A platform that aims to connect students from all faculties and departments to promote joint activities and develop effective social and collaborative skills, focusing on: Promoting learning and self-development through reviewing lessons and collaborative learning that are relevant to all faculties and departments in the university, creating a space for negotiation and exchange of knowledge, and supporting joint activities to build relationships and cooperation among students.
จากสถิติโดยเฉลี่ยแล้วในแต่ละวันคนเราจะพบเจอคนแปลกหน้าประมาณ 47 คน นั้นเท่ากับว่าเรา จะพบเจอคนหน้าตาใหม่ๆมากถึง 17,155 คน ต่อปี ซึ่งในการพบเจอกันของผู้คนโดยปกติแล้วเป็นเรื่องที่ เป็นไปไม่ได้เลยที่จะเจอคนที่ชอบหรือมีความต้องการอะไรคล้ายๆกัน เราจึงเกิดแนวคิดที่จะนำพาคนเหล่านั้นให้มาเจอกันได้ง่ายขึ้นจากการสร้างแอปพลิเคชัน ที่จะ ส่งเสริมการทำกิจกรรมร่วมกันของนักศึกษาทั้งจาก ต่างคณะและภายในคณะ เดียวกัน และยังส่งเสริมการ ทบทวนบทเรียน ทำแบบฝึกหัด เพื่อพัฒนาความรู้ในบทเรียนร่วมกัน ที่จะมีรายวิชาจากทุกคณะ และทุก สาขาภายใต้คอนเซ็ปต์ที่ว่า KMITL GO and grow up together
คณะเทคโนโลยีการเกษตร
Currently, urban agriculture is gaining increasing attention as it helps enhance food security and expand green spaces in cities. However, some people remain uninterested in urban farming, possibly due to living in urban areas or having limited space, making them perceive agriculture as something distant from their daily lives. The development of an urban agriculture card game aims to promote learning about urban farming through an engaging and enjoyable gameplay experience.
คณะวิทยาศาสตร์
This special problem aims to compare the performance of machine learning methods in time series forecasting using lagged time periods as independent variables. The lagged periods are categorized into three groups: lagged by 10 units, lagged by 15 units, and lagged by 20 units. The study employs four machine learning methods: Decision Tree (DT), Random Forest (RF), K-Nearest Neighbors (KNN), and Support Vector Machine (SVM). The time series data simulated as independent variables diverse including characteristics: Random Walk data, Trending data, and Non-Linear data, with sample sizes of 100, 300, 500, and 700. The research methodology involves splitting the data into 90% for training and 10% for testing. Simulations and analysis are performed using the R programming language, with 1,000 iterations conducted. The results are evaluated based on the average mean squared error (AMSE) and the average mean absolute percentage error (AMAPE) are calculated to identify the best performing method. The research findings revealed that for Random Walk data, the best performing methods are Random Forest and Support Vector Machine. For Trend data, the best performing methods are Random Forest. For Non-Linear data, the best performing methods are Support Vector Machine. When tested with real-world data, the results show that for the Euro-to-Thai Baht exchange rate, the best methods are Random Forest and Support Vector Machine. For the S&P 500 Index in USD, the best performing methods are Random Forest. For the Bank of America Corp Index in USD, the best performing methods are Support Vector Machine.
วิทยาลัยเทคโนโลยีและนวัตกรรมวัสดุ
-