วาจา

Text to speech software application and API developed by NECTEC.

http://vaja.nectec.or.th/

DeepDive

DeepDive is a system to extract value from dark data ( Gartner defines dark data as the information assets organizations collect, process and store during regular business activities, but generally fail to use for other purposes (for example, analytics, business relationships and direct monetizing). Similar to dark matter in physics, dark data often comprises most organizations’ universe of information assets. Thus, organizations often retain dark data for compliance purposes only. )  and put the results into a database. With the data in a database, one can use a variety of standard tools that consume structured data; e.g., visualization tools like Tablaeu or analytics tools like Excel.

--http://deepdive.stanford.edu

Convolutional neural network

CNN is type of feed-forward artificial neural network in which the connectivity pattern between its neurons is inspired by the organization of the animal visual cortex.

--wiki

การนั่งสมาธิและการใคร่ครวญธรรม

ถ้าจิตหดหู่ให้ใคร่ครวญธรรมอย่านั่งสมาธิ
ถ้าจิตฟุ้งซ่านให้นั่งสมาธิอย่าใคร่ครวญธรรม

อกุศลกรรมบท 10, 20, 30, 40

อกุศลกรรมบท 10 คือทำอกุศลเอง
อกุศลกรรมบท 20 คือทำอกุศลเอง และชักชวนผู้อื่นทำ
อกุศลกรรมบท 30 คือทำอกุศลเอง และชักชวนผู้อื่นทำ และยินดีกับการกระทำอกุศลของเข้า
อกุศลกรรมบท 40 คือทำอกุศลเอง และชักชวนผู้อื่นทำ และยินดีกับการกระทำอกุศลของเข้า และสรรเสริญผู้ทำอกุศล

Openlayer

https://openlayers.org/

OpenLayers makes it easy to put a dynamic map in any web page. It can display map tiles, vector data and markers loaded from any source. OpenLayers has been developed to further the use of geographic information of all kinds. It is completely free, Open Source JavaScript.

Machine learning approaches

Well known ML algorithm teaching videos

statistical prediction techniques เช่น linear/logistic regression, MACD, ARIMA ผู้ใช้ต้องทราบลักษณะบางประการของโมเดลเพื่อเลือกประเภทของเทคนิคให้ถูกจึงสร้างโมเดลได้ เช่น ทราบว่าเป็น linear จึงใช้ linear regression ส่วน ML ไม่จำเป็นต้องทราบ

Zero rule and One rule http://www.saedsayad.com/classification.htm

Support Vector Machine (SVM) classificationเป็นการหาเส้นตรง (hyperplane) เพื่อลากแบ่งข้อมูลเป็นสองคลาส (binary sets) จากนั้นพอมีข้อมูลชิ้นใหม่เข้ามาให้ classify ก็นำไปแทนในสมการ hyperplane ถ้าเป็นบวกก็จัดอยู่ในคลาสนึง ถ้าลบก็อีกคลาสนึง

https://youtu.be/1NxnPkZM9bc

k nearest neighbor (kNN) classification นำ training vectors ไปสอนอัลกอเพื่อให้อัลกอบันทึกไว้ทั้งหมด สมมติว่าแต่ละ vector ประกอบด้วย2features คือส่วนสูง(แกน x) และ นน(แกนy) และ vectors ทั้งหมดนี้แบ่งออกเป็น 2 คลาสคือเพศชายและเพศหญิง เมื่อมี vector ใหม่ (ข้อมูลของคนใหม่) มาให้จำแนกว่าเป็น ช หรือ ญ อัลกอก็ทำการคำนวณ distance ด้วยสูตรต่างๆ ซึ่งมีให้เลือกหลายสูตร เพื่อหา k vectors ที่อยู่ใกล้ new vector มากที่สุด แล้วนับดูว่า vectors เหล่านั้นจัดอยู่ในคลาส ช หรือ ญ มากกว่ากัน ถ้า ช ก็จะสรุปว่า new vector เป็น ช ด้วย ดังนั้น k ต้องเป็นเลขคี่ การประยุกต์ใช้งานอื่นๆ เช่นถ้า k = 1 จะเป็นการหา similarity ว่า ตย ที่ให้มาควรจัดอยู่ในคลาสใด ซึ่งคลาสที่กำหนดให้อาจมีมากกว่าสองคลาสได้ (ดูคลิปที่สอง)

https://youtu.be/UqYde-LULfs

https://youtu.be/v6278Cjf_qA

k mean clustering มีชุดข้อมูลอยู่ ต้องการแบ่งออกเป็น k กลุ่ม (เช่นจัดกลุ่มผลไม้ที่สีคล้ายๆกัน) โดยในแต่ละกลุ่มประกอบด้วยสมาชิกคล้ายๆกัน อัลกอมีลักษณะ iterative ที่จะทำให้ผลลัพธ์ convergence มากขึ้นเรื่อยๆ

https://youtu.be/IuRb3y8qKX4

https://youtu.be/zHbxbb2ye3E

การหาค่า k ที่เหมาะสมถ้าไม่ทราบล่วงหน้า คือใช้สูตร elbow หรือ silhouette หรือ gap statistic (https://medium.com/analytics-vidhya/how-to-determine-the-optimal-k-for-k-means-708505d204eb)

The elbow point represents the number of clusters beyond which the rate of decrease in WCSS significantly slows down. This suggests that adding more clusters doesn’t substantially improve the clustering quality. Within-cluster sum of squares (WCSS), also known as inertia, measures the compactness of clusters by calculating the sum of squared distances between each data point and the centroid of its assigned cluster. A lower WCSS indicates more compact clusters, meaning data points are closer to their respective centroids. 

Agglomerative clustering relies on dendogram
https://www.youtube.com/watch?v=XJ3194AmH40

Vector space model ใช้หา similarity ระหว่าง 2 (feature) vectors

https://youtu.be/ZEkO8QSlynY
Linear regression ใช้ predict continuous value โดยใช้ 1 หรือหลาย input variables ก็ได้ (ถ้า input variable เป็น vector จะเรียกว่า multiple linear regression) ดูคลิปนี้ประมาณที่นาทีที่ 2.06 จะเห็นว่าเป็นการพยากรณ์ค่า y จากค่า x โดยที่ค่า y ที่พยากรณ์ได้จะอยู่บนเส้นตรง (linear) นั่นเอง และจากคลิปจะเห็น error (delta Y) ที่เกิดจากค่า y จริงของจุด output จริง กับค่าที่พยากรณ์ได้บนเส้นตรง

https://www.youtube.com/watch?v=zPG4NjIkCjc
Simple linear regression เหมือน linear regression ยกเว้นใช้แค่ 1 input variable 

Logistic regression (นั่นคือ single layer perceptron ที่ใช้ sigmoid function) ซึ่งใช้ทำ binary classification แต่สามารถประยุกต์ทำ multiclass classification คือจำแนกออกเป็นมากกว่าสองคลาสได้ตามคลิปนี้

https://youtu.be/6B1okbgfw8E

Multiclass SVM ใช้ทำ multiclass classification

Classification metrics: precision, recall, F measure,
accuracy & loss (eg. cross entropy) (https://kharshit.github.io/blog/2018/12/07/loss-vs-accuracy) (cross entropy : https://ml-cheatsheet.readthedocs.io/en/latest/loss_functions.html)

SOM (self organizing map) for dimentionality reduction (e.g. from 20 human-understandable attributes to 2 machine-understandable attributes).
https://m.youtube.com/watch?v=H9H6s-x-0YE
https://m.youtube.com/watch?v=9ZhwKv_bUx8
http://www.cs.bham.ac.uk/~jxb/NN/l16.pdf
https://docs.rapidminer.com/latest/studio/operators/cleansing/dimensionality_reduction/self_organizing_map.html
Another technique for dimension reduction is Principal Component Analysis (PCA): a statistical algorithm used to transform a set of possibly correlated variables into a set of uncorrelated linear re-combinations of those variables called principal components.

Yet another technique that can be applied to dimension reduction is singular value decomposition (SVD) (https://en.wikipedia.org/wiki/Singular_value_decomposition). High dimension data can suffer curse of dimensionality (https://en.wikipedia.org/wiki/Curse_of_dimensionality): occurs when your data has too many features i.e. when the dimensionality increases, the volume of the space increases so fast that the available data become sparse. This sparsity is problematic for any method that requires statistical significance. In order to obtain a statistically sound and reliable result, the amount of data needed to support the result often grows exponentially with the dimensionality.

Unsupervised neural net is used to extract structures of input e.g. to find vectors representing words as word2vec and to remove noise from photo using cost function adding noise to output and comparing it with input.
https://youtu.be/P8_W5Wc4zeg at the 3rd minute.
To recap, it is used for dimensionlity reduction by using 2 connected mlps (the connected layer must be bottleneck to represent the dimension reduction).
https://medium.com/intuitive-deep-learning/autoencoders-neural-networks-for-unsupervised-learning-83af5f092f0b

Word2vec chooses window size (a number of contiguous words) then convert each word in a window by using Onehot function, then creating a list of nearby word (encoded with onehot) pairs i.e. training set of backprop MLP using linear activation function.  After training, word2vec value is the multiplication of weight vector and onehot input vector. See https://youtu.be/64qSgA66P-8 and https://youtu.be/UqRCEmrv1gQ

EM Algorithm (Expectation-maximization) is a way to find maximum-likelihood estimates for model parameters when your data is incomplete, has missing data points, or has unobserved (hidden) latent variables. (https://www.statisticshowto.datasciencecentral.com/em-algorithm-expectation-maximization/) ใช้ทำ oversampling เพื่อแก้ปัญหา imbalanced data ได้ (https://arxiv.org/abs/1811.07674)

In the context of machine learning, a hyperparameter is a parameter whose value is set before the learning process begins such as #epochs, and the structure of MLP. Unlike model parameters, which are learned from the training data, hyperparameters are external to the model and must be specified by the practitioner. Hyperparameters are parameters that control the behavior of machine learning algorithms.

ML VS. Statistics

ดอกเบี้ยนโยบาย

การดูว่ามีศีลหรือไม่

ศีลรู้ได้ด้วยการอยู่ร่วมกัน
ศีลรู้ได้โดยกาลนาน
เมื่อมนัสสิการพึงทราบได้
ผู้มีปัญญาพึงทราบได้

New S-Curve

หมายถึง อุตสาหกรรมใหม่ๆ หรืออุตสาหกรรมแห่งอนาคต
ตัวเอส แสดง การเกิดใหม่ การเติบโต และการอยู่ตัว

Virtualization for Mac OS

• Parallel 
• VMware Fusion 
• Bootcamp (ช่วยให้คุณสามารถติดตั้ง Microsoft Windows บน Mac ได้ และหลังจากติดตั้งแล้ว คุณสามารถรีสตาร์ท Mac เพื่อสลับไปมาระหว่าง macOS และ Windows ได้)

MongoDB VS. Cassandra

Data in MongoDB is stored in BSON documents – JSON-style data structures. Documents contain one or more fields, and each field contains a value of a specific data type, including arrays, binary data and sub-documents. Documents that tend to share a similar structure are organized as collections.

It may be helpful to think of documents as analogous to rows in a relational database, fields as similar to columns, and collections as similar to tables.

Reference: https://www.mongodb.com/faq?jmp=footer

Document Structure

The key decision in designing data models for MongoDB applications revolves around the structure of documents and how the application represents relationships between data. There are two tools that allow applications to represent these relationships: references and embedded documents.

References

ส่วนตัวแล้วพบว่า1documentก็คือ1recordของตารางที่normalizedแล้ว

Embedded Data

Source: https://docs.mongodb.com/manual/core/data-modeling-introduction/


MongoDB can store binary file smaller than 10 MB directly in a document file, otherwise consider using GridFS to store binary files in separate files from the document file.


MongoDB VS. Cassandra

https://scalegrid.io/blog/cassandra-vs-mongodb/

Google's PoPs

https://peering.google.com/#/infrastructure

Data visualization taxonomy

-- CSA big data taxonomy

Green

กรรม

เรากล่าวว่าเจตนาคือกรรม ถ้าไม่มีเจตนาก็ไม่มีกรรม

เหตุเกิดของกรรมคือผัสสะ

ถ้ามีผัสสะแต่ไม่มีเจตนา เช่นถอยรถทับแมวตาย ก็ไม่มีกรรม