https://discord.com/
More or less comparable to Line(IM)+Google meet (video conference)+Skype (multi-user voip)
https://www.krungsri.com/th/plearn-plearn/know-discord-community-online
Features & limitation:
https://youtu.be/3xt22Of-y8c?si=Po5Q9bKyUcJiXZ4D
Introduction :
ต้องสร้าง server ของเราก่อนจากนั้นจึงเข้าไปสร้าง text channel หรือ voice channel ไว้คุยกันต่อ
https://youtu.be/YzdkppC-6yM?si=ingLwYvBGhhZADZX
https://youtu.be/z2sFpE1uFXQ?si=xkqomi1zZDsU_53G
https://www.washingtonpost.com/news/morning-mix/wp/2014/12/19/the-shameful-final-chapter-for-japans-most-promising-stem-cell-scientist/
Such as inter-planets
Use caching
https://medium.com/@taforyou/%E0%B8%A3%E0%B8%B9%E0%B9%89%E0%B8%88%E0%B8%B1%E0%B8%81%E0%B8%81%E0%B8%B1%E0%B8%9A-fullstack-%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B9%82%E0%B8%84%E0%B8%95%E0%B8%A3%E0%B9%80%E0%B8%A1%E0%B8%9E-react-go-rdbms-%E0%B8%95%E0%B8%AD%E0%B8%99%E0%B8%97%E0%B8%B5%E0%B9%88-1-efdc0450c18f
AUC-ROC: Area Under the Receiver Operating Characteristic (ROC) curve; aka ROC-AUC
ROC คือเส้นกราฟ ยิ่งเป็นมุมฉากชิดแกน Y เหนือแกน X (ซึ่งเป็นค่า FPR (= FP/(TN+FP)) ยิ่งหมายความว่าจำแนกเก่ง ส่วนแกน Y เป็นค่า recall i.e. TPR (= TP/(TN+FP))
AUC คือพื้นที่ใต้กราฟ ROC ยิ่งมากแสดงว่าตัวแบบยิ่งจำแนกเก่ง เช่น 1.0 คือจำแนกไม่ผิดเลย ถ้า 0.7 คือจำแนกถูก 70%
https://towardsdatascience.com/understanding-auc-roc-curve-68b2303cc9c5 In the chart in this website, (TPR,FPR) can = (1,1) as the extreme case when the threshold is so low that the classifier predicts everything as positive (i.e., it never outputs “negative”).
Here’s what happens in that situation:
True Positives (TP): All actual positives will be predicted as positive.
→ TP = total positives. So TPR = 1
False Positives (FP): All actual negatives will also be predicted as positive.
→ FP = total negatives. So FPR = 1
You may think of F1 as a measure of precision and recall at a particular threshold value. When you have a data imbalance between positive and negative samples, you should always use F1-score because ROC averages over all possible thresholds!
https://stackoverflow.com/questions/44172162/f1-score-vs-roc-auc
Let’s say you have a dataset with two classes where the first class is 99% of your data, and the second is 1%. Your classifier predicts every observation as falling into the first class. Your TPR (แกนY ของROC) will be very high since it predicts that class well and that represents most of your data. Thus your ROC curve will have a high AUC.
However, your classifier hasn’t actually done a good job predicting the other class and the recall for that class will be 0. With imbalanced classes, it’s easy to get a high AUC without actually making useful predictions, so looking at precision/recall helps you analyze how well you’re predicting each class.
You have to use these metrics together, and it might also be useful to bring in the f1 score, which combines precision and recall for both of the classes.
https://mattturck.com/data2020/?fbclid=IwAR04C56l3vKlXtPSPQAYHwboyTonbrP2QkG6knEa5ongP1JgyIANgN6PnGE
Imagine vectors as arrows starting from the origin.
แบรนด์ของเอกชนจะดีขึ้นด้วยหลักฐานการยอมรับทางวิชาการ และยังได้ cobrand กับมหาลัยสื่อถึงการรับรองคุณภาพโดยมหาลัยด้วย
แต่เอกชนก็อาจจะเถียงว่าคนที่อ่านบทความไม่ใช่กลุ่มลูกค้าเป้าหมายของเขา
https://www.flickr.com/photos/74408961@N03/8963250372
https://myaccount.google.com/dashboard
