reveal.js

# บทนำสู่ปัญญาประดิษฐ์
## Introduction to Artificial Intelligence

**ผู้จัดทำ:** อรรถพล คงหวาน

---

# Outline

1. ความหมายและนิยามของปัญญาประดิษฐ์
2. ประวัติและวิวัฒนาการของ AI
3. สาขาต่าง ๆ ของ AI
4. ประเภทของ AI: Weak AI vs Strong AI
5. ตัวแทนอัจฉริยะและสิ่งแวดล้อม
6. จริยธรรมและผลกระทบของ AI
7. เครื่องมือและการเตรียมความพร้อม
8. สรุปโดยรวม

---

# 1. ความหมายและนิยามของปัญญาประดิษฐ์
## Definition of AI

---

## ปัญญาประดิษฐ์คืออะไร?

**ปัญญาประดิษฐ์ (Artificial Intelligence: AI)** คือ สาขาวิชาทางวิทยาการคอมพิวเตอร์ที่มุ่งเน้นการสร้างระบบหรือเครื่องจักรที่สามารถแสดงพฤติกรรมอัจฉริยะ

โดยสามารถ:
- **รับรู้ (Perceive)** สิ่งแวดล้อม
- **เรียนรู้ (Learn)** จากประสบการณ์
- **ตัดสินใจ (Decide)** 
- **กระทำ (Act)** เพื่อบรรลุเป้าหมาย

---

## 4 แนวทางหลักในการนิยาม AI

| แนวทาง | คำอธิบาย | ตัวอย่าง |
|--------|----------|----------|
| **Thinking Humanly** | ระบบที่คิดเหมือนมนุษย์ | Cognitive Science, Neural Networks |
| **Thinking Rationally** | ระบบที่คิดอย่างมีเหตุผล | Logic-based AI, Expert Systems |
| **Acting Humanly** | ระบบที่กระทำเหมือนมนุษย์ | Turing Test, Chatbots |
| **Acting Rationally** | ระบบที่กระทำอย่างมีเหตุผล | Rational Agents, Optimization |

---

## การทดสอบทัวริง (Turing Test)

**Alan Turing** เสนอในปี 1950

> หากมนุษย์ไม่สามารถแยกแยะได้ว่ากำลังสนทนากับมนุษย์หรือเครื่องจักร แสดงว่าเครื่องจักรนั้นผ่านการทดสอบ

```mermaid
%%{init: {'theme': 'base', 'themeVariables': { 'primaryColor': '#458588', 'secondaryColor': '#98971a', 'tertiaryColor': '#d79921', 'primaryTextColor': '#ebdbb2', 'secondaryTextColor': '#282828'}}}%%
flowchart LR
    A["ผู้ถาม"] -->|"ส่งคำถาม"| B["หน้าจอ"]
    B -->|"รับคำตอบ"| A
    C["มนุษย์"] -->|"ตอบ"| B
    D["เครื่องจักร"] -->|"ตอบ"| B
```

---

## ความสามารถที่ต้องมีเพื่อผ่าน Turing Test

- **การประมวลผลภาษาธรรมชาติ (NLP)** - สื่อสารเป็นภาษามนุษย์ได้
- **การแทนความรู้ (Knowledge Representation)** - จัดเก็บข้อมูลและความรู้
- **การให้เหตุผลอัตโนมัติ (Automated Reasoning)** - ใช้ความรู้ตอบคำถามและหาข้อสรุป
- **การเรียนรู้ของเครื่อง (Machine Learning)** - ปรับตัวจากประสบการณ์

---

# 2. ประวัติและวิวัฒนาการของ AI
## History and Evolution of AI

---

## ไทม์ไลน์การพัฒนา AI (ภาพรวม)

```mermaid
%%{init: {'theme': 'base', 'themeVariables': { 'primaryColor': '#458588', 'secondaryColor': '#98971a', 'tertiaryColor': '#d79921'}}}%%
flowchart LR
 A["ยุคบุกเบิก 1943-1956"] --> B["ยุคทอง 1956-1974"]
 B --> C["AI Winter 1974-1993"]
 C --> D["ยุคฟื้นฟู 1993-2011"]
 D --> E["ยุคปัจจุบัน 2012-Now"]
```

---

## ยุคบุกเบิก (1943-1956)

| ปี | เหตุการณ์ | ความสำคัญ |
|----|----------|-----------|
| 1943 | McCulloch-Pitts Model | โมเดลคณิตศาสตร์แรกของเซลล์ประสาท |
| 1950 | Turing Test | มาตรฐานการวัดความฉลาดของเครื่อง |
| 1956 | Dartmouth Conference | **กำเนิดคำว่า AI** อย่างเป็นทางการ |

---

## ยุคทอง (1956-1974)

| ปี | เหตุการณ์ | ความสำคัญ |
|----|----------|-----------|
| 1958 | LISP | ภาษาโปรแกรมสำหรับ AI โดย John McCarthy |
| 1966 | ELIZA | Chatbot ตัวแรก |
| 1969 | SHAKEY | หุ่นยนต์เคลื่อนที่ตัวแรก |

---

## ยุค AI Winter (1974-1993)

- **1974:** ขาดเงินทุน ผลลัพธ์ไม่เป็นไปตามคาด
- **1980s:** Expert Systems (ระบบผู้เชี่ยวชาญ) ได้รับความนิยม
- **1987:** AI Winter ครั้งที่ 2 - ตลาดล่มสลาย

> ช่วงเวลาที่ความสนใจและเงินทุนสำหรับ AI ลดลงอย่างมาก

---

## ยุคฟื้นฟู (1993-2011)

| ปี | เหตุการณ์ | ความสำคัญ |
|----|----------|-----------|
| 1997 | Deep Blue vs Kasparov | AI ชนะแชมป์หมากรุกโลก |
| 2006 | Deep Learning | Geoffrey Hinton ฟื้นคืนชีพ Neural Networks |
| 2011 | IBM Watson | ชนะ Jeopardy! |

---

## ยุคปัจจุบัน (2012-Now)

| ปี | เหตุการณ์ | ความสำคัญ |
|----|----------|-----------|
| 2012 | AlexNet | การปฏิวัติ Deep Learning ใน Image Recognition |
| 2016 | AlphaGo | ชนะแชมป์โกะระดับโลก |
| 2017 | Transformer | สถาปัตยกรรมพื้นฐานของ LLMs |
| 2022 | ChatGPT | AI สนทนาเข้าถึงมวลชน |
| 2024 | AI Agents | Multimodal AI |

---

# 3. สาขาต่าง ๆ ของ AI
## Branches of AI

---

## ภาพรวมสาขาของ AI

```mermaid
%%{init: {'theme': 'base', 'themeVariables': { 'primaryColor': '#458588', 'secondaryColor': '#98971a'}}}%%
mindmap
    root((AI))
        Machine Learning
        Computer Vision
        NLP
        Robotics
        Expert Systems
        Speech Recognition
```

---

## Machine Learning (ML)

**การเรียนรู้ของเครื่อง** คือ สาขาย่อยของ AI ที่มุ่งเน้นการพัฒนาอัลกอริทึมที่สามารถ:

- **เรียนรู้รูปแบบ (Pattern)** จากข้อมูล
- **ทำนาย (Predict)** หรือตัดสินใจ
- โดย **ไม่ต้องเขียนโปรแกรมอย่างชัดเจน**

---

## ประเภทหลักของ Machine Learning

| ประเภท | คำอธิบาย | ตัวอย่าง |
|--------|----------|----------|
| **Supervised Learning** | เรียนรู้จากข้อมูลที่มี Label | Classification, Regression |
| **Unsupervised Learning** | ค้นหารูปแบบจากข้อมูลไม่มี Label | Clustering, Dimensionality Reduction |
| **Reinforcement Learning** | เรียนรู้จากการลองผิดลองถูก | Game AI, Robotics |

---

## ตัวอย่าง: Classification ด้วย scikit-learn

```python
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

# โหลดข้อมูล Iris Dataset
iris = load_iris()
X, y = iris.data, iris.target

# แบ่งข้อมูล 80% train, 20% test
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42)

# สร้างและฝึกโมเดล
model = DecisionTreeClassifier(max_depth=3)
model.fit(X_train, y_train)

# วัดความแม่นยำ
accuracy = accuracy_score(y_test, model.predict(X_test))
print(f"ความแม่นยำ: {accuracy:.2%}")
```

---

## Computer Vision

**การมองเห็นด้วยคอมพิวเตอร์** คือ สาขาที่ทำให้คอมพิวเตอร์สามารถ **ตีความและเข้าใจภาพ** หรือวิดีโอ

งานหลัก:
- **Image Classification** - จำแนกประเภทภาพ
- **Object Detection** - ตรวจจับและระบุตำแหน่งวัตถุ
- **Semantic Segmentation** - แบ่งส่วนภาพตามความหมาย
- **Face Recognition** - จดจำใบหน้า
- **OCR** - อ่านตัวอักษรจากภาพ

---

## ตัวอย่าง: Edge Detection ด้วย OpenCV

```python
import cv2

def detect_edges(image_path, threshold1=100, threshold2=200):
    """ตรวจจับขอบภาพด้วย Canny Edge Detection"""
    # อ่านภาพเป็น Grayscale
    image = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    
    # ลด Noise ด้วย Gaussian Blur
    blurred = cv2.GaussianBlur(image, (5, 5), 0)
    
    # ตรวจจับขอบด้วย Canny Algorithm
    edges = cv2.Canny(blurred, threshold1, threshold2)
    
    return edges
```

---

## Natural Language Processing (NLP)

**การประมวลผลภาษาธรรมชาติ** คือ สาขาที่ทำให้คอมพิวเตอร์สามารถ **เข้าใจ ตีความ และสร้างภาษามนุษย์** ได้

```mermaid
%%{init: {'theme': 'base', 'themeVariables': { 'primaryColor': '#458588', 'secondaryColor': '#98971a', 'tertiaryColor': '#d79921'}}}%%
flowchart LR
    A["ข้อความดิบ"] --> B["Tokenization"]
    B --> C["Preprocessing"]
    C --> D["Feature Extraction"]
    D --> E["Model"]
    E --> F["Output"]
```

---

## งานหลักใน NLP

- **Text Classification** - จำแนกหมวดหมู่ข้อความ
- **Sentiment Analysis** - วิเคราะห์ความรู้สึก
- **Named Entity Recognition (NER)** - ระบุชื่อเฉพาะ
- **Machine Translation** - แปลภาษา
- **Question Answering** - ตอบคำถาม
- **Text Summarization** - สรุปข้อความ

---

## Robotics (หุ่นยนต์)

**Robotics** คือ สาขาที่ผสมผสาน AI กับวิศวกรรมเครื่องกล เพื่อสร้าง **เครื่องจักรอัตโนมัติ**

องค์ประกอบหลัก:
- **Perception (การรับรู้)** - เซ็นเซอร์, กล้อง, LiDAR
- **Planning (การวางแผน)** - Path Planning, Motion Planning
- **Control (การควบคุม)** - Actuators, Motors
- **Learning (การเรียนรู้)** - ปรับตัวจากประสบการณ์

---

# 4. ประเภทของ AI
## Weak AI vs Strong AI

---

## Narrow AI (Weak AI)

**AI แบบแคบ** คือ ระบบที่ถูกออกแบบและฝึกมาเพื่อทำ **งานเฉพาะทาง** เพียงอย่างเดียว

ตัวอย่าง:
- **Siri, Alexa, Google Assistant** - ผู้ช่วยเสียง
- **Netflix, YouTube Recommendations** - ระบบแนะนำ
- **Tesla Autopilot** - ระบบขับขี่อัตโนมัติ
- **ChatGPT, Claude** - ระบบสนทนา
- **DeepL, Google Translate** - แปลภาษา

---

## General AI (Strong AI / AGI)

**Artificial General Intelligence (AGI)** คือ ระบบ AI สมมติที่มีความสามารถทาง **สติปัญญาเทียบเท่ามนุษย์**

- สามารถเรียนรู้และทำงานได้ **ทุกประเภท**
- ถ่ายโอนความรู้ข้ามโดเมนได้
- มีความเข้าใจเชิงลึก
- **ยังไม่มีอยู่จริงในปัจจุบัน**

---

## เปรียบเทียบ Narrow AI vs General AI

| ลักษณะ | Narrow AI | General AI |
|--------|-----------|------------|
| ขอบเขตงาน | งานเฉพาะทาง | งานทั่วไปทุกประเภท |
| การเรียนรู้ | จำกัดเฉพาะโดเมน | ถ่ายโอนความรู้ข้ามโดเมน |
| ความเข้าใจ | ไม่มีความเข้าใจจริง | มีความเข้าใจเชิงลึก |
| จิตสำนึก | ไม่มี | อาจมี (ยังเป็นที่ถกเถียง) |
| สถานะ | **มีอยู่ในปัจจุบัน** | **ยังไม่มีอยู่จริง** |

---

## Super AI (ASI)

**Artificial Superintelligence (ASI)** คือ แนวคิดเชิงทฤษฎีของ AI ที่มีความฉลาด **เหนือกว่ามนุษย์ทุกด้าน**

```mermaid
%%{init: {'theme': 'base', 'themeVariables': { 'primaryColor': '#98971a', 'secondaryColor': '#d79921', 'tertiaryColor': '#cc241d'}}}%%
flowchart TB
 A["Narrow AI (ANI) งานเฉพาะทาง"] --> B["General AI (AGI) เทียบเท่ามนุษย์"]
 B --> C["Super AI (ASI) เหนือมนุษย์"]
 D["เราอยู่ที่นี่ ➡️"] -.-> A
```

---

# 5. ตัวแทนอัจฉริยะและสิ่งแวดล้อม
## Intelligent Agents and Environment

---

## นิยามของตัวแทน (Agent)

**ตัวแทน (Agent)** คือ สิ่งใดก็ตามที่สามารถ:
- **รับรู้ (Perceive)** สิ่งแวดล้อมผ่านเซ็นเซอร์
- **กระทำ (Act)** ต่อสิ่งแวดล้อมผ่านแอคชูเอเตอร์

**ตัวแทนอัจฉริยะ (Intelligent Agent)** คือ ตัวแทนที่กระทำอย่าง **มีเหตุผล (Rational)** เพื่อบรรลุเป้าหมายที่ดีที่สุด

---

## โครงสร้างของตัวแทน

```mermaid
%%{init: {'theme': 'base', 'themeVariables': { 'primaryColor': '#458588', 'secondaryColor': '#d79921', 'tertiaryColor': '#cc241d'}}}%%
flowchart LR
    subgraph Environment
        E["สถานะโลก"]
    end
    subgraph Agent
        S["Sensors"] --> P["Percepts"]
        P --> D["Decision"]
        D --> A["Actions"]
        A --> Act["Actuators"]
    end
    E -->|"รับรู้"| S
    Act -->|"กระทำ"| E
```

---

## Agent Function

ฟังก์ชันของตัวแทน (Agent Function) สามารถแสดงได้ดังนี้:

โดยที่:
- **f** = ฟังก์ชันตัวแทน (Agent Function)
- **P*** = ลำดับของการรับรู้ทั้งหมด (Percept Sequence)
- **A** = การกระทำ (Action)

---

## Agent Structure

**Agent = Architecture + Program**

| องค์ประกอบ | คำอธิบาย | ตัวอย่าง |
|------------|----------|----------|
| **Architecture** | แพลตฟอร์มทางกายภาพ | คอมพิวเตอร์, หุ่นยนต์, สมาร์ทโฟน |
| **Program** | ซอฟต์แวร์ที่ทำให้เกิดพฤติกรรม | อัลกอริทึม AI, โมเดล ML |

---

## ประเภทของตัวแทน (Types of Agents)

```mermaid
%%{init: {'theme': 'base', 'themeVariables': { 'primaryColor': '#98971a', 'secondaryColor': '#689d6a', 'tertiaryColor': '#458588'}}}%%
flowchart TB
 A["Simple Reflex ตอบสนองอย่างง่าย"] --> B["Model-Based มีโมเดลภายใน"]
 B --> C["Goal-Based มีเป้าหมาย"]
 C --> D["Utility-Based มีฟังก์ชัน Utility"]
 D --> E["Learning Agent เรียนรู้ได้"]
 F["ความซับซ้อนเพิ่มขึ้น ⬆️"]
```

---

## 1. Simple Reflex Agent

- ตอบสนองตามกฎ **if-then** อย่างง่าย
- **ไม่มีความจำ** ตัดสินใจจากการรับรู้ปัจจุบันเท่านั้น
- เหมาะกับสิ่งแวดล้อมที่ **Fully Observable**

---

## ตัวอย่าง: Simple Reflex Vacuum Agent

```python
class SimpleReflexVacuumAgent:
    def __init__(self):
        self.location = 'A'
    
    def act(self, percept):
        location, status = percept
        
        if status == 'Dirty':     # กฎ 1: สกปรก → ดูดฝุ่น
            return 'Suck'
        elif location == 'A':     # กฎ 2: ห้อง A → ไปขวา
            return 'Right'
        else:                     # กฎ 3: ห้อง B → ไปซ้าย
            return 'Left'
```

---

## 2. Model-Based Reflex Agent

- มี **โมเดลภายในของโลก (Internal Model)**
- **ติดตามสถานะ** ที่มองไม่เห็น
- เหมาะกับสิ่งแวดล้อมที่ **Partially Observable**

---

## 3. Goal-Based Agent

- มี **เป้าหมาย (Goal)** ที่ต้องบรรลุ
- **วางแผน** เพื่อไปถึงเป้าหมาย
- พิจารณาผลกระทบของการกระทำในอนาคต

---

## 4. Utility-Based Agent

- มี **ฟังก์ชัน Utility** วัดความพึงพอใจ
- เลือกการกระทำที่ให้ **Utility สูงสุด**
- จัดการกับ **Trade-offs** ระหว่างเป้าหมายต่างๆ ได้

---

## 5. Learning Agent

- **เรียนรู้** และปรับปรุงประสิทธิภาพจากประสบการณ์
- มี **Learning Element** สำหรับปรับปรุง
- มี **Performance Element** สำหรับเลือกการกระทำ

---

## คุณสมบัติของสิ่งแวดล้อม (1/2)

| คุณสมบัติ | คำอธิบาย |
|----------|----------|
| **Fully vs Partially Observable** | เห็นสถานะทั้งหมดหรือบางส่วน |
| **Deterministic vs Stochastic** | ผลลัพธ์แน่นอนหรือไม่แน่นอน |
| **Episodic vs Sequential** | แต่ละ Episode แยกกันหรือต่อเนื่อง |

---

## คุณสมบัติของสิ่งแวดล้อม (2/2)

| คุณสมบัติ | คำอธิบาย |
|----------|----------|
| **Static vs Dynamic** | สิ่งแวดล้อมนิ่งหรือเปลี่ยนแปลง |
| **Discrete vs Continuous** | สถานะแยกส่วนหรือต่อเนื่อง |
| **Single vs Multi-Agent** | ตัวแทนเดียวหรือหลายตัว |

---

## ตัวอย่างการจำแนกสิ่งแวดล้อม

| งาน | Observable | Deterministic | Episodic | Static | Discrete | Agents |
|-----|------------|---------------|----------|--------|----------|--------|
| หมากรุก | Fully | Yes | No | Yes | Yes | Multi |
| ขับรถ | Partially | No | No | No | No | Multi |
| Sudoku | Fully | Yes | Yes | Yes | Yes | Single |

---

# 6. จริยธรรมและผลกระทบของ AI
## Ethics and Impact of AI

---

## ประเด็นจริยธรรมหลัก

```mermaid
%%{init: {'theme': 'base', 'themeVariables': { 'primaryColor': '#458588'}}}%%
mindmap
    root((จริยธรรม AI))
        ความเป็นธรรม
        ความโปร่งใส
        ความเป็นส่วนตัว
        ความรับผิดชอบ
        ความปลอดภัย
        ผลกระทบสังคม
```

---

## ความเป็นธรรม (Fairness)

- **Bias ในข้อมูล** - ข้อมูลฝึกไม่สมดุลหรือมีอคติ
- **การเลือกปฏิบัติ** - ผลลัพธ์ที่ไม่เป็นธรรมต่อกลุ่มบางกลุ่ม
- **ความเท่าเทียม** - ทุกคนควรได้รับการปฏิบัติอย่างเท่าเทียม

---

## แหล่งที่มาของ Bias ใน AI

| ประเภท Bias | คำอธิบาย |
|-------------|----------|
| **Data Bias** | ข้อมูลฝึกไม่สมดุลหรือมีอคติ |
| **Selection Bias** | การเลือกข้อมูลไม่เป็นตัวแทน |
| **Confirmation Bias** | การออกแบบที่สนับสนุนความเชื่อเดิม |
| **Measurement Bias** | การวัดที่ไม่ถูกต้อง |

---

## ตัวอย่าง: การตรวจสอบ Fairness

```python
def calculate_fairness_metrics(y_true, y_pred, sensitive_attr):
    """คำนวณเมทริกความเป็นธรรมของโมเดล"""
    results = {}
    
    for group in np.unique(sensitive_attr):
        mask = sensitive_attr == group
        
        # คำนวณ True Positive Rate (TPR)
        tn, fp, fn, tp = confusion_matrix(
            y_true[mask], y_pred[mask]).ravel()
        tpr = tp / (tp + fn) if (tp + fn) > 0 else 0
        
        results[group] = {'TPR': tpr, 'PPR': np.mean(y_pred[mask])}
    
    return results
```

---

## ความโปร่งใสและอธิบายได้ (XAI)

**Explainable AI (XAI)** คือ แนวทางที่ทำให้ผู้ใช้สามารถ **เข้าใจและตรวจสอบ** การตัดสินใจของระบบได้

**ปัญหา Black Box:**
- Deep Learning มีความซับซ้อนสูง
- ไม่รู้ว่าทำไม AI ถึงตัดสินใจแบบนั้น
- ส่งผลต่อความไว้วางใจ

---

## เทคนิค XAI ที่นิยม

- **LIME** - Local Interpretable Model-agnostic Explanations
- **SHAP** - SHapley Additive exPlanations
- **Attention Visualization** - แสดงส่วนที่โมเดลให้ความสนใจ
- **Feature Importance** - ลำดับความสำคัญของ Features

---

## ผลกระทบต่อสังคมและเศรษฐกิจ

| ด้าน | ผลกระทบเชิงบวก | ผลกระทบเชิงลบ |
|-----|----------------|----------------|
| **การจ้างงาน** | สร้างอาชีพใหม่ | งานบางประเภทถูกแทนที่ |
| **การศึกษา** | Personalized Learning | ความเหลื่อมล้ำในการเข้าถึง |
| **สุขภาพ** | การวินิจฉัยแม่นยำขึ้น | ความเป็นส่วนตัวของข้อมูล |

---

## ผลกระทบต่อสังคมและเศรษฐกิจ (ต่อ)

| ด้าน | ผลกระทบเชิงบวก | ผลกระทบเชิงลบ |
|-----|----------------|----------------|
| **ความปลอดภัย** | ตรวจจับภัยคุกคาม | การใช้ในทางที่ผิด |
| **สิ่งแวดล้อม** | เพิ่มประสิทธิภาพพลังงาน | การใช้พลังงานในการฝึก AI |

---

## หลักการจริยธรรม AI (7 หลักการ)

1. **ความเป็นธรรม (Fairness)** - ไม่เลือกปฏิบัติ
2. **ความโปร่งใส (Transparency)** - อธิบายได้
3. **ความเป็นส่วนตัว (Privacy)** - ปกป้องข้อมูล
4. **ความปลอดภัย (Safety)** - ไม่ก่อให้เกิดอันตราย
5. **ความรับผิดชอบ (Accountability)** - มีผู้รับผิดชอบ
6. **ความทนทาน (Robustness)** - ทำงานได้อย่างน่าเชื่อถือ
7. **การควบคุมโดยมนุษย์ (Human Oversight)** - มนุษย์ยังเป็นผู้ตัดสินใจ

---

# 7. เครื่องมือและการเตรียมความพร้อม
## Tools and Environment Setup

---

## Python Environment Setup

**Anaconda** เป็น Distribution ที่รวมเครื่องมือสำหรับ Data Science และ AI

```bash
# 1. สร้าง Conda Environment
conda create -n ai_course python=3.11

# 2. เปิดใช้งาน Environment
conda activate ai_course

# 3. ติดตั้ง Libraries พื้นฐาน
pip install numpy pandas matplotlib seaborn
```

---

## ติดตั้ง ML/DL Libraries

```bash
# Machine Learning
pip install scikit-learn

# Deep Learning Frameworks
pip install tensorflow torch torchvision

# Jupyter Notebook
pip install jupyter notebook
```

---

## ตรวจสอบการติดตั้ง

```python
import sys
print(f"Python Version: {sys.version}")

import numpy as np
import pandas as pd
import sklearn

print(f"NumPy: {np.__version__}")
print(f"Pandas: {pd.__version__}")
print(f"Scikit-learn: {sklearn.__version__}")
```

---

## Google Colab

**Google Colab** เป็นบริการ Jupyter Notebook บนคลาวด์ที่ให้บริการ **GPU และ TPU ฟรี**

ข้อดี:
- ไม่ต้องติดตั้งอะไรบนเครื่อง
- เข้าถึง GPU/TPU ฟรี
- รวมกับ Google Drive ได้
- แชร์และทำงานร่วมกันได้ง่าย

---

## การใช้งาน Google Colab

```python
# ตรวจสอบ GPU ที่มีใน Colab
!nvidia-smi

# เชื่อมต่อกับ Google Drive
from google.colab import drive
drive.mount('/content/drive')

# อัปโหลด/ดาวน์โหลดไฟล์
from google.colab import files
uploaded = files.upload()
files.download('model.h5')
```

---

## Git & GitHub

**Git** เป็นระบบ Version Control สำหรับจัดการ Source Code

```bash
# ตั้งค่า Git
git config --global user.name "Your Name"
git config --global user.email "your.email@example.com"

# คำสั่งพื้นฐาน
git init # สร้าง Repository
git clone <url> # Clone Repository
git add . # เพิ่มไฟล์
git commit -m "msg" # Commit
git push origin main # Push ขึ้น Remote
```

---

## Visual Studio Code

**VS Code** เป็น IDE ที่นิยมสำหรับการพัฒนา AI/ML

**Extensions แนะนำ:**
- **Python** - รองรับ Python อย่างเต็มที่
- **Jupyter** - รัน Notebook ใน VS Code
- **Pylance** - IntelliSense ที่ดีขึ้น
- **GitLens** - เพิ่มความสามารถ Git
- **GitHub Copilot** - AI ช่วยเขียนโค้ด

---

# 8. สรุปโดยรวม
## Summary

---

## สรุปบทเรียน

```mermaid
%%{init: {'theme': 'base', 'themeVariables': { 'primaryColor': '#458588', 'secondaryColor': '#98971a', 'tertiaryColor': '#d79921'}}}%%
flowchart LR
    A["นิยาม AI"] --> B["ประวัติ AI"]
    B --> C["สาขาของ AI"]
    C --> D["ประเภท AI"]
    D --> E["Intelligent Agents"]
    E --> F["จริยธรรม AI"]
    F --> G["เครื่องมือ"]
```

---

## ประเด็นสำคัญที่ได้เรียนรู้

- **นิยาม AI** - ระบบที่แสดงพฤติกรรมอัจฉริยะ
- **ประวัติ AI** - ตั้งแต่ 1943 จนถึงปัจจุบัน
- **สาขาของ AI** - ML, CV, NLP, Robotics
- **ประเภท AI** - Narrow vs General vs Super
- **Intelligent Agents** - Perceive → Decide → Act
- **จริยธรรม AI** - Fairness, Transparency, Safety
- **เครื่องมือ** - Python, Colab, Git, VS Code

---

## ทักษะพื้นฐานที่ควรมี

**1. คณิตศาสตร์**
- พีชคณิตเชิงเส้น (Linear Algebra)
- แคลคูลัส (Calculus)
- ความน่าจะเป็นและสถิติ (Probability & Statistics)

**2. การเขียนโปรแกรม**
- Python เป็นหลัก
- โครงสร้างข้อมูลและอัลกอริทึม

**3. ความคิดเชิงวิเคราะห์**
- การแก้ปัญหาอย่างเป็นระบบ

---

# 9. เอกสารอ้างอิง
## References

---

## หนังสือหลัก

1. Russell, S., & Norvig, P. (2021). **Artificial Intelligence: A Modern Approach** (4th ed.). Pearson.

2. Goodfellow, I., Bengio, Y., & Courville, A. (2016). **Deep Learning**. MIT Press.

3. Mitchell, T. M. (1997). **Machine Learning**. McGraw-Hill.

---

## แหล่งเรียนรู้ออนไลน์

- [Stanford CS221: Artificial Intelligence](https://stanford-cs221.github.io/)
- [MIT 6.034: Artificial Intelligence](https://ocw.mit.edu/courses/6-034-artificial-intelligence-fall-2010/)
- [Coursera: Machine Learning by Andrew Ng](https://www.coursera.org/learn/machine-learning)
- [Fast.ai: Practical Deep Learning](https://www.fast.ai/)

---

## เอกสารเชิงจริยธรรม

- IEEE Global Initiative on Ethics of Autonomous and Intelligent Systems
- EU Guidelines for Trustworthy AI
- Anthropic Research on AI Safety

---

# คำถาม - ข้อสงสัย