Nowadays, assembling a computer is considered something close to many people. Everyone has a chance to catch it. which knowledge of various components of computers and skills in assembling computers. These 2 things mentioned above are things that the general public should have basic knowledge and understanding about. For the self-assembly of computers, We therefore would like to provide knowledge to the general public who wants to learn how to assemble a computer, including information about its components. Through presentation in the form of learning media using VR technology, which will help reduce the problem of errors. and resources used in assembly Ready to create excitement for users by simulating computer assembly for users to interact within the virtual world. experience and provide knowledge before actually putting it into practice with real equipment This project was therefore created for those interested in assembling computers. Especially for people who have no experience in computer assembly. Including people who would like to have the opportunity to try building a computer by themselves.
ในการประกอบคอมพิวเตอร์หนึ่งเครื่องนั้นจำเป็นต้องมีอุปกรณ์จริงในการประกอบ หากไม่มีก็ไม่สามารถทำได้ อีกทั้งผู้ที่จะประกอบไม่มีความรู้อาจส่งผลให้ต้องใช้เวลานานในการประกอบ และ ในการปฏิบัติจริงในบางกรณีอาจส่งผลเสียกับอุปกรณ์กรณีที่ประกอบผิดขั้นตอน ซึ่งโครงงานนี้จะช่วยให้ผู้ใช้สามารถได้ทดลองประกอบคอมพิวเตอร์ได้ด้วยตนเอง พร้อมกับให้ความรู้เบื้องต้น โดยผ่านการนำเสนอในรูปแบบสื่อการสอนด้วยเทคโนโลยีความจริงเสมือน เพื่อให้ผู้ใช้ได้มีปฏิสัมพันธ์ และ ได้จำลองสถานการณ์ ซึ่งจะช่วยให้ผู้ใช้งานสามารถเข้าใจ และ ได้ความรู้ในการประกอบคอมพิวเตอร์มากยิ่งขึ้น ก่อนที่จะนำความรู้ที่ได้ไปปฏิบัติกับอุปกรณ์จริงได้อย่างถูกต้อง
คณะวิทยาศาสตร์
This special problem aims to study and compare the performance of predicting the air quality index (AQI) using five ensemble machine learning methods: random forest, XGBoost, CatBoost, stacking ensemble of random forest and XGBoost, and stacking ensemble of random forest, SVR, and MLP. The study uses a dataset from the Central Pollution Control Board of India (CPCB), which includes fifteen pollutants and nine meteorological variables collected between January, 2021 and December, 2023. In this study, there were 1,024,920 records. The performance is measured using three methods: root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination. The study found that the random forest and XGBoost stacking ensemble had the best performance measures among the three methods, with the minimum RMSE of 0.1040, the minimum MAE of 0.0675, and the maximum of 0.8128. SHAP-based model interpretation method for five machine learning methods. All methods reached the same conclusion: the two variables that most significantly impacted the global prediction were PM2.5 and PM10, respectively.
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
---
คณะเทคโนโลยีการเกษตร
การทดลองนี้จึงมีวัตถุประสงค์เพื่อศึกษาผลของน้ำที่ผ่านการฉายพลาสมาในเวลาที่แตกต่างกันต่อคุณภาพการงอกของเมล็ดพันธุ์ข้าวไรซ์เบอรี่ เพื่อเป็นการยกระดับคุณภาพความงอกของเมล็ดพันธุ์ข้าวไรซ์เบอรี่