step-by-Step.html |
โลจิสติกทีละขั้นตอน | Step-by-Step Gradient & Training Loop | การคำนวณแคลคูลัสเกรเดียนต์ |
| 08 | 08-ML-Evaluation-3-Classes.html |
การประเมินผล 3 คลาส | Multiclass Evaluation (OvR / OvO) | Micro vs Macro F1, ทฤษฎี Micro-F1 = Accuracy |
| 09 | 09-ML-NN.html |
โครงข่ายประสาทเทียม | Neural Networks & Deep Learning | ฟังก์ชันกระตุ้น ReLU vs Sigmoid, Vanishing Gradient, Chain Rule |
| 10 | 10-ML-Inductive-Decision-Trees.html |
การเรียนรู้ต้นไม้ตัดสินใจ | Decision Trees: ID3, C4.5 & CART | คำนวณ Entropy, Information Gain, Gini Impurity, Hyperparameters |
| 11 | 11-ML-Bayesian-Learning.html |
การเรียนรู้แบบเบย์ | Bayesian Learning & Naive Bayes | ทฤษฎีบทเบย์, GaussianNB, MultinomialNB, BernoulliNB |
| 12 | 12-ML-Computational-Theory.html |
ทฤษฎีการเรียนรู้เชิงคำนวณ | Computational Theory & VC Dimension | PAC Learning, Sample Complexity, การ Shatter จุดใน 2 มิติ |
| 13 | 13-ML-Instance-Based.html |
การเรียนรู้อิงตัวอย่าง | Instance-Based Learning & k-NN | Interactive k-NN Simulator, ข้อควรระวัง Feature Scaling |
| 14 | 14-ML-Learning-Set-of-Rules.html |
การเรียนรู้เซตของกฎ | Rule Learning & Association Mining | Sequential Covering, Apriori, คำนวณ Support, Confidence, Lift |
| 15 | 15-ML-Analytical-Combining.html |
การเรียนรู้เชิงวิเคราะห์ | Analytical & Combined Learning | EBL, KBANN สู่เทคโนโลยีสมัยใหม่: PINNs, Neuro-symbolic AI, RAG |
| 16 | 16-ML-Reinforcement-Learning.html |
การเรียนรู้แบบเสริมแรง | Reinforcement Learning & Q-Learning | กระบวนการ MDP, การอัปเดตค่า Q-Table ใน Gridworld, DQN |
| 17 | 17-ML-Evolutionary-PSO.html |
อัลกอริทึมเชิงวิวัฒนาการ | Genetic Algorithms & PSO | จำลองฝูงบินอนุภาค (PSO Simulator), Velocity Clamping, NAS |
| 18 | 18-ML-Unsupervised-KMeans.html |
การจัดกลุ่มแบบไม่กำกับดูแล | Unsupervised Learning & K-Means | 2D Live Clustering Sandbox, K-Means++ vs DBSCAN vs GMM |
| 19 | 19-ML-Ensemble-Boosting.html |
การเรียนรู้แบบรวมกลุ่ม & บูสติง | Ensemble Learning: Bagging & Boosting | จำลอง Ensemble Simulator, Voting, Random Forest, AdaBoost, XGBoost, LightGBM, CatBoost |
| 20 | 20-ML-SVM.html |
ซัพพอร์ตเวกเตอร์แมชชีน | Support Vector Machines (SVM) | จำลองระนาบ Maximum Margin สด, Soft Margin |
| 21 | 21-ML-Dimensionality-Reduction.html |
การลดมิติข้อมูลและสกัดลักษณะเด่น | Dimensionality Reduction: PCA & Manifold | จำลองหมุนแกน PCA 2D สด, Singular Value Decomposition (SVD), Explained Variance, t-SNE vs UMAP |
| 22 | 22-ML-Pipelines-Feature-Engineering.html |
ไพป์ไลน์และวิศวกรรมฟีเจอร์ | ML Pipelines & Feature Engineering | ป้องกัน Data Leakage, การจัดการ Missing Values (MICE/KNN), Encoding, Scikit-Learn Pipeline |
| 23 | 23-ML-Deep-Learning-Architectures.html |
สถาปัตยกรรม Deep Learning ยุคใหม่ | Modern Deep Learning: CNNs & Transformers | จำลองการคำนวณ Convolution 2D สด, ResNet Skip Connections, Multi-Head Attention ( |
| 24 | 24-ML-System1-Decision-Models-Jev.html |
โมเดลการตัดสินใจเชิงโครงสร้าง และ System 1 AI | Structured Decision Models & Jev AI | จำลองการเปรียบเทียบ System 1 vs System 2 Race สด, Kahneman Dual-Process, 3 Typed Primitives, Calibrated Probabilities |
| 25 | 25-ML-Thai-AI-Ecosystem-AIForThai.html |
ระบบนิเวศ AI ภาษาไทย และ AI For Thai | Thai AI Ecosystem: LPR & EmoNews (fastText) | ป้ายทะเบียนไทย (LPR) สด, วิเคราะห์ 7 มิติอารมณ์ข่าวด้วย fastText (EmoNews), REST API, Python & cURL |
- K-Means Interactive Sandbox App:
lab-unsupervised-kmeans/index.html
เว็บแอปพลิเคชันเดี่ยวเต็มหน้าจอสำหรับทดลองอัลกอริทึม K-Means, K-Means++, การคำนวณ Elbow Method / WCSS และ Silhouette Score แบบเรียลไทม์ พร้อมคู่มือปฏิบัติการlab-unsupervised-kmeans/README.md - Neural Network Playground:
lab-neural-network/index.html
เว็บแอปพลิเคชันสำหรับทดลองสร้างเครือข่ายประสาทเทียม ปรับเปลี่ยน Hidden Layers, Activation Functions, Learning Rate และสังเกต Decision Boundary แบบสด - Jev Model Interactive Decision Sandbox:
lab-jev-decision/index.html
เว็บแอปพลิเคชันสำหรับทดสอบ System 1 AI Decision Model (typesafe/jev-1.13) ส่งคำขอผ่าน REST API ทดลองการตัดสินใจแบบมีโครงสร้าง (choice,score,noul) วัด Latency ระดับมิลลิวินาที พร้อมสคริปต์ทดสอบlab-jev-decision/test_jev_api.pyและคู่มือlab-jev-decision/README.md
ชุดบทเรียนนี้ถูกพัฒนาเป็น Pure Web Technology (HTML5, Tailwind CSS CDN, KaTeX CDN, Vanilla JavaScript) โดยไม่จำเป็นต้องติดตั้ง Node.js หรือคอมไพล์โค้ด
git clone https://github.com/anusornc/ml-learn.git
cd ml-learnคุณสามารถใช้โมดูล HTTP ในตัวของ Python:
# สำหรับ Python 3
python3 -m http.server 8000เปิดเบราว์เซอร์แล้วไปที่:
http://localhost:8000/index.html
เมื่ออยู่ในหน้าบทเรียนใดๆ สามารถคลิกที่ปุ่ม "นำเสนอสไลด์" ด้านบนขวา หรือใช้ปุ่มลัด:
Spaceหรือ→: สไลด์ถัดไป←: สไลด์ก่อนหน้าEsc: ออกจากโหมดสไลด์และกลับสู่หน้าบทเรียนปกติ
- Géron, Aurélien. (2022). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow (3rd ed.). O'Reilly Media.
- Mitchell, Tom M. (1997). Machine Learning. McGraw-Hill Education.
- Russell, Stuart, & Norvig, Peter. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.
- Bishop, Christopher M. (2006). Pattern Recognition and Machine Learning. Springer.
- Goodfellow, Ian, Bengio, Yoshua, & Courville, Aaron. (2016). Deep Learning. MIT Press.
- Sutton, Richard S., & Barto, Andrew G. (2018). Reinforcement Learning: An Introduction (2nd ed.). MIT Press.