ACI (ASEAN Citation Index)

http://www.asean-cites.org/


http://www.asean-cites.org/download/List%20of%20ACI%20journals.pdf

สัตตบุรุษ อสัตตบุรุษ

อสัตตบุรุษมองไม่เห็นสัตตบุรุษ
แต่สัตตบุรุษมองเห็นอสัตตบุรุษ

การทดสอบสมมติฐาน

https://sites.google.com/site/mystatistics01/chapter3/hypothesis-testing

How is bitcoin hacked?

fortune.com/2017/12/08/bitcoin-theft/?utm_source=fortune.com&utm_medium=email&utm_campaign=cyber-saturday&utm_content=2017120918pm

ทรัพย์สินทางปัญญำ (เฉพาะทุนวิจัย)
[…] ทรัพย์สินทางปัญญาในผลการวิจัยให้เป็นของผู้ให้ทุนแต่เพียงผู้เดียว

[…] กรณีเป็นหน่วยงานของรัฐ ทรัพย์สินทางปัญญาในผลการวิจัยให้เป็นของผู้รับทุนแต่เพียงผู้เดียว
ภายใต้เงื่อนไขที่ผู้ให้ทุนกาหนด
[…] คู่สัญญาทั้งสองฝ่ายมีการตกลงกันเป็นอย่างอื่นก่อนการลงนามสัญญา โปรดระบุ :




อ้างอิงจาก แบบคำขอรับการส่งเสริมและสนับสนุนเงินจากกองทุนวิจัยและพัฒนากิจการกระจายเสียง กิจการโทรทัศน์ และกิจการโทรคมนำคม เพื่อประโยชน์สาธารณะ

ความเพลินกับอุปาทาน

นันทิในขันธ์5ขันธ์ใดขันธ์หนึ่งคืออุปาทาน

ระบบการสอบเข้ามหาวิทยาลัยของประเทศญี่ปุ่น

ลูกเพิ่งอยู่ม.4 เเต่ก็ต้องเริ่มศึกษาเรื่องการสอบเข้ามหาวิทยลัยของญี่ปุ่นเเล้ว เนื่องจากการเเข่งขันที่เข้มข้นดุเดือดเพราะจำนวนคนอยากเรียนมีมากกว่าจำนวนคนที่มหาวิทยาลัยจะรับได้นั่นเอง ก็ไม่รู้ว่าลูกเราจะสามารถฝ่าฟันผ่านเข้าไปได้ไหม ทางโรงเรียนเองก็พยายามช่วยเด็กว่าสนใจอยากเรียนที่ไหน คณะอะไร พาไปดูการเรียนการสอนในมหาวิทยาลัยนั้นๆ ของลูกไปมาเเล้ว2มหาวิทยาลัยคือมหาวิทยาลัยโอซาก้ากับมหาวิทยาลัยเกียวโต สำหรับลูกนั้นชอบมหาวิทยาลัยเกียวโตอยากไปเรียน เเต่ก็อย่างที่รู้ๆกันอยู่ว่ามันสอบเข้ายาก การสอบเข้ามหาวิทยาลัยของญี่ปุ่นจะมีการสอบ2ครั้ง คือ
-ครั้งที่1 センター　試験　National Center Test for University Admissions ซึ่งจะสอบกันประมาณกลางเดือนมกราคมของทุกปี　จะสอบกัน5-6วิชา(หลัก)7วิชา(ย่อย)คะเเนนรวม950คะเเนน ได้เเก่ คณิต(คณิต1+A,คณิต2+B) ,อังกฤษ, ญี่ปุ่น ,วิทย์(ฟิสิกส์,เคมี,ชีวะ เลือกเเค่2วิชา), ภูมิศาสตร์/ประวัติศาสตร์/สังคม ค่าสมัครสอบยังไม่รู้ว่าเท่าไหร่
-ครั้งที่2 個別入学資格審査(2次試験)　University test หรือข้อสอบของมหาวิทยาลัย จะสอบกัน3หรือ4 หรือ5วิชา ขึ้นอยู่กับมหาวิทยาลัยเเละคณะที่จะสอบเข้า ซึ่งการสมัครสอบนั้นต้องอาศัยคะเเนนสอบจากครั้งที่1 ถ้าคะเเนนจากครั้งที่1ออกมาไม่ดี บางมหาวิทยาลัย บางคณะไม่มีสิทธิ์สมัครสอบ ค่าสมัครสอบสำหรับมหาวิทยาลัยของรัฐคือ17000เยนต่อคณะต่อครั้ง (สมัครสอบเเต่ละครั้งเลือกได้เเค่1คณะเท่านั้น  ถ้าคณะไหนมีหลายภาควิชาอาจจะเลือกภาควิชาได้มากกว่า1 เช่นคณะวิศวะ ม.เกียวโต สามารถเลือกได้2ภาควิชา, คณะเกษตรศาสตร์สามารถเลือกได้3ภาควิชา ส่วนคณะที่เกี่ยวข้องกับสุขภาพ สาธารณสุข เลือกได้เเค่1คณะ1ภาควิชา เช่นเเพทย์ เภสัช ทันตะ พยาบาล)
จะเห็นว่าคะเเนนสอบจากครั้งที่1นั้นสำคัญมาก ถ้าจะเรียนมหาวิทยาลัยรัฐชั้นเเถวหน้าที่เขาเรียก難関大学(nankandaigaku)ซึ่งมีอยู่ราวๆ9-10เเห่งนั้น(ม.เกียวโต, ม.โอซาก้า,ม.โกเบก็จัดอยู่ในกลุ่มนี้) จะต้องสามารถทำคะเเนนสอบในครั้งที่1ให้ได้ราวๆ80%ขึ้นไป ของลูกสาวหนักหน่อย อยากสอบเข้าม.เกียวโตหรือม.โอซาก้า ต้องทำคะเเนนให้ได้85%ขึ้นไป ดูเหมือนจะเป็นเรื่องที่ยากพอสมควร เพราะตอนนี้คะเเนนลูกยังอยู่เเค่72-73%เท่านั้น วิชาที่เป็นปัญหาหนักอกหนักใจคือคณิตกับญี่ปุ่น
การสอบเอนทรานซ์เเบบนี้จะใช้ถึงเเค่ปี2015(ในปีนี้ก็มีการเปลี่ยนเเปลงไปบ้าง ตกหนักอยู่ที่โรงเรียนต้องสอนให้ทันการเปลี่ยนเเปลง ต้องเร่งสอนในวิชาที่ต้องใช้สอบ) เเต่ในปี2016การสอบเอนทรานซ์จะเปลี่ยนเเปลงไปเป็นระบบใหม่เลย สำหรับลูกนั้นจะสอบเอนทรานซ์ในปี2015พอดี จะว่าไปเเล้วรุ่นลูกนี่คง้ป็นรุ่นหนูทดลองยา เพราะมาเจอช่วงญี่ปุ่นเปลี่ยนระบบการศึกษาพอดี เปลี่ยจากเรียนหนักมาเป็นเรียนเบาๆ ไม่มีเรียนวันเสาร์ มาตั้งเเต่ชั้นประถมปีที่1 รุ่นก่อนหน้าลูก1ปียังคงเป็นรุ่นเรียนหนัก พอมารุ่นลูกเป็นรุ่นเรียนเบาๆ ไปเรื่อยๆ  พอเรียนเเบบนี้ไม่work(เนื่องจากผลการทดสอบในระดับนานาชาติคะเเนนประเทศญี่ปุ่นเป็นรองเกาหลีใต้ รองจีน รองสิงคโปร์ รองฮ่องกง รองไต้หวัน) ก็เปลี่ยนมาให้รุ่นหลังลูกเรียนหนักเรียนเข้มเหมือนเดิม   ล่าสุดผลจากTIMSS2011 International Results in Mathematics & Science ของชั้นประถม4เเละม.2 ญี่ปุ่นสามารถกลับมาอยู่ในกลุ่มTop5ได้


https://www.bloggang.com/viewdiary.php?id=hana&month=12-2012&date=18&group=4&gblog=200








        เป็นที่ทราบกันว่าการสอบเข้ามหาวิทยาลัยชั้นนำของญี่ปุ่นแข่งขันกันสูง ข้อสอบยาก และต้องสอบหลายวิชา มีทั้งข้อสอบกลางและข้อสอบเฉพาะที่มหาวิทยาลัยแต่ละแห่งจัดสอบเพิ่ม ข้อสอบกลางคือการสอบเก็บคะแนนพร้อมกันทั่วประเทศประมาณกลางเดือนมกราคม และให้นักเรียนนำคะแนนไปยื่นต่อมหาวิทยาลัยที่เปิดรับตามเกณฑ์ โดยเฉพาะมหาวิทยาลัยของรัฐ (แห่งชาติและท้องถิ่น) ส่วนข้อสอบเฉพาะคือข้อสอบที่มหาวิทยาลัยจัดสอบเองต่างหากทั้งของรัฐและเอกชน ซึ่งแต่ละคณะมักออกข้อสอบเป็นเอกเทศ จึงมีแนวโน้มว่าจำนวนวิชาของการสอบก็จะเพิ่มตามจำนวนมหาวิทยาลัยและจำนวนคณะที่นักเรียนเลือก บางคนอาจต้องสอบถึง 10 กว่าวิชาถ้าเลือกหลายที่เผื่อพลาด

http://www.manager.co.th/Japan/ViewNews.aspx?NewsID=9590000018819

ประชาสัมพันธ์ (Public relation: PR) VS. สื่อสารองค์กร (Corporate Communications)

• งานด้าน PR เป็นการนำสารที่เกี่ยวข้องกับกิจการภายในองค์กรไปบอกกล่าวต่อกลุ่มเป้าหมายภายนอก ดังนั้นยุทธศาสตร์ที่ใช้จะมุ่งประเด็นไปที่กลุ่มเป้าหมายและการตลาดภายนอก
• ในขณะที่งานสื่อสารองค์กรนั้น นอกจากจะมุ่งเน้นการสื่อสารและการสร้างความเข้าในกับส่วนสารธารณะทั้งภายในและภายนอก มุ่งเน้นความเข้าใจถึงความมีตัวตันและความเป็นไปขององค์กรกับผู้มีส่วนได้ส่วนเสียทั้งภายในและภายนอก

(Reference: http://saichol-c.blogspot.com/2014/06/when-pr-is-replaced-by-corporate.html)

Middleware

A software framework that provides a runtime environment beneath application and atop nw os, realizes distribution transparency, resolves heterogeity, and facilitates nw communication and the coordination of distributed components.

Object-oriented framework

• OO framework = components + design patterns
• A set of components working together so they address a number of problems based on design patterns.

สถานะของกฎหมายไอที

https://ictlawcenter.etda.or.th/de_laws

Mobile app vs. Web app (SaaS)

Mobile apps are good for

• nonnetwork-intensive application
• precision-relaxed drawing application (due to small screen size)
• hardware-accelerated application
• delay-sensitive application
• strict user interface application
• platform-dependent user group 
• enough storage mobile devices
• high development budget
• trendy requirement

Otherwise, go web apps in the form of SaaS.

Encyclopedia of Machine Learning - Springer

https://link.springer.com/referencework/10.1007/978-0-387-30164-8

P, NP, np-complete, np-hard problem

http://www.geeksforgeeks.org/np-completeness-set-1/

https://youtu.be/hTlyPZgpoHc

https://youtu.be/1QeHNctSveU

https://youtu.be/f7U7UK6iiU4

https://youtu.be/YkADraSO588

https://youtu.be/_dF0FrBLMzM

CUDA

CUDA is a parallel computing platform and application programming interface (API) model created by Nvidia.

Darknet is an open source neural network framework written in C and CUDA.
https://pjreddie.com/darknet/

CUDA tutorial in C

https://cuda-tutorial.readthedocs.io/en/latest/tutorials/tutorial01/

Quantum computer

https://youtu.be/lypnkNm0B4A
https://fossbytes.com/microsoft-quantum-computer-topoligical-qubit/

https://www.forbes.com/sites/jasonbloomberg/2017/08/11/this-is-why-quantum-computing-is-more-dangerous-than-you-realize/amp/

Thai introduction to quantum computing's areas and use cases

https://www.youtube.com/watch?v=Dh9qsDvbfY8

WiFi Powerline Extender

คือ hubs ที่ลิงค์ AP มายัง

WiFi Powerline Extender ตัวแรก จากนั้นลิงค์ผ่านสายไฟไปยัง WiFi Powerline Extender ปลายทางอีกตัวที่ทำหน้าที่เป็น AP อีกตัวหนึ่ง

บัญชีนวัตกรรมไทย

ลิสต์ของนวัตกรรมของคนไทย ที่ไม่เปิดเผยรายละเอียดการประดิษฐ์หรือการวิจัยซึ่งอาจอยู่ในกระบวนการจดสิทธิบัตร เพื่อให้ภาครัฐจัดซื้อจัดจ้างได้ด้วยวิธีกรณีพิเศษ โดยจะปรากฎในบัญชีเป็นเวลา 8 ปี


http://164.115.33.180/innovation/preface.php

Digital Commerce (D-Commerce)

NetPIE

เป็นบริการ PaaS ที่เก็บข้อมูล IoT ขึ้น cloud สำหรับการนำไปประมวลและแสดงผลต่อผ่าน HTML5
บริการสามารถสร้าง C code (called Microgear library) สำหรับติดตั้งบน IoT device เช่น arduino เพื่อเชื่อมต่อไปยัง PaaS สำหรับส่งข้อมูลขึ้นคลาวด์ และบริการสามารถสร้าง HTML5+ javascript code สำหรับพัฒนา GUI ของ app ที่ใช้เข้าถึงข้อมูลบนคลาวด์


บริการคลาวด์ที่ NetPIE ใช้คือ Internet Thailand และอีกคลาวด์อยู่นอกประเทศ


บริการ PaaS ของเนคเทค สำหรับทำ M2M ให้ IoT devices คุยกันได้ (จะคุยกันได้ต้องติดตั้ง microgear ลงใน devices ก่อนเพื่อใช้ติดต่อไปยัง public cloud server ชื่อ netpie ที่ทำหน้าที่เป็น asynchronous messaging server หรือตัวกลางในการรับส่งข้อความระหว่าง devices)

การสุ่มตัวอย่างควรมีจำนวนเท่าใด

การสร้างมนุษยสัมพันธ์

CPU architecture after Moore’s Law: What's next?

As Moore’s Law loses relevance, specialization may have to replace raw speed in microprocessor design.

When considering the future of CPU architecture, some industry watchers predict excitement, and some predict boredom. But no one predicts a return to the old days, when speed doubled at least every other year.

The upbeat prognosticators include David Patterson, a professor at the University of California, Berkeley, who literally wrote the textbook (with John Hennessy) on computer architecture. “This will be a renaissance era for computer architecture — these will be exciting times,” he says.

Not so much, says microprocessor consultant Jim Turley, founder of Silicon Insider. “In five years we will be 10% ahead of where we are now,” he predicts. “Every few years there is a university research project that thinks they are about to overturn the tried-and-true architecture that John von Neumann and Alan Turing would recognize — and unicorns will dance and butterflies will sing. It never really happens, and we just make the same computers go faster and everyone is satisfied. In terms of commercial value, steady, incremental improvement is the way to go.”

They are both reacting to the same thing: the increasing irrelevance of Moore’s Law, which observed that the number of transistors that could be put on a chip at the same price doubled every 18 to 24 months. For more to fit they had to get smaller, which let them run faster, albeit hotter, so performance rose over the years — but so did expectations. Today, those expectations remain, but processor performance has plateaued.

The plateau and beyond

“Power dissipation is the whole deal,” says Tom Conte, a professor at the Georgia Institute of Technology and past president of the IEEE Computer Society. “Removing 150 watts per square centimeter is the best we can do without resorting to exotic cooling, which costs more. Since power is related to frequency, we can’t increase the frequency, as the chip would get hotter. So we put in more cores and clock them at about the same speed. They can accelerate your computer when it has multiple programs running, but no one has more than a few trying to run at the same time.”

[ To comment on this story, visit Computerworld's Facebook page. ]

The approach reaches the point of diminishing returns at about eight cores, says Linley Gwennap, an analyst at The Linley Group. “Eight things in parallel is about the limit, and hardly any programs use more than three or four cores. So we have run into a wall on getting speed from cores. The cores themselves are not getting much wider than 64 bits. Intel-style cores can do about five instructions at a time, and ARM cores are up to three, but beyond five is the point of diminishing returns, and we need new architecture to get beyond that. The bottom line is traditional software will not get much faster.”

“Actually, we hit the wall back in the ’90s,” Conte adds. “Even though transistors were getting faster, CPU circuits were getting slower as wire length dominated the computation. We hid that fact using superscalar architecture [i.e., internal parallelism]. That gave us a speedup of 2x or 3x. Then we hit the power wall and had to stop playing that game.”

Since then, “We have done the trick of moving from one big, inefficient core to many small, efficient ones,” Patterson adds. “For general-purpose applications, we have run out of ideas for making them faster. The path forward is domain-specific architecture.”

In other words, device makers will be adding processors that do specific, narrow tasks, but do them better than standard microprocessors, he believes.

[ Further reading: A.I. starts to deliver in the enterprise, at last ]

The trend is already well under way in the smartphone field, led by ARM Holdings, the leading smartphone CPU source. Ian Smythe, senior director at ARM, estimates that the typical smartphone may have 10 to 20 processors, including cores running the operating system and apps.

Under ARM’s so-called big.LITTLE architecture, half the processor cores — the big ones — are designed to run foreground apps at maximum speed and have extra circuits for features such as branch prediction and out-of-order execution. The LITTLE cores run background apps with maximum power efficiency. The other processors would handle things such as power management, sensors, video, audio, wireless connectivity, touchscreen management and fingerprint recognition, he says.

“The performance boost should be significant to justify the overhead of moving a workload off the CPU to an accelerator,” says Smythe. “With graphics and video they were justified and, moving forward, neural networking appears amenable to these solutions.”

Indeed, sources agree that neural networking processors will become increasingly popular, since they can expedite machine learning, which is used for machine vision, natural-language recognition and other forms of artificial intelligence.

An example might be Wave Computing’s latest processor, which has 16,000 cores. The idea, explains CTO Chris Nicol, is to avoid the expenditure of energy needed to move data in and out of a standard, sequential CPU.

“The cores are designed so that the result of one can be used as the operand in another in the very next cycle,” says Nicol. He calls the results “spatial computing” and says the process can be conceptualized as a two-dimensional grid, with time as the third dimension. The acceleration factor over conventional processing is about 600, he adds. The end-user version, shipping by the end of the year, will be used as a neural networking appliance rather than a general-purpose computer, he adds.

“Once trained, a neural network can run on your phone using a smaller, domain-specific processor,” explains Patterson.

On the downside, specialized processors run specialized software that requires its own tools and compilers. “The proliferation of CPUs is really horrible from a software perspective, and people held out against it for as long as possible, but it is the only way now,” notes Krste Asanović, a professor at UC Berkeley.

Specialized programming frameworks have arisen to combat the chaos, says Steve Roddy, director at Cadence Design Systems, which licenses domain-specific processor (DSP) designs. “They enable programmers to write code that can be platform-independent and lets the box makers apply different levels of resources. Each chipmaker has to decide how to support the framework on that chip — the high end might run on a DSP, while at the low end the same code might run on the CPU. That way the developer does not need to know every detail in order to write Angry Birds on multiple phones.”

Several frameworks have arisen just for neural networking, notes Patterson, including TensorFlow from Google; the Microsoft Cognitive Toolkit, or CNTK; and Amazon’s MXNet.

“They are also a target for the hardware and make it easier for the architect to get the software to run on the hardware,” he notes.

Direct language execution

Frameworks would be unnecessary, and the software would presumably run faster, if a processor could directly execute the commands of a higher-level language, such as Java. But so far the idea has not proved practical.

“People try from time to time, but they have failed miserably in every case,” explains Turley. “The first 50% or 75% of the chip goes really well, investors put in more money, and there are beer bashes every Friday. But then comes the last 25%, and it is really hard, and the results are not that much faster. So they have failed one by one.”

“Existing processors are optimized to run Linux and Windows about as fast as they can, and there’s no obvious way to make them run faster that is not already built in,” notes Gwennap. “Linux and Windows are a big pile of code. Trying to figure out how to accelerate the code is complicated, so the alternative is just to try to do everything reasonably well.”

“It turns out that compilers are a good idea and offer many advantages,” Patterson adds.

The quantum route

In the quest for speed, the best direction would appear to be quantum computing, which avoids the physical limitations of the classical world around us by relying on the quantum physics of the exotic subatomic world. Academics have proposed ways to make logic gates based on quantum mechanics and thereby construct general-purpose quantum processors. But the only quantum computing vendor on the market, D-Wave Systems, is not doing that — yet.

Its latest model has 2,048 quantum bits, called qubits, but processing is not based on binary logic gates as with conventional machines, explains Jeremy Hilton, D-Wave’s senior vice president. “If you can create entangled states between the bits, you can perform logic operations on all of them simultaneously,” he notes, adding that the process takes five microseconds.

“Within five years we see it as fairly ubiquitous in the cloud and accessible for developers,” he adds.

“The technology uses quantum superposition and entanglement to measure the probability of bit combinations,” adds Tom Hackenberg, an analyst at IHS Markit.” When it becomes commercially viable it will not address traditional computing that relies on definitive binary transactions, but will be greatly sought after in the field of deep learning and neural network computing.”

“The technology could be extended to general-purpose computing, and we are extending it, but that is not our major focus,” Hilton adds.

Open-source processors

The sheer momentum of the processor market, dominated by Intel, AMD and (in smartphones) ARM, works against radical innovation, sources complain.

“The problem is that firms like Intel and ARM become wedded to their architectures, and there is so much software out there that it is difficult to innovate very much at the architecture level,” says Gwennap.

Development expenses are also a barrier. “When they talk about increasingly small chip geometries, such as 16, 14, 10, 7 and 5nm, the joke is that what the number really means is the number of customers you’ll have,” says Asanović. “The fabs are too expensive. The patterns are too exotic to print easily. Design costs are $500 million, and you need massive volume to justify that.”

But the emergence of open-source processor hardware may open the door to garage-style innovators.

Sources point to RISC-V (pronounced risk-five), an open-source reduced instruction set computing (RISC) architecture, in 32, 64 or 128 bits, promoted by the RISC-V Foundation. Rick O’Connor, head of the foundation, explains that the fifth-generation RISC processor is free for any vendor to use, but they must pay for certification (if they desire that) and to license the trademark. The base architecture has fewer than 50 hardware instructions but can be expanded modularly to the server level, he adds.

“We had 30 years of hindsight to make an efficient instruction set,” explains O’Connor.

The first vendor offering RISC-V silicon is apparently SiFive in San Francisco. Jack Kang, vice president at SiFive, says that by using the RISC-V open-source processor chip and various forms of design automation, he can deliver 32-bit customer samples for under $100,000.

“That’s an order of magnitude less than conventional methods. We’re trying to democratize access to silicon. People are attracted to RISC-V because it’s free and open, and it’s actually pretty good,” he says.

The adoption of open-source hardware could counter runaway costs, Asanović predicts. “As for using open source for common infrastructure components that are not competitive differentiators, the software industry did that a long time ago. But in the hardware industry, they just keep slogging way building the same controller in one company after another. Getting them to use open-source will get more of them to develop their own chips. The chip industry would otherwise be in a death spiral — fewer customers means you have to raise the price, and higher prices mean fewer customers.”

As Patterson puts it, “If the user can’t see the software, as in the internet of things, the [identity of the] processor doesn’t matter, so why pay money for one when you can get another just as good for free?”

Von Neumann, now and forever

What future innovators are unlikely to build is a processor that departs from the so-called von Neumann architecture. The name derives from a description written in 1945 under the byline of computer pioneer John von Neumann, detailing the basic functions that a general-purpose stored-program digital computer would need to include.

“Instructions, program counters, branch instructions, fetching operations, arithmetic operations — those have been around since the beginning, but unless someone is going to declare that [neural networking] matrix operations amount to a new architecture, I don’t see anything displacing von Neumann’s ideas,” Patterson says.

If something did, the field of software engineering might be in jeopardy, warns Conte. “People want reliable, certified, tested, bug-free software, but the science of how we do that is really brittle. Even the algorithms would have to change — it would be a total disruption of the computing stack. We can’t say, ‘Traditional computing stops now.’ That’s not practical.”

Consequently, “Ten years from today your desktop or tablet pretty likely will have a processor similar to the one we use today for the operating system, but will have many special-purpose processors, for vision or neural networking or God knows what,” Patterson adds.

“What we see in development for production in 2022 calls for more of the same: greater specialization and a greater number of specialized subsystems,” says Roddy.

“The assumption we continue to make is that the CPU will remain the conductor of the orchestra [of accelerators] since it is the host of the operating system,” Smythe at ARM says. “Von Neumann is where we are, and there is not much we can do to change that dramatically.”


Cf. http://www.computerworld.com/article/3209724/computer-processors/cpu-architecture-after-moores-law.html?upd=1501210201395

microservice & web service (SOA)

A microservice is a small, independent, application that performs a highly focused service as well as possible. A web service is an internet-based interface that makes the “services” of one application available to applications running on different platforms.

www.somkiat.cc/soa-and-microservice/

https://www.techtalkthai.com/introduction-to-microservices-architecture/

Automated unit testing tool

https://cucumber.io

PSP (Personal software process)

https://en.m.wikipedia.org/wiki/Personal_software_process

Pitching

Pitching คือการนำเสนอแผนธุรกิจในระยะเวลาจำกัด (ไม่กี่นาที)

เทคนิค pitching 

https://www.thebalance.com/pitching-business-ideas-to-investors-4018990

http://incquity.com/articles/howto-do-perfect-business-pitching-2-minutes

HTTP2.0

https://medium.com/@DarkDrag0nite/http-2-คืออะไร-331b3e7b5866

ระดับการวัด impact ของงานวิจัย

1. วัดจากคุณภาพของการตีพิมพ์ เช่น IF
2. วัดจากการถูกนำไปอ้างอิง (citation count)
3. วัดจากการนำไปใช้ประโยชน์ (ขึ้นห้าง)
4. วัดจากประโยชน์ที่เกิดขึ้นจากการนำไปใช้ประโยชน์ ซึ่งอาจเป็นตัวเงินหรือประโยชน์เชิงสังคม

Websvr VS. CoLo VS. Dedicatedsvr VS. VPS

https://www.thanop.com/vps/

VPS (virtual private server) = virtual dedicated server

bitcoin & blockchain

Bitcoin is a digital asset and a payment system. The system is peer-to-peer and transactions take place between users directly, without an intermediary i.e. banks. These transactions are recorded in a distributed ledger (สมุดบัญชี) called blockchain. Bitcoin miners verify bitcoin transactions to get awarded as bitcoins. (https://youtu.be/C_sYagsr014)

Blockchain is a secure distributed immutable database shared by all parties in a distributed network.
https://medium.com/@Francesco_AI/the-convergence-of-ai-and-blockchain-whats-the-deal-60c618e3accc

To summarize, a blockchain is a decentralized database which logs records by grouping transactions (data) into blocks. These records are unchangeable, append-only and can be used to create and document a history of lots of different things.
https://medium.com/blockchain-review/whats-the-difference-between-blockchain-distributed-ledger-technology-19407f2c2216

A blockchain is a distributed public ledger that is secured by a peer-to-peer network and registers transactions and maintains assets without the need for centralized authority. The records on the blockchain are grouped in a logical block structure. These blocks are linked sequentially one after the other, and the entire chain is referred to as a blockchain. Blocks placed anywhere on the blockchain cannot be changed without changing other blocks.

In the step 3 of the below picture, account owner uses his/her own private key to encrypt transaction (e.g. money transfer). In the step 4, bitcoin miners uses public key of that guy to approve the transaction. In the step 5, the miners hash the transaction and store in blockchain. For more details, please see the second picture.










Cf. https://www.weforum.org/agenda/2017/06/blockchain-is-stalling-but-whats-holding-it-up?utm_content=buffer867c2&utm_medium=social&utm_source=facebook.com&utm_campaign=buffer

3 miner ต้องใช้ PK ถอดคำสั่งโอนเงินเพื่อตรวจสอบว่ามาจากเจ้าของ pk ตัวจริง จึง เอา transaction ดังกล่าวของ Alice ใส่ block แล้วเริ่มขุดบิทซึ่งเป็นการแข่งกันหา nounce เพื่อสร้างค่า hash (ของ previous hash+transaction+nounce) ที่ตรงตาม prefix format ของ bitcoin ก่อนก็จะได้รับรางวัลเป็น bitcoin จากนั้นก็จะส่ง nounce ที่ hash ได้ก่อนนั้นไปให้คนอื่นๆ ลอง hash ว่าถูกต้องไหมก่อนเอาใส่ blockchain ของแต่ละคน กระบวนการตั้งแต่เริ่มขุดจนทุกคนยอมรับนี้เรียกว่า consensus protocol หรือ proof of work (PoW) ซึ่งช่วยป้องกันไม่ให้การแอบแก้ไขทำได้โดยรวดเร็วทุกโหนด เพราะการขุดเพื่อ append แต่ละ block ใช้เวลาประมาณ 10 นาที จึงไม่รองรับการ read จาก chain แบบ real-time ข้อมูล transactions ทั้งหมดจะถูก replicated ไว้ทุกโหนด

https://nuuneoi.com/blog/blog.php?read_id=933

http://staging.spectrum.ieee.org/static/how-a-bitcoin-transaction-works

Bitcoin values in many aspects
https://www.quora.com/How-is-the-value-of-Bitcoin-calculated

Original price of bitcoin is just like that of orange
https://www.luno.com/learn/en/article/how-is-the-price-of-bitcoin-calculated

More about bitcoin
https://bitcoin.org/
http://www.imponderablethings.com/

แท่นทำเหมือนเงินคริปโต (cryptocurrency mining rig) คือ computer ปกติแต่มี GPU หลายตัวหน่อย เช่น

• MINING Motherboard intel
• Integrated Intel CPU
• 4Gb of RAM DDR3
• 8 GPU NVIDIA P-104
• SERVER MiningCave BOX
• YOU NEED TO CHOOSE POWERSUPPLY IN OPTION
• YOU NEED TO CHOOSE YOUR OS IN OPTION

(https://miningcave.com/product/8-gpu-box-8x-p-104/)


Blockchain platforms:
https://www.ibm.com/cloud/blockchain-platform/developer

https://www.ethereum.org/

https://libra.org/en-US/open-source-developers/

Blockchain is good for logging digital assets with high incentive to rob.

Ethereum development VM (เป็น service แล้ว connect ด้วย Chrome extension) : https://www.trufflesuite.com/

Remix เป็น IDE สำหรับภาษา solidity ที่ใช้กับ Ethereum

===PoW vs Proof of Stake (PoS)===

Two popular consensus mechanisms in blockchain technology.

1. Proof of Work (PoW):

Mechanism: PoW is a consensus algorithm used by blockchains like Bitcoin. In PoW, miners compete to solve complex mathematical problems to validate and add a new block to the blockchain. Solving the problem requires computational power and energy, making it a costly process.

Advantages: PoW is highly secure due to the difficulty and cost involved in solving the problems, making it hard for any single entity to take control.

Drawbacks: PoW is criticized for its energy consumption, as miners use significant computational resources, which has environmental implications.

2. Proof of Stake (PoS):

Mechanism: PoS relies on validators who are selected based on the number of coins they hold and are willing to "stake" as collateral. These validators are then allowed to create new blocks and validate transactions based on their stake. The larger the stake, the higher the chance of being selected as a validator.

Advantages: PoS is much more energy-efficient than PoW, as it doesn’t require extensive computation. Additionally, it encourages long-term investment in the blockchain, as validators benefit by holding and staking coins.

Drawbacks: PoS can be seen as less decentralized since wealthier participants (those with more coins staked) have more influence in block validation, potentially leading to centralization.

In essence, PoW relies on computational effort, while PoS relies on the financial stake validators have in the system. The choice of PoW or PoS affects the blockchain's energy consumption, security model, and degree of decentralization.

Conference committee structure and roles/responsibilities

https://www.ieee.org/conferences_events/conferences/organizers/roles_responsibilities.html

Structures of data

• Structured content ใช้ predefined data model e.g. RDBs
• Semi-structured structure content มี tag บอกความหมายภายใน เช่น XML tags แต่ไม่มี predefined data model รองรับ e.g. Word document, source code
• Unstructured content ไม่มี predefined data model e.g. video, image

Machine learning frameworks

Google's Deepmind research group uses Tensorflow framework
Tensorflow is a python/C open-source machine learning framework

https://venturebeat.com/2016/04/29/deepmind-ai-group-moves-from-torch-framework-to-googles-own-tensorflow/

ML tutorial by Google
https://developers.google.com/machine-learning/crash-course/

AWS and Azure support MXNet
https://mxnet.apache.org/
Many other machine learning frameworks available:
https://en.wikipedia.org/wiki/Comparison_of_deep_learning_software

Spark MLlib is Apache Spark's scalable machine learning library i.e. machine learning for big data.

Spark is comparable and better than Hadoop Map Reduce.

--http://spark.apache.org/mllib/

Deep learning for Java

deeplearning4j.org

Just a portal

https://skymind.ai/platform

Apache Hadoop adopted a technique called mapreduce, which maps data queries across parallel processing resources and then reduces to useful results.

Keras (the Python Deep Learning library) is a high-level neural networks API, written in Python and capable of running on top of TensorFlow, CNTK, or Theano. It was developed with a focus on enabling fast experimentation.

ImageAI is a State-of-the-art Recognition and Detection AI with few lines of code. http://imageai.org/

Frameworks for 

• Image and text classification: TensorFlow, PyTorch, MediaPipe (https://ai.google.dev/edge/mediapipe/solutions/guide)
• Image classification: OpenCV
•