WARIN.ME
เครื่องมือและนวัตกรรมการสอน
เครื่องมือสะท้อนการสอน ห้องทดลอง และระบบทดลองเพื่อทำความเข้าใจผู้เรียน ผู้สอน เนื้อหา และการตัดสินใจทางการศึกษา
DATA SYSTEMS · PATH 01
วางรากฐานระบบข้อมูล ก่อนขยับไปสร้างโมเดล
ตามข้อมูลจาก transaction ไปสู่ feature ที่ใช้ซ้ำได้ analytical storage, orchestration และ incremental state
VIEW สำหรับ Data Engineering
เริ่มจาก semantic ที่ใช้ซ้ำได้ governance และรอยต่อระหว่างทีม application กับ analytics
เปิดบทเรียน →Bulk UPDATE เทียบกับการสร้างตารางใหม่
เห็นว่าเมื่อใด row version, log, index และ random write ทำให้ read–transform–new table น่าทดลองกว่า
เปิดบทเรียน →จากข้อมูลธุรกรรมสู่ Feature
เห็นว่าเหตุใดข้อมูลแบบ row-oriented จึงจำเป็น แต่แพงเมื่อคำนวณเชิงวิเคราะห์ซ้ำ
เปิดบทเรียน →OLAP, Feature Engineering และ Storage
ย้าย window และ aggregate ที่ใช้ซ้ำไปสู่โครงสร้างเชิงวิเคราะห์
เปิดบทเรียน →ห้องทดลอง Feature Store
จัดรุ่น ใช้ร่วม และเสิร์ฟ feature โดยควบคุม training-serving skew
เปิดบทเรียน →ห้องทดลอง Airflow
จัด dependency, retry, schedule และการสังเกต data pipeline
เปิดบทเรียน →แล็ปสถาปัตยกรรมระบบข้อมูล
เปรียบเทียบ OLTP, embedded/columnar OLAP, materialization และ IVM ภายใต้ data contract เดียวกัน
เปิดบทเรียน →MACHINE LEARNING · PATH 02
เข้าใจสูตร แล้วจึงเข้าใจ SQL และขอบเขตของ production
เส้นทางนี้แยกกลไก algorithm, database execution, recommendation, serving และ continuous learning ออกจากกันอย่างชัดเจน
จากสูตร Machine Learning สู่ MariaDB SQL
ไล่สูตร kNN, Naive Bayes, regression, k-means และ Z-score ก่อนแปลง operator เป็น SQL
เปิดบทเรียน →สร้าง Machine Learning ด้วย SQL ล้วน
เปิดกล่องดำของโมเดลหกตระกูลและเปรียบเทียบ DuckDB กับ MariaDB
เปิดบทเรียน →ระบบแนะนำด้วย SQL
สร้าง popularity, co-occurrence, collaborative, content, temporal และ hybrid ranking
เปิดบทเรียน →NextGenEd · รากฐานข้อมูลระบบแนะนำรายวิชา
ออกแบบแบบสอบถาม ความยินยอม CRUD สมมุติฐานการจำลอง และ ERD ก่อนเริ่มสร้างโมเดล
เปิดบทเรียน →Declarative Machine Learning
แยก SQL-native algorithm ออกจาก SQL-callable service และ commercial platform
เปิดบทเรียน →In-Database ML ด้วย MADlib
ใช้ library ที่เติบโตแล้วหลังจากเข้าใจสิ่งที่ SQL interface ซ่อนไว้
เปิดบทเรียน →แล็ป Declarative ML แบบรันจริง
เปรียบเทียบขอบเขตการรันของ embedded และ server OLAP
เปิดบทเรียน →Online ML 3 รูปแบบที่ใช้จริง
แยก online inference, online feature และ true online learning รวม delayed label และ drift
เปิดบทเรียน →FEATURE ENGINEERING · PATH 03
จากโครงสร้างที่ใช้ซ้ำได้ ไปสู่หลักฐานเฉพาะสาขา
เรียนต้นทุน การใช้ซ้ำ representation และการตีความเฉพาะสาขา ก่อนถือว่าค่าที่คำนวณได้คือหลักฐาน
Composite Feature และ Shared Computation
ค้นหาโครงสร้างราคาแพงที่ใช้ร่วมกันและไม่คำนวณซ้ำ
เปิดบทเรียน →RFM Analysis และ Churn Signal
เลือกลูกค้า คำนวณ RFM snapshot และตีความ slope หลายช่วงโดยไม่เข้าใจผิดว่า heuristic คือ probability
เปิดบทเรียน →Representation ในฐานะ Feature
เปรียบเทียบ PCA, SVD, NMF, projection, embedding และ model-derived score พร้อมควบคุม leakage
เปิดบทเรียน →Feature Engineering ทาง Bioinformatics
ไล่ feature จาก sequence และ structure พร้อม complexity และประโยชน์ของการเก็บผล
เปิดบทเรียน →Feature Engineering ทางการเงิน
ตีความ trend, momentum, volatility, volume, liquidity และ risk โดยไม่เปลี่ยน indicator เป็นคำแนะนำ
เปิดบทเรียน →แผนที่ Feature Engineering 12 สาขา
เปรียบเทียบความหมาย ต้นทุน และการตีความ feature ในสิบสองสาขา
เปิดบทเรียน →Deep Learning เปลี่ยนขอบเขต Feature Engineering
เข้าใจสิ่งที่ representation learning ทำแทนได้และข้อมูลที่มันสร้างคืนไม่ได้
เปิดบทเรียน →ALGORITHMS & DISTRIBUTED SYSTEMS · PATH 04
มองเห็น state เคลื่อนที่ ลู่เข้า และอธิบายได้
ห้องทดลองโต้ตอบสำหรับเครือข่าย การค้นหาแบบขนาน ดัชนี และพฤติกรรมระบบที่อธิบายได้
Distributed Bellman–Ford
ตรวจ inbox, message exchange และการลู่เข้าหลังค่า link เปลี่ยน
เปิดบทเรียน →Spanning Tree แบบกระจาย
ดูการเลือก root, เปรียบเทียบ BPDU และตัดสินใจ redundant port
เปิดบทเรียน →Parallel BFS Knight’s Tour
ศึกษา frontier ทีละระดับและ feasible message ระหว่าง core
เปิดบทเรียน →Scrabble Engine Capstone
เชื่อม data structure, scoring, search, database, network และ heuristic ที่อธิบายได้
เปิดบทเรียน →ห้องทดลอง PSO ในพื้นที่ค้นหา 2 มิติ
ติดตาม particle ข้าม generation แยกเวกเตอร์ inertia, cognitive และ social พร้อมทดลอง objective function สี่รูปแบบ
เปิดบทเรียน →ห้องทดลอง Differential Evolution
สร้าง mutant จากผลต่างเวกเตอร์ ดู crossover ทีละพิกัด และเปรียบเทียบการรับหรือปฏิเสธ trial ทีละขั้น
เปิดบทเรียน →APPLIED AI & BIOINFORMATICS · PATH 05
จากหลักฐานที่ตรวจได้ ไปสู่โมเดลที่ปรับตัวได้
แล็ปประยุกต์ที่เชื่อมงานตีพิมพ์ หลักฐานบนเครื่อง ensemble learning และ reversible update
ห้องทดลอง PlantLoc PSO
ปรับน้ำหนักหลักฐานจากตัวจำแนกสำหรับตำแหน่งโปรตีนพืช
เปิดบทเรียน →ห้องทดลอง HumanLoc PSO
เรียนตำแหน่งแบบ multilabel และ ensemble voting ที่ตรวจสอบได้
เปิดบทเรียน →ห้องทดลอง Online Psychosegment
Learn, unlearn และ relabel พร้อม revision audit
เปิดบทเรียน →ห้องทดลอง Fiction Gene
ตรวจ story certificate และ reversible online learning ข้าม model version
เปิดบทเรียน →ห้องทดลอง Admission Reaction
กู้โมเดลจำแนก reaction หกชนิดจากงานตีพิมพ์ แล้ว Learn, Unlearn, Restore และ Relabel พร้อม revision audit
เปิดบทเรียน →TEACHING DESIGN & REFLECTION · PATH 06
เปลี่ยนวิจารณญาณการสอนให้เป็นหลักฐานที่ตรวจสอบได้
เครื่องมือสำหรับความเชื่อทางการศึกษา การตัดสินใจสอน และการประเมินหลายวัตถุประสงค์
EBI · Educational Belief Explorer
สำรวจความเชื่อที่อยู่เบื้องหลังการเลือกวิธีสอน
เปิดบทเรียน →TDI · Teaching Decision Inventory
ตรวจรูปแบบการตัดสินใจของผู้สอนในสถานการณ์จริง
เปิดบทเรียน →การวัดผลการเรียนรู้หลายวัตถุประสงค์
ตรวจ trade-off ระหว่างผลลัพธ์ Data Science, Data Engineering และ Online ML
เปิดบทเรียน →