การสร้าง Excel slicer (i.e. using pivot to create drop down menus)

 https://www.thepexcel.com/slicer-dependent-dropdown/

Overlay network on network edges (not user edge computing)

 https://edgevpn.io/

AI with Python in Thai

 https://learn-ai.in.th/courses

Forecasting textbook

 https://otexts.com/fpp3/

IT-related design website

 Designil.com

Lifelong learning

 Anyone anytime anywhere ก็ต้องเรียนได้

BCG economy & SDG

 https://www.bangkokbiznews.com/news/detail/859943

B = เศรษฐกิจชีวภาพ (Bio Economy) เป็นการนำความรู้ เทคโนโลยี และนวัตกรรม มาพัฒนาต่อยอดจากฐานความเข้มแข็งเดิม นั่นก็คือ ทรัพยากรชีวภาพ หรือผลผลิตทางการเกษตร เพื่อเพิ่มมูลค่าให้กับสินค้า เช่น การพัฒนาพันธุ์ข้าวที่มีธาตุอาหารสูง เป็นต้น

C = เศรษฐกิจหมุนเวียน (Circular Economy) การนำทรัพยากรมาใช้ให้เกิดประโยชน์สูงสุดและคุ้มค่าที่สุด ที่สำคัญคือการมุ่งไปที่  ZERO WASTE หรือการลดปริมาณของเสียให้น้อยลงหรือเท่ากับศูนย์ ด้วยการปรับกระบวนการผลิต เช่น การเปลี่ยนของเสียจากการผลิต

G = เศรษฐกิจสีเขียว (Green Economy) มุ่งเน้นการลดผลกระทบต่อโลกอย่างยั่งยืน โดยเฉพาะความยั่งยืนด้านสิ่งแวดล้อม เช่น การใช้เอมไซม์จากจุลินทรีย์เพื่อการฟอกกระดาษ การใช้สารชีวภัณฑ์กำจัดแมลงศัตรูพืชทดแทนการใช้สารเคมี เป็นต้น

SDG (Sustainable development goal) : https://sdgs.nesdc.go.th/

Professor of practice

 ศาสตราจารย์ที่แต่งตั้งขึ้นเพราะปฏิบัติเก่ง เช่น ศาสตราจารย์คลีนิก ที่ นพ ปิยสกล ได้รับเพราะท่านมีประสบการณ์มากในการรักษาคนไข้ได้เก่งจนเป็นที่ประจักษ์ เป็นอาจารย์หมอ และได้รับความน่าเชื่อถือสูงในสังคม

ตรงข้ามกับศาสตราจารย์ในมหาวิทยาลัย

ศาสตราจารย์วิจัย อาจเสนอให้แก่นักวิจัยที่ไม่ใช่อาจารย์ เช่น นักวิจัย สวทช

การเรียนรู้ 5 รูปแบบ

การเรียนรู้ 5 รูปแบบ คือ On-site เรียนที่โรงเรียน, On-air เรียนผ่าน DLTV, On-demand เรียนผ่านแอพพลิเคชั่นต่าง ๆ,  On-line เรียนผ่านอินเตอร์เน็ต, On-hand เรียนที่บ้านด้วยเอกสาร

สังขารและสังขารทั้งหลาย ต่างกันอย่างไร

 http://download.watnapahpong.org/data/faq/vdo_audio/0101/01010080_V_20090722_dmg_doGVqhbhIuM.mp4

มโน วิญญาณ จิต

ลำแสงคือมโนที่สัตว์ไปยึดเกาะ

วิญญาณคือรัศมีแสงเมื่อลำแสงกระทบฉาก

วิญญาณเกิดที่ใดจิตเกิดที่นั่น

โปรแกรมแชท Discord IM

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

Tensegrity

 การใช้หลักแรงตึงเชือกประดิษฐ์โต๊ะเก้าอี้

Japan researcher's plagiarism in Nature journal

 https://www.washingtonpost.com/news/morning-mix/wp/2014/12/19/the-shameful-final-chapter-for-japans-most-promising-stem-cell-scientist/

How to communicate faster than or equal the speed of light in overall.

Such as inter-planets

Use caching

Fullstack webapp

 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

How AUC-ROC measures classification performance

AUC-ROC:  Area Under the Receiver Operating Characteristic (ROC) curve

ROC คือเส้นกราฟ ยิ่งเป็นมุมฉากชิดแกน Y เหนือแกน X (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

https://youtu.be/4jRBRDbJemM

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.