fieldjournalid
![]() | วิทยานิพนธ์ (MIT) 2019 |
1. | การวิเคราะห์รูปแบบความคิดเห็นเกี่ยวกับผลประเมินการสอนของอาจารย์โดยนักศึกษา โดยใช้เทคนิคเหมืองข้อความ [แสดงบทคัดย่อ] [ซ่อนบทคัดย่อ] | |
ผู้แต่ง : วรงรอง ศรีศิริรุ่ง | ||
การวิเคราะห์รูปแบบความคิดเห็นเกี่ยวกับผลประเมินการสอนของอาจารย์โดยนักศึกษา
โดยใช้เทคนิคเหมืองข้อความ มีวัตถุประสงค์ในการทำวิจัย ดังนี้ 1) เพื่อวิเคราะหรูปแบบความคิดเห็น
เกี่ยวกับผลประเมินการสอนของอาจารย์โดยนักศึกษา โดยใช้เทคนิคเหมืองข้อความ 2) เพื่อสังเคราะห์
รูปแบบความคิดเห็นเกี่ยวกับผลประเมินการสอนของอาจารย์โดยนักศึกษา 3) เพื่อพัฒนาตัวตนแบบที่
สนับสนุนการวิเคราะห์ผลประเมินการสอนของอาจารย์โดยนักศึกษา เพื่อระบุปัจจัยที่ส่งผลต่อ
คุณภาพการสอนของอาจารย์ รวมทั้งความคิดเห็นเชิงบวกเชิงลบ และเชิงกลาง จากนั้นได้
ข้อเสนอแนะเพื่อการพัฒนาการสอนของอาจารย์ ในงานวิจัยนี้ดำเนินการโดยรวบรวมข้อมูลจากระบบ
บริการการศึกษาของสถาบันการศึกษาแห่งหนึ่ง จำนวน 3,130 ข้อความ ซึ่งการวิจัยได้ศึกษาการ
วิเคราะห์การจำแนกด้านการประเมิน ได้แก่ด้านอาจารย์ผู้สอน ด้านกิจกรรมการเรียนการสอน และ
ด้านการพัฒนาศักยภาพนักศึกษาและเสริมสร้างคุณลักษณะที่พึงประสงค์ นอกจากนี้งานวิจัยนี้มีการ
จำแนกความคิดเห็นแบ่งออกเป็น 3 ด้าน ได้แก่
ความคิดเห็นเชิงบวก เชิงลบ และเชิงกลาง จากนั้นทำ
การประเมินประสิทธิภาพการจำแนกข้อความโดยใช้ 3 อัลกอริทึม ได้แก่
Decision Tree , Naïve
Bay และ Random Forest ผลการวิจัยพบว่าการประเมินประสิทธิภาพในการจำ แนกโดยใช้
Decision Tree ให้คาความถูกต้องในการจำแนกด้านการประเมินมากที่สุด 75.02% และคำความ
ถูกต้องในการจำแนกความคิดเห็น 75.94% สำหรับประสิทธิภาพในการจำแนกโดยใช้ Naïve Bay มี
คำความถูกต้องในการจำแนกด้านการประเมิน 73.42% ซึ่งใกล้เคียงกับ Decision Tree แต่
เมื่อพิจารณาค่าความถูกต้องในการจำแนกความคิดเห็นมีค่
าเป็น 55.40% แต่ไม่สามารถหาค่าประสิทธิภาพโดยรวม (F-measure) ในการจำแนกความคิ
Full Text : Download! |
||
2. | การวิเคราะห์ประสิทธิภาพเครือข่ายผู้ให้บริการ NB-IoT ผ่านแพลตฟอร์ม IoT ในประเทศไทย [แสดงบทคัดย่อ] [ซ่อนบทคัดย่อ] | |
ผู้แต่ง : ศุภโชค เกียรติกิติกูล | ||
ผู้ให้บริการรายใหญ่ในประเทศไทย ได้แก่ TRUE และ AIS ได้เปิดให้บริการเครือข่าย NB-IoT ในประเทศไทยโดยเพิ่งจะได้เปิดให้บริการช่วงต้นปี 2018 โดยปกติอุปกรณ์ IoT จะทำการส่งข้อมูลเพื่อไปเก็บบน IoT Cloud Platform โดยการเลือกใช้บริการเครือข่ายจากผู้ให้บริการนั้นย่อมมีความแตกต่างกัน โดยงานวิจัยนี้จะทำการเปรียบเทียบการให้บริการเครือข่าย NB-IoT จากการทดลองสองพื้นที่ ได้แก่ บริเวณจังหวัดกรุงเทพมหานครและจังหวัดปทุมธานี ตั้งแต่อุปกรณ์ NB-IoT ไปยัง IoT Cloud Platform ที่มีมีชื่อเสียงและง่ายต่อการติดตั้งทั้งหมด 9 แห่ง ได้แก่ Google Cloud, AWSamazon, Cloud Oracle, TheThingIO, IBMwatson, Ubidots, IoTTweet, AISmagellan และ ThingsBoard โดยใช้เวลาในการทดลองในแต่ละพื้นที่เป็นระยะเวลา 1 เดือน โดยพิจารณาจากค่า RTT ด้วยการ Ping แพ็กเก็ตขนาด 8 ไบต์และ 1,024 ไบต์เป็นระยะเวลาอย่างละ 2 สัปดาห์ และค่า RSSI, RSRQ, RSRP และ SNR ตลอด 4 สัปดาห์ โดยผลลัพธ์การทดลองจะแบ่งออกเป็นสองส่วน ส่วนแรกคือ ตั้งแต่อุปกรณ์ไปยังเสาสัญญาณของผู้ให้บริการ โดยพบว่าจากพื้นที่สถาบันเทคโนโลยีไทย-ญี่ปุ่น การให้บริการของเครือข่ายของ AIS มีผลลัพธ์ที่ดีกว่าผู้ให้บริการ TRUE โดย AIS มีค่าเฉลี่ย RSRP มากกว่าประมาณ 15 dBM, RSSI มากกว่าประมาณ 14.2 dBM, RSRQ มากกว่าประมาณ 0.04 dB และ SNR มากกว่าประมาณ 0.9 dB ส่วนพื้นที่จังหวัดปทุมธานีนั้นผู้ให้บริการเครือข่าย TRUE มีคุณภาพการให้บริการใกล้เคียงกับ AIS หรือดีกว่าเล็กน้อย โดยผลลัพธ์ค่า RSRP และ RSSI ของ AIS โดยเฉลี่ยมากกว่าเครือข่าย TRUE ประมาณ 4.7 dB แต่มีค่า RSRQ น้อยกว่าประมาณ 0.6 dBM และ SNR น้อยกว่าประมาณ 2.9 dB ส่วนที่สองคือตั้งไปอุปกรณ์ไปยัง IoT Cloud Platform ปลายทาง จากพื้นที่สถาบันเทคโ
Full Text : Download! |
||
3. | Development of Analysis of the Accuracy and the Diversity in the Recommender System Based on Collaborative Filtering Approach [แสดงบทคัดย่อ] [ซ่อนบทคัดย่อ] | |
ผู้แต่ง : Vivat Thongchotchat | ||
One of the current challenges for improving recommender systems is to find an optimal way for diversity and accuracy trade-off. This research aims to find that for real-life educational data, how much impact of diversity for accuracy of the system by developing the collaborative filtering recommender system to conduct experiments and analysis. An analysis showed that using MSD similarity as the similarity calculation method and KNN with Means as the algorithm will give the best prediction result for the user-based system. For the item-based system, using cosine similarity as the similarity calculation method and KNN Baseline as the algorithm will give the best prediction result. Diversity of recommended item affects each system differently. For user-based system, having more choices for the recommended subjects can lead to better prediction result due to there is more data that can be used. For the item-based system, having more choices for a recommended item may not lead to better prediction result due to similar recommended item cannot be used much in the item-based system.
Full Text : Download! |
||
4. | การศึกษาโมเดลการเรียนรู้ของเครื่องเพื่อพยากรณ์แนวโน้มราคาหลักทรัพย์ด้วยข้อมูลอัตราส่วนทางการเงินของบริษัทในตลาดหลักทรัพย์แห่งประเทศไทย [แสดงบทคัดย่อ] [ซ่อนบทคัดย่อ] | |
ผู้แต่ง : ฐาปะนีย์ สามัคคี | ||
การทำนายราคาหลักทรัพย์ในตลาดหลักทรัพย์เป็นเรื่องที่น่าสนใจในแง่ของผลตอบแทนการ
ลงทุน โดยนักลงทุนพยายามคาดการณ์แนวโน้มราคาหลักทรัพย์โดยการติดตามความเคลื่อนไหวของ
ราคาวันต่อวัน การพิจารณาข้อมูลในงบการเงิน หรือแม้แต่การเปรียบเทียบอัตราส่วนทางการเงินของ
บริษัทในตลาดหลักทรัพย์ ซึ่งทั้งหมดนั้นเป็นการตัดสินใจเลือกลงทุนโดยใช้การคาดการณ์ของ
นักลงทุนเอง
งานวิจัยชิ้นนี้จึงประยุกต์ใช้โมเดลเพื่อพยากรณ์แนวโน้มราคาหลักทรัพย์ ด้วยอัตราส่วนทาง
การเงินของบริษัทจดทะเบียนในตลาดหลักทรัพย์แห่งประเทศไทย โดยใช้ข้อมูลอัตราส่วนทางการเงินที่
สะท้อนถึงผลการดำเนินงานของธุรกิจจำนวน 18 อัตราส่วน ย้อนหลัง 5 ปี และแนวโน้มการ
เปลี่ยนแปลงของราคา ได้แก่ ราคาหลักทรัพย์ที่มีอัตราส่วนการเปลี่ยนแปลงราคาเพิ่มขึ้น และ
อัตราส่วนการเปลี่ยนแปลงราคาลดลงหรือไม่เปลี่ยนแปลง โดยใชั้อัลกอริทึม ได้แก่ Logistic
Regression, Support Vector Machine, Random Forest, Generalized Linear Model, Naïve
Bayes, และ Ensemble ร่วมกับ เทคนิคการสุ่มเพิ่มตัวอย่างกลุ่มน้อย (Synthetic Minority
Oversampling Technique) ในการพยากรณ์
ผลการวิจัยพบว่า การพยากรณ์แนวโน้มราคาหลักทรัพย์ โดยใช้อัตราส่วนทางการเงินของ
บริษัทจดทะเบียนในตลาดหลักทรัพย์แห่งประเทศไทย โดยใช้ Random Forest ให้ค่าความถูกต้อง
สูงสุดที่ 79.14% ซึ่งมีอัตราส่วนทางการเงินที่มีผลต่อราคาหลักทรัพย์มากที่สุดได้แก่ อัตราผลตอบแทน
สินทรัพย์ (Return on Asset) และอัตราส่วนหมุนเวียนสินทรัพย์ถาวร (Fixed Asset Turnover) อีก
ทั้งเมื่อจำลองการลงทุนในตลาดหลักทรัพย์ด้วยโมเดลการเรียนรู้ของเครื่อง พบว่ามีแนวโน้มทำกำไร
สูงสุดที่ 7.74% และงานวิจัยชิ้นนี้ได้ทดลองสร้างรายงาน Visualization เพื่
Full Text : Download! |
||
5. | การศึกษาและพัฒนาต้นแบบ (Prototype) ของระบบการทำนายสถานะการผิดนัดชำระหนี้ของผู้กู้ใน P2P Lending ด้วยวิะีการทำเหมืองข้อมูล [แสดงบทคัดย่อ] [ซ่อนบทคัดย่อ] | |
ผู้แต่ง : สุพิตา วิพัฒน์กิจไพศาล | ||
งานวิจัยนี้เป็นการศึกษาและพัฒนาต้นแบบ (Prototype) ของระบบการทำนายสถานะการผิดนัดชำระหนี้ของผู้กู้ใน P2P Lending ด้วยวิธีการทำเหมืองข้อมูล ในแต่ละกลุ่มความเสี่ยง คือ กลุ่มความเสี่ยงต่ำและสูง โดยมีวัตถุประสงค์ดังนี้ 1) เพื่อศึกษาตัวแปรที่ใช้ทำนายแนวโน้มการผิดนัดชำระหนี้ของผู้กู้ 2) เพื่อสร้างแบบจำลองพยากรณ์แนวโน้มการผิดนัดชำระหนี้ จากเทคนิค classification ต่างๆ ได้แก่ Logistic Regression, Decision Tree (ID3), Decision Tree (C4.5) และ Naïve Bayes รวมถึงคัดเลือกตัวแปร ได้แก่ Pearson’s Correlation, Recursive Feature Elimination (RFE) และ Factor Analysis 3) เพื่อพัฒนาต้นแบบ (Prototype) ของระบบการทำนายสถานะผิดนัดชำระหนี้ ผลการวิจัยพบว่าปัจจัยที่ส่งผล ได้แก่ 1) ด้านผู้กู้และสินเชื่อ 2) ด้านเศรษฐกิจมหภาค โดยแบบจำลองที่มีประสิทธิภาพสำหรับผู้กู้ทั้ง 2 กลุ่มคัดเลือกตัวแปรด้วย Factor Analysis และใช้ synthetic minority oversampling technique (SMOTE) ผ่านเทคนิค Decision Tree (C4.5) ซึ่งมีค่า Accuracy Score และ F-1 Score ที่ 0.8843 และ 0.9383 ตามลำดับ สำหรับกลุ่มความเสี่ยงต่ำ และค่า Accuracy Score และ F-1 Score อยู่ที่ 0.7778 และ 0.8621 ตามลำดับ สำหรับกลุ่มความเสี่ยงสูง อย่างไรก็ตาม แบบจำลอง 2 กลุ่มมีตัวแปรที่ถูกคัดเลือกต่างกัน อีกทั้งงยังได้นำข้อมูลอดีตจากผู้ประกอบการไทยมาทดสอบ พบว่าค่า Accuracy Score อยู่ในเกณฑ์ยอมรับได้ที่ 0.8541 และ 0.6956 ตามลำดับ แสดงว่าแบบจำลองสามารถใช้เป็นแนวทางให้ผู้ประกอบการไทยได้
Full Text : Download! |
||
6. | การพัฒนารูปแบบการแนะนำงานสำหรับองค์กรและผู้สมัครตามทักษะการเรียนรู้ด้วยเทคนิคป่าแบบสุ่ม [แสดงบทคัดย่อ] [ซ่อนบทคัดย่อ] | |
ผู้แต่ง : สห ธิติถามวัต | ||
จากผลการสำรวจภาวะการทำงานของประชากรจากสำนักงานสถิติแห่งชาติ ในปีพุทธศักราช 2562 พบว่า จำนวนผู้ว่างงานที่สำเร็จการศึกษาในระดับปริญญาตรีมีอัตราการว่างงานมากกว่าค่าเฉลี่ยอัตราการว่างงานในทุกระดับการศึกษา สะท้อนถึงภาวการณ์ที่บุคคลในวัยแรงงานไม่สามารถหางานทำได้ ซึ่งถือเป็นปัจจัยตัวชี้วัดภาวะเศรษฐกิจ สอดคล้องกับหลักเกณฑ์ในการคัดเลือกผู้สมัครงาน ซึ่งให้ความสำคัญกับทักษะและประสบการณ์มากกว่าวุฒิการศึกษาวุฒิบัตร ผู้วิจัยจึงได้สนใจที่จะพัฒนารูปแบบการแนะนำงานสำหรับองค์กรและผู้สมัครตามทักษะการเรียนรู้ด้วยเทคนิคป่าแบบสุ่ม โดยเล็งเห็นว่า รูปแบบการเรียนรู้เป็นส่วนหนึ่งในการสร้างประสบการณ์ตามความถนัดจากการเรียนรู้ได้อย่างรวดเร็ว โดยนำเสนอเทคนิคการสร้างโมเดลทางคณิตศาสตร์ในการแนะนำจากการสังเคราะห์และสรุปผลการเปรียบเทียบเทคนิควิธีการในการจำแนกข้อมูล 5 เทคนิค โดยแบ่งการเปรียบเทียบออกเป็น 2 ครั้ง ซึ่งในครั้งที่ 1 เป็นการสังเคราะห์โมเดลด้วยฐานข้อมูลผู้มีงานทำจำนวน 120 ราย และครั้งที่ 2 เป็นการสังเคราะห์โมเดลด้วยฐานข้อมูลนักศึกษาที่ถูกพยากรณ์จำนวนรวม 1,115 ราย โดยการเปรียบเทียบประสิทธิภาพโมเดลจากตัวชี้วัดพบว่า Gradient Boosted Trees มีค่าความแม่นยำมากที่สุด (76.95%) แต่ไม่เหมาะในการเขียนเงื่อนไขในระบบแนะนำงาน ในขณะที่ Random Forest (74.17%) มีความแม่นยำใกล้เคียงกันและง่ายต่อการนำไปใช้ ส่วน Naïve Bays และ Deep Learning ไม่เหมาะกับการนำมาใช้ทำนายในงานวิจัยครั้งนี้ เนื่องจากมีค่าความแม่นยำน้อยมาก เมื่อมีฐานข้อมูลเป็นตัวเลขที่มีความแปรปรวนต่ำและระยะความกว้างของข้อมูลน้อย
Full Text : Download! |
||
7. | การตรวจหารอยช้ำของแอปเปิ้ลโดยเทคนิควิเคราะห์ภาพถ่ายคลื่อนรังสีความร้อนแบบอินฟราเรด [แสดงบทคัดย่อ] [ซ่อนบทคัดย่อ] | |
ผู้แต่ง : ณัฐภัทร พิตรปรีชา | ||
การวิเคราะห์ภาพถ่ายคลื่นรังสีความร้อนแบบอินฟราเรดเพื่อตรวจหารอยช้าของแอปเปิ้ลเป็นวิธีการนำเสนอเพื่อตรวจหารอยช้าที่เกิดขึ้นใหม่ ซึ่งอาจจะยังไม่ปรากฏให้เห็นบนพื้นผิวและไม่สามารถสังเกตได้ด้วยกล้องถ่ายภาพปกติ กรรมวิธีที่นำมาใช้ในการทดลองคือการกระตุ้นให้เกิดการเปลี่ยนแปลงอุณหภูมิโดยเทคนิคการถ่ายเทความร้อนและคลายความร้อนเพื่อสร้างความแตกต่างระหว่างรอยช้าและผิวปกติซึ่งสามารถบันทึกภาพได้ด้วยกล้องถ่ายภาพรังสีความร้อนแบบอินฟราเรด การทำงานของระบบตรวจสอบรอยช้ามีโครงสร้างหลักคือ ResNet เป็นระบบการเรียนรู้ของเครื่องเชิงลึก มีหน้าที่เรียนรู้ข้อมูลภาพและระบุชนิดของวัตถุภายในภาพ ระบบนี มีจุดเด่นคือสามารถข้ามลำดับการเรียนรู้ลักษณะเด่นของวัตถุที่มีความซ้ำซ้อนกัน เมื่อนำมาประยุกต์ใช้ร่วมกับ YOLO ซึ่งเป็นระบบตรวจหาวัตถุในภาพที่ประมวลผลได้ตามเวลาจริง จะได้ระบบตรวจสอบรอยช้ำของแอปเปิ้ลที่รวดเร็วและแม่นยำ สุดท้ายจะยืนยันผลลัพธ์ที่ได้ด้วยการวัดผลแบบ Confusion matrix และ F score ที่เป็นมาตรฐานชี้วัดสำหรับระบบประมวลผลภาพ จากการทดสอบซ้ำหลายครั้งพบว่าผลลัพธ์ที่ได้มีความสม่ำเสมอ มีข้อผิดพลาดเพียงเล็กน้อย ผลลัพธ์โดยรวมอยู่ในเกณฑ์ที่ดี
Full Text : Download! |
||
8. | การจำแนกกลุ่มของสายพันธุ์แมวจากคุณลักษณะรูปทรงของดวงตาด้วยเทคนิคการประมวลผลภาพแบบจับคู่ [แสดงบทคัดย่อ] [ซ่อนบทคัดย่อ] | |
ผู้แต่ง : ณัชชา ซาวปิง | ||
งานวิจัยนี้มีวัตถุประสงค์ในการจำแนกกลุ่มของสายพันธุ์แมวจำนวน 45 สายพันธุ์ ตาม
มาตรฐาน CFA (The Cat Fanciers’ Association) โดยใช้คุณลักษณะของรูปทรงของดวงตาตาม
มาตรฐาน TICA (The International Cat Association) เป็นตัวกาหนดกลุ่มของสายพันธุ์ตาม
ความสัมพันธ์ทางพันธุกรรมแบ่งออกเป็น4 กลุ่มรูปทรง ด้วยวิธีการประมวลผลข้อมูลภาพแบบจับคู่
(Template Matching) ในการหาค่าความความคล้ายคลึงกันภายในกลุ่มด้วยการเปรียบเทียบ
ระหว่างรูปทรงแม่แบบ (Shape Template) กับรูปภาพที่ใช้ในการทดลอง (Input Image) ด้วย
วิธีการหาค่าสหสัมพันธ์เพื่อเปรียบเทียบความคล้ายคลึงกันขอรูปทรง โดยใช้วิธีแบบนอมัลไลซ์ครอส
คอริเลชัน (Normalized Cross-Correlation) ซึ่งเป็นวิธีการสาหรับหาค่าความสัมพันธ์ระหว่างจุด
พิกเซลสองภาพ
ในการจับคู่แม่แบบจะหาค่าความคล้ายคลึงกันที่ดีที่สุด (Best Score) โดยผลลัพธ์จะแสดง
ออกมาเป็นรูปแบบตารางพิกเซลสำหรับการจำแนกกลุ่มของสายพันธุ์ด้วยวิธีการแบบ Pixel-Base
เพื่อใช้ในการหาค่าดัชนีความคล้ายคลึงของภาพ (Structural Similarity Index Measure) โดย
ผลลัพธ์ของค่าดัชนีความคล้ายคลึงกันในแต่ละรูปทรงที่ปรากฏในการทดสอบในแมวแต่ละสายพันธุ์จะ
ถูกจัดกลุ่มด้วยวิธีการหาค่ายกกาลังสองของกลุ่มด้วยหลักการแบบ Root Mean Square (RMS)
สาหรับจำแนกกลุ่มของสายพันธุ์แมวด้วยคุณลักษณะรูปทรงของดวงตาออกเป็น 4 กลุ่ม ได้แก่ รูปทรง
กลม รูปทรงวงรี รูปทรงอัลมอนด์ และรูปทรงคล้ายผลไม้ เพื่อวัดประสิทธิภาพการทำงานของวิธีการ
ด้วยหลักการของคอนฟิวชันแมทริกซ์มัลติคลาส (Confusion Matrix Multi Class) ในการตรวจสอบ
ความแม่นยำโดยผลลัพธ์ปรากฏเป็นค่า Accuracy ถึง 84.44 เปอร์เซ็นต์
Full Text : Download! |
||
Center of Academic Resource
Institute of Technology 1771/1, E Building, Fl. 2,
Pattanakarn Rd, Suan Luang, Bangkok, 10250