<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by uraibeef K. on Medium]]></title>
        <description><![CDATA[Stories by uraibeef K. on Medium]]></description>
        <link>https://medium.com/@uraibeef?source=rss-8c00d71e6d1------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*1XtuJmEhQ9Tj0-z-NmGV9w.jpeg</url>
            <title>Stories by uraibeef K. on Medium</title>
            <link>https://medium.com/@uraibeef?source=rss-8c00d71e6d1------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 07:32:42 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@uraibeef/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[How to solve “NVIDIA-SMI has failed because it couldn’t communicate with the NVIDIA driver” ?]]></title>
            <link>https://medium.com/@uraibeef/how-to-solve-nvidia-smi-has-failed-because-it-couldnt-communicate-with-the-nvidia-driver-deaecb956a8c?source=rss-8c00d71e6d1------2</link>
            <guid isPermaLink="false">https://medium.com/p/deaecb956a8c</guid>
            <category><![CDATA[nvidia-driver]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[ubuntu]]></category>
            <category><![CDATA[nvidia-smi]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[uraibeef K.]]></dc:creator>
            <pubDate>Wed, 23 Nov 2022 06:31:55 GMT</pubDate>
            <atom:updated>2022-12-01T08:48:55.645Z</atom:updated>
            <content:encoded><![CDATA[<h3>How to solve “NVIDIA-SMI has failed because it couldn’t communicate with the NVIDIA driver” ? the way I solve it</h3><p>by Yoolaibeef K.</p><p>I discovered some errors on my EC2 instance two days ago; the nvidia driver is not working properly. The error message was “NVIDIA-SMI has failed because it could not communicate with the NVIDIA driver.” Make sure that the latest NVIDIA driver is installed and running.</p><p>And I tried several ways to solve it, but it still did not work. So, after much searching, I discovered it!</p><p>This is the approach I take to solving it:</p><pre># First of all, we need to remove all of the previous dependencies<br>sudo apt-get purge nvidia-*<br>sudo apt-get update<br>sudo apt-get autoremove</pre><p>Then you need to find the suitable nvidia-driver version. Run this command</p><pre># Then find the suitable version of nvidia driver<br>ubuntu-drivers devices<br># or<br>apt search nvidia-driver</pre><p>And the results will look like this</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-YH8XRWaG6tjKn3PSkh2lA.png" /></figure><p>In my option, I would like to use nvidia-driver-470, but I got some issues on dependencies, therefore I tried to use nvidia-driver-470-server instead and it works.</p><pre># Installing the driver<br>sudo apt install libnvidia-common-470<br>sudo apt-get -y install libnvidia-gl-470<br>sudo apt install nvidia-driver-470-server</pre><p>After installing all of the prerequisites listed above, you must run</p><pre>sudo reboot</pre><p>Also, ensure that the nvidia-driver is properly installed</p><pre>nvidia-smi</pre><p>If it is installed correctly, something like this will appear.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DeVueBJwD5JiUYmngHiJvA.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=deaecb956a8c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Tensorflow Similarity: Installation failed Mac M1, the way to solve it!]]></title>
            <link>https://medium.com/@uraibeef/tensorflow-similarity-installation-failed-mac-m1-the-way-to-solve-it-29756fd4f184?source=rss-8c00d71e6d1------2</link>
            <guid isPermaLink="false">https://medium.com/p/29756fd4f184</guid>
            <category><![CDATA[tensorflow]]></category>
            <category><![CDATA[m1-chip]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[uraibeef K.]]></dc:creator>
            <pubDate>Thu, 15 Sep 2022 10:13:42 GMT</pubDate>
            <atom:updated>2022-09-15T10:13:42.130Z</atom:updated>
            <content:encoded><![CDATA[<p>by Yoolaibeef K.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/391/1*es30AfiRMInm_-CDfBzi3g.png" /></figure><p>Since I have tried to install ‘Tensorflow Similarity’ on my local MacBook Air M1, I found the error to be the same as this issue on TF-Sim github: <a href="https://github.com/tensorflow/similarity/issues/202">https://github.com/tensorflow/similarity/issues/202</a></p><p>So I tried several solutions, but none of them worked until I discovered this: <a href="https://github.com/nmslib/nmslib/issues/476">https://github.com/nmslib/nmslib/issues/476</a> @cfloressuazo provide us how to install nmslib on the MacBook M1 by using this command.</p><blockquote>CFLAGS=”-mavx -DWARN(a)=(a)” pip install nmslib</blockquote><p>So we need to install nmslib first, then apply the command above to install tensorflow-similarity and it works!</p><blockquote>CFLAGS=”-mavx -DWARN(a)=(a)” pip install tensorflow-similarity</blockquote><p>That’s all! enjoys with TensorFlow Similarity. If you find another way to solve it, please be kind to comment on it!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=29756fd4f184" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[อ่านเปเปอร์: Recovering Homography from Camera Captured Documents using Convolutional Neural…]]></title>
            <link>https://medium.com/@uraibeef/%E0%B8%AD%E0%B9%88%E0%B8%B2%E0%B8%99%E0%B9%80%E0%B8%9B%E0%B9%80%E0%B8%9B%E0%B8%AD%E0%B8%A3%E0%B9%8C-recovering-homography-from-camera-captured-documents-using-convolutional-neural-fd2e9b248095?source=rss-8c00d71e6d1------2</link>
            <guid isPermaLink="false">https://medium.com/p/fd2e9b248095</guid>
            <category><![CDATA[image-processing]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[ocr]]></category>
            <dc:creator><![CDATA[uraibeef K.]]></dc:creator>
            <pubDate>Sun, 18 Jul 2021 10:32:40 GMT</pubDate>
            <atom:updated>2021-07-18T12:51:56.412Z</atom:updated>
            <content:encoded><![CDATA[<h3>อ่านเปเปอร์: Recovering Homography from Camera Captured Documents using Convolutional Neural Networks</h3><p>11 Sep 2017 — Syed Ammar Abbas and Sibt ul Hussain<br><a href="https://arxiv.org/pdf/1709.03524.pdf">https://arxiv.org/pdf/1709.03524.pdf</a></p><p>เปเปอร์ฉบับนี้ว่าด้วยเรื่องของใช้ Convolutional Neural Network (CNN) มาสร้างโมเดลเพื่อ Recovery รูปถ่ายเอกสารที่ความเอียง บิดเบี้ยว(Skewed, Distorted) ให้กลับมาปกติ หรือการทำ De-Skewed, Perspective Correction นั่นเอง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/687/1*3I8UJcOlG-iUTBXDwXQCfQ.png" /><figcaption>ด้านบน Skewed : คือรูปที่ถ่ายเอียง(Distorted Image) / ด้านล่าง De-Skewed : คือรูปที่ผ่านการแก้ไขแล้ว</figcaption></figure><p>โดยในเปเปอร์นี้ เค้าจะเปิดเผย 3 ส่วนหลัก ๆ คือ</p><ol><li>การสร้าง Synthetic Dataset ที่ประกอบไปด้วยรูปที่ผ่านการแก้ไขแล้ว จาก Photometric และ Geometric transformation ที่แตกต่างกัน</li><li>โครงสร้างเต็ม ๆ ของ CNN โมเดลที่ใช้ในทำ Regressing มุมทั้ง 4 ของรูป (หามุมทั้ง 4 ด้าน เพื่อใช้ในการ Wrapping รูป Distorted Image)<br>- Input เป็น Single image / Output เป็น 4 corner points (x1, y1, …, x4, y4)</li><li>แสดงให้เห็นว่า L1 Loss ที่ใช้ในเปเปอร์นี้นั้นมีความน่าเชื่อถือในการนำมาใช้ทำ Corners Regression (ส่วนนี้ผมน่าจะไม่พูดถึง)</li></ol><h3>Introduction</h3><p>เปเปอร์นี้เขาบอกว่าในปัจจุบัน กล้องแบบ Hand-held หรือ Smart-phone มันกลายเป็นส่วนนึงของชีวิตประจำวันเราไปแล้ว และแบบนั้นเองภาพถ่ายจากอุปกรณ์พวกนี้มันก็ถูกนำมาใช้งานอย่างหลากหลาย ซึ่งส่วนมากภาพมันก็เอียง ๆ มาซะส่วนใหญ่แหละ (เพราะเราใช้มือถ่ายนี่นะ)</p><p>ซึ่งทีนี้ไอ้การจะทำระบบที่จะมาวิเคราะห์ภาพพวกนี้ให้มันทำงานได้แบบ Automatic นั้น มันต้องมีการนำพวกเทคนิค Perspective Correction เข้ามาใช้ เพื่อทำให้ภาพพวกนี้มันอยู่ในแนวที่ถูกต้อง เพราะมันเป็นการ Pre-processing ที่สำคัญมากเลยในการที่จะนำภาพพวกนี้ไปใช้งานต่อ ไม่ว่าจะเป็นการทำ Binarization, Segmentation หรือ OCR (Optical Character Recognition) ก็ตาม</p><p>และเขาบอกว่าพวกภาพเหล่านี้ในชีวิตจริงเนี้ย มันก็มีหลากหลายรูปแบบการเอียง ไม่สามารถใช้ Traditional Method มาแก้ไขได้(ทำได้แหละ แต่ผลลัพธ์ไม่ดี) ซึ่งมันส่งผลเสียถึงการนำภาพเหล่านี้ไปใช้งานต่อไป</p><p><em>สรุปจากปัญหาข้างบนทั้งหมด ไอ้เจ้าเปเปอร์ตัวนี้เนี้ยมันมีวัตถุประสงค์ที่จะสร้างวิธีการแก้ไขภาพแบบที่ Generalized ที่สุด และเป็นวิธีที่ Completely Automatic ในการทำ Perspective Correctionโดยเป็น Trained end-to-end ด้วย บวกกับเขาบอกว่า</em></p><p>- โมเดลเขาไม่ได้ใช้ Hand crafted feature เลย และยัง Train บน Dataset ที่ขนาดใหญ่เพียงพอในการเรียนรู้รูปแบบของ Photometric(สภาพแสง)และ Geometric Trasnformation ที่ต่างกัน รวมถึงทำงานได้ดีโดยไม่ขึ้นอยู่กับ Text Layout ด้วย</p><p>- ถ้าเปรียบเทียบกับวิธีง่าย ๆ ที่มีอยู่แล้ว โมเดลนี้จะ Robust แม้จะทำงานภายใต้สภาพแสงและ Noise ที่ต่างกัน ทั้งยังทำงานได้แม้ว่ารูปนั้นจะมีบางส่วนถูกบดบัง หรือหายไปได้อีกด้วย(โหดจัด)</p><p>- นอกจากจะ Robust แล้ว ยังมีโครงสร้างที่ง่ายมาก สามารถ Train และ Test เร็วมากด้วย โดยใช้เวลา Train แค่ 5 ชั่วโมง และใช้เวลาแค่ ~0.04s ในการทำ Forward Pass (<em>refers to the calculation and storage of intermediate variables (including outputs) for a neural network in order from the input layer to the output layer</em>) และ Perspective Correction (วัดโดยใช้ Tesla K40 GPU)</p><h3>Synthetic Dataset Generation</h3><p>เขาใช้ภาพถ่ายเอกสารที่ถ่ายผ่านกล้องมือถือกว่า 3,000 ภาพในการสร้าง Synthetic Dataset ขึ้นมา ซึ่งภาพถ่ายเอกสารเหล่านี้จะประกอบไปด้วยเอกสารที่มีความหลากหลาย ประกอบไปด้วย ข้อความ, รูปภาพประกอบ หรือแม้กระทั่งสมการทางคณิตศาสตร์</p><p>โดยวิธีการในการสร้าง Synthetic Dataset มีดังนี้</p><p><strong>Geometric Transformation</strong> — เขาสุ่มใช้วิธีการ Geometric Transformation หลากหลายรูปแบบในการสร้างภาพถ่ายเอกสารในมุมต่าง ๆ ที่มีมุมบิดเบี้ยวไป(Distorted Image) ตัวอย่างดังภาพด้านล่าง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/574/1*2TqOU1DKH_V3VaXkeEu6ZQ.png" /><figcaption>credit: Seiichi Uchida</figcaption></figure><p>โดยในทางสมการ Geometric Transformation เนี้ย เขาจะใช้ค่าของสัมประสิทธิ์ Homography Matrix <strong><em>H </em></strong>ซึ่งในที่นี้เขาใช้ h11, h12, h21, h22, h31, h32 มาเปลี่ยนค่าไปใน range ๆ นึงแบบสุ่ม เช่น h11, h12 เขาจะสุ่มค่าในช่วง 0.7 ถึง 1.3 มาสร้าง Distorted Image โดยเขาจะเพิ่มตัวแปรที่เป็นพวก Horizontal and Verticle Margin (ขอบรูปด้านบน ล่าง ซ้าย ขวา)เข้าไปด้วย (การเพิ่มส่วนนี้จะทำให้โมเดลตัวนี้สามารถทำงานได้ดีแม้ส่วนนึงของภาพจะถูกบดบัง หรือหลุดเฟรมภาพออกไป เช่น มุมของเอกสารด้านขวาหายไป)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/260/1*8GwHag8-QNMWuU0sqGwAqg.png" /><figcaption>Homography Matrix</figcaption></figure><p><strong>Background Variations</strong> — เขาใช้ชุดข้อมูล Describable Textures Dataset (DTD) ที่ประกอบด้วยข้อมูลรูป Texture กว่า 5,000 แบบ ร่วมกับชุดข้อมูล Brodatz Dataset ที่มีรูป Texture กว่าอีก 112 แบบ มีสีและแพทเทิร์นที่แตกต่างกันในการสุ่มสร้าง Background รูปแบบต่าง ๆ ขึ้นมา แต่อย่างไรก็ตาม แค่ Texture อย่างเดียวยังสร้างความหลากหลายได้ไม่พอ เขาจึงใช้ชุดข้อมูล MIT Scene Dataset เข้ามาเพิ่มด้วย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*P-9YwrQ24Ct9HaxA.jpg" /><figcaption>ตัวอย่าง Texture จากชุดข้อมูล Describable Textures Dataset</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/850/0*J_sOdj-VfkKz3mWJ.png" /><figcaption>ตัวอย่าง Texture จากชุดข้อมูล Brodatz Dataset</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/0*JhEhnH6QX9-YHdZm.jpg" /><figcaption>ตัวอย่าง Background จากชุดข้อมูล MTI Indoor Scene Dataset</figcaption></figure><p><strong>Photometric Transformation</strong> —จากวิธีการต่าง ๆ ด้านบนจะเห็นว่าเรายังขาดความหลากหลายในเรื่องของ สภาพแสง และ Noise แบบต่าง ๆ เช่น Motion Blur หรือ Defocus Blur ที่สามารถพบเจอได้เวลาที่เราทำการถ่ายแบบในความเป็นจริง ดังนั้นส่วนสุดท้ายของการสร้าง Synthetic Dataset นี้ เขาจะทำการเพิ่ม Motion Blur ด้วยค่า Angle และ Magnitude ที่ต่างกันเข้าไป เพื่อสร้างภาพถ่ายที่จำลองผลของการสั่นและการเคลื่อนไหวของกล้อง</p><p>นอกจากนั้นเขายังทำการใช้ Gaussian Blur เพื่อจำลองกรณีที่เลนส์กล้องสกปรก และไม่จับโฟกัสด้วย และในส่วนของสภาพแสงนั้น เขาทำการประยุกต์ใช้ Filter แบบต่าง ๆ ที่สร้างด้วยวิธี Gamma Transformation</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1000/0*zJl1mT6r2rj_LKSQ.jpg" /><figcaption>ตัวอย่างการทำ Gamma Transformation หรือ Gamma Correction — credit: PyImageSearch</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zn8DGldxiRD7SwYWYOQBJw.png" /><figcaption>ตัวอย่าง Synthetic Dataset ที่ได้จากการประยุกต์ใช้วิธีการทั้งหมดด้านบน</figcaption></figure><h3>Proposed Method</h3><p>ใช้โครงสร้าง Convolutional Neural Network โดยทำการทดลองมาแล้วไม่ว่าจะเป็น การเลือกจำนวน Layer หรือ Filter จนได้ออกมาเป็นโครงสร้างล่าสุด ดังภาพด้านล่าง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AvVUSOkPVRYoO2iWQkBWXQ.png" /><figcaption>โครงสร้างโมเดล ประกอบไปด้วย 11 Convolutional และ Max-Pooling Layers และอีก 1 Fully Connected Layer, 2 Layer แรก ใช้ Filter ขนาด 5x5 และ Layer ที่เหลือยกเว้น Layer สุดท้าย ใช้ Filter ขนาด 3x3 ส่วน Layer สุดท้ายใช้ Filter ขนาด 1x1, Fully Connected Layer มีจำนวน 8 Neuron ในการทำนายพิกัดมุมทั้ง 8 ของรูปภาพ (x1, y1, …, x4, y4)</figcaption></figure><p>โดยโครงสร้างนี้ได้รับแรงบันดาลใจมาจากโครงสร้างของ VGG และ Fast YOLO บวกกับใช้ ReLU เป็น Non-Linear activation function สำหรับแต่ละ Convolutional Layer และใช้ 2x2 Max-Pooling ที่ Layer 3, 5 และ 7</p><p>2 Layer แรกจะใช้ Filter ในการ Convolution ขนาด 5x5 และ Layer ที่เหลือยกเว้น Layer สุดท้ายจะใช้ขนาด 3x3 และ Layer สุดท้าย 1x1 ส่วน Fully Connected Layer จะใช้ 8 Neuron โดยจะใช้ Dropout = 0.5 หลังผ่าน Convolutional Layer สุดท้าย</p><p>สำหรับ Loss Function จะใช้ L1 Distance สมการตามนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/354/1*oL52BRi4wmVPb55sdFELVQ.png" /><figcaption>Loss Function: L1 Distance</figcaption></figure><p><strong>Experiments and Result</strong> — เขาจะทำการสุ่มแบ่งชุดข้อมูล Synthetic Dataset ออกเป็น 3 ส่วนสำหรับ Training, Validation และ Testing โดยการปรับ hyperparameter ต่าง ๆ จะเสร็จสิ้นตั้งแต่ในส่วนของ Validation Dataset แล้ว ส่วนการทดสอบสำหรับการวัดประสิทธิภาพจะทำบน Testing Dataset</p><p>ผมขอข้ามในส่วนของพวกการวัดผลต่าง ๆ ไปนะครับ ถ้าอยากรู้รายละเอียดลึก ๆ สามารถเข้าไปอ่านในตัวเปเปอร์ได้เลย</p><p>ในส่วนของการ Implementation นั้น เขาใช้ Tensorflow เป็น Framework หลัก โดยจะทำการ Fixed Resolution ของรูปอยู่ที่ 384x256 pixels และส่วนของการ Initialize ต่าง ๆ นั้น เขาอิงจาก<a href="https://ieeexplore.ieee.org/document/7410480">เปเปอร์นี้</a> นอกนั้นก็ใช้ Batch Size = 4 ตลอดการ Training, ใช้ Adam เป็น Optimizer มี Learning Rate ตั้งต้นที่ 0.0005 และปรับให้ลดลงทีละครึ่งนึงทุกครั้งที่ Loss ไม่เปลี่ยนแปลง โดยจะทำซ้ำไปเรื่อย ๆ จนกว่า ค่า Absolute Change ของ Loss จะมีค่าน้อยมาก ๆ ในช่วง 100–200 Iteration (ตรงนี้เขาใช้ว่า few hundred iterations) จึงจะหยุด และเขายังทดลองใช้ RMSProp เป็น Optimizer แล้วเหมือนกัน แต่ว่า Adam ให้ผลลัพธ์ที่ดีกว่าในงานวิจัยนี้</p><p>Training ทั้งหมด 10 Epochs ใช้เวลาเฉลี่ยประมาณ 5 ชั่วโมง ส่วนการ Testing ใช้เวลาประมาณ 0.04 วินาที/ รูป บน GPU NVIDIA Tesla K40</p><p><strong>3x3 Homography vs 4 Points Estimation Method — </strong>ในงานวิจัยเขาก็ทดลองให้โมเดลลองทำนายตัว Homography Matrix H ที่จะมาแปลงย้อนกลับจาก Distorted Image ไปเป็นรูปเดิมเหมือนกัน แต่มันค่อนข้างซับซ้อนและยากในการ Train มาก เขาจึงใช้วิธีการทำนายจุดมุมทั้ง 4 ของรูปภาพแทน ซึ่งวิธีนี้เนี้ยทำให้โมเดล Robust มากกว่า ให้ผลลัพธ์ที่ดีกว่า และ Train ง่ายกว่าด้วย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/564/1*6KVAuLC-vuuizbm2UJ7NYQ.png" /><figcaption>ผลลัพธ์การเปรียบเทียบประสิทธิภาพระหว่างงานวิจัยนี้กับ Fast YOLO และ VGG-13</figcaption></figure><p><strong>RGB vs Grayscale Images</strong> — งานวิจัยนี้เขาบอกว่า วิธีอื่น ๆ ส่วนมาก (ที่ใช้วิธีง่าย ๆ ไม่ซับซ้อน) นั้น เขามักจะแปลงภาพ Input ที่เป็นภาพสี RGB 3 Channels ให้เป็นภาพขาวดำ (Grayscale) ก่อนจะนำไปประมวลผลต่อ ซึ่งงานวิจัยนี้เขาบอกว่าการทำแบบนั้นจะทำให้เราเสียข้อมูลค่าสีสำคัญ ๆ ซึ่งมีส่วนช่วยให้เราสามารถหาค่า Homography ออกมาได้ง่ายขึ้นไป ตัวอย่างเช่น บางทีสีมันสามารถช่วยให้เราแยกความแตกต่างระหว่างเอกสารที่เราต้องการกับพื้นหลังออกจากกันได้</p><p>โดยเขาทดลองทั้ง Train แบบ RGB และ Grayscale มาเปรียบเทียบกันแล้ว แบบ RGB ให้ผลลัพธ์ที่ดีกว่าอย่างเห็นได้ชัด</p><p>นอกจากนั้นก็เปรียบเทียบตัวงานวิจัยกับ Commercial Software อย่าง OSD, ABBYY และ CamScanner ด้วย โดยมีการเปรียบเทียบทั้งบน SmartDoc Dataset แล้วก็บน Synthetic Dataset ของงานวิจัยนี้ที่นำมาแบ่งแบ่งใหม่เป็น Simple และ Complex (รายละเอียดขอไม่พูดถึงในนี้เดี๋ยวยาวเกิน 55555) ซึ่งได้ผลลัพธ์ประมาณนี้</p><p>โดยหลัก ๆ คือ เขาจะนำ Distorted Image มาผ่าน Commercial Software และวิธีการของเขา ซึ่งจะทำการแก้ไขภาพเหล่านั้นให้ออกมาอยู่ในสภาพที่สมบูรณ์ ก็คือไม่บิดเบี้ยว ๆ แล้วก็นำไปเข้า Tesseract OCR เพื่อนำผลลัพธ์ OCR ออกมาตรวจสอบว่าอ่านออกมาได้ถูกต้องหรือไม่</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/574/1*QyzhwSKb2YaNk4kPdSzVcw.png" /><figcaption>เปรียบเทียบผลลัพธ์กับ Commercial Software อย่าง OSD และ ABBYY บน SmartDoc Dataset</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/551/1*_DLV_EsQT3i5QPk6ZK85Gw.png" /><figcaption>เปรียบเทียบผลลัพธ์กับ Commercial Software บน Simple และ Complex Dataset</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/633/1*sGL5tzRtqSQqg0L-SlWBEA.png" /><figcaption>ตัวอย่างการเปรียบเทียบผลลัพธ์การแก้ไขภาพ Distorted Image</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/517/1*BGpY8QVhX7c5uHxGcdi-3g.png" /><figcaption>ตัวอย่างการเปรียบเทียบผลลัพธ์การแก้ไขภาพ Distorted Image</figcaption></figure><p>โอเคครับ ก็คงมีประมาณเท่านี้สำหรับบทความ ‘อ่านเปเปอร์: Recovering Homography from Camera Captured Documents using Convolutional Neural Networks’</p><blockquote>สำหรับใครที่อยากรู้รายละเอียดที่ลึกกว่านี้ก็สามารถกด <a href="https://arxiv.org/pdf/1709.03524.pdf">Link</a> นี้ เข้าไปอ่านตัวเปเปอร์เต็ม ๆ ได้เลยครับ</blockquote><p>ขอบคุณทุกคนที่อ่านมาจนถึงตรงนี้ด้วย ก็หวังว่าบทความนี้จะเป็นประโยชน์ไม่มากก็น้อยสำหรับคนที่สนใจนะครับผม ถ้ามีข้อผิดพลาดยังไงสามารถคอมเม้นต์บอกไว้ด้านล่างได้เลยนะครับ ขอบคุณครับ</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fd2e9b248095" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[มา Train Tesseract ด้วย Font ที่เราต้องการกันเถอะ!]]></title>
            <link>https://medium.com/@uraibeef/%E0%B8%A1%E0%B8%B2-train-tesseract-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-font-%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B9%80%E0%B8%A3%E0%B8%B2%E0%B8%95%E0%B9%89%E0%B8%AD%E0%B8%87%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%81%E0%B8%B1%E0%B8%99%E0%B9%80%E0%B8%96%E0%B8%AD%E0%B8%B0-9c1ff483a77e?source=rss-8c00d71e6d1------2</link>
            <guid isPermaLink="false">https://medium.com/p/9c1ff483a77e</guid>
            <dc:creator><![CDATA[uraibeef K.]]></dc:creator>
            <pubDate>Sun, 18 Jul 2021 06:54:14 GMT</pubDate>
            <atom:updated>2021-07-18T06:54:14.230Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/600/0*OqNtaLNdIE8RQbMM" /></figure><blockquote>Useful Link ที่ใช้<br>1: <a href="https://tesseract-ocr.github.io/tessdoc/Compiling">https://tesseract-ocr.github.io/tessdoc/Compiling</a><br>2: <a href="https://medium.com/quantrium-tech/installing-tesseract-4-on-ubuntu-18-04-b6fcd0cbd78f">https://medium.com/quantrium-tech/installing-tesseract-4-on-ubuntu-18-04-b6fcd0cbd78f</a><br>3: <a href="https://tesseract-ocr.github.io/tessdoc/Data-Files-in-tessdata_fast">https://tesseract-ocr.github.io/tessdoc/Data-Files-in-tessdata_fast</a> <br>4: <a href="https://github.com/dhivehi/tesseractfonts">https://github.com/dhivehi/tesseractfonts</a> <br>5: <a href="https://github.com/tesseract-ocr/langdata_lstm">https://github.com/tesseract-ocr/langdata_lstm</a><br> — — — — — — — — — — — — — — — — — — — — — — — — — — — — — — <br>Link 1 — เป็นคู่มือการติดตั้ง tesseract ใน platform ต่าง ๆ <br>Link 2— เป็นคู่มือการติดตั้ง tesseract บน ubuntu 18.04 (ที่ผมก็เคยใช้แล้ว work)<br>Link 3— เอาไว้โหลด Traineddata files ที่ต้องใช้ <br>Link 4 — git ที่เราจะ clone มา train tesseract <br>Link 5 — เอาไว้โหลดโฟลเดอร์ langdata_lstm</blockquote><p>ก่อนอื่นเลยนะครับ เราก็มาติดตั้ง Tesseract กันก่อน โดยให้ติดตั้งตามวิธีการของ Link 1 (<a href="https://tesseract-ocr.github.io/tessdoc/Compiling">https://tesseract-ocr.github.io/tessdoc/Compiling</a>)</p><p>เข้าไปปุ๊บ เราก็เลือกระบบปฏิบัติการณ์ที่เราใช้กันก่อน อย่างผมใช้ MacOS ก็จิ้ม macOS มันก็จะเด้งลงมาให้เราเลือกรูปแบบการติดตั้งที่เราจะใช้อีกทีว่าจะใช้ Fink, MacPorts หรือ Homebrew อย่างผมใช้ Homebrew ก็ Follow Guide ไปเลย</p><p>ทีนี้ระหว่างที่ Follow Guide ด้านบน มันจะมี command ./configure xxx ตรงนี้ให้เราสังเกตว่า output มันเป็น Training tools can be built and installed with: หรือป่าว แบบนี้</p><pre>checking for pkg-config... [some valid path]<br>checking for lept &gt;= 1.74... yes<br>checking for libarchive... yes<br>checking for icu-uc &gt;= 52.1... yes<br>checking for icu-i18n &gt;= 52.1... yes<br>checking for pango &gt;= 1.22.0... yes<br>checking for cairo... yes<br>[...]<br>Training tools can be built and installed with:</pre><p>ถ้าถูกต้องตามนี้แล้ว เราก็มา Follow Guide ต่อจนเสร็จขั้นตอน Build Training Tools ซึ่งพอทำด้านบนเสร็จเรียบร้อยเราจะมี Tesseract ให้พร้อมใช้งานแล้ว ทีนี้ให้เราลองรัน command นี้เช็คดูว่า Tesseract ของเราทำงานได้หรือไม่</p><pre>tesseract -l eng input_image.jpg output<br># -l eng คือเลือก language (-l) ที่จะใช้เป็น english (eng)<br># input_image.jpg ใส่รูปที่เราจะทดสอบ<br># output ชื่อไฟล์ผลลัพธ์ที่จะได้จาก Tesseract เป็น</pre><p>ถ้า Tesseract ทำงานได้ถูกต้องแล้วให้ไปที่ Link 3 (<a href="https://tesseract-ocr.github.io/tessdoc/Data-Files-in-tessdata_fast">https://tesseract-ocr.github.io/tessdoc/Data-Files-in-tessdata_fast</a>) เพื่อโหลด Traineddata ที่จะนำมาใช้ในการ Training โดยให้โหลดที่ tessdata_best และ tessdata โหลดไฟล์ tha.trainneddata (เพราะเราจะ Train Tesseract ภาษาไทยกัน ถ้าจะ Train ภาษาอังกฤษก็ให้โหลด eng.traineddata แทน)</p><p>จากนั้นทำการ Clone git ใน Link 4 (<a href="https://github.com/dhivehi/tesseractfonts">https://github.com/dhivehi/tesseractfonts</a>) จะได้โฟลเดอร์ tesseractfonts และ Link 5 (โดย Link 5 ให้ Clone ไว้ใน tesseractfonts) จะได้ tesseractfonts ที่ประกอบด้วยไฟล์และโฟลเดอร์ดังนี้</p><p>fonts — โฟลเดอร์ที่เอาไว้เก็บ fonts ที่เราต้องการ train tesseract<br>output — โฟลเดอร์ที่เอาไว้เก็บผลลัพธ์จากการ train tesseract<br>train — โฟลเดอร์เก็บ training data<br>generate_training_data.sh — ใช้ generate training data จาก font ที่เราต้องการ<br>extract_lstm.sh — ใช้ extract model lstm ของ tesseract เพื่อนำมาใช้ <br>finetune.sh — ใช้ train tesseract<br>combine.sh —ใช้ combine ผลลัพธ์จากการ train กับ model ต้นแบบ<br>eval.sh — ใช้วัดผล model หลัง train</p><blockquote>โดย Step ในการ Train Tesseract จะมีดังนี้</blockquote><p><strong>1.Generate Training Data</strong></p><p>นำ font ที่เราต้องการ train ไปเก็บไว้ที่โฟลเดอร์ fonts จากนั้นเข้าไปแก้ไข generate_training_data.sh โดยการแก้ fontlist ให้เป็นชื่อ font ที่เราใส่ไว้ (ชื่อ font นะ ไม่ใช่ชื่อไฟล์ ดูตัวอย่างในรูปด้านล่าง)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/802/1*BnJthL76P9vjzeBA_FFmrw.png" /><figcaption>ชื่อไฟล์ คือ Pspimpdeed.tff ชื่อ font คือ PS Pimpdeed</figcaption></figure><p>จากนั้นแก้ lang ให้เป็น tha แก้ path ของ tessdata_dir ให้ไปที่ที่เราเก็บไฟล์ tha.traineddata ที่โหลดจาก tessdata ไว้ กำหนด maxpages ที่ต้องการ generate จะได้หน้าตาประมาณนี้</p><pre># generate_training_data.sh <br>rm -rf train/*<br>tesstrain.sh — fonts_dir fonts \<br> — fontlist ‘PS Pimpdeed II’ ‘PS Pimpdeed III’ \ # อันนี้คือใช้ 2 ฟอนต์เลย<br> — lang tha \<br> — linedata_only \<br> — langdata_dir langdata_lstm \<br> — tessdata_dir /Users/yoolaibeef.k/tesstrain/tessdata_best/ \<br> — save_box_tiff \<br> — maxpages 30 \<br> — output_dir train</pre><p>เมื่อแก้ไฟล์ generate_training_data.sh เสร็จ ให้สั่งรัน command</p><pre>sh generate_training_data.sh</pre><p>ถ้าถูกต้องจะขึ้นว่า ..</p><pre>Created starter traineddata for LSTM training of language ‘tha’<br>Run ‘lstmtraining’ command to continue LSTM training for language ‘tha’</pre><p>และจะปรากฎ training data อยู่ที่โฟลเดอร์ train ประกอบด้วยไฟล์ box, lstmf, tif หน้าตาประมาณนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/918/1*witZuWOGi0MTm8K3_fqrWw.png" /><figcaption>ไฟล์ .tif ที่เรา generate ขึ้นมา</figcaption></figure><p><strong>2.Extract LSTM Model</strong></p><p>แก้ไขไฟล์ extract_lstm.sh โดยให้แก้ path ไปยังไฟล์ tha.traineddata ที่โหลดมาจาก tessdata_best และกำหนด output เป็น tha.lstm จะได้แบบนี้</p><pre># extract_lstm.sh<br>combine_tessdata -e /Users/yoolaibeef.k/tesstrain/tessdata_best/tha.traineddata tha.lstm</pre><p>เมื่อแก้เสร็จแล้วให้รัน command</p><pre>sh extract_lstm.sh </pre><p>จะได้ไฟล์ tha.lstm ออกมา ซึ่งเราจะนำไฟล์ tha.lstm นี่แหละไปทำการ training ต่อ</p><p><strong>3.Training Model</strong></p><p>แก้ไขไฟล์ finetune.sh โดยให้แก้ continue_from เป็น tha.lstm แก้ชื่อ model_output ให้เป็นชื่อที่ต้องการ เช่น output/pimpdeed แก้ path ของ traineddata ไปที่ tha.traineddata จาก tessdata_best สุดท้ายแก้ train_listfile ให้เป็น train/tha.training_files.tx จากนั้นกำหนด max_iterations ที่ต้องการ</p><p>หน้าตาจะประมาณนี้</p><pre># finetune.sh<br>rm -rf output/*<br>OMP_THREAD_LIMIT=8 lstmtraining \<br> -- tha.lstm \<br> --model_output output/pimpdeed \<br> --traineddata /Users/yoolaibeef.k/tesstrain/tessdata_best/tha.traineddata \<br> --train_listfile train/tha.training_files.txt \<br> --max_iterations 400</pre><p>รัน command</p><pre>sh finetune.sh</pre><p><strong>4.Combine Result from Training</strong></p><p>เมื่อ train เสร็จ เราจะได้ไฟล์ checkpoint เก็บไว้ที่โฟลเดอร์ output ให้ทำการแก้ไฟล์ combine.sh เป็นดังนี้</p><pre># combine.sh<br>lstmtraining — stop_training \<br> — continue_from output/pimpdeed_checkpoint \ <br> — traineddata /Users/yoolaibeef.k/tesstrain/tessdata_best/tha.traineddata \ <br> — model_output output/pimpdeed_tha.traineddata </pre><p>แก้ continue_from เป็น checkpoint ของเรา แก้ traineddata ไปที่เดียวกับใน finetune.sh กำหนดชื่อ model_output ที่ต้องการ เช่นในที่นี้คือ pimpdeed_tha.traineddata</p><p>รัน command</p><pre>sh combine.sh</pre><p>เป็นอันเสร็จการ train tesseract !</p><p><strong>5.วิธีนำไปใช้งานและวัดผล</strong></p><p>ถ้าจะนำไปใช้งานก็แค่นำไฟล์ .traineddata ที่เราได้ออกมา ไปเก็บไว้ที่ /usr/local/share/tessdata ก็เป็นอันเสร็จเรียบร้อย แต่ถ้าอยากวัดผลให้แก้ไฟล์ eval.sh ดังนี้</p><pre>lstmeval — model tha.lstm \<br> — traineddata /usr/local/share/tessdata/tha.traineddata \<br> — eval_listfile train/tha.training_files.txt</pre><p>แก้ model เป็น tha.lstm ที่เรา extract มา แก้ traineddata ไปที่ไฟล์ที่เราได้จากข้อ 4. แก้ eval_listfile เป็น train/tha.training_files.txt</p><p>รัน command</p><pre>sh eval.sh </pre><blockquote>เป็นอันเสร็จเรียบร้อยยยย !</blockquote><h3>References</h3><p><a href="https://www.youtube.com/watch?v=TpD76k2HYms&amp;t=1063s">https://www.youtube.com/watch?v=TpD76k2HYms&amp;t=1063s</a></p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FTpD76k2HYms%3Fstart%3D1063%26feature%3Doembed%26start%3D1063&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DTpD76k2HYms&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FTpD76k2HYms%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/8957d3816745d47b3d273fc65f458c56/href">https://medium.com/media/8957d3816745d47b3d273fc65f458c56/href</a></iframe><ul><li><a href="https://github.com/dhivehi/tesseractfonts">dhivehi/tesseractfonts</a></li><li><a href="https://tesseract-ocr.github.io/tessdoc/Compiling">Compilation guide for various platforms</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9c1ff483a77e" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[ส่งท้าย Machine Learning & Data Science Bootcamp 2020 กับ Final Presentation แบบเข้มข้นสุดๆ !]]></title>
            <link>https://medium.com/kbtg-life/%E0%B8%AA%E0%B9%88%E0%B8%87%E0%B8%97%E0%B9%89%E0%B8%B2%E0%B8%A2-machine-learning-data-science-bootcamp-2020-%E0%B8%81%E0%B8%B1%E0%B8%9A-final-presentation-%E0%B8%AA%E0%B8%B8%E0%B8%94%E0%B9%80%E0%B8%82%E0%B9%89%E0%B8%A1%E0%B8%82%E0%B9%89%E0%B8%99-809ffa17d136?source=rss-8c00d71e6d1------2</link>
            <guid isPermaLink="false">https://medium.com/p/809ffa17d136</guid>
            <category><![CDATA[internships]]></category>
            <category><![CDATA[bootcamp]]></category>
            <category><![CDATA[backstage]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[uraibeef K.]]></dc:creator>
            <pubDate>Sat, 19 Sep 2020 03:32:40 GMT</pubDate>
            <atom:updated>2020-09-19T04:52:27.288Z</atom:updated>
            <content:encoded><![CDATA[<h3>ส่งท้าย Machine Learning &amp; Data Science Bootcamp 2020 กับ Final Presentation แบบเข้มข้นสุดๆ !</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*flJbEZ6vLcJ981F6" /></figure><p>และแล้วโครงการฝึกงาน Machine Learning &amp; Data Science Bootcamp 2020 ของเราก็ได้ดำเนินมาถึงช่วงท้ายสุดเข้มข้นแล้ว นั่นคือการนำเสนอผลงานรอบ <strong>Final Presentation</strong>!</p><h3>Final Presentation คืออะไร?</h3><p>Final Presentation เป็น Session ที่เราจะให้เหล่าน้องฝึกงานได้มีโอกาสขึ้นมานำเสนอผลงานที่ตนเองทำมาตลอดระยะเวลา 2 เดือนให้คณะกรรมการทั้งภายในและภายนอกได้รับฟัง โดยเราจะแบ่ง Session นี้ออกเป็น 2 ส่วน คือ</p><ol><li>Technical Presentation — นำเสนอแบบเจาะทุกรายละเอียดของโปรเจ็กต์ตั้งแต่ต้นจนจบ รวมระยะเวลาทั้งสิ้น 30 นาทีต่อกลุ่ม</li><li>Pitching — คัดเนื้อๆ ของโปรเจ็กต์ออกมาเป็นการนำเสนอรูปแบบ Business สไตล์สตาร์ทอัพ ด้วยระยะเวลาเพียง 5 นาที ให้น้องๆ งัดสกิล Presentation ออกมาโชว์กันแบบถึงพริกถึงขิง (โดยในส่วนนี้จะมีการตัดไมโครโฟนด้วยนะถ้าหมดเวลา!)</li></ol><p>และสำหรับ Final Presentation นอกจากน้องฝึกงานจะได้โชว์ของกันแล้ว เรายังมีการเก็บคะแนนเพื่อนำไปหาผู้ชนะชิงเงินรางวัลในการฝึกงานครั้งนี้อีกด้วย โดยรางวัลใหญ่ของปีนี้จะมีอยู่ทั้งหมด 5 รางวัล รวมเป็นเงินมูลค่ากว่า 50,000 บาท เลยทีเดียว ฝึกงานที่นี่นอกจากได้ความรู้และประสบการณ์แล้ว ยังได้เงินกินขนมด้วยนะเนี่ยยย</p><p>เป็นไงล่ะครับ แค่ฟังอินโทร​แค่นี้ก็ตื่นเต้นแล้วใช่ไหม งั้นเราลองไปฟังความรู้สึกของน้องฝึกงานที่ผ่าน Final Presentation มาแล้วดีกว่าว่ารู้สึกยังไงกันบ้าง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*l4EW9w3tGgUbO0jwoMiDvQ.png" /><figcaption>ภูมิ, ธี, เอมี่</figcaption></figure><h4>เริ่มด้วยการแนะนำตัวกันก่อน</h4><blockquote><em>ภูมิกับธีมาจาก Northwestern University ครับ ส่วนเอมี่มาจาก University of Southern California พวกเราสามคนทำโปรเจ็กต์เกี่ยวกับการสร้างโมเดลเพื่อค้นหาหุ้นที่มีผลตอบแทนดี เพื่อทำให้พอร์ตของเรามีกำไรที่สูงขึ้นครับ</em></blockquote><h4>เป็นไงบ้างกับ Final Presentation</h4><blockquote><em>ธี: จริง ๆ ที่มหาลัยผมเคย Present ประมาณนี้อยู่ 1–2 ครั้งครับ แต่ที่นี่ให้ความรู้สึกที่ต่างไปจากตอน Present ให้กรรมการที่มหาลัยฟังเลย เป็นความรู้สึกที่แบบ ‘หัวใจเต้นเร็วจริงๆ’ ครับ</em></blockquote><h4>ฝึกงานจบแล้ว ได้อะไรกลับไปกันบ้าง?</h4><blockquote><em>ธี: ผมยังไม่เคยได้ฝึกงานแบบนี้มาก่อนเลยครับ ก่อนหน้านี้เคยฝึกงานแต่เป็นแบบไม่ได้จริงจังมาก ดูเหมือนแค่ไปทำงานตามเขามากกว่า พอมาที่นี่คือเราได้ทำงานจริงๆ มีโปรเจ็กต์ที่เราแตะต้องได้จริงๆ ต้องมาคิดต้องมาทำเอง</em></blockquote><blockquote><em>เอมี่: ที่นี่มีหลายทีมที่ทำโปรเจ็กต์ไม่เหมือนกันเลย การที่เราได้เห็นทั้ง 13 โปรเจ็กต์เป็นสิ่งที่น่าสนใจมาก เราได้รู้ว่าเพื่อนๆ ทำงานอะไรกันบ้าง ได้เห็นเทคนิค แชร์ความรู้ เอมี่ชอบตรงส่วนนี้ค่ะ</em></blockquote><blockquote><em>ภูมิ : ผมรู้สึกว่าผมได้นำความรู้ที่เรียนจากมหาลัยมาใช้เยอะจริงๆ ครับ (หัวเราะ)</em></blockquote><h4>ประทับใจอะไรใน KBTG</h4><blockquote><em>ภูมิ: ผมประทับใจพี่ๆ ครับ ดูเวลาเขาให้ฟีดแบคเรา เขาดูใส่ใจกับงานที่เราทำจริงๆ อ่ะครับ ทำให้เราได้เห็นแง่มุมบางอย่างที่เราไม่เคยคิดถึงมาก่อน ไม่ว่าจะเป็นพี่ๆ โค้ช หรือพี่ๆ เมนเทอร์</em></blockquote><h4>อยากฝากอะไรถึงน้องๆ รุ่นต่อไปที่จะมาฝึกงานที่ KBTG มั้ย?</h4><blockquote><em>ธี: อยากให้น้องๆ เตรียมพื้นฐานมาก่อนครับ เพราะที่นี่เราจะได้ทำงานจริงๆ เลย</em></blockquote><blockquote><em>ภูมิ: ฝึกงานที่นี่โหดนิดๆ นะครับ (หัวเราะ)</em></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2ipP2ZVWIVx87wUYL57MKQ.png" /><figcaption>บลูเจย์, แม็กซ์</figcaption></figure><h4>เริ่มด้วยการแนะนำตัวกันก่อน</h4><blockquote><em>บลูเจย์ จาก Wesleyan University และ แม็กซ์ จาก Columbia University พวกเราทำโปรเจ็กต์เกี่ยวกับการทำนายราคาของบ้านที่ขายอยู่ในตลาดครับ</em></blockquote><h4>เป็นไงบ้างกับ Final Presentation</h4><blockquote><em>แม็กซ์: ตื่นเต้นมากครับกับ Final Presentation ช่วงสัปดาห์ท้ายๆ เราต้องเร่งทำงานหนักมาก ต้องเตรียมตัวเยอะกว่ารอบอื่นมากเลย</em></blockquote><h4>ฝึกงานจบแล้ว ได้อะไรกลับไปกันบ้าง?</h4><blockquote><em>บลูเจย์: ได้เพื่อนใหม่ ได้รู้จักเพื่อนๆ กลุ่มอื่นเพิ่มขึ้นครับ</em></blockquote><blockquote><em>แม็กซ์ : ได้ฝึกทำงานด้าน Data Science จริงๆ ครับ เริ่มตั้งแต่เก็บข้อมูล ไล่มาเรื่อยจนทำ Model เลย ซึ่งต่างจากที่เราได้เรียนมากเลยครับ ตอนเรียนเราได้ข้อมูลที่ดีมาอยู่แล้ว แต่ที่นี่เราต้องใช้เวลาเตรียมข้อมูลกันเกือบ 5 สัปดาห์เลยครับ</em></blockquote><blockquote><em>บลูเจย์ : เรายังได้ประสบการณ์ในการคิดพวก Business Effect ในแบบต่างๆ ที่ตอนเรียนไม่มีอีกด้วยครับ</em></blockquote><h4>ประทับใจอะไรใน KBTG</h4><blockquote><em>บลูเจย์: ความเอาใจใส่ของพี่ๆ ที่คอยจัด Session ให้พวกเราทุก วันศุกร์ครับ</em></blockquote><blockquote><em>แม็กซ์: พี่ๆ ตลก ใจดี แล้วก็คอยช่วยเหลืออยู่ตลอดเวลา เฮฮาครับ (หัวเราะ)</em></blockquote><h4>อยากฝากอะไรถึงน้อง ๆ รุ่นต่อไปที่จะมาฝึกงานที่ KBTG มั้ย?</h4><blockquote><em>บลูเจย์: ที่นี่เราได้ทำงานจริงครับ เราจะได้มีโปรเจ็กต์ของตัวเอง ไม่ใช่ว่าโดนโยนงานอะไรก็ไม่รู้มาให้เด็กฝึกงานทำ ที่นี่เราจะมีเป้าหมายของตัวเองที่ชัดเจนครับ</em></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*B9t7jDChT_Ptos0adDfgzw.jpeg" /><figcaption>สบาย, ปิ้ง, ไต๋, โน่ และ เป๋า</figcaption></figure><h4>เริ่มด้วยการแนะนำตัวกันก่อน</h4><blockquote><em>โน่, สบาย,ปิ้ง จากสถาบันเทคโนโลยีนานาชาติสิรินธร มหาวิทยาลัยธรรมศาสตร์ ครับ ส่วนไต๋และเป๋า มาจาก จุฬาลงกรณ์มหาวิทยาลัย พวกเราทั้ง 5 คน มาจาก 3 ทีมที่ทำโปรเจ็กต์เกี่ยวข้องกับการหากลุ่มลูกค้าที่สนใจในแต่ละผลิตภัณฑ์ของธนาคาร เช่น สินเชื่อ กองทุน ประมาณนี้ครับ</em></blockquote><h4>เป็นไงบ้างกับ Final Presentation</h4><blockquote><em>ปิ้ง: ตื่นเต้นกลางๆ ค่ะ อาจจะเพราะว่าเราได้ฝึกมาบ้างแล้วตอนนำเสนอทุกวันศุกร์ใน Mentor’s Session รวมถึงใน Half-Way Presentation ด้วย ช่วยให้เราคุ้นชินกับการ Present พอได้ประสบการณ์มาระดับนึง เลยลดความตื่นเต้นไปได้บ้างค่ะ</em></blockquote><h4>ฝึกงานจบแล้ว ได้อะไรกลับไปกันบ้าง?</h4><blockquote><em>ไต๋: ได้รู้ว่าการเป็น Data Scientist เป็นยังไงบ้าง ต้องทำอะไรบ้าง ต่างจากที่เคยเรียนมายังไง ทำให้เราได้เห็นภาพและสัมผัสบรรยากาศการทำงานจริงๆ ว่าถ้าสมมุติต้องมาทำงานอยู่ตรงนี้จริงๆ 1 ปี หรือ 12 เดือน ฟีลลิ่งจะเป็นประมาณไหน</em></blockquote><blockquote><em>ปิ้ง: ได้ฝึกสกิลการ Present เยอะมากๆ เลยค่ะ ได้ฝึกสมองในการกลั่นกรองความคิด จัดลำดับไอเดีย ได้ฝึกสกิลการพูด ทั้งหมดนี้สามารถนำไปใช้ในการทำงานต่อไปได้ค่ะ</em></blockquote><h4>ประทับใจอะไรใน KBTG</h4><blockquote><em>เป๋า: ผมประทับใจการถ่ายทอดความรู้ของพี่ๆ ในโปรเจ็กต์ครับ เค้าถ่ายทอดความรู้ได้ดีมาก ทำให้ผมได้เรียนรู้อะไรหลายอย่างครับ</em></blockquote><blockquote><em>สบาย: ผมชอบความใส่ใจของพี่ๆ ที่ KBTG ครับ พี่โค้ชถามไถ่ตลอดว่าเราเป็นยังไงบ้าง ขาดเหลือตรงไหนมั้ย และยังชวนคุยเรื่องนู่นนี่ รวมถึงเรื่องงานอดิเรกด้วย ไม่ได้ปล่อยเราผ่านไปเฉยๆ</em></blockquote><blockquote><em>ปิ้ง: ชอบกระบวนการทำงานของที่นี่ค่ะ เหมือนเขาให้ความสำคัญกับน้องฝึกงานอย่างเราจริงๆ มีการจัด Session ต่างๆ ให้ความรู้ และต้องมี Check-in/ Check-out ทำให้เราได้ซึมซับว่าสภาพแวดล้อมของการทำงานที่นี่เป็นยังไง</em></blockquote><blockquote><em>โน่ : ผมประทับใจที่ได้เรียนรู้กระบวนการทำงานตั้งแต่แรก จนถึง ณ จุดสิ้นสุดว่าเราได้ทำถึงไหนแล้ว และผลลัพธ์ออกมาเป็นยังไง</em></blockquote><h4>อยากฝากอะไรถึงน้อง ๆ รุ่นต่อไปที่จะมาฝึกงานที่ KBTG มั้ย?</h4><blockquote><em>เป๋า: ผมคิดว่าที่ผมเรียนมาทั้งปี เมื่อเทียบกับการมาฝึกงานที่ KBTG สองเดือน รู้สึกว่าการฝึกงานได้ความรู้มากกว่าครับ (หัวเราะ)</em></blockquote><blockquote><em>ก่อนจะมีฝึกงานที่นี่ผมก็กังวลเหมือนกันครับ เพราะผมก็ไม่เคยทำงานพวกนี้มาก่อนเท่าไหร่ด้วยครับ แต่ผมอยากฝากถึงน้องๆ ว่า ไม่ต้องกลัวครับ เพราะว่า</em></blockquote><blockquote>ถ้าเราไม่กลัวที่จะเริ่ม ก็จะทำให้เราได้เรียนรู้ค่อนข้างเยอะในสองเดือนที่ฝึกงาน และเยอะกว่าที่เราเรียนใน 1 ปีที่มหาลัยด้วยซ้ำ</blockquote><p>สุดท้ายนี้ก็อยากขอบคุณน้องๆ ทุกคนที่เลือกตัดสินใจมาฝึกงานกับ Machine Learning &amp; Data Science Bootcamp ที่ KBTG หวังว่าการฝึกงานในครั้งนี้จะเป็นประสบการณ์ที่ดีในชีวิตของน้องๆ ครั้งหนึ่ง และหวังว่าเราจะได้พบกันอีกในการกลับมาทำงานที่นี่ของน้องๆ นะครับ 5555</p><p>และสำหรับน้องที่สนใจอยากมาฝึกงานโครงการนี้ สามารถติดตามกำหนดการรับสมัครโครงการ KBTG Internship Bootcamp ผ่านทางเฟสบุ๊กเพจ KBTG ได้เลยครับ อย่าลืมกดไลก์เพจเพื่อไม่ให้พลาดข่าวสารกันด้วยนะ</p><h3>แล้วมาเจอกันใหม่ใน KBTG : Machine Learning &amp; Data Science Bootcamp 2021!</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ggDG1PEBSVy48U4a7lDcLg.jpeg" /></figure><p><em>สำหรับชาวเทคคนไหนที่สนใจเรื่องราวดีๆ แบบนี้ หรืออยากเรียนรู้เกี่ยวกับ Product ใหม่ๆ ของ KBTG สามารถติดตามรายละเอียดกันได้ที่เว็บไซต์ </em><a href="http://www.kbtg.tech/"><em>www.kbtg.tech</em></a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=809ffa17d136" width="1" height="1" alt=""><hr><p><a href="https://medium.com/kbtg-life/%E0%B8%AA%E0%B9%88%E0%B8%87%E0%B8%97%E0%B9%89%E0%B8%B2%E0%B8%A2-machine-learning-data-science-bootcamp-2020-%E0%B8%81%E0%B8%B1%E0%B8%9A-final-presentation-%E0%B8%AA%E0%B8%B8%E0%B8%94%E0%B9%80%E0%B8%82%E0%B9%89%E0%B8%A1%E0%B8%82%E0%B9%89%E0%B8%99-809ffa17d136">ส่งท้าย Machine Learning &amp; Data Science Bootcamp 2020 กับ Final Presentation แบบเข้มข้นสุดๆ !</a> was originally published in <a href="https://medium.com/kbtg-life">KBTG Life</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[WFH ก็มีประสบการณ์ฝึกงาน Data Science ได้! กับ Machine Learning & Data Science Bootcamp 2020]]></title>
            <link>https://medium.com/kbtg-life/wfh-%E0%B8%81%E0%B9%87%E0%B8%A1%E0%B8%B5%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B8%AA%E0%B8%9A%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%93%E0%B9%8C%E0%B8%9D%E0%B8%B6%E0%B8%81%E0%B8%87%E0%B8%B2%E0%B8%99-data-science-%E0%B9%84%E0%B8%94%E0%B9%89-%E0%B8%81%E0%B8%B1%E0%B8%9A-machine-learning-data-science-bootcamp-2020-5da605f832c8?source=rss-8c00d71e6d1------2</link>
            <guid isPermaLink="false">https://medium.com/p/5da605f832c8</guid>
            <category><![CDATA[work-from-home]]></category>
            <category><![CDATA[bootcamp]]></category>
            <category><![CDATA[backstage]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[internships]]></category>
            <dc:creator><![CDATA[uraibeef K.]]></dc:creator>
            <pubDate>Thu, 16 Jul 2020 11:02:11 GMT</pubDate>
            <atom:updated>2020-07-16T11:02:28.728Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*RdtlV5LVxnqxgzwX" /></figure><p>กลับมาพบกันอีกครั้งนะครับสำหรับโครงการฝึกงาน Machine Learning &amp; Data Science Bootcamp 2020 ต่อจาก<a href="https://medium.com/kbtg-life/%E0%B8%81%E0%B8%A5%E0%B8%B1%E0%B8%9A%E0%B8%A1%E0%B8%B2%E0%B8%AD%E0%B8%B5%E0%B8%81%E0%B8%84%E0%B8%A3%E0%B8%B1%E0%B9%89%E0%B8%87%E0%B8%81%E0%B8%B1%E0%B8%9A-machine-learning-data-science-bootcamp-2020-by-kbtg-dc634b766ff9">บทความที่แล้ว</a>เราได้มีน้องๆ มาเข้าร่วมโครงการนี้ถึง 26 คนเลยครับ และตอนนี้น้องๆ ก็ได้ฝึกงานกันไปแล้วกว่า 1 เดือน การฝึกงานในครั้งนี้พิเศษกว่าทุกครั้งเนื่องด้วยสถานการณ์ COVID-19 ที่ KBTG เราเป็นห่วงเรื่องความปลอดภัยของทุกคน เราจึงได้จัดสรรให้น้องๆ ได้ฝึกงานแบบ Work From Home อยู่ที่บ้านก็มีประสบการณ์ฝึกงาน Data Science ได้!</p><blockquote>หลายคนคงมีคำถามว่า ‘แล้วมาฝึกงานที่นี่จะได้ทำงานอะไรบ้าง?’ วันนี้เรามีคำตอบมาให้น้องๆ แล้วครับ</blockquote><p>สำหรับการฝึกงานที่ KBTG จะเป็นการฝึกงานแบบ Based on Project ที่สนใจ โดยน้องจะเป็นคนเลือกโปรเจ็กต์ที่อยากทำเอง โดยในปีนี้เรามีโปรเจ็กต์ให้น้องๆ เลือกทำหลายอันมาก ไม่ว่าจะเป็นโปรเจ็กต์ทางด้าน Deep Tech ซึ่งมีทั้ง Natural Language Processing (NLP) และ Image Processing หรือจะเป็นด้าน Data Science ที่ต้องเล่นกับข้อมูลต่างๆ เช่น Customer Insights, Credit Scoring เป็นต้น หรือจะเป็นการสร้างโมเดล Machine Learning เพื่อพยากรณ์ค่าต่างๆ ในอนาคตก็มีเหมือนกัน</p><p><em>นี่เป็นแค่ส่วนหนึ่งของโปรเจ็กต์ที่น้องๆ ทำนะครับ เห็นไหมครับว่าแต่ละโปรเจ็กต์น่าสนใจมาก และแต่ละปีก็จะมีไม่เหมือนกันด้วยนะครับ แต่รับรองได้ว่าเป็นโปรเจ็กต์ที่น่าสนใจไม่แพ้กันเลย</em></p><p>ทั้งนี้น้องๆ อาจมีคำถามว่า ‘แล้วการฝึกงานแบบ WFH มันจะฝึกยังไง? จะได้ทำงานต่างจากทำที่ออฟฟิศไหม?’ ขอตอบเลยครับว่า…</p><blockquote>การฝึกงานแบบ WFH ไม่ต่างอะไรกับการฝึกงานปกติเลยครับ</blockquote><p>การฝึกงานของเรายังคงเข้มข้นเหมือนเดิม น้องๆ จะมี Mentors Session เพื่อมาอัพเดตงานให้พี่ๆ Mentor ฟังในทุกวันศุกร์ และยังมี Half-Way และ Final Presentation เหมือนเดิม แค่เปลี่ยนรูปแบบการพรีเซ็นต์เป็นแบบออนไลน์แทน ให้น้องๆ ยังคงมีโอกาสนำเสนอผลงานที่ทำมาตลอดการฝึกงานให้พี่ๆ เพื่อนๆ ได้เห็นแบบครบรส</p><p>หลังจากที่เรารู้แล้วว่าทีมเรามีการฝึกงานยังไง คราวนี้เรามาลองฟังความรู้สึกของน้องๆ กันบ้างนะครับว่ารู้สึกยังไงกับการฝึกงานแบบ Work From Home ที่ KBTG</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pS4_4dJZTmNLUmco-LvfAA.png" /></figure><h4><strong>แนะนำตัวสั้นๆ หน่อยครับ?</strong></h4><blockquote><em>สวัสดีครับ ชื่อสบายครับ เรียนอยู่วิศวะคอมฯ ที่สถาบันเทคโนโลยีนานาชาติสิรินธร มหาวิทยาลัยธรรมศาสตร์ หรือ SIIT ครับ</em></blockquote><h4>ได้มาฝึกงานแบบที่ KBTG เป็นยังไงบ้าง เล่าให้ฟังหน่อย</h4><blockquote><em>ผมได้ทำโปรเจ็กต์ที่เกี่ยวข้องกับการวิเคราะห์พฤติกรรมการใช้บัตรเครดิตของกลุ่มคนต่างๆ ครับ ตอนนี้กำลังวุ่นอยู่กับการสร้างและก็ปรับจูนโมเดลครับ เป็นโปรเจ็กต์ที่ทั้งสนุกและท้าทายดี เพราะได้ลองทำงานจริงที่ตอบโจทย์ธุรกิจโดยตรงเลยครับ อาจจะมีติดๆ ขัดๆ ในการทำโปรเจ็กต์บ้าง แต่ก็มีพี่ๆ โค้ชคอยช่วยให้คำแนะนำปรึกษา ดีมากๆ เลยครับ</em></blockquote><h4>แล้วการฝึกงานแบบ WFH เป็นยังไงบ้าง?</h4><blockquote><em>การฝึกงานแบบ WFH ก็ค่อนข้างโอเคนะครับ ทาง KBTG มีการเตรียมการที่ดี ทั้งให้ยืมโน้ตบุ๊กทำงาน เตรียม Environment กับโปรแกรมต่างๆ ในเครื่องไว้ให้พร้อมเลย โดยในส่วนของการฝึกงาน เราจะฝึกงานกัน จันทร์-ศุกร์ ครับ ทุกวันผมก็จะเริ่มมานั่งหน้าจอทำงานประมาณ 8 โมงเช้า หลักๆ ตอนเช้าก็จะมีการคอลกันผ่าน Microsoft Teams กับเพื่อนในทีมและพี่โค้ชตอนประมาณ 10 โมง เพื่อ Check-in คุยกันว่าภาพรวมโปรเจ็กต์ของเราถึงไหนแล้ว วันนี้จะทำอะไรบ้าง แล้วก็ Check-out อีกทีประมาณ 5 โมงเย็น เพื่อคุยกันว่าผลลัพธ์วันนี้เป็นไง มีปัญหาติดขัดตรงไหนไหม แต่ระหว่างวันถ้าเรามีปัญหาเราก็สามารถติดต่อพี่โค้ชได้ตลอดครับ พี่ก็พร้อมซัพพอร์ตเราเต็มที่ ส่วนหลัง Check-out แล้ว บางวันผมก็เลิกงานไปทำอย่างอื่นเลย บางวันติดลมก็ทำต่อยาวๆ ถึงกลางคืนก็มีครับ 55555 แล้ววันศุกร์เราก็จะมีกิจกรรมมากมาย</em></blockquote><blockquote><em>ไม่ว่าจะเป็น Mentors Session หรือ Friday Program ที่จะมีพี่ๆ จากทีม Academy มาจัดกิจกรรมสนุกๆ ให้เล่น มีเชิญพิธีกรมาบรรยายให้ความรู้ครับ</em></blockquote><h4>การฝึกงานแบบ WFH มีข้อดี ข้อเสียยังไงบ้าง?</h4><blockquote><em>ส่วนตัวผมคิดว่า ข้อดีของการฝึกแบบ WFH คือเราไม่ต้องเสียเวลาเดินทางครับ สามารถโฟกัสกับโปรเจ็กต์ที่ทำอยู่ได้เต็มที่ แล้วก็บรรยากาศการทำงานก็จะสบายๆ เพราะเป็นบ้านของเราเอง</em></blockquote><blockquote><em>ส่วนข้อเสียก็คือแอบเสียดายที่ไม่ได้เข้าไปเห็นสภาพแวดล้อมการทำงานในองค์กรจริงๆ ไม่ค่อยได้พูดคุย ทำความรู้จักกับพี่ๆ เพื่อนๆ ทีมอื่นเท่าไหร่ครับ แล้วถ้าอุปกรณ์เราเกิดมีปัญหาขึ้นมา ก็ต้องเดินทางเข้าไปติดต่อซ่อมที่บริษัท อาจจะทำให้เสียเวลาวันนั้นไปแทบทั้งวันเลย</em></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Akbf3bKufMW5D7M_un_17g.jpeg" /></figure><h4>แนะนำตัวสั้นๆ หน่อยครับ?</h4><blockquote><em>ชื่อเอมี่ค่ะ เรียน Data Science กับ Economics ที่ University of Southern California ค่ะ</em></blockquote><h4>ทำไมถึงเลือกมาฝึกงานที่ KBTG ครับ?</h4><blockquote><em>เลือกมาฝึกงานที่ KBTG เพราะสนใจและอยากเรียนรู้เกี่ยวกับบทบาทของ Data Science กับ Machine Learning ใน Banking Industry ค่ะ KBTG มีโปรเจ็กต์ที่น่าสนใจและตื่นเต้นเยอะมาก เลยอยากมาฝึกงานที่นี่เพื่อให้ได้ประสบการณ์และความรู้ดีๆ จากพี่ๆ ที่ KBTG ค่ะ</em></blockquote><h4>ได้มาฝึกงานแบบที่ KBTG เป็นยังไงบ้าง เล่าให้ฟังหน่อย</h4><blockquote><em>เอมี่ได้โปรเจ็กต์ที่ทำเกี่ยวกับการใช้ Machine Learning Algorithm และ Model ต่างๆ เพื่อมาช่วย Forecast ราคาหุ้น โดยทำ Backtesting เพื่อทดสอบความแม่นยำของ Model ที่ทำขึ้นมาค่ะ</em></blockquote><h4>แล้วการฝึกงานแบบ WFH เป็นยังไงบ้าง?</h4><blockquote><em>ก็ราบรื่นดีค่ะ ไม่มีอะไรติดขัด ปกติจะเริ่มต้นวันด้วยการ Check-in ตอนเช้า และจบวันด้วยการ Check-out กับพี่ๆ โค้ช ส่วนระหว่างวันก็จะโทรคุยงานกับเพื่อนๆ ในทีมทั้งวันค่ะ ถึงเดือนแรกจะเป็นแบบ WFH แต่พี่ๆ ทีม Academy รวมถึงพี่ๆ ทีม KBTG Internship Program ก็คอยตอบคำถามและดูแลเป็นอย่างดีค่ะ</em></blockquote><h4>การฝึกงานแบบ WFH มีข้อดี ข้อเสียยังไงบ้าง?</h4><blockquote><em>ข้อดีคือประหยัดเวลา สะดวก ไม่ต้องเดินทางค่ะ ส่วนข้อเสียคือเวลามีปัญหาหรือคำถาม ไม่สามารถเดินไปถามพี่ๆ ได้ทันที นอกจากนั้นอยากที่จะได้มีโอกาสรู้จัก เรียนรู้จากเพื่อนๆ Intern คนอื่นมากกว่านี้ และอยากได้ประสบการณ์ทำงานที่ออฟฟิศร่วมกับพี่ๆ ค่ะ</em></blockquote><p><em>และก็มาถึงน้องฝึกงานคนสุดท้ายของบทความนี้กันแล้วนะครับ</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*X551RKKlAjpN4c4uDGZbEQ.jpeg" /></figure><h4>แนะนำตัวสั้นๆ หน่อยครับ?</h4><blockquote><em>สวัสดีครับ ชื่อซัน เรียนคณะวิศวกรรมไฟฟ้า มาจากมหาวิทยาลัยขอนแก่นครับ</em></blockquote><h4>ได้มาฝึกงานแบบที่ KBTG เป็นยังไงบ้าง เล่าให้ฟังหน่อย</h4><blockquote><em>ผมทำโปรเจ็กต์กับทีม NLP ครับ เป็นการช่วยกันหาวิธีพัฒนาระบบ Search Engine ของธนาคารกสิกรไทยให้ดีขึ้น ทำยังไงจะทำให้ผู้ใช้หาข้อมูลเจอได้ง่ายขึ้น ประมาณนี้ครับ ตอนนี้ถึงเฟสที่สามของโปรเจ็กต์แล้ว เรากำลังลองสร้างระบบขึ้นมาเอง มีการทำโมเดลแก้คำผิดเข้ามาช่วยด้วย</em></blockquote><h4>แล้วการฝึกงานแบบ WFH เป็นยังไงบ้าง?</h4><blockquote><em>ทีมเราจะมี Stand Up Meeting ตอน 10 โมงเช้าเพื่ออัพเดตว่าวันนี้ทำอะไรกันบ้าง แล้วก็มีอีกทีตอน 5 โมงเย็นเพื่อมาสรุปว่าวันนี้ทำอะไรเสร็จไปแล้วบ้างจากแผนตอนเช้า ติดปัญหาอะไร แล้วพี่โค้ชก็จะพยายามให้คำแนะนำครับ แต่ถ้าติดปัญหาระหว่างวันก็สามารถถามพี่เขาได้เลยครับ ไม่ใช่ว่าต้องรอถึง 5 โมงเย็นเท่านั้น</em></blockquote><h4>การฝึกงานแบบ WFH มีข้อดี ข้อเสียยังไงบ้าง?</h4><blockquote><em>ข้อดีสำหรับช่วงเวลานี้ก็คือ 1) ช่วยลดความเสี่ยงที่จะเกิดวิกฤตได้ครับ 2) มีเวลาทำงานหรือเตรียมตัวมากขึ้น เพราะเราไม่ต้องรีบตื่นเพื่อเดินทางไปที่ออฟฟิศครับ สำหรับผมที่เป็นคนต่างจังหวัด คงเป็นเรื่องช่วยลดภาระค่าใช้จ่ายในการหาที่พักในกรุงเทพได้ครับ</em></blockquote><blockquote><em>ส่วนข้อเสีย 1) ตอนนี้เราใช้เซิร์ฟเวอร์ออนไลน์ในการทำงานร่วมกัน บางทีก็จะมีปัญหาเซิร์ฟเวอร์ล่มครับ แล้วก็บางทีงานของทีมเราต้องการทรัพยากรคอมพิวเตอร์ ถ้าไปที่ออฟฟิศก็จะมีคอมแรงกว่าให้ใช้ 2) เราไม่ค่อยได้เจอเพื่อนใหม่เลยนอกจากเพื่อนกับพี่โค้ชในทีม ถึงจะมีกิจกรรมออนไลน์ให้ทำร่วมกัน แต่ก็คงไม่เหมือนตอนเจอกันจริงๆครับ</em></blockquote><p>เห็นไหมครับ ว่าถึงแม้จะฝึกงานแบบ Work From Home แต่ก็ยังสามารถมีประสบการณ์ฝึกงาน Data Science ได้เหมือนกัน แม้จะขาดในเรื่องของการได้พบเจอเพื่อนๆ พี่ๆ ไปบ้าง แต่นี่ก็เป็นเพียงครึ่งทางของการฝึกงานนะครับ น้องๆ ยังเหลือเวลาฝึกงานอีก 1 เดือน ซึ่งการฝึกงานของเราจะยิ่งเข้มข้นขึ้น ทำให้น้องๆ ได้ประสบการณ์มากขึ้นแน่นอน และอาจจะมีโอกาสให้น้องๆ ได้มาพบเจอกับเพื่อนๆ พี่ๆ เมื่อสถานการณ์เริ่มดีขึ้นแล้ว ยังไงก็ฝากเป็นกำลังใจให้น้องๆ ฝึกงานของทีมเราทุกคนด้วยนะครับ!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5da605f832c8" width="1" height="1" alt=""><hr><p><a href="https://medium.com/kbtg-life/wfh-%E0%B8%81%E0%B9%87%E0%B8%A1%E0%B8%B5%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B8%AA%E0%B8%9A%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%93%E0%B9%8C%E0%B8%9D%E0%B8%B6%E0%B8%81%E0%B8%87%E0%B8%B2%E0%B8%99-data-science-%E0%B9%84%E0%B8%94%E0%B9%89-%E0%B8%81%E0%B8%B1%E0%B8%9A-machine-learning-data-science-bootcamp-2020-5da605f832c8">WFH ก็มีประสบการณ์ฝึกงาน Data Science ได้! กับ Machine Learning &amp; Data Science Bootcamp 2020</a> was originally published in <a href="https://medium.com/kbtg-life">KBTG Life</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Embedded : OpenMV คืออะไร?]]></title>
            <link>https://medium.com/@uraibeef/embedded-openmv-%E0%B8%84%E0%B8%B7%E0%B8%AD%E0%B8%AD%E0%B8%B0%E0%B9%84%E0%B8%A3-7e9268ab1141?source=rss-8c00d71e6d1------2</link>
            <guid isPermaLink="false">https://medium.com/p/7e9268ab1141</guid>
            <category><![CDATA[programming]]></category>
            <category><![CDATA[machine-vision]]></category>
            <category><![CDATA[embedded-systems]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[openmvs]]></category>
            <dc:creator><![CDATA[uraibeef K.]]></dc:creator>
            <pubDate>Tue, 17 Sep 2019 16:51:45 GMT</pubDate>
            <atom:updated>2024-03-14T10:26:23.551Z</atom:updated>
            <content:encoded><![CDATA[<h3>OpenMV คืออะไร?</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nZcTlWGJXlner07ISu8URg.jpeg" /></figure><p>OpenMV (Open Machine Vision) เป็นหนึ่งใน Module ที่ใช้งานในการทำ Machine Vision (การมองเห็นของเครื่อง — เครื่องในที่นี้ก็เช่น Computer, Micro-Controller) โดยมี Concept ที่ว่า มันจะมาเป็น “Arduino of Machine Vision”</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/360/1*ZQu9DXudj4n_0U4rgnoDJA.jpeg" /><figcaption>ตัวอย่างบอร์ด Arduino UNO R3</figcaption></figure><p><em>Arduino of Machine Vision ก็ประมาณว่า มันมีราคาที่ไม่แพงมาก และสามารถนำไปประยุกต์ใช้ได้หลากหลาย มีประสิทธิภาพที่ดี เหมือนกับบอร์ด Arduino ที่เป็นที่นิยมในวงการ Micro-Controller</em></p><p>ซึ่งจุดขายหลักๆของเจ้า OpenMV ก็คือการที่มันนำเอา Machine Vision Algorithm ต่างๆมาทำให้ใช้งานได้ง่าย โดยที่ทางผู้พัฒนานั้นได้จัดการโปรแกรมในส่วนที่ยากและกินเวลามากๆไว้ให้แล้ว ทำให้เราแทบจะสามารถนำไปใช้สร้างสรรค์งานต่างๆได้เลย โดยภาษาที่ใช้ในการควบคุม OpenMV ก็จะเป็น Micro-Python หรือก็คือภาษา Python ที่ใช้กับ Micro-Controller นั่นเอง</p><blockquote>โดยเราจะพัฒนาผ่าน OpenMV IDE ที่เป็นตัวช่วยในการโปรแกรมพร้อมกับมีตัวอย่าง Source Code การใช้งานต่างๆให้อย่างครบถ้วน</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1010/0*Lk_CH8YXh7s9ay09.png" /><figcaption>OpenMV IDE (credit image : SparkFun)</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/501/1*LLh-NRDehxekl86hia1yxg.png" /><figcaption>ตัวอย่าง Examples ที่ OpenMV IDE มีมาให้</figcaption></figure><p>และจุดที่แตกต่างจากกล้อง Machine Vision ตัวอื่นๆอย่างพวก Pi Camera เนี่ย ก็คือ OpenMV นั้นมี Micro-Processor ที่ใช้ในการประมวลผลอยู่ในตัว ทำให้มันสามารถที่จะประมวลผลภาพด้วยตัวเองได้ และสามารถส่งข้อมูลผ่านช่องทางต่างๆไปยังบอร์ดอื่น หรือจะทำงานด้วยตัวเองก็ได้เช่นกัน!</p><blockquote>ในส่วนของสเปคและราคา สามารถไปดูรายละเอียดได้ที่ <a href="https://openmv.io/">https://openmv.io/</a></blockquote><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FxK1V06AMZx8%3Fstart%3D4%26feature%3Doembed%26start%3D4&amp;url=http%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DxK1V06AMZx8&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FxK1V06AMZx8%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="640" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/67911615c690c27cc2de2c973beef7c9/href">https://medium.com/media/67911615c690c27cc2de2c973beef7c9/href</a></iframe><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FPm88BEz3upM%3Ffeature%3Doembed&amp;url=http%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DPm88BEz3upM&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FPm88BEz3upM%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/1e57aba5f64c3160ce400e846524266f/href">https://medium.com/media/1e57aba5f64c3160ce400e846524266f/href</a></iframe><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FPdWi_fvY9Og%3Fstart%3D4%26feature%3Doembed%26start%3D4&amp;url=http%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DPdWi_fvY9Og&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FPdWi_fvY9Og%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/ff30460e2a3a2a0362f976825050206b/href">https://medium.com/media/ff30460e2a3a2a0362f976825050206b/href</a></iframe><blockquote>และอื่นๆอีกมากมาย สามารถไปรับชมได้ที่ <a href="https://www.youtube.com/channel/UCk43Dxy_qcwwYyLsP6EWatQ">https://www.youtube.com/channel/UCk43Dxy_qcwwYyLsP6EWatQ</a></blockquote><p>ขอบคุณที่อ่านมาจนถึงตรงนี้นะครับ 555555 ก็หวังว่าจะได้รู้จักกับเทคโนโลยีใหม่ๆมากขึ้นนะครับ เพราะตัว OpenMV ณ ตอนนี้ ผมยังไม่ค่อยเห็นใครในไทยใช้กันมากนัก เผื่อเพื่อนๆสามารถนำไปต่อยอดสร้างผลงานเจ๋งๆกันได้</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=7e9268ab1141" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Pandas : การจัดการ Missing Values ด้วยวิธี Interpolate]]></title>
            <link>https://medium.com/@uraibeef/pandas-%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%88%E0%B8%B1%E0%B8%94%E0%B8%81%E0%B8%B2%E0%B8%A3-missing-values-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2%E0%B8%A7%E0%B8%B4%E0%B8%98%E0%B8%B5-interpolate-8041677286d5?source=rss-8c00d71e6d1------2</link>
            <guid isPermaLink="false">https://medium.com/p/8041677286d5</guid>
            <category><![CDATA[time-series-analysis]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[pandas]]></category>
            <category><![CDATA[programming]]></category>
            <category><![CDATA[jupyter]]></category>
            <dc:creator><![CDATA[uraibeef K.]]></dc:creator>
            <pubDate>Sun, 15 Sep 2019 17:00:42 GMT</pubDate>
            <atom:updated>2019-09-16T05:38:34.557Z</atom:updated>
            <content:encoded><![CDATA[<h3>Pandas : การจัดการ Missing Values ด้วยวิธี Interpolate</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*LQ-UAdZ0HBIFdEVj5swoeg.png" /><figcaption>Pandas : Python Data Analysis Library</figcaption></figure><p>Interpolate เป็นวิธีที่นิยมใช้กับข้อมูลที่มีลักษณะเป็น Time-Series เช่น การบันทึกค่าของเซนเซอร์วัดอุณหภูมิห้องที่มีการบันทึกค่าทุกๆ 1 ชม. ทุกวัน ตั้งแต่วันที่ 1 มกราคม 2018 ถึง 31 ธันวาคม 2018 ดังนั้น ข้อมูลที่ได้จากเซนเซอร์ก็จะเริ่มที่วันที่ 1 มกราคม 2018 เวลา 00:00 ไปจนถึง วันที่ 31 ธันวาคม 2018 เวลา 23:00 เป็นต้น</p><p>ซึ่งถ้ามีการบันทึกค่าผิดพลาดไป ก็จะทำให้ข้อมูลไม่ต่อเนื่องทันที ดังนั้นการ Interpolate จะมาช่วยแก้ไขปัญหาตรงนี้ โดยมันจะทำการเติมค่าของข้อมูลที่หายไป โดยวิเคราะห์จากข้อมูลทั้งก่อนและหลัง ตัวที่หายไป ยกตัวอย่างเช่น</p><p>ข้อมูลของเลขชุดหนึ่งมีค่า 1, 2, 3, NaN, NaN, 6, 7, 8 มี Missing Values คือ NaN 2 ค่าที่ตำแหน่ง 4, 5 ถ้าเราทำการใช้ Interpolate มันจะเติมค่าที่หายไปโดยวิเคราะห์จากค่า 3, 6 ทำให้รู้ว่าค่าที่ควรนำมาเติมจะอยู่ในช่วงนี้ จะได้ผลดังนี้</p><pre>import pandas as pd<br>x = [1,2,3,np.nan,np.nan,6,7,8] # สร้าง list ที่มีค่า 1-8 และมี NaN 2 ค่า<br>x= pd.DataFrame(x) # เปลี่ยน x ให้เป็น Dataframe</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/129/1*15SlX1NbPCEJo6P7DGZ3vg.png" /><figcaption>ค่าในตัวแปร X</figcaption></figure><blockquote>Interpolate เป็น Function ที่มากับ Library Pandas สามารถเรียกใช้งานได้เลย (แต่ต้องใช้กับ Dataframe เท่านั้นนะครับ)</blockquote><pre>x.interpolate() #เรียกใช้การ Interpolate </pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/125/1*Bl2ndY3yhULTbjiYb8CWkA.png" /><figcaption>ค่าในตัวแปร X หลังทำ Interpolate</figcaption></figure><p>เท่านี้เป็นอันเสร็จเรียบครับ สำหรับการจัดการกับ Missing Values ด้วยวิธี Interpolate แบบง่ายๆ ถัดมาเราจะมาดูในส่วนของ Parameter ที่จำเป็นกันดีกว่า</p><blockquote><strong>method</strong> : ป้อนเป็น <em>str, มี default คือ ‘linear’ (</em>เทคนิคที่จะใช้ในการ Interpolation) โดยวิธีก็มีดังนี้</blockquote><ul><li><em>‘linear’: Ignore the index and treat the values as equally spaced. This is the only method supported on MultiIndexes.</em></li><li><em>‘time’: Works on daily and higher resolution data to interpolate given length of interval.</em></li><li><em>‘index’, ‘values’: use the actual numerical values of the index.</em></li><li><em>‘pad’: Fill in NaNs using existing values.</em></li><li><em>‘nearest’, ‘zero’, ‘slinear’, ‘quadratic’, ‘cubic’, ‘spline’, ‘barycentric’, ‘polynomial’: Passed to scipy.interpolate.interp1d. These methods use the numerical values of the index. Both ‘polynomial’ and ‘spline’ require that you also specify an order (int), e.g. </em><em>df.interpolate(method=&#39;polynomial&#39;, order=5).</em></li><li><em>‘krogh’, ‘piecewise_polynomial’, ‘spline’, ‘pchip’, ‘akima’: Wrappers around the SciPy interpolation methods of similar names. See Notes.</em></li><li><em>‘from_derivatives’: Refers to scipy.interpolate.BPoly.from_derivatives which replaces ‘piecewise_polynomial’ interpolation method in scipy 0.18.</em></li></ul><blockquote><strong>limit_direction</strong> : ป้อนเป็น <em>{‘forward’, ‘backward’, ‘both’}, มี default คือ ‘forward’ (ทิศทางที่อนุญาตให้ Interpolate)</em></blockquote><p><em>If limit is specified, consecutive NaNs will be filled in this direction.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/334/1*Kj_wR2SUcJQTav7PvPhPxA.png" /><figcaption>ตัวอย่างการใส่ limit_direction ในทิศทางต่างๆ</figcaption></figure><blockquote><strong>limit</strong> : ป้อนเป็น <em>int, optional (ให้ Fill ค่าสูงสุดกี่ตัว — ไม่ใส่ก็ได้)</em></blockquote><p><em>Maximum number of consecutive NaNs to fill. Must be greater than 0.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/251/1*4oSpCny3y4oLK0F50aezrw.png" /><figcaption>ตัวอย่างการใส่ limit</figcaption></figure><p>คร่าวๆก็ประมาณเท่านี้ครับ สำหรับการ Interpolate ถ้าใครต้องการศึกษาอย่างละเอียดขึ้นสามารถอ่านได้ที่นี่ครับ <a href="https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.interpolate.html">https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.Series.interpolate.html</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8041677286d5" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Finance : การดึงข้อมูลหุ้นด้วย Python]]></title>
            <link>https://medium.com/@uraibeef/finance-%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%94%E0%B8%B6%E0%B8%87%E0%B8%82%E0%B9%89%E0%B8%AD%E0%B8%A1%E0%B8%B9%E0%B8%A5%E0%B8%AB%E0%B8%B8%E0%B9%89%E0%B8%99%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-python-c8cfaabb2637?source=rss-8c00d71e6d1------2</link>
            <guid isPermaLink="false">https://medium.com/p/c8cfaabb2637</guid>
            <category><![CDATA[programming]]></category>
            <category><![CDATA[finance]]></category>
            <category><![CDATA[pandas]]></category>
            <category><![CDATA[stocks]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[uraibeef K.]]></dc:creator>
            <pubDate>Sat, 14 Sep 2019 11:01:36 GMT</pubDate>
            <atom:updated>2019-09-14T11:02:00.441Z</atom:updated>
            <content:encoded><![CDATA[<h3>Finance : การดึงข้อมูลหุ้นด้วย Python</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*y-bJhdnax_2NjvHq1RCz5w.jpeg" /><figcaption>Photo by <a href="https://unsplash.com/@markusspiske?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Markus Spiske</a> on <a href="https://unsplash.com/search/photos/stock?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText">Unsplash</a></figcaption></figure><blockquote>สำหรับวันนี้ก็จะมาสอนวิธีการดึงข้อมูลจากตลาดหุ้นด้วยภาษา Python กันนะครับ ก่อนอื่นเลยก็มาติดตั้ง Library ที่จำเป็นกันก่อน</blockquote><pre>pip install pandas-datareader <br>pip install pandas<br>pip install datetime</pre><blockquote>จากนั้น เขียน Code ตามนี้ <br>(สำหรับชื่อย่อของหุ้นแต่ละตัว สามารถดูได้ที่นี่ <a href="https://bit.ly/2H3caH4">https://bit.ly/2H3caH4</a>)</blockquote><pre>import pandas_datareader.data as web # ไลบรารีที่เราจะใช้ดึงข้อมูลหุ้น<br>import datetime as dt # ไลบรารีที่เราจะใช้สำหรับงานที่เกี่ยวข้องกับ วันเวลา <br>import pandas as pd # ไลบรารีที่เราจะใช้ทำงานเกี่ยวกับตาราง (Dataframe)<br> <br>stock_name = &quot;SCB.BK&quot; # ใส่ชื่อของหุ้นที่เราจะดึงข้อมูล ในที่นี้คือ SCB</pre><pre>start_date = dt.date(2016,9,1) # กำหนดวันแรกที่จะดึงข้อมูล<br>end_date = dt.date(2019,8,30) # กำหนดวันสุดท้ายที่จะดึงข้อมูล</pre><pre>#ดึงข้อมูลมาเก็บไว้ในตัวแปร df<br>df = web.get_data_yahoo(stock_name, start_date, end_date) df.to_csv(&quot;PTT.csv&quot;) # save ข้อมูลหุ้นเก็บไว้เป็นไฟล์ .csv</pre><blockquote>โอเคครับ เท่านี้เราก็ได้ข้อมูลหุ้นมาเรียบร้อยแล้ว ในชื่อไฟล์ SCB.csv</blockquote><p>ถัดมาถ้าเราจะดึงข้อมูลเข้ามาใช้งาน ก็สามารถทำได้ดังนี้</p><pre># ดึงข้อมูลหุ้นที่ save เก็บไว้มาไว้ในตัวแปร df<br>df = pd.read_csv(‘SCB.csv’)</pre><pre># แปลง column Date ให้เป็นชนิดตัวแปร datetime (วันเวลา)<br>df[‘Date’]= df[‘Date’].astype(np.datetime64)</pre><pre># เปลี่ยน column Date ให้เป็น index เพื่อที่จะใช้งานได้ง่ายๆ <br>df = df.set_index(‘Date’)</pre><blockquote>ตัวอย่างข้อมูลหุ้นที่ดึงมาไว้ในตัวแปร df</blockquote><pre>df.head(100) # โชว์ข้อมูล 100 ตัวแรกของตารางในตัวแปร df</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/709/1*-GiKaNYjuW-mfy7SpTkRsQ.png" /><figcaption>ข้อมูล 100 ตัวแรกของตารางในตัวแปร df</figcaption></figure><p>เท่านี้ก็เป็นอันเรียบร้อยครับ สำหรับการดึงข้อมูลจากตลาดหุ้นด้วยภาษา Python สำหรับพาร์ทถัดไป เราจะมาสอนสร้างโมเดลที่ใช้วิเคราะห์ตลาดหุ้นแบบง่ายๆด้วยโมเดล ARIMA ฝากติดตามด้วยนะครับ :)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c8cfaabb2637" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Anaconda : การสร้าง Environment]]></title>
            <link>https://medium.com/@uraibeef/anaconda-%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B8%AA%E0%B8%A3%E0%B9%89%E0%B8%B2%E0%B8%87-environment-d3142988caab?source=rss-8c00d71e6d1------2</link>
            <guid isPermaLink="false">https://medium.com/p/d3142988caab</guid>
            <category><![CDATA[anaconda]]></category>
            <category><![CDATA[programming]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[uraibeef K.]]></dc:creator>
            <pubDate>Wed, 11 Sep 2019 14:52:32 GMT</pubDate>
            <atom:updated>2019-09-14T09:54:44.494Z</atom:updated>
            <content:encoded><![CDATA[<h3>Anaconda : การสร้าง Environment</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/391/1*OGLfbTiYiK1cP3jm7_Y1sA.png" /></figure><blockquote>Environment คืออะไร?</blockquote><p>Environment แปลตรงๆก็คือ ‘สภาพแวดล้อม’ นั่นเอง ในที่นี้ก็คือสภาพแวดล้อมในการทำงานบน Anaconda ของเรา คือปกติถ้าเราไม่สร้าง Environment ใหม่ เราจะทำงานอยู่บน Base Environment ที่ Anaconda สร้างมาให้เราตั้งแต่ครั้งแรกที่ลง ซึ่งปกติเราจะทำอะไร ติดตั้ง Library อะไรเพิ่ม ก็จะมารวมๆอยู่ใน Base Environment นี้หมด</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/996/1*U4ldPNI8_fAJBYF0NW5_Yw.png" /><figcaption>ในกรอบสีแดง คือ ส่วนที่บอกว่าเรากำลังทำงานอยู่บน Environment ใด ในที่นี้คือ Base Environment</figcaption></figure><blockquote>ทำไมเราต้องสร้าง Environment ใหม่?</blockquote><p>การสร้าง Environment มองง่ายๆให้เหมือนกับการสร้าง ‘ห้องทำงาน’ ถ้าสมมุติเรามีแค่งานๆเดียว โอเค มีห้องเดียวไม่เป็นอะไร เราจะนำอุปกรณ์ที่จะใช้ทำงานเข้ามาแค่ไหนก็ได้ (การเอาอุปกรณ์เข้ามาเสมือนการติดตั้ง Library) แต่ถ้าเรามีหลายงานที่ต่างกันล่ะ อุปกรณ์ต่างๆที่เรานำเข้ามาก็จะผสมปนเปกันไป ทำให้ยากต่อการหยิบใช้งาน และอาจส่งผลถึงความผิดพลาดต่างๆตามมาได้</p><p>เอาให้ง่ายกว่านี้ก็คือ เช่นผมจะพัฒนาเว็บไซต์ ผมก็สร้าง Environment ใหม่ขึ้นมาสำหรับใช้พัฒนาเว็บ ติดตั้ง Library ต่างๆที่จำเป็นสำหรับการสร้างเว็บ ต่อมาถ้าผมจะสร้าง Model Deep Learning ก็สร้างอีก Environment มาเพื่อทำงานนี้ ซึ่งถ้าการติดตั้ง Library ใน Environment นี้เกิด Error พังทั้ง Environment มันก็จะไม่ส่งผลใดๆต่อ Environment อื่นๆเลย นั่นแหละครับข้อดี</p><blockquote>สร้าง Environment ยังไง?</blockquote><p><strong>1.เปิด Anaconda Prompt ขึ้นมา แล้วพิมพ์</strong></p><pre><em>conda create -n &lt;ชื่อสภาพแวดล้อมใหม่&gt; python=&lt;เวอร์ชันที่เราจะใช้&gt; แพ็กเกจ,Libraryที่จะติดตั้งไปด้วย(ใส่ได้หลายตัว)</em></pre><p><em>เช่น</em></p><pre>conda create -n TestEnvironment python=3.6 numpy matplotlib</pre><p><strong>2.เมื่อติดตั้งเสร็จแล้ว แล้วเราต้องการเข้าใช้ Environment ก็ให้พิมพ์</strong></p><pre>conda activate TestEnvironment</pre><p><em>โดยใน Environment ใหม่ของเรามี Library อะไรอยู่บ้างก็สามารถดูได้ผ่าน</em></p><pre>conda env list</pre><p><strong>3.ถ้าเราต้องการติดตั้ง Library ใหม่ใน Environment นี้ ก็พิมพ์</strong></p><pre>conda install -n &lt;ชื่อสภาพแวดล้อม&gt; &lt;ชื่อแพ็กเกจ,&gt;</pre><p><em>เช่น</em></p><pre>conda install -n TestEnvironment pandas</pre><p><strong>4.ถ้าต้องการยกเลิกการใช้งาน Environment ก็พิมพ์</strong></p><pre>conda deactivate</pre><blockquote>Trick อื่นๆ เกี่ยวกับ Anaconda</blockquote><p>หากจะสร้าง Environment โดยคัดลอกจากตัวเดิมที่มีอยู่</p><pre>conda create — name &lt;ชื่อสภาพแวดล้อมใหม่&gt; — clone &lt;ชื่อสภาพแวดล้อมเดิม&gt;</pre><p>เมื่อต้องการลบ Environment</p><pre>conda env remove -n &lt;ชื่อสภาพแวดล้อม&gt;</pre><p>เราสามารถเก็บบันทึกข้อมูลสภาพแวดล้อมที่สร้างไว้พร้อมกับแพ็กเกจที่ลงไว้ในนั้นทั้งหมดเพื่อจะนำกลับมาใช้ใหม่ได้โดยใช้คำสั่ง export แล้วบันทึกลงในไฟล์</p><pre>#กรณีเราไม่ได้กำลังใช้งาน Environment ที่จะ Export<br>conda env export -n &lt;ชื่อสภาพแวดล้อม&gt; &gt; &lt;ชื่อไฟล์&gt;</pre><pre>#กรณีเราอยู่ใน Environment นั้น แล้วจะ Export<br>conda env export &gt; &lt;ชื่อไฟล์&gt;</pre><p>credit : <a href="https://phyblas.hinaboshi.com/20190118">https://phyblas.hinaboshi.com/20190118</a> <br><em>(ขออนุญาตนำมาเพิ่มเติมบางส่วนนะครับ)</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d3142988caab" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>