2110403 · DS7–DS8 + สรุปคาบเช้า 28 ต.ค. 2026

Data Science รอบก่อนสอบ DS-CEDT

สรุปจากสไลด์และคลิปคาบ 28 ต.ค. (K-means, Deep Learning, LLM, RAG, Agent) สำหรับสอบกลางภาควันอาทิตย์ที่ 1 พ.ย. 2026

อ่านแบบเร็ว: แต่ละบทใช้ 15–30 นาที มีรูปจากสไลด์ ช่วงคลิปที่อาจารย์สอนเรื่องนั้น และโจทย์ที่ตรวจคำตอบได้ทันที เรียงตามลำดับที่ต้องรู้ก่อนหลัง

สอบ 3 ชั่วโมง Q1–Q3 เป็นโค้ด Q4 เป็นทฤษฎีปรนัย อาจารย์บอกว่า Q4 จะถามเรื่อง เลือกเครื่องมือให้ถูกกับโจทย์ (Rule-based / ML / DL / GenAI, Supervised / Unsupervised / RL) และอาจมี clustering ไม่ต้องเขียนโค้ด Deep Learning หรือ LLM

เริ่มที่บทที่ 1 แล้วไล่ตามลำดับ ถ้าเวลาน้อยให้ทำบท 1, 2, 3, 6, 9 ก่อน

ช่วงเช้า (บท 2–4) อ้างอิงบันทึกคำพูดของอาจารย์ที่ไม่มีไทม์สแตมป์ ส่วนบท 6–10 มีเวลาจากไฟล์ .vtt ของคาบบ่าย และไม่มีไฟล์วิดีโอในเว็บ ให้เปิดวิดีโอของวิชาเองแล้วไปที่เวลาที่ระบุ

1เว็บนี้สร้างอย่างไร: สกิล /cram

เว็บนี้สร้างด้วยสกิล cram ของ Claude Code สกิลนี้เปลี่ยน เอกสารของคลาสที่คุณมีอยู่แล้ว ให้เป็นบทเรียนสั้นสำหรับอ่านก่อนสอบ

สิ่งที่สกิลรับเข้า

สิ่งที่สกิลสร้าง

หลักที่สกิลยึด

ใช้งาน พิมพ์ /cram ใน Claude Code แล้วแนบสไลด์ ทรานสคริปต์ และเอกสารสอบของวิชา เว็บชุดนี้สร้างจากไฟล์ 5 ไฟล์ในหนึ่งเซสชัน

หมายเหตุ: บทเรียนเป็นการสรุปจากสไลด์และคลิปของวิชา 2110403 เพื่อการเรียนส่วนตัว สไลด์เป็นลิขสิทธิ์ของผู้สอน ถ้าเนื้อหาในเว็บผิดจากที่อาจารย์สอน ให้ยึดสไลด์และคำของอาจารย์เป็นหลัก

  1. 01สอบวันอาทิตย์: โครงข้อสอบและคำใบ้ของอาจารย์โครงข้อสอบ 4 ข้อ กติกาการส่ง และสิ่งที่อาจารย์ย้ำตอนท้ายคาบ · สไลด์ Exam 1–3, Conclusion 2 · ~15 นาทียังไม่เริ่ม
  2. 02งาน ML 3 ประเภท และการเลือกเครื่องมือRule-based vs ML และ Supervised / Unsupervised / Reinforcement · สไลด์ DL 4–7 · ~20 นาทียังไม่เริ่ม
  3. 03K-means clustering และ Silhouette scoreจัดกลุ่มด้วยระยะทาง เลือก k และการตีความ · สไลด์ ไม่มีสไลด์ (โค้ด 8 K-means + บันทึกคำพูด) · ~25 นาทียังไม่เริ่ม
  4. 04Deep Learning คืออะไร และ Embedding vectorจาก Neural Network สู่ DL, เหตุผลที่ DL เกิดตอนนี้, embedding vector · สไลด์ DL 10–16, 24 · ~20 นาทียังไม่เริ่ม
  5. 05CNN: Convolution, Pooling, Fully-connectedคอนโวลูชัน พูลลิ่ง เลเยอร์สุดท้าย และ loss ของการจำแนกประเภท · สไลด์ DL 25–51, 53 · ~30 นาทียังไม่เริ่ม
  6. 06Pretrained model และ Fine-tuningทำไมไม่เทรนจากศูนย์ และ 3 วิธีใช้โมเดลที่เทรนมาแล้ว · สไลด์ DL 57–66, 81 · ~25 นาทียังไม่เริ่ม
  7. 07ตระกูล DL และงานภาพ: classify, detect, segmentCNN, RNN, Transformer และ 3 งานภาพ พร้อมชื่อโมเดลที่ควรจำ · สไลด์ DL 68–73, 77–103 · ~25 นาทียังไม่เริ่ม
  8. 08LLM และ Prompt EngineeringPredictive vs Generative, language model, GPT, และเทคนิค prompt · สไลด์ LLM 5–15, 28–38 · ~30 นาทียังไม่เริ่ม
  9. 09RAG และ Fine-tuning เทียบกับ RAGแก้ hallucination ด้วยการค้นเอกสารก่อนตอบ และเปรียบเทียบกับ fine-tune · สไลด์ LLM 40–53 · ~25 นาทียังไม่เริ่ม
  10. 10Tool use, Agent, MCP และชุดทวนรวมLLM ที่ลงมือทำได้ ความต่างของ workflow กับ agent, MCP และโจทย์ทวนจากบท 2–9 · สไลด์ LLM 54–65, 73 · ~30 นาทียังไม่เริ่ม