ด้วยการพัฒนาของเทคโนโลยีทางด้านอวกาศทำให้การสำรวจท้องฟ้าโดยใช้กล้องโทรทรรศน์ที่มีมุมมองกว้างขยายขอบเขตของข้อมูลใหม่ๆ สำหรับการวิจัยดาราศาสตร์โดเมนเวลามากยิ่งขึ้น ทำให้การวิเคราะห์ข้อมูลแบบดั้งเดิมไม่สามารถตอบสนองต่อข้อมูลได้อย่างรวดเร็วและแม่นยำเพียงพอต่อปริมาณข้อมูลที่เพิ่มขึ้นอย่างต่อเนื่อง ดังนั้น การจำแนกประเภทของข้อมูลซีรีส์เวลาอย่างกราฟแสงจึงเป็นความท้าทายอย่างมากในยุคที่ข้อมูลมีขนาดใหญ่ ในปัจจุบันการวิเคราะห์กราฟแสงจึงจำเป็นต้องใช้เทคนิคการเรียนรู้ของเครื่องเข้ามาช่วยในการวิเคราะห์ คัดกรองข้อมูลอันมหาศาลอย่างหลีกเลี่ยงไม่ได้ โดยอัลกอริทึมการเรียนรู้ของเครื่องแบ่งออกได้ 2 ประเภท คือ แบบตื้นและแบบลึก นักวิจัยหลายๆ ท่านได้นำเสนอวิธีการและการพัฒนาอัลกอริทึมหลากหลายรูปแบบสำหรับการจำแนกประเภทของกราฟแสง ซึ่งในงานนี้เราได้ทำการทดลองใช้ Support Vector Machine (SVM) และ XGBoost ซึ่งเป็นอัลกอริทึมการเรียนรู้ของเครื่องประเภทแบบตื้น และ 1D-CNN และ Long Short-Term Memory (LSTM) ซึ่งเป็นอัลกอริทึมการเรียนรู้เชิงลึกเป็นอีกหนึ่งสาขาของการเรียนรู้ของเครื่องที่เป็นประเภทแบบลึก เพื่อใช้ในการจำแนกประเภทของดาวแปรแสง โดยข้อมูลที่ใช้ในการอบรบและทดสอบ คือ ข้อมูล Optical Gravitational Lensing Experiment-III (OGLE-III) เป็นข้อมูลของดาวแปรแสง โดยอยู่ในพื้นที่ Large Magellanic Cloud (LMC) ที่มีการแบ่งได้ 5 คลาสหลักส่วนใหญ่ (Classical Cepheids, δ Scutis, eclipsing binaries, RR Lyrae stars และ Long-period variables) ผลลัพธ์แสดงให้เห็นถึงการวิเคราะห์ประสิทธิภาพของการเรียนรู้ของเครื่องแต่ละประเภทที่ใช้กับข้อมูลกราฟแสง อีกทั้งยังชี้ให้เห็นถึงความแม่นยำและค่าสถิติต่างๆ ของการเรียนรู้ของเครื่องที่ใช้ในทดลอง
ในงานนี้เราได้เสนอการใช้อัลกอริทึมการเรียนรู้ของเครื่องที่ทำการแบ่งอัลกอริทึมได้เป็น 2 ประเภท คือ แบบตื้นและแบบลึกมาทดสอบประสิทธิภาพโดยแบบตื้นมีมีอัลกอริทึม Support Vector Machine (SVM) และ XGBoost แบบลึกมีอัลกอริทึม 1D-CNN และ Long Short-Term Memory (LSTM) เราพิจารณาข้อมูลการสังเกตที่ได้จากฐานข้อมูล Optical Gravitational Lensing Experiment-III (OGLE-III) ที่เป็นดาวแปรแสงในพื้นที่ Large Magellanic Cloud (LMC) ด้วยกล้องโทรทรรศน์ขนาด 1.3-m Warsaw ที่ติดตั้งที่หอดูดาวลาสคัมปานัส ประเทศชิลี ข้อมูลนี้ประกอบด้วยการสังเกตดาวแปรแสงมากกว่าหนึ่งแสนครั้งโดยพิจารณาจากกราฟแสง และใช้ข้อมูลสถิติต่างๆ เช่น Accuracy, Precision, Recall, F1-score, AUG, mPa, mcc และ kappa ซึ่งงานวิจัยนี้มีจุดมุ่งหมายเพื่อที่จะทดสอบประสิทธิภาพในการจำแนกประเภทของดาวแปรแสงโดยใช้ข้อมูลการวิเคราะห์ light curve ด้วยเทคนิคการเรียนรู้ของเครื่องทั้งสองประเภท เพื่อให้เห็นถึงความเข้าใจในลักษณะและพฤติกรรมของดาวแปรแสง ซึ่งใช้ในประโยชน์ต่างๆ เช่น ความรู้ในด้านดาราศาสตร์ฟิสิกส์หรือการค้นพบดาวเคราะห์ดวงใหม่ๆ และการป้องกันภัยจากดาวแปรแสงมีอาจจะมีผลกระทบต่อโลก อีกทั้งในเรื่องการประหยัดเวลาและทรัพยากรในการที่จะจำแนกประเภทดาวแปรแสงอย่างมีระบบและมีประสิทธิภาพ
คณะศิลปศาสตร์
บอร์ดเกมกำลังเป็นที่นิยมในฐานะกิจกรรมที่เชื่อมโยงผู้คนในยุคดิจิทัล และมีคอมมูนิตี้ที่เติบโตขึ้นอย่างต่อเนื่อง โดยเฉพาะในคาเฟ่และแหล่งพบปะต่างๆ ขณะเดียวกัน การท่องเที่ยวไทยก็มีเสน่ห์ที่หลากหลาย ทั้งธรรมชาติ วัฒนธรรม และเอกลักษณ์ของแต่ละภูมิภาค ซึ่งดึงดูดนักท่องเที่ยวจากทั่วโลก เราจึงต้องการนำเสนอการท่องเที่ยวในรูปแบบใหม่ โดยผสานเสน่ห์ของเมืองรองเข้ากับความสนุกของบอร์ดเกม เพื่อให้ทั้งความรู้และความบันเทิงไปพร้อมกัน จึงเป็นที่มาของ “C(4)ulture Adventure Board Game”
คณะสถาปัตยกรรม ศิลปะและการออกแบบ
ซีรีย์ภาพถ่ายที่สื่อถึงสภาวะนามธรรมของตนเอง ที่ตั้งคำถามถึงการดำรงอยู่ อันเกิดจากการถูกรายล้อมไปด้วยความคาดหวัง ทั้งในแง่ของเสรีภาพในการแสดงออก และการยอมจำนน การมุ่งความสนใจไว้ที่ตนเอง ทำให้เกิดความรู้สึกนึกถึงอดีตที่แทบจะลืมเลือนไปแล้ว ให้กลับมาจนชัดเจนอีกครั้ง
คณะวิทยาศาสตร์
โครงงานนี้มีวัตถุประสงค์เพื่อพัฒนาเว็ปแอปพลิเคชันสำหรับการเบิกจ่ายเครื่องมือ เพื่อลดปัญหาที่เกิดจากการใช้งานโปรแกรม Excel ซึ่งไฟล์ตัวแรกนั้นคัดลอกมาจาก SQL ที่มีอยู่แล้ว และคัดลอกต่อๆกันมา ส่งผลให้ต้องใช้พื้นจำนวนมากและไฟล์ Excel นั้นไม่สามารถเปิดใช้งานพร้อมกันได้ จึงต้องพัฒนาเว็ปแอปพลิเคชันเพื่อเชื่อม SQL โดยตรงเพื่อลดปัญหาที่เกิดจะการใช้ไฟล์ Excel