In a highly competitive business, understanding customers is crucial for an organization to determine its success. Effective marketing is not just about offering good products, promotions, or services; it also requires strategies to reach and build strong relationships with customer groups. Segmenting customers is one method that helps businesses deeply understand the needs and behaviors of the customers who use their services In this internship, the objective is to understand the behavior of customers purchasing coffee and tea at a large cafe group by analyzing stored customer data. As a result of this process, customer groups purchasing coffee and tea were segmented using Naive Bayes, Random Forest, and Deep Learning techniques to compare the accuracy and suitability of different Machine Learning methods, and the insights gained from this analysis can be for further development in analyzing other data set in the future
กาแฟและชา เป็นเครื่องดื่มที่ได้รับความนิยมอย่างมาก ทั้งชาและกาแฟมีประโยชน์ต่อสุขภาพ ใช้ดื่มเพื่อผ่อนคลาย ชาเป็นเครื่องดื่มที่ทำให้ผ่อนคลายจากการทำกิจกรรมมาทั้งวัน ในขณะเดียวกัน กาแฟเป็นตัวช่วยเพิ่มพลังงาน และพลังสมองก่อนที่จะทำกิจวัตรใดๆ อีกทั้งยังเป็นตัวเชื่อมความสัมพันธ์ระหว่างมนุษย์ ดังนั้น การมองหาร้านกาแฟที่มีเครื่องดื่มที่เข้มข้น สินค้าที่หลากหลาย ยังต้องมีพื้นที่สังสรรค์ พบประผู้คน ซึ่งในนั้นก็คือ ร้านกาแฟพันธุ์ไทย ซึ่งเป็นแบรนด์กาแฟ ที่มีทั้งเครื่องดื่ม ขนมปัง เบเกอรี่ และอาหารหลากหลาย ทำให้มีกลุ่มลูกค้าที่เข้ามาใช้บริการเป็นจำนวนมาก และลักษณะการซื้อเครื่องดื่มและสินค้าที่แตกต่างกัน จากเหตุผลดังกล่าว ทำให้ทีมธุรกิจอัจฉริยะ (Business Intelligence - BI) กลุ่มธุรกิจอาหารและเครื่องดื่ม มีความสนใจที่จะจัดกลุ่มลูกค้าของร้านกาแฟพันธุ์ไทย ข้าพเจ้าจึงมีแนวคิดที่จะจำแนกและวิเคราะห์พฤติกรรมลูกค้า แบ่งออกเป็น 3 กลุ่ม ได้แก่ ลูกค้าที่ซื้อเครื่องดื่มประเภทกาแฟเป็นประจำ ลูกค้าที่ซื้อเครื่องดื่มประเภทชา และลูกค้าที่ซื้อเครื่องดื่มทั้งชาและกาแฟ โดยการใช้ Naive Bayes, Random Forest, Deep Learning เปรียบเทียบเทคนิค ที่มีความแม่นยำและเหมาะสม เพื่อนำข้อมูลที่วิเคราะห์ได้ไปใช้ประโยชน์ต่อไป
คณะวิศวกรรมศาสตร์
Artificial intelligence for agriculture and environment is a collection of significant models for enviromental friendly Thailand development. The models create with machine learning and deep learning by Near infrared spectroscopy research center for agricultural and food products, including: Determining the nutrient needs (N P K) of durian trees by measuring durian leaves using a non-destructive technique using artificial intelligence, Identification of combustion properties of biomass from fast-growing trees and agricultural residues using non-destructive techniques combined with artificial intelligence, and Evaluation of global warming due to biomass combustion using non-destructive techniques using artificial intelligence. The basic technology used is Near infrared Fourier transform spectroscopy technology which measurement and output display can be done quickly without chemical, no requirement for special expert, and measurement price per sample is very low. But the instrument cannot be produced in Thailand.
คณะวิทยาศาสตร์
Recruitment is a crucial process that enables organizations to select candidates whose qualifications match the requirements of a given position. However, this process often faces challenges related to data management, delays, and human bias. This research aims to design and develop an intelligent web application for employee recruitment using artificial intelligence (AI) technology to evaluate and score candidates' suitability for job positions. The system leverages data analysis techniques on resumes and a qualification-matching process based on predefined criteria. Developed using Agile principles, the system employs Natural Language Processing (NLP) to analyze resumes, assess candidates’ qualifications, skills, and experience, and utilizes Machine Learning to predict and rank suitability. The system consolidates data from multiple sources into a unified database to reduce redundancy and input errors. Additionally, it presents insights through a dashboard, enabling HR teams to make more effective hiring decisions.
คณะวิทยาศาสตร์
With the urgent need for rapid screening of Aflatoxin B1 (AFB1) due to its association with increased liver cirrhosis and hepatocellular carcinoma cases from contaminated agricultural foods, we propose a novel electrochemical aptasensor. This aptasensor is based on trimetallic nanoparticles AuPt-Ru supported by reduced graphene oxide (AuPt-Ru/RGO) modified on a low-cost and disposable goldleaf electrode (GLEAuPt-Ru/RGO) for detection of AFB1. The trimetallic nanoparticle AuPt-Ru was synthesized using an ultrasonic-driven chemical reduction method. The synthesized AuPt-Ru exhibited a waxberry-like appearance, with AuPt core-shell structure and ruthenium dispersed over the particles. The average particle size was 57.35 ± 8.24 nm. The AuPt-Ru was integrated into RGO sheets (inner diameter of 0.5 to 1.6 µm) in order to enhance electron transfer efficiency and increase the specific immobilizing surface area of the thiol-5’-terminated modified aptamer (Apt) to target AFB1. With a large electrochemical surface area and low electrochemical impedance, GLEAuPt-Ru/RGO displays ultra-high sensitivity for AFB1 detection. Differential pulse voltammetry (DPV) measurements revealed a linear range for AFB1 detection range from 0.3 to 30.0 pg mL-1 (R2 = 0.9972), with a limit of detection (LOD, S/N = 3) and a limit of quantification (LOQ, S/N = 10) of 0.009 pg mL-1 and 0.031 pg mL-1, respectively. The developed aptasensor also demonstrated excellent accuracy in real agricultural products, including dried red chili, garlic, peanut, pepper, and Thai jasmine rice, achieving recovery rates between 94.6 and 107.9%. The fabricated aptamer-based GLEAuPt-Ru/RGO performance is comparable to that of a modified commercial electrode, which has great potential application prospects for detecting AFB1 in agricultural products.