Merge pull request #72 from PanthonImem/main

Add 2026 orientation.md

Author: cstorm125

docs/_posts/2026-3-24-orientation-2026.md

@@ -0,0 +1,69 @@
+---
+layout: post
+title: ปฐมนิเทศ AI Builders 2026
+---
+
+เตรียมความพร้อมก่อนเข้าสู่โครงการ AI Builders 2026
+
+### แนวทางของโครงการ AI Builders
+
+1. **substance over test scores and certificates**; สิ่งที่บ่งบอกถึงความสำเร็จในการเรียนรู้ได้ดีที่สุด (และมีประโยชน์ในชีวิตจริงมากที่สุด) คือการสร้างโมเดล machine learning ที่แก้ปัญหาได้จริง ไม่ใช่คำพูด, คะแนนสอบ หรือ certificates ใดอย่างที่เขาหลอกลวง; แทบไม่เคยมีงานระดับโลกที่ไหนถามหาเกรด โรงเรียนที่จบ หรือ certificates อะไรทั้งนั้นสำหรับงาน machine learning; หากคุณทำงานอุตสาหกรรม คุณค่าของคุณคือประโยชน์ทางธุรกิจที่งานของคุณสร้าง หากคุณทำงานวิจัย คุณค่าของคุณคือประโยชน์ทางวิชาการของงานวิจัย
+2. **methodology over tools**; เราจะใช้ framework ไหน tool อะไร ไม่สำคัญเท่าความเชี่ยวชาญในวิธีการแก้ปัญหา framework หรือ tool อาจเปลี่ยนทุกปี แต่วิธีการแก้ปัญหาไม่ได้เปลี่ยนบ่อยขนาดนั้น เราอาจจะเริ่มเรียนรู้เกี่ยวกับ machine learning ด้วย fastai แต่ในที่สุดเราอาจจะใช้เครื่องมืออื่นที่เหมาะกับโครงงานเรามากกว่าก็ได้
+3. **execution over ideas**; ใครก็มีไอเดียได้ แม้เราจะคิดว่าไอเดียเราเจ๋งขนาดไหน (ความลับ: ทุกคนคิดว่าไอเดียตัวเองเจ๋งกว่าใครเสมอ) ความเป็นจริงก็คือมันไม่มีประโยชน์หากไม่สามารถเปลี่ยนเป็นผลลัพธ์ที่เป็นรูปธรรมได้
+4. **follow the golden rule**; ปฏิบัติกับเพื่อนร่วมโครงการและ mentor อย่างที่คุณอยากให้พวกเขาปฏิบัติกับคุณ;[ข้อพึงปฏิบัติ](https://ai-builders.github.io/code-of-conduct/)
+5. **there is no stupid questions**; เรามาจากหลากหลายพื้นฐาน บางคนอาจจะเคยทำอะไรมามากหรือน้อยกว่าคนอื่น แต่สิ่งที่เรามีร่วมกันคือเป้าหมายในการเรียนรู้ ไม่มีคำถามใดง่ายเกินไปที่จะถาม และวิธีการเรียนรู้ที่ดีที่สุดคือการแบ่งปันความรู้ให้กับเพื่อนร่วมทาง
+6. **sharing is caring**; ชุดข้อมูลเปิดและโปรแกรม open source คือสาธารณูปโภคพื้นฐานของสังคม โค้ดทุกบรรทัด-ข้อมูลทุกชิ้นที่เราสร้างขึ้นอาจจะเป็นส่วนหนึ่งให้ใครนำไปพัฒนาสังคมต่อไปได้อย่างไม่รู้จบ เหมือนที่ NLP ภาษาไทยอาจจะพูดได้ว่าถูกวางรากฐานด้วยงาน open source ของ [wannaphong](https://github.com/wannaphong)
+
+### การประเมินโครงงานเพื่อจบการศึกษา
+
+AI Builders จะออกใบประกาศนียบัตรจบการศึกษาให้กับผู้เข้าร่วมโครงการที่ส่งโครงงานได้คะแนนอย่างน้อย 70 จาก 100 คะแนนตามเกณฑ์ต่อไปนี้เท่านั้น และห้ามได้ 0 คะแนนในข้อใดข้อหนึ่ง
+
+1. **problem statement**; เหตุผลในการแก้ปัญหาเชิงธุรกิจ/ชีวิตประจำวันด้วย machine learning - 15 คะแนน
+2. **metrics and baselines**; การให้เหตุผลเชื่อมโยงการแก้ปัญหากับตัวชี้วัดที่เลือก / การวัดผลเทียบกับวิธีแก้ปัญหาในปัจจุบัน - 15 คะแนน
+3. **data collection and cleaning**; การเก็บและทำความสะอาดข้อมูล - 15 คะแนน
+4. **exploratory data analysis**; การทำความเข้าใจข้อมูล - 20 คะแนน
+5. **modeling, validation and error analysis**; การทำโมเดล, ทดสอบโมเดล และวิเคราะห์ข้อผิดพลาดของโมเดล - 20 คะแนน
+6. **deployment**; การนำโมเดลไปใช้แก้ปัญหาจริง - 15 คะแนน
+7. **non-trivial data sources**; ชุดข้อมูลที่ใช้ต้องแสดงให้เห็นว่านักเรียนได้ทำอะไรบางอย่างเพื่อให้เกิดมูลค่าเพิ่ม เช่น นำชุดข้อมูลหลากหลายแหล่งมารวมกันอย่างสมเหตุสมผล, ทำการกำกับข้อมูลเพิ่มโดยมนุษย์หรือโมเดล, ฯลฯ ไม่สามารถเพียงแค่ดาวน์โหลดข้อมูลสำเร็จรูปจาก Kaggle, Papers with Code, UCI Machine Learning Repository, ฯลฯ มาทำความสะอาดเล็กน้อยแล้วใช้ทันทีได้
+
+## งานที่ต้องส่งเพื่อรับการประเมิน
+
+1. Notebooks และ scripts ใน github
+2. บล็อกใน Medium.com อธิบายโครงงาน
+3. นำเสนอผลงานกับกรรมการ
+4. 🆕 เขียนโพสต์สรุปผลงานเพื่อประชาสัมพันธ์ในรูปแบบโพสต์ Facebook ความยาว 100-200 คำพร้อมรูปประกอบ (ดูตัวอย่างได้ทางเพจ Facebook [AI Builders](https://www.facebook.com/aibuildersx))
+
+เนื่องจาก AI Builders เป็นโครงการที่สร้างขึ้นด้วยอาสาสมัครและเงินบริจาค mentor/TA ทุกท่านมีหน้าที่การงานและภารกิจส่วนตัวเช่นเดียวกับพวกเราทุกคน
+ดังนั้นโครงการจะพิจารณาโครงงานของผู้เรียนที่เข้าร่วม Office Hour อย่างสม่ำเสมอเท่านั้น (ขาดไม่เกิน 2 ครั้ง)
+
+## งานที่ต้องส่งสำหรับผู้ที่สำเร็จโครงการและต้องการเข้าร่วม AI Builders Showcase
+
+จัดทำ poster ขนาด A1 โดยใช้ template ที่ทางทีมงานจัดให้หรือจัดทำเอง เพื่อใช้ในการนำเสนอในวัน AI Builders Showcase วันที่ 19 กรกฎาคม 2026 โดยวิดีโอและ template จะอัพโหลดเพิ่มเติมที่ [`github.com/ai-builders/presentations/`](https://github.com/ai-builders/presentations/)
+
+### กิจวัตรประจำสัปดาห์
+
+1. ดูวิดีโอบทเรียนประจำสัปดาห์จาก [ai-builders/curriculum](https://github.com/ai-builders/curriculum)
+2. หากมีข้อสงสัยส่งคำถามเพื่อให้ทีมงานตอบในคาบได้ผ่านแบบฟอร์มออนไลน์
+3. ทุกเย็นวันพุธ จะมีคาบเรียนออนไลน์กันใน #Lounge เวลา 19:00 - 20:30
+4. (งานกลุ่ม) จัดทำ Short Knowledge sharing เพื่อแชร์ความรู้เกี่ยวกับคอนเซปต์หรือโค้ดเกี่ยวกับ Machine learning, AI เช่น แชร์เครื่องมือที่เกี่ยวข้องกับ Machine learning โดยมี demo หรือโค้ดการใช้งานประกอบ
+
+### Machine Learning Tasks
+
+ประเภท Machine Learning ที่นิยมและรองรับโดยบทเรียนในโครงการ; ผู้เข้าร่วมโครงการสามารถเลือกทำโครงงานที่เกี่ยวกับโมเดลประเภทดังต่อไปนี้ (หรือประเภทอื่นๆตามแต่ปรึกษากับ mentor) ดูไอเดียโครงงานได้จาก: [AI Builders showcase](https://ai-builders.github.io/showcase)
+
+1. Images - ข้อมูลรูปภาพ \
+   1.1 image classification - แยกแยะรูปภาพ (หมา/แมว ชนิดต้นไม้ ชนิดรถยนต์ ฯลฯ) \
+   1.2 object detection - จับและแยกแยะสิ่งของในรูปภาพ (เลขทะเบียนรถ หน้าคน ตัวคน ฯลฯ) \
+   1.3 image segmentation - แยกแยะแต่ละ pixel ในรูปภาพ (pixel ที่เป็นถนน เซลล์มะเร็ง ฯลฯ) \
+   1.4 image generation - สร้างรูปภาพ (สร้างรูปตัวการ์ตูน สร้างหน้าคน ฯลฯ)
+2. Texts - ข้อมูลข้อความ \
+   3.1 sequence classification - ทำนายว่าข้อความเป็นประเภทไหน (ดี/แย่ ดาวรีวิว ประเภทข่าว ฯลฯ) \
+   3.2 token classification - ทำนายว่าแต่ละ "คำ" ในข้อความเป็นประเภทไหน (คำนาม/สรรพนาม/กริยา สถานที่/ชื่อบุคคล/ตัวเลข ฯลฯ) \
+   3.3 question answering - หาคำตอบของคำถามจากบริบท \
+   3.4 information retrieval- ค้นหาข้อความ (ค้นหาสินค้า จับคู่ประโยค ฯลฯ) \
+   3.5 text generation - สร้างข้อความ (แต่งเพลง แต่งนิยาย เขียนโฆษณา ฯลฯ) \
+   3.6 automatic speech recognition - เปลี่ยนเสียงเป็นข้อความ
+3. Tabular Data - ข้อมูลตาราง \
+   2.1 recommendation - แนะนำสิ่งของ (สินค้า หนังสือ ภาพยนต์ ฯลฯ) จากข้อมูลในอดีต (การซื้อขาย การรับชม ฯลฯ) \
+   2.2 cross-sectional prediction - ทำนายจากข้อมูลตาราง (ทำนายว่าลูกค้าจะคลิกโฆษณาหรือไม่ ทีมฟุตบอลทีมไหนจะชนะ ฯลฯ) \
+   2.3 time-series forecasting - ทำนายจากข้อมูลอนุกรมเวลา (ราคาหุ้น ยอดขายรายวัน ฯลฯ)