2020 Data and AI Landscape

https://mattturck.com/data2020/?fbclid=IwAR04C56l3vKlXtPSPQAYHwboyTonbrP2QkG6knEa5ongP1JgyIANgN6PnGE

FPGA intro

 

Types of learning in ML

 https://machinelearningmastery.com/types-of-learning-in-machine-learning/

Cosine Similarity Vs Euclidean Distance

 https://medium.com/@sasi24/cosine-similarity-vs-euclidean-distance-e5d9a9375fc8

ประโยชน์ของการที่เอกชนยอมตีพิมพ์กับมหาลัย

แบรนด์ของเอกชนจะดีขึ้นด้วยหลักฐานการยอมรับทางวิชาการ และยังได้ cobrand กับมหาลัยสื่อถึงการรับรองคุณภาพโดยมหาลัยด้วย

แต่เอกชนก็อาจจะเถียงว่าคนที่อ่านบทความไม่ใช่กลุ่มลูกค้าเป้าหมายของเขา

Convert code to flowchart

 https://app.code2flow.com/

CDO (chief data officer)

 จัดอยู่ใน C-suite or C-level or CXO

See all CXOs in https://en.wikipedia.org/wiki/Corporate_title

English on exam answer book

 

Cybersecurity

• Digital footprint คือบันทึกกิจกรรมที่เราทำอยู่บนออนไลน์ เช่น ใน FB 

https://www.flickr.com/photos/74408961@N03/8963250372 

https://myaccount.google.com/dashboard

• Disinfodemic การปล่อยข่าวปลอม https://en.unesco.org/covid19/disinfodemic
• Likewar แข่งกันที่ยอดไลค์
• Data / Cyber sovereighty อธิปไตยไซเบอร์หรือข้อมูล คือการที่เรามีอำนาจควบคุมมันเอง
• Cyberwar, cyber attack map แสดงการโจมตีทางไซเบอร์ระหว่างประเทศ
• 5 war domains: land, sea, sky, space, cyber

การทดสอบประสิทธิภาพสื่อ E1/E2

 https://www.kruachieve.com/%E0%B9%80%E0%B8%A3%E0%B8%B7%E0%B9%88%E0%B8%AD%E0%B8%87%E0%B8%A3%E0%B8%B2%E0%B8%A7%E0%B8%99%E0%B9%88%E0%B8%B2%E0%B8%AA%E0%B8%99%E0%B9%83%E0%B8%88/%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%97%E0%B8%94%E0%B8%AA%E0%B8%AD%E0%B8%9A%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B8%AA%E0%B8%B4%E0%B8%97%E0%B8%98%E0%B8%B4%E0%B8%A0%E0%B8%B2%E0%B8%9E%E0%B8%AA%E0%B8%B7%E0%B9%88/

TOWS matrix

TOWS matrix is used to find out strategies. It is derived from SWOT analysis, an prerequisite activity.

https://greedisgoods.com/tows-matrix-%E0%B8%84%E0%B8%B7%E0%B8%AD/

https://www.tereb.in.th/erp/tows-matrix/

IRR (Internal Rate of Return)

Abstract tense

Any statements of general fact should be written using the present tense.

Any discussion about prior research should be explained using the past tense.

If the subject of your sentence is your study or the article you are writing (e.g. “Our study demonstrates…,” or “Here, we show…”), then you should use the present tense.

If you are stating a conclusion or an interpretation, use the present tense.

If the subject of your sentence is an actual result or observation (e.g. “Mice in Group B developed…”), you would use the past tense.

https://wordvice.com/which-tense-should-be-used-in-abstracts-past-or-present/

Multiprogramming, Multiprocessing, Multitasking, and Multithreading

• Multiprogramming คือมีหลายโปรแกรมในหน่วยความจำหลักพร้อมๆกัน
• Multiprocessing คือการใช้หลาย CPU ช่วยกันประมวลผล
• Multitasking คือการใช้ context switching ระหว่าง tasks
• Multithreading คือการมีหลาย threads 

อ้างอิง https://gabrieletolomei.wordpress.com/miscellanea/operating-systems/multiprogramming-multiprocessing-multitasking-multithreading/

จิตนาการสำคัญกว่าความรู้ เหนือจินตนาการคือ...

MS license types

https://www.microsoft.com/th-th/licensing/product-licensing/client-access-license

Research method classification

https://maaw.info/ArticleSummaries/ArtSumBuckley76.htm

เกร็ดความรู้การเขียนหนังสือและตำรา

เกริ่นนำ

ศาสตราจารย์ ดร.อลงกลด ท่านนำเสนอด้วยการเล่าเรื่องประสบการณ์ตรงของท่านเอง จึงฟังไม่เบื่อเลย เสียดายที่ไม่ได้ขออนุญาตท่านบันทึกเสียง ... ใครมีโอกาสเชิญท่านไป อย่าได้ลังเลครับ ไม่ผิดหวังดอก  ขอจับเอาเฉพาะประเด็นสำคัญๆ ที่ประทับใจ ดังนี้

• ปัจจุบันท่านเป็นหนึ่งในคณะพิจารณาผลงานทางวิชาการ (กพว.) (เป็นมา ๓-๔ ปี)  ซึ่งมีหน้าที่กำหนดและแต่งตั้ง ผู้ทรงคุณวุฒิประเมินผลงานทางวิชาการ ผศ. รศ. ศ. ของคณะกรรมการข้าราชการพลเรือนในสถาบันอุดมศึกษา (กพอ.) ตำรา หนังสือ หรืองานวิจัย 
• ท่านได้รับการประเมินเป็น ผศ. รศ. และ ศ. ด้วยการประเมินรอบเดียว 
• ปัจจุบันท่านเป็นกรรมการอ่านผลงานของ กพอ. จึงนำประสบการณ์มาเล่าให้ฟังว่า ผลงานแบบไหนจะผ่าน ผลงานแบบไหนจะไม่ผ่าน  รวมถึงเทคนิค และเคล็ดไม่ลับ ที่ "จับ" มาเล่านี้
• ปัญหา ๓ ประการของการเขียนหนังสือหรือตำรา ที่มักพบเจอ ได้แก่
• ขาดกำลังใจ ... เข้าใจว่าเป็นเรื่องไกลตัว กระบวนการยุ่งยาก ผ่านยาก 
• การใช้และตีความในกฎหมายและระเบียบที่คลาดเคลื่อนไปจากสิ่งที่ควรจะเป็น
• คิดเข้าข้างตนเอง จนไม่ตรงกับความคิดเห็นที่ควรจะเป็น (คิดไม่เหมือนผู้ทรงคุณวุฒิตรวจผลงาน)
• ใครอยากจะเป็น "ศาสตราจารย์" ให้ยึดหลัก ๔ ประการต่อไปนี้ 
• ทำให้วงการในศาสตร์ของตนยอมรับ 
• ทำงานวิชาการด้านที่เลือกให้โดดเด่น (มีงานตีพิมพ์ด้านนั้นโดดเด่น)
• ทำผลงานวิชาการด้านนั้นต่อเนื่อง สม่ำเสมอ โดยเฉพาะงานวิจัย 
• ถ่ายทอดองค์ความรู้ของตนเองให้เป็นหนังสือหรือตำราให้ประจักษ์ 
• ใครตั้งเป้าหมายว่าจะเป็นศาสตราจารย์ ต้องฝึกตนเองให้มี AQ (Adversity Quotient) ๔ ประการ ได้แก่ 
• ควบคุมสถานการณ์ให้ได้ เมื่อเกิดปัญหา
• ไม่หนีปัญหา (เข้าไปแก้ไข) ... ให้มองว่า ปัญหามีไว้ให้แก้ 
• มองว่าปัญหาทุกอย่างมีทางแก้
• อดทนต่อปัญหาที่เกิดขึ้น 
• และที่สำคัญ จะได้ตำแหน่งทางวิชาการ ต้องเป็นคนชอบเขียน .... เขียนไม่เป็นก็จบ ลำดับการพัฒนาการเขียนเอกสาร คือ
• เขียนเอกสารประกอบการสอน -> ขอ ผศ.
• พัฒนาเอกสารประกอบการสอน ไปเป็น เอกสารคำสอน  -> ขอ รศ. 
• พัฒนาเอกสารคำสอน ไปเป็น ตำรา -> ขอ รศ. และ ศ.  
• ห้ามเอาเอกสารคำสอน ไปเขียนเป็นหนังสือ ตั้งแต่ ๑ พ.ย. ๖๑ เป็นต้นไป (ระเบียบใหม่) 
• ตามกฎหมาย เราสามารถ เขียนเอกสารวิชาการ วิชาเดียวได้ถึง ตำรา ขอ ศ. ได้เลย ไม่จำเป็นต้องเขียน ๒ วิชา  (แต่จากประสบการณ์ที่ผ่านมา  ไม่มีใครทำวิชาเดียว)
• วิธีการหาแรงกระตุ้น (แรงบันดาลใจ) ให้ตนเองเขียน 
• เอาไว้ใช้ ขอตำแหน่ง ผศ. รศ. ศ.๑๐ และ ศ.๑๑
• ได้เงินค่าตำแหน่ง  ฐานเงินเดือนสูงขึ้นด้วย
• ชื่อเสียง ความน่าเชื่อถือ เกียรติยศ  (สายสะพาย) ... ชอบตรงที่ท่านบอกว่า เพื่อความภูมิใจของลูกศิษย์ 
• ได้เผยแพร่ผลงานวิชาการของตนเอง (สร้างองค์ความรู้ใหม่)

เทคนิคการเขียน

• ขอ ผศ. ต้องการเอกสารประกอบการสอนและงานวิจัย ... ไม่ต้องใช้หนังสือหรือตำรา
• จะขอ รศ. ศ. ต้องเข้าใจก่อนว่า "หนังสือ" "ตำรา" แตกต่างกันอย่างไร (เรื่องนี้สำคัญมาก)  ท่านแนะไว้ดังนี้ 
• ตำรา จะต้อง ใช้สอนในวิชา อาจใช้สอนทั้งวิชา หรือส่วนหนึ่งส่วนใดก็ได้  ผู้ยื่นขอตำแหน่งต้องเป็นผู้สอน  แต่ไม่จำเป็นต้องเป็นผู้สอนทั้งวิชาก็มีสิทธิจะเขียนตำราทั้งวิชา 
• ต้องมีเนื้อหาครบถ้วนตามคำอธิบายรายวิชา 
• ต้องผ่านการใช้สอนมาแล้วอย่างน้อย ๑ เทอม  โดยจะพิจารณาว่าจัดพิมพ์เมื่อใด ใช่ก่อนต้นเทอมหรือไม่ (จะดูที่คำนำ) 
• บุคคลอื่น นิสิตนักศึกษาอื่น ที่ไม่ได้เรียนโดยตรง ก็สามารถ "อ่านรู้เรื่อง" 
• ต้องมีดัชนีคำศัพท์ 
• ต้องแสดงหลักฐานว่า ผ่านการประเมินจากผู้ทรงคุณวุฒิ (มหาวิทยาลัยหรือคณะวิชา อาจแต่งตั้งคณะกรรมการผู้ทรงคุณวุฒิขึ้นมาดูแล) 
• ต้องได้รับการเผยแพร่ เช่น 
• พิมพ์ในโรงพิมพ์ 
• สำนักพิมพ์   วิธีนี้ สมมติ ๓๐๐ หน้า ๕๐๐ เล่ม ๕ สี ราคาจะอยู่ที่ ๓๐๐,๐๐๐ บาท 
• e-book  ต้นทุนอยู่ประมาณ ๑๐,๐๐๐ บาท 
• online  ต้นทุน ๐ บาท  ทั้งนี้ต้องได้รับการตรวจสอบจากคณะกรรมการ 
• สมมติขอแล้ว "ไม่ผ่าน" คือ "ตก" ให้รีบแก้ไข ปรับปรุง ส่งกลับมาใหม่ให้เจอกรรมการชุดเดิม ...อย่างทิ้ง 
• ผลการประเมินตำรา ต้องผ่านเกณฑ์ ตามระดับการขอตำแหน่ง  ผศ. ต้องได้ ระดับดี รศ. ต้อง ระดับดีมาก และ ศ. ต้องได้ระดับดีเด่น 
• หนังสือ  ไม่จำเป็นต้องสอดคล้องกับวิชาที่สอน  ไม่ต้องใช้ในการสอน ไม่สามารถพัฒนามาจากเอกสารคำสอนได้  รูปแบบเหมือนกันหมด  มีดัชนีเหมือนกัน  มีข้อแนะนำเพิ่มเติมดังนี้ 
• ไม่ควรทำแบบ Book Chapter  ...  ต้องให้ครบถ้วนองค์ประกอบ 
• หากได้รับการประเมิน "ตก" ก็ให้รีบแก้ไขเหมือนกัน 
• ผศ. รศ. ศ. จะเน้นการประเมินผลงานวิจัยและตำราหนังสือเป็นหลัก  ส่วนเอกสารประกอบการสอนและเอกสารคำสอนนั้น เป็นการประเมินโดยใช้กรรมการภายในหน่วยงาน  กรรมการสองชุดนี้ไม่เกี่ยวข้องกัน
• การขอ ศ. นั้น แตกต่าง จากการขอ รศ. ใน ๒ ประเด็นหลักๆ คือ 
• การอ้างอิงของผลงานวิจัย  และ
• การยอมรับทางวิชาการ (ในวงการ)
• วิธีการพัฒนาจากเอกสารคำสอนไปเป็นตำรา อาจใช้เทคนิคการ "ยุบรวม" และการ "แยกบทเรียน" เช่น 
• ในเอกสารคำสอน กำหนด บทที่ ๒ ทฤษฎีพันธุกรรมตามกฎเมนเดลและนอกกฎเมนเดล  เมื่อมาเขียนเป็นตำรา ให้แยกออกเป็น ๒ บท 
• ในเอกสารคำสอน กำหนด บทที่ ๒ การใช้โปรแกรมในระบบปฏิบัติการดอส  เมื่อมาเขียนเป็นตำรา ให้แยกเป็น การใช้โปรแกรมในระบบปฏิบัติการดอสเบื้องต้น และ การใช้โปรแกรมในระบบปฏิบัติการดอสขั้นสูง 
• เป็นต้น 
• ต้องมีการนำเอางานวิจัยของตนเองและของผู้อื่น แทรกอ้างอิงหรือเป็นตัวอย้างในตำรา 

ข้อควรคำนึงในการเขียนตำรา หนังสือ

มีงานวิจัยของ ม.เกษตรฯ บอกว่า การยื่นขอตำแหน่ง รศ. นั้น ส่วนมากงานวิจัยผ่าน แต่ตกหนังสือหรือตำรา ผู้เสนอขอตำแหน่งจำนวน ๒๔๒ คน ส่วนใหญ่ไม่ผ่านเพราะตำราหรือหนังสือ 

• ร้อยละ ๕๐ เนื้อหาไม่ต่อเนื่อง ไม่สมบูรณ์ ไม่ลึกซึ้ง และไม่ทันสมัย 
• ร้อยละ ๓๐ ไม่มีการสอดแทรกประสบการณ์ที่เกิดจากการค้นคว้าของตนเองเข้าไปในตำรา หรือสอดแทรกน้อยเกินไป 
• ร้อยละ ๒๐ ไม่มีการวิเคราะห์ สังเคราะห์ หรือเนื้อเรื่องไม่มีความสำพันธ์กัน และอ้างอิงไม่ถูกต้อง  

โดยสรุป ท่านเน้นว่า 

• สาเหตุที่ทำให้ "ตก"การประเมินตำราหรือหนังสือ ที่มักพบคือ 
• เขียนไม่ครบถ้วนสมบูรณ์  (ร้อยละ ๕๐ ของผลงานที่เคยอ่านมา) ต้องเขียนให้เต็มวิชา   มักไปยึดติดกับคำอธิบายรายวิชา   ที่ถูกต้อง ต้องไปเอาหนังสือตำราในศาสตร์นั้นๆ มาพิจารณาดู 
• จำนวนบทไม่มีการกำหนดตายตัว   ๑๐ บท น่าจะกำลังดี  ๕ บทแรกให้เป็นทฤษฎี ๕ บทหลังให้เป็นการประยุกต์ใช้ทฤษฎี  ซึ่งเป็นหลักการแบบนี้คล้ายกันทุกศาสตร์  
• ควรจะมีจำนวนหน้ามากกว่า ๒๐๐ หน้า  ควรจะเป็น ๒๕๐-๓๐๐ หน้า ... ตำราที่ท่านยื่น ๖๐๐ กว่าหน้า ....ฮา
• ถ้าเป็นไปได้ ให้เพิ่มอีก ๒ บท โดยเฉพาะสายวิทยาศาสตร์  คือ 
• แลป หรือ เทคนิคการปฏิบัติ  
• เรื่องน่าสนใจ  เรื่องเด่นๆ  หรือ การประยุกต์ใช้ที่ใหม่ งานวิจัยใหม่ๆ  ที่น่าสนใจ โดยเฉพาะงานวิจัยของตนเองหรือจากงานวิจัยอื่นๆ 
• อย่าเขียนตำราคู่มือปฏิบัติการ หรือ ความรู้ขั้นพื้นฐานมากเกินไป เพราะมักจะไม่ผ่าน เช่น
• General Biology
• Principle of Computer 
• etc. 
• ต้องเลือกหนังสือที่ตนเอง ทั้งรักและสามารถต่อยอดได้ ไม่ใช่รักอย่างเดียว  ตอนทำ ผศ. ให้กำหนดสาขาไว้กว้างๆ ก่อน 
• งานวิจัยและตำราไม่สอดคล้องกัน ทำให้ไม่สามารถนำเอางานวิจัยมาแทรกเป็นตัวอย่างในตำราของตนเอง จึงตก  จะให้ดี คือให้วางแผนล่วงหน้าเลยว่า จะเขียนตำราอะไร จะต้องทำวิจัยอะไร งานวิจัยแต่ละชิ้นจะไปเขียนในตำราตรงไหน

การวางแผนในการขอตำแหน่งวิชาการ

ต่อไปนี้ เป็นคำแนะนำที่ท่านบอกไว้เป็นแนวทางสำหรับผู้มาใหม่ 

• เริ่มที่ ผศ. (ระดับ ซี ๘) ก่อน ดังนี้ 
• เขียนเอกสารประกอบการสอนในรายวิชาพื้นฐาน สัก ๘ บท ๒๐๐ หน้า เขียนให้เต็มวิชา 
• ใช้งานวิจัยในการขอประเมิน ๒ เรื่อง  ควรเป็น TCI ฐาน ๑ หรือ ฐาน ๒ โดยต้องเป็นเจ้าของร้อยละ ๕๐ หรือเป็น Corresponding Author (ผู้นิพนธ์หลัก)  ข้อแนะนำ 
• หากผลงานนั้น มีชื่อมากกว่า ๒ ชื่อ จะใช้ได้ เพียง ๑ คน ... ใช้ได้ครั้งเดียว 
• หากผลงานนั้น มีชื่อ ๕ คน ชื่อสุดท้ายเป็นผู้นิพนธ์หลัก  คนอื่นก็ใช้ไม่ได้ 
• ในระดับขอ รศ. (ระดับ ๙)
• เขียนเป็นเอกสารคำสอน วิชาเฉพาะด้าน (เล่มที่ ๑)  ประมาณ ๑๐ บท ๒๕๐ หน้า 
• งานวิจัยอย่างน้อย ๓ เรื่อง ในฐานข้อมูล SCOPUS หรือ ISI หรือ อย่างน้อยต้อง TCI ฐาน ๑  และต้องเป็นเจ้าของ ร้อยละ ๕๐ หรือ เป็นผู้นิพนธ์หลัก 
• ตำรา  (ที่พัฒนามาจากเอกสารคำสอน) ประมาณ ๑๒ บท ๓๐๐ หน้า 
• ในแต่ละบทต้องเริ่มด้วยคำนำ และมีบทสรุป 
• ในระดับขอ ศ. (ระดับ ๑๐)
• เขียนเอกสารคำสอน วิชาเฉพาะด้าน (เล่มที่ ๒) 
• งานวิจัยอย่างน้อย ๕ เรื่อง ในฐานข้อมูล SCOPUS หรือ ISI หรือ อย่างน้อยต้อง TCI ฐาน ๑  และต้องเป็นเจ้าของ ร้อยละ ๕๐ หรือ เป็นผู้นิพนธ์หลัก  
• เขียนตำราที่พัฒนาจากเอกสารคำสอนเล่มที่ ๒ และเขียนหนังสือหรือตำราเพิ่มอีก ๑ เล่ม  (รวมเป็นต้องมีเอกสารคำสอน ๑ เล่ม ตำรา ๑ เล่ม และหนังสือหรือตำราอีก ๑ เล่ม รวมทั้งหมด ๓ เล่ม)
• ให้ตั้งใจว่า "ในชีวิตนี้ขอให้ได้ส่งสักครั้ง ผ่านไม่ผ่าน ไม่ได้คาดหวังอะไร แต่จะทำให้ดีที่สุด ณ ปัจจุบัน"  (ตอนที่ท่านยื่น ศ. ท่านใช้ วุฒิปริญญาโท ยื่น) 

กฎ ๓ ข้อ ของการเขียนตำราหรือหนังสือ

• กฎข้อที่ ๑ ต้องรวบรวมหนังสือต้นแบบที่จะนำมาเขียนทั้งภาษาไทยและภาษาสากล แล้วพิจารณากำหนดเนื้อหาให้ครอบคลุม ครบถ้วน สมบูรณ์ และวางโครงเรื่องให้ต่อเนื่อง 
• กฎข้อที่ ๒ ในแต่ละบทให้กำหนดหัวข้อย่อยในแต่ละบท  ดังนี้ 
• เริ่มด้วย คำนำ
• จบด้วย บทสรุป 
• สองบทสุดท้าย ควรจะเป็นเรื่องของการประยุกต์ที่เข้ากับงานวิจัยของผู้เขียน หรืองานวิจัยเด่นๆ และทันสมัย 
• ถ้าจะให้ดีควรมีคำถามท้ายบท  (และเฉลยไว้ท้ายเล่ม)
• กฎข้อที่ ๓ ต้องเขียนอย่างต่อเนื่อง โดย 
• ไม่จำเป็นต้องเรียงบท บทไหนก่อนก็ได้ เขียนต่อจิ๊กซอไปเรื่อยๆ 
• เวลาเช้ามืด จะมีพลังความสดชื่น ทำต่อเนื่อง ๑ เดือนจะเห็นความก้าวหน้า เกิดกำลังใจเอง 
• สามารถทำงานอื่นๆ หลายอย่างพร้อมกันได้กับการเขียน แต่ต้องต่อเนื่อง 

เทคนิคเคล็ด(ไม่ลับ) เพิ่มเติม

• คำศัพท์ สำคัญมาก  ให้ยึดศัพท์ตามราชบัณฑิตกำหนด หรือทับศัพท์ก็ได้ เช่น 
• Software  ศัพท์ราชบัณฑิตบัญญัติคือ ชุดคำสั่ง  (ไม่ใช่ ละมุนภัณฑ์)  เขียนทับศัพท์คือ ซอร์ฟแวร์ 
• Join Stick ศัพท์บัญญัติคือ ก้านควบคุม (ไม่ใช่ แท่งหรรษา) หรือเขียนทับศัพท์คือ จอยสติ๊ก
• ฯลฯ
• การเขียนทับศัพท์ ต้องเขียน "ภาษาพูด" หรือ เขียนเรียนเสียง ไม่ใช่เขียนภาษาอ่าน  เช่น 
• Michael  ถ้าเป็นชื่อผู้ชาย จะเป็น ไมเคิล  ถ้าเป็นผู้หญิงเป็น มิเชล แต่ถ้าเป็นคนรัสเซีย ต้องเขียน มิกคาอิล หรือถ้าเป็นคนสวิส ต้องเป็น มิกาเอล 
• ฯลฯ 
• การเขียนทับศัพท์ ให้เขียนวงเล็บภาษาต่างประเทศ เพียงครั้งแรก ครั้งเดียวเท่านั้น ต่อไปให้ใช้คำภาษาไทย 
• ภาษาอังกฤษในวงเล็บต้องตัวพิมพ์เล็กเสมอ ยกเว้นคำเฉพาะ เช่น ชื่อคน ชื่อสถานที่ ฯลฯ เท่านั้น 
• ภาษาในภาพทุกภาพ ต้องเป็น ภาษาไทย  โดยอาจใช้คำว่า "ดัดแปลงจาก..... " 
• ทุกภาพต้องชัดเจน ไม่เบลอ 
• ต้องไม่ก๊อปปี้เพลส เด็ดขาด  ต้องใช้การเรียบเรียง  
• ออกแบบปกให้สวยงาม

ต้นฉบับที่มา https://www.gotoknow.org/posts/655985

Video conference MCU

MCU คืออะไร

Multipoint Control Unit (MCU)
เป็นอุปกรณ์ที่ทำหน้าที่ในการจัดการระบบภาพและเสียงจากหลายแหล่งมารวมกัน เพื่อที่จะส่งไปยังอุปกรณ์ปลายทางทุกจุดหมายพร้อมกันได้

ระบบ Asterisk สามารถที่จะทำหน้าที่ในการรวมเสียงโดยใช้งาน meetme ซึ่งเราสามารถที่จะนำไปใช้งานในการสร้างห้องประชุมทางเสียงได้ทันที หากแต่การทำงานของ meetme นั้นไม่รองรับการทำงานของระบบภาพ (video) ซึ่งระบบ asterisk นั้นจะใช้งานระบบภาพ (video-call) ได้แบบ point-to-point หรือ คุยแบบเห็นภาพใด้จากจุดหนึ่งไปยังอีกจุดหนึ่งเท่านั้น ฉะนั้นในกรณีที่เราต้องการที่รวมภาพจากหลายๆแหล่งมาใว้ในหน้าจอเดียวกันนั้น ต้องพึ่งพาอุปกรณ์ภายนอกตัวนี้ที่เรียกว่า MCU นั่นเอง

More Informaiton on VideoConference
อุปกรณ์ประเภท MCU นั้นส่วนใหญ่จะมาจาก brand ที่ทำระบบ VideoConference ระบบใหญ่มาทั้งสิ้น (เช่น Sony, Polycom, Tanburg) ซึ่งราคาของอุปกรณ์ MCU นั้นจัดได้ว่ามีราคาสูงมากเมื่อเทียบกับอุปกรณ์ระบบ VoIP โดยส่วนใหญ่ราคาจะขึ้นอยู่กับ จำนวน concurrent-connection ที่อุปกรณ์รับได้ หรือ function/features ที่เราต้องการเพิ่มเติม

https://actfornet.com/solution/videoconference-9sites.html

ML model management

Because data changes over time, even in productive ML settings, we are pretty much constantly in a loop of collecting data, exploring models, refining models, and finally testing/evaluating, deploying, and in the end monitoring our models
https://towardsdatascience.com/model-management-in-productive-ml-software-110d2d2cb456

ModelDB: A System to Manage Machine Learning Models
https://databricks.com/session/modeldb-a-system-to-manage-machine-learning-models

MLflow: A platform for managing the machine learning lifecycle
https://www.oreilly.com/content/mlflow-a-platform-for-managing-the-machine-learning-lifecycle/

ความหมายของการตระหนัก

รู้และเข้าใจในคุณค่าหรือโทษ ตามด้วยการยอมรับ ตามด้วยการแสดงออกทางพฤติกรรมที่แสดงถึงการยอมรับ

MS Active Directory (AD)

• A directory service for Windows domain network. 
• AD server is called domain controller. 
• It authenticates and authorizes all users and computers in a Windows domain. 
• Active Directory uses LDAP, Kerberos, and DNS. 
• Active Directory Federation Services (AD FS) is a single sign-on service.

Android screen mirroring to laptop

1. Download Chrome extension AllCast Receiver for Chrome.
2. Download https://play.google.com/store/apps/details?id=com.koushikdutta.mirror
3. Make sure your computer and smartphone are on the same WiFi network.
4. Start AllCast Receiver through the Chrome App Launcher.
5. Start Mirror on your Android phone.
6. In Mirror, choose the Network Device that matches your PC. It will still start with “Chrome @” followed by an IP address.

Cf. https://www.quora.com/How-do-I-connect-wireless-display-on-an-Android-and-PC

Screen recorder

• Loom
• OBS

USB types

https://oppo.custhelp.com/app/answers/detail/a_id/9284/~/what-is-usb-type-a%2C-b-and-c%3F

Programming online classroom

https://classroom.github.com/

Transactions/Journal vs Letter vs Magazine

https://ieeexplore.ieee.org/document/7258445

สรุปว่า magazine คือบทความวิชาการ ส่วน letter คือ short paper 3-4 pages

CNN architectures and pre-trained models

• Alexnet (https://en.wikipedia.org/wiki/AlexNet)
• Xception
• VGG16
• VGG19
• ResNet, ResNetV2 (https://medium.com/@natthawatphongchit/%E0%B8%A1%E0%B8%B2%E0%B8%97%E0%B8%B3%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%A3%E0%B8%B9%E0%B9%89%E0%B8%88%E0%B8%B1%E0%B8%81-resnet-%E0%B8%81%E0%B8%B1%E0%B8%99%E0%B8%94%E0%B8%B5%E0%B8%81%E0%B8%A7%E0%B9%88%E0%B8%B2-aec3a8c10793)
• InceptionV3
• InceptionResNetV2
• MobileNet
• MobileNetV2
• DenseNet
• NASNet
• U-net

(https://keras.io/applications/)

These models can be used in transfer learning by further training them base don new related data sets.

Laragon

sw package comparable to xampp.
it includes db admin tool HeidiSql comparable to phpmyadmin.

https://laragon.org/download/

https://medium.com/@shukurlu.murad/benefits-of-laragon-e9294aa34a80

Transfer learning

Storing knowledge gained while solving one problem and applying it to a different but related problem จะได้ไม่ต้อง train ใหม่จากศูนย์ เช่น โมเดลตรวจหามะเร็งปอด ไปใช้สร้างโมเดลหามะเร็งในตับ

https://medium.com/kansas-city-machine-learning-artificial-intelligen/an-introduction-to-transfer-learning-in-machine-learning-7efd104b6026

Start up books

https://www.set.or.th/set/enterprise/publicpaper.do?utm_source=fb_set&utm_medium=social&utm_campaign=tsi--enterprise--document--set--enterprise_publication_004_20200228&utm_content=enterprise_publication_004

Honors vs Cum laude

https://www.dailyenglish.in.th/honors-vocabularies/

Knowledge base

KB consists of :

• Taxonomy (terms & their relationships) in form of ontology
• Rule base
• Mathmatical model bases

Authors’ contributions

Roles: Conceptualization; Data curation; Formal analysis; Funding acquisition; Investigation; Methodology; Project administration; Resources; Software; Supervision; Validation; Visualization; Roles/Writing – original draft; Writing – review & editing.

Statistical model vs machine learning model

• sm can be interpreted by human e.g. doctors interpret arima models.
• ml model is too complicated to be interpreted by human. That's why we let machine create it and call ml model.
• Statistics draws population inferences from a sample, and machine learning finds generalizable predictive patterns. (https://www.nature.com/articles/nmeth.4642)
• Statistics is The mathematics of the collection, organization, and interpretation of numerical data, especially the analysis of population characteristics by inference from sampling. Cf. American Heritage 

• The major difference between machine learning and statistics is their purpose. Machine learning models are designed to make the most accurate predictions possible. Statistical models are designed for inference about the relationships between variables. (https://towardsdatascience.com/the-actual-difference-between-statistics-and-machine-learning-64b49f07ea3)

• Decision tree algorithms have been studied throughout machine learning and statistics as a nonparametric approach to data modeling (Breiman, et al., 1984; Quinlan, 1993). Decision tree methodology is often contrasted with classical parametric statistical methodology, which requires the formulation of an explicit probabilistic model of the data generation process. (Cf. M.J. 1994, A Statistical Approach to Decision Tree Modeling) เราสรุปว่า DT เป็น supervised ML model ที่ตีความได้เหมือน statistical model และตอนตีความแต่ละเส้นทางในต้นไม้อาจเห็นโอกาสเกิดปัญหาในอนาคต เช่น เข้าไกล้ leave node ที่เป็นโรคแล้วไหมจะได้ป้องกันเนิ่นๆ

• XAI (Explainable ai) : methods and techniques in the application of artificial intelligence technology (AI) such that the results of the solution can be understood by humans. It contrasts with the concept of the "black box" in machine learning where even its designers cannot explain why an AI arrived at a specific decision. Wikipedia; https://cacm.acm.org/magazines/2022/4/259398-explainable-ai/fulltext#

Bkk night light

OCR by Google Doc

https://www.dailygizmo.tv/2020/01/31/3-howto-pdf-to-taxt-on-google-drive/?fbclid=IwAR2iu8U17vpWJdv-PwBfsDOnv0_e-fCmela0IwJx6lLIb_z8es0dlOdzr0w

ล้มเร็วเรียนรู้เร็ว

เป็นหลักทางการตลาดว่าให้รีบลงมือทำจะมัวแต่วางแผนจะได้รู้ว่าหมู่หรือจ่า ถ้าล้มเหลวจะได้รีบเอาเวลาไปทำอย่างอื่นแทน

Generative adversarial network (GAN)

A generative adversarial network (GAN) is a class of machine learning systems where two neural networks contest with each other in a game (in the sense of game theory, often but not always in the form of a zero-sum game). Given a training set, GAN learns to generate new data with the same statistics as the training set. For example, a GAN trained on photographs can generate new photographs that look at least superficially authentic to human observers, having many realistic characteristics. Though originally proposed as a form of generative model for unsupervised learning, GANs have also proven useful for semi-supervised learning, fully supervised learning, and reinforcement learning.

https://medium.com/@nutorbitx/gans-%E0%B8%AD%E0%B8%B0%E0%B9%84%E0%B8%A3%E0%B8%84%E0%B8%B7%E0%B8%AD-generative-adversarial-networks-7973ae70db70

The well-known application of GAN is deepfake.

Parsimonious model

A parsimonious model is a model that accomplishes a desired level of explanation or prediction with as few predictor variables as possible.

Pseudonymization vs. Anonymization

Pseudonymization is a data management and de-identification procedure by which personally identifiable information fields within a data record are replaced by one or more artificial identifiers, or pseudonyms.

Anonymization is tokenization.

https://dataprivacymanager.net/pseudonymization-according-to-the-gdpr/

Google data studio

https://datastudio.google.com/u/0/navigation/reporting

Mashup

A mashup (computer industry jargon), in web development, is a web page or web application that uses content from more than one source to create a single new service displayed in a single graphical interface.

--https://en.wikipedia.org/wiki/Mashup_(web_application_hybrid)

Box plot

https://en.wikipedia.org/wiki/Box_plot

https://www.tableau.com/about/blog/2014/12/5-chart-types-youve-never-tried-tableau-35281

Graph DBMS

https://neo4j.com/

Example graph DBMS is https://neo4j.com/ which claims good performance (equivalent to RDBMS + indexing; the indexing is replaced with graph edges in neo4j).

Java APIs