reveal.js

# Introduction to Artificial Intelligence
**ผู้จัดทำ:** อรรถพล คงหวาน

---

# Outline

1. บทนำและนิยาม (Introduction & Definition)
2. รากฐานของปัญญาประดิษฐ์ (Parent Disciplines of AI)
3. ประเภทของ AI (Types of AI)
4. การเรียนรู้ของเครื่อง (Machine Learning)
5. ปัญญาประดิษฐ์เชิงลึก (Deep Learning)
6. การประยุกต์ใช้ AI (Applications of AI)
7. ประวัติศาสตร์และวิวัฒนาการ AI (History and Evolution of AI)

---

# 1. บทนำและนิยาม
## Introduction & Definition

---

## AI คืออะไร?

**Artificial Intelligence (AI)** หรือ **ปัญญาประดิษฐ์**

สาขาวิชาทางวิทยาการคอมพิวเตอร์ที่มุ่งเน้นการสร้างระบบหรือเครื่องจักรที่สามารถแสดงพฤติกรรมที่เรียกได้ว่า "ฉลาด" เหมือนมนุษย์

ระบบเหล่านี้สามารถ:
- เรียนรู้
- เข้าใจ
- คิดวิเคราะห์
- ตัดสินใจได้เอง

---

## 4 มุมมองของ AI

B --> B1["การคิดเหมือนมนุษย์ Cognitive Modeling"]
 C --> C1["การกระทำเหมือนมนุษย์ Turing Test Approach"]
 D --> D1["การคิดอย่างมีเหตุผล Laws of Thought"]
 E --> E1["การกระทำอย่างมีเหตุผล Rational Agent"]

style A fill:#458588,stroke:#83a598,color:#ebdbb2
 style B fill:#689d6a,stroke:#8ec07c,color:#282828
 style C fill:#689d6a,stroke:#8ec07c,color:#282828
 style D fill:#d79921,stroke:#fabd2f,color:#282828
 style E fill:#d79921,stroke:#fabd2f,color:#282828
</pre>

---

## เป้าหมายของ AI

เป้าหมายหลักคือการสร้าง **Rational Agent** ซึ่งสามารถ:

- **รับรู้สภาพแวดล้อม (Perceive)**: รับข้อมูลจากโลกภายนอกผ่าน sensors
- **ประมวลผลข้อมูล (Process)**: วิเคราะห์และเข้าใจข้อมูลที่ได้รับ
- **ตัดสินใจ (Decide)**: เลือกการกระทำที่เหมาะสมที่สุด
- **กระทำ (Act)**: ดำเนินการเพื่อบรรลุเป้าหมาย

---

## ฟังก์ชันของ Rational Agent

โดยที่:
- <math xmlns="http://www.w3.org/1998/Math/MathML"><mi>f</mi></math> = ฟังก์ชันตัวแทน (Agent function)
- <math xmlns="http://www.w3.org/1998/Math/MathML"><msup><mi>P</mi><mo>*</mo></msup></math> = ลำดับของการรับรู้ทั้งหมด (Percept sequence)
- <math xmlns="http://www.w3.org/1998/Math/MathML"><mi>A</mi></math> = การกระทำ (Action)

---

# 2. รากฐานของปัญญาประดิษฐ์
## Parent Disciplines of AI

---

## สาขาวิชาที่เกี่ยวข้อง

AI --> Phil["Philosophy (ปรัชญา)"]
    AI --> Math["Mathematics (คณิตศาสตร์)"]
    AI --> Psy["Psychology (จิตวิทยา)"]
    AI --> Neuro["Neuroscience (ประสาทวิทยา)"]
    AI --> CS["Computer Science (วิทยาการคอมพิวเตอร์)"]
    AI --> Ling["Linguistics (ภาษาศาสตร์)"]

style AI fill:#cc241d,stroke:#fb4934,color:#ebdbb2
 style Phil fill:#458588,stroke:#83a598,color:#ebdbb2
 style Math fill:#b16286,stroke:#d3869b,color:#ebdbb2
</pre>

---

## ปรัชญา (Philosophy)

คำถามพื้นฐาน:
- **ความรู้มาจากไหน?** (Epistemology)
- **จิตใจและสมองเกี่ยวข้องกันอย่างไร?** (Mind-Body Problem)
- **ความรู้นำไปสู่การกระทำได้อย่างไร?** (Action Theory)

**ผลงานสำคัญ:**
- **Aristotle**: ตรรกศาสตร์และการให้เหตุผลแบบนิรนัย
- **René Descartes**: ทฤษฎี Dualism
- **David Hume**: การเรียนรู้จากประสบการณ์

---

## คณิตศาสตร์ (Mathematics)

**ตรรกศาสตร์เชิงประพจน์:**

**ทฤษฎีความน่าจะเป็นของ Bayes:**

---

## จิตวิทยา (Psychology)

การศึกษาพฤติกรรมและกระบวนการทางความคิด:
- **Cognitive Psychology**: การรับรู้ ความจำ การเรียนรู้
- **Behaviorism**: การตอบสนองต่อสิ่งเร้า
- **Information Processing**: สมองประมวลผลข้อมูลเหมือนคอมพิวเตอร์

**ผลงานสำคัญ:**
- **Hermann Ebbinghaus**: การศึกษาความจำ
- **William James**: Principles of Psychology
- **B.F. Skinner**: Behaviorism และ Operant Conditioning

---

## ประสาทวิทยา (Neuroscience)

การศึกษาโครงสร้างและการทำงานของสมอง:

**ส่วนประกอบสำคัญ:**
- **Neurons**: เซลล์ประสาทพื้นฐาน (~86 พันล้านเซลล์)
- **Synapses**: จุดเชื่อมต่อระหว่างเซลล์ประสาท
- **Neural Networks**: เครือข่ายของเซลล์ประสาท

**การเชื่อมโยงกับ AI:**
- Artificial Neural Networks ได้แรงบันดาลใจจาก Biological Neural Networks
- การเรียนรู้ของสมองคล้าย Machine Learning

---

## วิทยาการคอมพิวเตอร์ (Computer Science)

พื้นฐานทางเทคนิค:
- **Algorithms**: ขั้นตอนการแก้ปัญหา
- **Data Structures**: การจัดเก็บข้อมูลอย่างมีประสิทธิภาพ
- **Computational Complexity**: ศึกษาความยากของปัญหา
- **Programming Languages**: เครื่องมือในการสร้าง AI

**ผลงานสำคัญ:**
- **Alan Turing**: Turing Machine และ Turing Test
- **John von Neumann**: สถาปัตยกรรมคอมพิวเตอร์
- **Donald Knuth**: The Art of Computer Programming

---

## ภาษาศาสตร์ (Linguistics)

การศึกษาโครงสร้างและความหมายของภาษา:

**สาขาย่อย:**
- **Syntax**: โครงสร้างไวยากรณ์
- **Semantics**: ความหมายของภาษา
- **Pragmatics**: การใช้ภาษาในบริบท
- **Phonetics**: เสียงของภาษา

**การประยุกต์ใช้:**
- Natural Language Processing (NLP)
- Machine Translation
- Speech Recognition

---

# 3. ประเภทของ AI
## Types of AI

---

## แบ่งตามความสามารถ (By Capability)

**1. Narrow AI (Weak AI) - AI เฉพาะทาง**
- AI ที่ออกแบบมาเพื่องานเฉพาะเจาะจง
- ตัวอย่าง: ระบบแนะนำสินค้า, การจดจำใบหน้า, ผู้ช่วยเสมือน

**2. General AI (Strong AI) - AI ทั่วไป**
- AI ที่มีความสามารถเท่าเทียมมนุษย์ในทุกด้าน
- ยังไม่มีการพัฒนาสำเร็จ

**3. Super AI - AI เหนือมนุษย์**
- AI ที่มีความสามารถเหนือกว่ามนุษย์ในทุกด้าน
- เป็นสมมติฐานในอนาคต

---

## แบ่งตามการทำงาน (By Functionality)

**Type I: Reactive Machines**
- ตอบสนองต่อสถานการณ์ปัจจุบันเท่านั้น
- ไม่มีความจำ
- ตัวอย่าง: IBM Deep Blue

**Type II: Limited Memory**
- มีความจำระยะสั้น
- เรียนรู้จากข้อมูลในอดีต
- ตัวอย่าง: รถยนต์ไร้คนขับ, Chatbots

---

## แบ่งตามการทำงาน (ต่อ)

**Type III: Theory of Mind**
- เข้าใจอารมณ์และความรู้สึกของมนุษย์
- ยังอยู่ในระหว่างการวิจัย

**Type IV: Self-Aware AI**
- มีจิตสำนึกและความรู้สึกตัวเอง
- ยังไม่มีการพัฒนาสำเร็จ

---

## ภาพรวมประเภท AI

<pre class="mermaid">
%%{init: {'theme':'base', 'themeVariables': { 'primaryColor':'#282828','primaryTextColor':'#ebdbb2','primaryBorderColor':'#fabd2f','lineColor':'#fe8019','secondaryColor':'#3c3836','tertiaryColor':'#504945','background':'#282828','mainBkg':'#3c3836','secondBkg':'#504945','textColor':'#ebdbb2','fontSize':'14px'}}}%%
graph TB
 subgraph Capability["แบ่งตามความสามารถ"]
 A1["Narrow AI (เฉพาะทาง)"]
 A2["General AI (AI ทั่วไป)"]
 A3["Super AI (AI เหนือมนุษย์)"]
 end

subgraph Functionality["แบ่งตามการทำงาน"]
        B1["Reactive Machines (ไม่มีความจำ)"]
        B2["Limited Memory (ความจำจำกัด)"]
        B3["Theory of Mind (เข้าใจอารมณ์)"]
        B4["Self-Aware (มีจิตสำนึก)"]
    end

style A1 fill:#458588,stroke:#83a598,color:#ebdbb2
 style A2 fill:#d79921,stroke:#fabd2f,color:#282828
 style A3 fill:#cc241d,stroke:#fb4934,color:#ebdbb2
</pre>

---

# 4. การเรียนรู้ของเครื่อง
## Machine Learning

---

## Machine Learning คืออะไร?

**Machine Learning (ML)** เป็นสาขาย่อยของ AI ที่เน้นการพัฒนาระบบที่สามารถเรียนรู้และปรับปรุงประสิทธิภาพจากประสบการณ์โดยไม่ต้องถูกโปรแกรมอย่างชัดเจน

**นิยามโดย Tom Mitchell (1997):**
*"A computer program is said to learn from experience E with respect to some task T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E."*

---

## ประเภทของ Machine Learning

<pre class="mermaid">
%%{init: {'theme':'base', 'themeVariables': { 'primaryColor':'#282828','primaryTextColor':'#ebdbb2','primaryBorderColor':'#fabd2f','lineColor':'#fe8019','secondaryColor':'#3c3836','tertiaryColor':'#504945','background':'#282828','mainBkg':'#3c3836','secondBkg':'#504945','textColor':'#ebdbb2','fontSize':'14px'}}}%%
graph TD
 ML[Machine Learning] --> SL["Supervised Learning (การเรียนรู้แบบมีผู้สอน)"]
 ML --> UL["Unsupervised Learning (การเรียนรู้แบบไม่มีผู้สอน)"]
 ML --> RL["Reinforcement Learning (การเรียนรู้เชิงเสริมแรง)"]
 ML --> SSL["Semi-Supervised Learning (การเรียนรู้แบบกึ่งมีผู้สอน)"]

SL --> SL1["Classification (Regression)"]
    UL --> UL1["Clustering (Dimensionality Reduction)"]
    RL --> RL1["Reward-based (Learning)"]

style ML fill:#cc241d,stroke:#fb4934,color:#ebdbb2
 style SL fill:#458588,stroke:#83a598,color:#ebdbb2
 style UL fill:#b16286,stroke:#d3869b,color:#ebdbb2
 style RL fill:#d79921,stroke:#fabd2f,color:#282828
</pre>

---

## Supervised Learning

**คุณสมบัติ:**
- มีข้อมูล labeled (มีคำตอบที่ถูกต้อง)
- เรียนรู้จากตัวอย่าง input-output pairs
- เป้าหมาย: ทำนายผลลัพธ์สำหรับข้อมูลใหม่

**ประเภทของ Supervised Learning:**
- **Classification**: จำแนกหมวดหมู่ (discrete output)
- **Regression**: ทำนายค่าต่อเนื่อง (continuous output)

---

## ตัวอย่าง Classification

**ฟังก์ชันการเรียนรู้:**

โดยที่:
- <math xmlns="http://www.w3.org/1998/Math/MathML"><mi>h</mi></math> = Hypothesis function
- <math xmlns="http://www.w3.org/1998/Math/MathML"><mi>X</mi></math> = Input space
- <math xmlns="http://www.w3.org/1998/Math/MathML"><mi>Y</mi></math> = Output space (classes)

**ตัวอย่าง:** การจำแนกอีเมลว่าเป็น spam หรือไม่

---

## Linear Regression

**สมการ:**

**Cost Function (Mean Squared Error):**

---

## Gradient Descent

**อัลกอริทึมการเพิ่มประสิทธิภาพ:**

โดยที่:
- <math xmlns="http://www.w3.org/1998/Math/MathML"><mi>α</mi></math> = Learning rate
- <math xmlns="http://www.w3.org/1998/Math/MathML"><mfrac><mrow><mi>∂</mi><mi>J</mi></mrow><mrow><mi>∂</mi><msub><mi>w</mi><mi>j</mi></msub></mrow></mfrac></math> = Gradient

---

## Unsupervised Learning

**คุณสมบัติ:**
- ไม่มีข้อมูล labeled
- เรียนรู้โครงสร้างและรูปแบบในข้อมูล
- เป้าหมาย: ค้นหา hidden patterns

**ประเภทหลัก:**
- **Clustering**: จัดกลุ่มข้อมูลที่คล้ายกัน
- **Dimensionality Reduction**: ลดจำนวนตัวแปร
- **Association Rule Learning**: ค้นหาความสัมพันธ์

---

## K-Means Clustering

**ขั้นตอนการทำงาน:**
1. กำหนดจำนวน clusters (k)
2. สุ่มตำแหน่ง centroids เริ่มต้น
3. กำหนดข้อมูลแต่ละจุดให้กับ centroid ที่ใกล้ที่สุด
4. อัปเดตตำแหน่ง centroids
5. ทำซ้ำจนกระทั่งบรรจบ

**ฟังก์ชัน Objective:**

---

## Reinforcement Learning

**คุณสมบัติ:**
- เรียนรู้จากการลองผิดลองถูก
- ได้รับ reward หรือ penalty จากการกระทำ
- เป้าหมาย: เพิ่มประสิทธิภาพ cumulative reward

**องค์ประกอบ:**
- **Agent**: ผู้เรียนรู้
- **Environment**: สภาพแวดล้อม
- **State**: สถานะ
- **Action**: การกระทำ
- **Reward**: รางวัล

---

## Reinforcement Learning Framework

Agent -.->|Policy π| Action[เลือกการกระทำ]
    Env -.->|Transition| State[สถานะใหม่]

style Agent fill:#458588,stroke:#83a598,color:#ebdbb2
 style Env fill:#b16286,stroke:#d3869b,color:#ebdbb2
</pre>

---

## Q-Learning

**Q-Function:**

**Update Rule:**

---

# 5. ปัญญาประดิษฐ์เชิงลึก
## Deep Learning

---

## Deep Learning คืออะไร?

**Deep Learning** เป็นสาขาย่อยของ Machine Learning ที่ใช้ Artificial Neural Networks ที่มีหลายชั้น (Deep Neural Networks)

**คุณสมบัติ:**
- เรียนรู้ feature representations โดยอัตโนมัติ
- สามารถจัดการข้อมูลที่ซับซ้อนได้ดี
- ต้องการข้อมูลและทรัพยากรการคำนวณมาก

---

## Neural Network Architecture

subgraph Hidden1["Hidden Layer 1 (ชั้นซ่อน 1)"]
        H11((h11))
        H12((h12))
        H13((h13))
        H14((h14))
    end

subgraph Hidden2["Hidden Layer 2 (ชั้นซ่อน 2)"]
        H21((h21))
        H22((h22))
        H23((h23))
    end

subgraph Output["Output Layer (ชั้นผลลัพธ์)"]
        O1((y))
    end

I1 --> H11
 I1 --> H12
 I2 --> H11
 I3 --> H13
 H11 --> H21
 H12 --> H22
 H21 --> O1
</pre>

---

## Forward Propagation

**คำนวณผลลัพธ์:**

โดยที่ <math xmlns="http://www.w3.org/1998/Math/MathML"><mi>σ</mi></math> = Activation function

---

## Activation Functions

**1. Sigmoid:**
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
 <mi>σ</mi>
 <mo>(</mo>
 <mi>x</mi>
 <mo>)</mo>
 <mo>=</mo>
 <mfrac>
 <mn>1</mn>
 <mrow>
 <mn>1</mn>
 <mo>+</mo>
 <msup>
 <mi>e</mi>
 <mrow><mo>-</mo><mi>x</mi></mrow>
 </msup>
 </mrow>
 </mfrac>
</math>

**2. ReLU (Rectified Linear Unit):**
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
 <mi>ReLU</mi>
 <mo>(</mo>
 <mi>x</mi>
 <mo>)</mo>
 <mo>=</mo>
 <mo>max</mo>
 <mo>(</mo>
 <mn>0</mn>
 <mo>,</mo>
 <mi>x</mi>
 <mo>)</mo>
</math>

---

## Backpropagation

**อัลกอริทึมการปรับน้ำหนัก:**

**Weight Update:**
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
 <msub>
 <mi>w</mi>
 <mrow><mi>i</mi><mi>j</mi></mrow>
 </msub>
 <mo>←</mo>
 <msub>
 <mi>w</mi>
 <mrow><mi>i</mi><mi>j</mi></mrow>
 </msub>
 <mo>-</mo>
 <mi>η</mi>
 <mfrac>
 <mrow><mi>∂</mi><mi>E</mi></mrow>
 <mrow><mi>∂</mi><msub><mi>w</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub></mrow>
 </mfrac>
</math>

---

## Convolutional Neural Networks (CNN)

**สถาปัตยกรรมสำหรับภาพ:**

**ชั้นหลัก:**
- **Convolutional Layer**: สกัด features
- **Pooling Layer**: ลดมิติข้อมูล
- **Fully Connected Layer**: จำแนกประเภท

**Convolution Operation:**
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
 <mi>S</mi>
 <mo>(</mo>
 <mi>i</mi>
 <mo>,</mo>
 <mi>j</mi>
 <mo>)</mo>
 <mo>=</mo>
 <mo>(</mo>
 <mi>I</mi>
 <mo>*</mo>
 <mi>K</mi>
 <mo>)</mo>
 <mo>(</mo>
 <mi>i</mi>
 <mo>,</mo>
 <mi>j</mi>
 <mo>)</mo>
 <mo>=</mo>
 <munder>
 <mo>∑</mo>
 <mi>m</mi>
 </munder>
 <munder>
 <mo>∑</mo>
 <mi>n</mi>
 </munder>
 <mi>I</mi>
 <mo>(</mo>
 <mi>i</mi>
 <mo>-</mo>
 <mi>m</mi>
 <mo>,</mo>
 <mi>j</mi>
 <mo>-</mo>
 <mi>n</mi>
 <mo>)</mo>
 <mi>K</mi>
 <mo>(</mo>
 <mi>m</mi>
 <mo>,</mo>
 <mi>n</mi>
 <mo>)</mo>
</math>

---

## CNN Architecture

<pre class="mermaid">
%%{init: {'theme':'base', 'themeVariables': { 'primaryColor':'#282828','primaryTextColor':'#ebdbb2','primaryBorderColor':'#fabd2f','lineColor':'#fe8019','secondaryColor':'#3c3836','tertiaryColor':'#504945','background':'#282828','mainBkg':'#3c3836','secondBkg':'#504945','textColor':'#ebdbb2','fontSize':'13px'}}}%%
graph LR
 Input[Input Image ภาพนำเข้า] --> Conv1[Conv Layer 1 Convolution]
 Conv1 --> Pool1[Pooling 1 Max/Avg Pool]
 Pool1 --> Conv2[Conv Layer 2 Convolution]
 Conv2 --> Pool2[Pooling 2 Max/Avg Pool]
 Pool2 --> FC[Fully Connected Classification]
 FC --> Output[Output ผลลัพธ์]

style Input fill:#458588,stroke:#83a598,color:#ebdbb2
 style Conv1 fill:#689d6a,stroke:#8ec07c,color:#282828
 style Conv2 fill:#689d6a,stroke:#8ec07c,color:#282828
 style FC fill:#d79921,stroke:#fabd2f,color:#282828
 style Output fill:#cc241d,stroke:#fb4934,color:#ebdbb2
</pre>

---

## Recurrent Neural Networks (RNN)

**สถาปัตยกรรมสำหรับข้อมูลลำดับ:**

**คุณสมบัติ:**
- มีหน่วยความจำ (memory)
- เหมาะกับข้อมูลที่มีลำดับเวลา
- ใช้กับ NLP, Speech Recognition, Time Series

**Hidden State:**
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
 <msub>
 <mi>h</mi>
 <mi>t</mi>
 </msub>
 <mo>=</mo>
 <mi>tanh</mi>
 <mo>(</mo>
 <msub>
 <mi>W</mi>
 <mi>hh</mi>
 </msub>
 <msub>
 <mi>h</mi>
 <mrow><mi>t</mi><mo>-</mo><mn>1</mn></mrow>
 </msub>
 <mo>+</mo>
 <msub>
 <mi>W</mi>
 <mi>xh</mi>
 </msub>
 <msub>
 <mi>x</mi>
 <mi>t</mi>
 </msub>
 <mo>+</mo>
 <msub>
 <mi>b</mi>
 <mi>h</mi>
 </msub>
 <mo>)</mo>
</math>

---

## LSTM (Long Short-Term Memory)

**แก้ปัญหา Vanishing Gradient:**

**Gates:**
- **Forget Gate**: ลืมข้อมูลที่ไม่จำเป็น
- **Input Gate**: เลือกข้อมูลใหม่
- **Output Gate**: ควบคุมผลลัพธ์

**Cell State Update:**
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
 <msub>
 <mi>C</mi>
 <mi>t</mi>
 </msub>
 <mo>=</mo>
 <msub>
 <mi>f</mi>
 <mi>t</mi>
 </msub>
 <mo>⊙</mo>
 <msub>
 <mi>C</mi>
 <mrow><mi>t</mi><mo>-</mo><mn>1</mn></mrow>
 </msub>
 <mo>+</mo>
 <msub>
 <mi>i</mi>
 <mi>t</mi>
 </msub>
 <mo>⊙</mo>
 <msub>
 <mover>
 <mi>C</mi>
 <mo>~</mo>
 </mover>
 <mi>t</mi>
 </msub>
</math>

---

## Transformer Architecture

**สถาปัตยกรรมสมัยใหม่:**

**คุณสมบัติ:**
- ใช้ Self-Attention mechanism
- ไม่มี recurrence (ประมวลผลแบบขนานได้)
- เป็นพื้นฐานของ GPT, BERT, และ LLMs อื่น ๆ

**Self-Attention:**
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
 <mi>Attention</mi>
 <mo>(</mo>
 <mi>Q</mi>
 <mo>,</mo>
 <mi>K</mi>
 <mo>,</mo>
 <mi>V</mi>
 <mo>)</mo>
 <mo>=</mo>
 <mi>softmax</mi>
 <mo>(</mo>
 <mfrac>
 <mrow>
 <mi>Q</mi>
 <msup>
 <mi>K</mi>
 <mi>T</mi>
 </msup>
 </mrow>
 <msqrt>
 <msub>
 <mi>d</mi>
 <mi>k</mi>
 </msub>
 </msqrt>
 </mfrac>
 <mo>)</mo>
 <mi>V</mi>
</math>

---

## Generative Adversarial Networks (GANs)

**สถาปัตยกรรมการสร้างข้อมูล:**

**องค์ประกอบ:**
- **Generator**: สร้างข้อมูลปลอม
- **Discriminator**: แยกแยะข้อมูลจริง-ปลอม

<pre class="mermaid">
%%{init: {'theme':'base', 'themeVariables': { 'primaryColor':'#282828','primaryTextColor':'#ebdbb2','primaryBorderColor':'#fabd2f','lineColor':'#fe8019','secondaryColor':'#3c3836','tertiaryColor':'#504945','background':'#282828','mainBkg':'#3c3836','secondBkg':'#504945','textColor':'#ebdbb2','fontSize':'13px'}}}%%
graph LR
 Noise["Random Noise (สัญญาณรบกวน)"] --> G["Generator (ตัวสร้าง)"]
 G --> Fake["Fake Data (ข้อมูลปลอม)"]
 Real["Real Data (ข้อมูลจริง)"] --> D["Discriminator (ตัวแยกแยะ)"]
 Fake --> D
 D --> Output["Real/Fake (จริง/ปลอม)"]

style G fill:#458588,stroke:#83a598,color:#ebdbb2
 style D fill:#d79921,stroke:#fabd2f,color:#282828
</pre>

---

## GAN Loss Functions

**Generator Loss:**
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
 <msub>
 <mi>L</mi>
 <mi>G</mi>
 </msub>
 <mo>=</mo>
 <mo>-</mo>
 <mi>E</mi>
 <mo>[</mo>
 <mo>log</mo>
 <mi>D</mi>
 <mo>(</mo>
 <mi>G</mi>
 <mo>(</mo>
 <mi>z</mi>
 <mo>)</mo>
 <mo>)</mo>
 <mo>]</mo>
</math>

**Discriminator Loss:**
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
 <msub>
 <mi>L</mi>
 <mi>D</mi>
 </msub>
 <mo>=</mo>
 <mo>-</mo>
 <mi>E</mi>
 <mo>[</mo>
 <mo>log</mo>
 <mi>D</mi>
 <mo>(</mo>
 <mi>x</mi>
 <mo>)</mo>
 <mo>]</mo>
 <mo>-</mo>
 <mi>E</mi>
 <mo>[</mo>
 <mo>log</mo>
 <mo>(</mo>
 <mn>1</mn>
 <mo>-</mo>
 <mi>D</mi>
 <mo>(</mo>
 <mi>G</mi>
 <mo>(</mo>
 <mi>z</mi>
 <mo>)</mo>
 <mo>)</mo>
 <mo>)</mo>
 <mo>]</mo>
</math>

---

# 6. การประยุกต์ใช้ AI
## Applications of AI

---

## Natural Language Processing (NLP)

**การประมวลผลภาษาธรรมชาติ:**

**งานหลัก:**
- **Text Classification**: จำแนกข้อความ
- **Machine Translation**: แปลภาษา
- **Sentiment Analysis**: วิเคราะห์ความรู้สึก
- **Named Entity Recognition**: ระบุเอนทิตี้
- **Question Answering**: ตอบคำถาม
- **Text Generation**: สร้างข้อความ

---

## Computer Vision

**การมองเห็นของคอมพิวเตอร์:**

**งานหลัก:**
- **Image Classification**: จำแนกภาพ
- **Object Detection**: ตรวจจับวัตถุ
- **Semantic Segmentation**: แบ่งส่วนภาพ
- **Face Recognition**: จดจำใบหน้า
- **Image Generation**: สร้างภาพ
- **Video Analysis**: วิเคราะห์วิดีโอ

---

## Speech Recognition & Synthesis

**การรับรู้และสังเคราะห์เสียง:**

**Speech Recognition:**
- แปลงเสียงพูดเป็นข้อความ
- ใช้ใน Virtual Assistants
- ระบบคำสั่งเสียง

**Speech Synthesis:**
- แปลงข้อความเป็นเสียงพูด (Text-to-Speech)
- Voice Cloning
- เปลี่ยนเสียงพูด (Voice Conversion)

---

## Robotics

**การประยุกต์ AI ในหุ่นยนต์:**

**ประเภท:**
- **Industrial Robots**: หุ่นยนต์อุตสาหกรรม
- **Service Robots**: หุ่นยนต์บริการ
- **Autonomous Vehicles**: ยานพาหนะอัตโนมัติ
- **Drones**: โดรน
- **Humanoid Robots**: หุ่นยนต์คล้ายมนุษย์

**ความสามารถ:**
- Navigation และ Mapping
- Object Manipulation
- Human-Robot Interaction

---

## Recommendation Systems

**ระบบแนะนำ:**

**ประเภท:**
- **Collaborative Filtering**: กรองร่วม
- **Content-Based**: พิจารณาเนื้อหา
- **Hybrid Systems**: ผสมผสาน

**การประยุกต์:**
- E-commerce (Amazon, Shopee)
- Streaming (Netflix, Spotify)
- Social Media (Facebook, Instagram)

---

## Virtual Assistants

**ผู้ช่วยเสมือน:**

**ตัวอย่าง:**
- **Siri** (Apple)
- **Google Assistant** (Google)
- **Alexa** (Amazon)
- **Cortana** (Microsoft)

**ความสามารถ:**
- ตอบคำถาม
- ควบคุมอุปกรณ์สมาร์ทโฮม
- จัดการตาราง
- เล่นเพลง

---

## Healthcare Applications

**การประยุกต์ใช้ทางการแพทย์:**

**งานหลัก:**
- **Medical Image Analysis**: วิเคราะห์ภาพทางการแพทย์
- **Disease Diagnosis**: วินิจฉัยโรค
- **Drug Discovery**: ค้นพบยาใหม่
- **Personalized Medicine**: การแพทย์เฉพาะบุคคล
- **Health Monitoring**: ติดตามสุขภาพ

---

## Financial Applications

**การประยุกต์ใช้ทางการเงิน:**

**งานหลัก:**
- **Fraud Detection**: ตรวจจับการฉ้อโกง
- **Algorithmic Trading**: เทรดอัตโนมัติ
- **Credit Scoring**: ประเมินเครดิต
- **Risk Management**: บริหารความเสี่ยง
- **Customer Service Chatbots**: แชทบอทบริการลูกค้า

---

## Gaming

**AI ในเกม:**

**การใช้งาน:**
- **NPC AI**: พฤติกรรมตัวละครที่ไม่ใช่ผู้เล่น
- **Procedural Content Generation**: สร้างเนื้อหาอัตโนมัติ
- **Game Testing**: ทดสอบเกม
- **Player Modeling**: โมเดลผู้เล่น

**ผลงานโดดเด่น:**
- AlphaGo (Go)
- OpenAI Five (Dota 2)
- AlphaStar (StarCraft II)

---

# 7. ประวัติศาสตร์และวิวัฒนาการ AI
## History and Evolution of AI

---

## ยุคเริ่มต้น (1950-1960s)

**1950: Turing Test**
- Alan Turing เสนอแนวคิด "Can machines think?"
- Turing Test เป็นเกณฑ์ทดสอบความฉลาดของเครื่อง

**1956: Dartmouth Conference**
- จุดกำเนิดของคำว่า "Artificial Intelligence"
- John McCarthy, Marvin Minsky, และนักวิจัยอื่น ๆ

**1957: Perceptron**
- Frank Rosenblatt พัฒนา Perceptron
- Neural Network รูปแบบแรก

---

## Perceptron

**การทำงาน:**

<math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
 <mi>output</mi>
 <mo>=</mo>
 <mrow>
 <mo>{</mo>
 <mtable>
 <mtr>
 <mtd><mn>1</mn></mtd>
 <mtd><mtext>if </mtext><munderover><mo>∑</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><msub><mi>w</mi><mi>i</mi></msub><msub><mi>x</mi><mi>i</mi></msub><mo>+</mo><mi>b</mi><mo>></mo><mn>0</mn></mtd>
 </mtr>
 <mtr>
 <mtd><mn>0</mn></mtd>
 <mtd><mtext>otherwise</mtext></mtd>
 </mtr>
 </mtable>
 </mrow>
</math>

---

## ยุคทอง (1960s-1970s)

**ความก้าวหน้า:**
- การพัฒนา Expert Systems
- ภาษา LISP สำหรับ AI
- General Problem Solver (GPS)
- ELIZA - chatbot ตัวแรก (1966)

---

## AI Winter ครั้งที่ 1 (1970s-1980s)

**สาเหตุของความถดถอย:**
- ข้อจำกัดของ Perceptron (ไม่สามารถแก้ปัญหา XOR)
- ความคาดหวังสูงเกินไป
- ขาดการสนับสนุนทางการเงิน
- ข้อจำกัดด้านคอมพิวติ้ง (CPU, Memory)

**1969: Perceptron Book**
- Minsky และ Papert ชี้ข้อจำกัดของ Perceptron

---

## ยุคฟื้นฟู (1980s)

**Backpropagation Algorithm (1986)**

Rumelhart, Hinton, และ Williams นำเสนออัลกอริทึมที่ทำให้ฝึก Multi-layer Neural Networks ได้

**Expert Systems** เริ่มได้รับความนิยม

---

## AI Winter ครั้งที่ 2 (1990s)

**สาเหตุ:**
- ความยากในการ maintain Expert Systems
- การแข่งขันจาก Neural Networks
- ขาดข้อมูลและพลังคอมพิวติ้งที่เพียงพอ

---

## ยุคฟื้นคืนชีพ (2000s-2010s)

**2006: Deep Learning Renaissance**
- Geoffrey Hinton และทีมแสดงให้เห็นว่าสามารถฝึก Deep Neural Networks ได้อย่างมีประสิทธิภาพ

**ปัจจัยสำคัญ:**
- Big Data: ข้อมูลขนาดใหญ่จาก Internet
- GPU Computing: ความเร็วในการคำนวณเพิ่มขึ้นมาก
- ปรับปรุงอัลกอริทึม: ReLU, Dropout, Batch Normalization

---

## เหตุการณ์สำคัญ

**1997: Deep Blue**
- IBM's Deep Blue เอาชนะ Garry Kasparov

**2012: AlexNet**
- ชนะการแข่งขัน ImageNet ด้วยความแม่นยำสูง

**2016: AlphaGo**
- DeepMind's AlphaGo เอาชนะ Lee Sedol ผู้เชี่ยวชาญเกมโกะ

---

## ยุคปัจจุบัน (2020s)

**Generative AI:**
- GPT (Generative Pre-trained Transformer)
- DALL-E (Text-to-Image)
- Stable Diffusion
- Midjourney

**Large Language Models (LLMs):**
- GPT-3 (175B parameters)
- GPT-4 (multimodal)
- Claude
- Gemini

---

## Timeline วิวัฒนาการ AI

<pre class="mermaid">
%%{init: {'theme':'base', 'themeVariables': { 'primaryColor':'#3c3836','primaryTextColor':'#ebdbb2','primaryBorderColor':'#fabd2f','lineColor':'#fe8019','secondaryColor':'#504945','tertiaryColor':'#665c54','background':'#282828','fontSize':'13px'}}}%%
graph TD
 subgraph Era1[" ยุคเริ่มต้น (1950-1960s)"]
 A["1950: Turing Test AI เริ่มต้น"]
 B["1956: Dartmouth Conference คำว่า AI เกิดขึ้น"]
 C["1957: Perceptron Neural Network แรก"]
 end

subgraph Era2[" ยุคทองและความถดถอย (1960s-1990s)"]
 D["1960s-70s: Expert Systems ยุคทอง AI"]
 E["1970s-80s: AI Winter 1 ความถดถอยครั้งแรก"]
 F["1986: Backpropagation ฝึก Multi-layer NN ได้"]
 G["1990s: AI Winter 2 ความถดถอยครั้งที่สอง"]
 end

A --> B --> C --> D --> E --> F --> G
</pre>

---

## Timeline วิวัฒนาการ AI (ต่อ)

<pre class="mermaid">
%%{init: {'theme':'base', 'themeVariables': { 'primaryColor':'#3c3836','primaryTextColor':'#ebdbb2','primaryBorderColor':'#fabd2f','lineColor':'#fe8019','secondaryColor':'#504945','tertiaryColor':'#665c54','background':'#282828','fontSize':'13px'}}}%%
graph TD
 subgraph Era3[" ยุคฟื้นฟู (1997-2016)"]
 H["1997: Deep Blue IBM เอาชนะ Kasparov"]
 I["2006: Deep Learning ฟื้นคืนชีพ"]
 J["2012: AlexNet CNN ชนะ ImageNet"]
 K["2016: AlphaGo AI เอาชนะมนุษย์ในเกมโกะ"]
 end

subgraph Era4[" ยุคใหม่ (2017-ปัจจุบัน)"]
 L["2017: Transformer สถาปัตยกรรมใหม่"]
 M["2020: GPT-3 LLM ขนาดใหญ่"]
 N["2022: ChatGPT AI สู่สาธารณะ"]
 O["2024: Generative AI AI สร้างสรรค์"]
 end

H --> I --> J --> K --> L --> M --> N --> O
</pre>

---

## อนาคตของ AI

**Artificial General Intelligence (AGI)**
- AI ที่มีความสามารถเท่าเทียมหรือเหนือกว่ามนุษย์ในทุกด้าน
- ยังเป็นเป้าหมายระยะยาว

**Explainable AI (XAI)**
- AI ที่สามารถอธิบายการตัดสินใจได้
- สำคัญสำหรับการแพทย์ การเงิน กฎหมาย

---

## AI Ethics

**หลักการสำคัญ:**
- **ความเป็นธรรม (Fairness)**: ป้องกัน bias
- **ความโปร่งใส (Transparency)**: อธิบายได้
- **ความรับผิดชอบ (Accountability)**: รับผิดชอบผลลัพธ์
- **ความเป็นส่วนตัว (Privacy)**: ปกป้องข้อมูล

---

## แนวโน้มเทคโนโลยี

**Edge AI**
- AI ที่ทำงานบนอุปกรณ์
- ไม่ต้องส่งข้อมูลไป cloud
- สำคัญสำหรับ IoT และ real-time applications

**Quantum AI**
- การผสมผสาน AI กับ Quantum Computing
- ศักยภาพในการแก้ปัญหาที่ซับซ้อนมาก

---

## ความท้าทายที่ต้องเผชิญ

1. **Data Bias**: ข้อมูลที่มี bias นำไปสู่ AI ที่มี bias
2. **Privacy**: การปกป้องข้อมูลส่วนบุคคล
3. **Security**: การป้องกัน adversarial attacks
4. **Energy Consumption**: การใช้พลังงานสูงของโมเดลขนาดใหญ่
5. **Job Displacement**: ผลกระทบต่อตลาดแรงงาน
6. **Regulation**: การกำกับดูแลที่เหมาะสม

---

## สรุป

**Artificial Intelligence** เป็นสาขาวิชาที่กว้างขวางและซับซ้อน ครอบคลุมตั้งแต่รากฐานทางปรัชญาและคณิตศาสตร์ ไปจนถึงการประยุกต์ใช้ในชีวิตประจำวัน

**จุดสำคัญของ AI:**
- AI มีหลายมิติ: Expert Systems, Machine Learning, Deep Learning
- พื้นฐานจากหลายสาขา: ปรัชญา คณิตศาสตร์ จิตวิทยา ประสาทวิทยา และวิทยาการคอมพิวเตอร์
- การประยุกต์ใช้กว้างขวาง: NLP, Computer Vision, Robotics
- พัฒนาการอย่างต่อเนื่อง: จาก simple algorithms ไปสู่ complex neural networks
- ความท้าทายและโอกาส: technical challenges และ ethical considerations

---

## สรุป (ต่อ)

**อนาคตของ AI** มีทั้งโอกาสและความท้าทาย

การพัฒนา **Responsible AI** จะเป็นกุญแจสำคัญในการสร้างเทคโนโลยีที่เป็นประโยชน์ต่อมนุษยชาติอย่างแท้จริง

**เอกสารอ้างอิง:**
1. Russell, S., & Norvig, P. (2020). *Artificial Intelligence: A Modern Approach*
2. Goodfellow, I., Bengio, Y., & Courville, A. (2016). *Deep Learning*
3. Mitchell, T. M. (1997). *Machine Learning*
4. Bishop, C. M. (2006). *Pattern Recognition and Machine Learning*
5. Sutton, R. S., & Barto, A. G. (2018). *Reinforcement Learning*

---

# คำถาม - ข้อสงสัย
<img src="/revealjs/pics/Designer.png" width="55%" />