Data — ข้อมูล
ตัวอย่างที่เราใช้สอน AI
Machine Learning for Kids · อายุ 6–12 ปี · SIAMSCAPE
โรงเรียนของ AI — มาสอน AI ให้รู้จักตัวเลขกัน!
AI เรียนรู้ได้อย่างไร? จากตัวเลข 0–1 สู่การเขียนในอากาศ
AI ไม่ได้รู้ทุกอย่างตั้งแต่เกิด — เรียนรู้จากตัวอย่างเหมือนเด็กที่เรียนจากการฝึกและสอบ ใน 90 นาทีผ่าน Learning by Playing
เก็บข้อมูล → สอน AI → สอบ AI → แล้วพา AI ไปทำงานจริง
- 1 ชั่วโมง 30 นาที
- อายุ 6–12 ขวบ
- Hands-on Workshop
สอนโดย ดร.วินน์ — Founder & CEO, BOTNOI Group
แนวคิดบทเรียน
จากตัวเลข 0–1 สู่การเขียนในอากาศ
เด็กจะได้สร้าง AI ตั้งแต่ต้นจนจบ: เก็บข้อมูล → เตรียมข้อมูล → สอน AI → ทดสอบ AI → ดูคะแนน → นำไปใช้งานจริง แล้วเชื่อมกับแอป Draw in the Air ที่ใช้ Computer Vision + OCR และต่อกับ Generative AI ได้
นักเรียนมีหนังสือและแบบฝึกหัด
→ AI มีข้อมูล (Data)
นักเรียนเรียนบทเรียน
→ AI Training
นักเรียนทำข้อสอบ
→ AI Testing
นักเรียนได้คะแนน
→ AI Accuracy
สอบผ่าน → นำไปใช้จริง
→ Model พร้อมใช้งานจริง
วัตถุประสงค์
หลังจบคลาส นักเรียนจะสามารถ
- 1
อธิบาย Machine Learning อย่างง่าย
AI เรียนรู้จากตัวอย่างหรือข้อมูล ไม่ได้รู้ทุกอย่างตั้งแต่เกิด
- 2
เข้าใจคุณภาพและจำนวนข้อมูล
ข้อมูลเยอะและหลากหลาย ทำให้ AI มีโอกาสเก่งขึ้น
- 3
แยก Training Data กับ Testing Data
ข้อมูลเรียน vs ข้อมูลสอบ — ทำไมต้องไม่ให้ดูข้อสอบก่อน
- 4
เข้าใจ Accuracy
คะแนนความแม่นยำของ AI เหมือนคะแนนสอบ
- 5
สร้าง Dataset จากการวาดตัวเลข
ทดลองเก็บ Data และใส่ Label ด้วยตัวเอง
- 6
เห็น Pipeline ตั้งแต่เก็บข้อมูลถึงใช้งาน
Collect → Label → Train → Test → Accuracy → Use
- 7
เข้าใจ Computer Vision และ OCR
AI มองเห็นและอ่านข้อความ/ลายมือจากภาพได้อย่างไร
- 8
เชื่อม Machine Learning กับ Generative AI
OCR อ่านสิ่งที่เขียน แล้ว GenAI สร้างภาพหรือเนื้อหาต่อ
ตาราง 90 นาที
9 ช่วงกิจกรรม — Learning by Playing
ทุกช่วงมีเกมหรือ hands-on ให้ลองจริง ไม่เริ่มจากสมการ
ช่วง 01
0–10 น.
AI เรียนรู้ได้อย่างไร?
จุดประกาย — AI ไม่ได้รู้ทุกอย่างตั้งแต่เกิด แต่เรียนรู้จากตัวอย่างเหมือนเด็ก
- ถาม: “ถ้าครูให้ดูภาพนี้ รู้ไหมว่าเป็นเลขอะไร?” แสดง 0 และ 1
- ถามว่าทำไมรู้ว่าเป็นเลข 0 (กลม มีรูตรงกลาง) และเลข 1 (เส้น ยาว)
- อธิบาย: มนุษย์เรียนรู้จากการเห็นตัวอย่างจำนวนมาก — AI ก็คล้ายกัน
ช่วง 02
10–25 น.
เกมสอน AI แยกเลข 0 และ 1
เข้าใจว่า AI ต้องเห็นตัวอย่างหลายรูปแบบจึงจะเก่งขึ้น
- ให้เด็กแต่ละคนวาดเลข 0 หลายแบบ และเลข 1 หลายแบบ
- ถาม: “ทำไมเลข 0 ของแต่ละคนไม่เหมือนกัน?”
- ทดลอง: ถ้าสอนด้วย 0 แบบเดียว AI อาจไม่รู้จัก 0 ที่เอียงหรือไม่กลม
ช่วง 03
25–40 น.
สร้าง Dataset ของเรา
สร้าง Dataset ตัวเลข 0–9 พร้อม Label — ภาพคือโจทย์ Label คือเฉลย
- ขยายจาก 0–1 ไปสู่ตัวเลข 0 1 2 3 4 5 6 7 8 9
- ให้นักเรียนแต่ละคนวาดตัวเลขหลายตัว
- อธิบาย: ภาพทุกภาพ = Data · รวมกัน = Dataset
ช่วง 04
40–55 น.
Training vs Testing
แยกข้อมูลเรียนกับข้อมูลสอบ — ทำไมต้องไม่ให้ AI ดูข้อสอบก่อน
- สมมติมี 100 ภาพ → 80 Training · 20 Testing
- เปรียบเทียบ: Training = หนังสือ+แบบฝึกหัด · Testing = ข้อสอบ
- ถาม: “ทำไมไม่ให้ AI ดูข้อสอบก่อน?”
ช่วง 05
55–65 น.
AI เข้าเรียน
เห็นภาพว่า AI หา Pattern จากตัวอย่างจำนวนมากขณะ Training
- นำ Training Data เข้า Machine Learning Model
- อธิบาย flow: รูปตัวเลข → AI ดูตัวอย่าง → หา Pattern → ปรับตัว → ทายได้
- ยกตัวอย่าง Pattern ของเลข 0 (กลม มีช่องว่าง) และเลข 1 (เส้นยาว แคบ)
ช่วง 06
65–72 น.
วันสอบของ AI
เข้าใจ Accuracy ผ่านคะแนนสอบ และวิธีปรับปรุงเมื่อคะแนนยังไม่ดี
- ทดสอบด้วย Testing Data ที่ AI ไม่เคยเห็น
- สมมติ 10 ข้อ ถูก 8 ผิด 2 → ได้ 80% = Accuracy
- ถาม: ถ้าคะแนนยังไม่ดี ทำอะไรได้บ้าง?
ช่วง 07
72–75 น.
จากห้องเรียนสู่โลกจริง
ทบทวน Pipeline ทั้งชุด ก่อนพา AI ไปใช้งานจริง
- ทบทวน: Collect Data → Label → Training → Testing → Accuracy → Model → Real Application
- เล่าเรื่องเปรียบเทียบ: เก็บหนังสือ → เรียน → สอบ → ดูคะแนน → สอบผ่าน → ออกไปทำงาน
- ถามห้องสั้น ๆ ว่าจำขั้นตอนได้ไหม
ช่วง 08
75–87 น.
Demo — Draw in the Air
ทดลอง Computer Vision + Gesture + OCR ผ่านการเขียนในอากาศ
- เปิดแอป Draw in the Air — ให้ลองเขียน A B 0 1 5+5 หรือ CAT
- อธิบาย STEP: Camera → Hand Detection → Landmark → Gesture → Air Drawing → OCR
- ให้ลองท่าทาง เช่น 🤏 วาด · ✊ ลบ · ✌️ ให้ AI อ่าน
ช่วง 09
87–90 น.
เชื่อมต่อกับ Generative AI
เชื่อม ML กับ Generative AI — อ่านสิ่งที่เขียนแล้วสร้างสิ่งใหม่
- อธิบาย: ML ช่วยเข้าใจสิ่งที่เราเขียน · GenAI นำไปสร้างสิ่งใหม่
- ตัวอย่าง: เขียน DRAGON → OCR → GenAI สร้างภาพมังกร
- ตัวอย่าง: A CAT IN SPACE → สร้างภาพแมวในอวกาศ
คำศัพท์สำคัญ
ภาษาง่าย ที่ใช้คุยกับ AI
Dataset — ชุดข้อมูล
ข้อมูลจำนวนมากที่นำมารวมกันเพื่อสอน AI
Label — คำตอบของข้อมูล
เช่น รูปนี้คือเลข 0 หรือเลข 1
Training Data — ข้อมูลสำหรับเรียน
ข้อมูลที่ AI ใช้ฝึกและเรียนรู้
Testing Data — ข้อมูลสำหรับสอบ
ข้อมูลใหม่ที่ AI ไม่เคยเห็น ใช้ดูว่าเรียนรู้จริงหรือแค่จำ
Model — สมอง AI
AI ที่ผ่านการเรียนรู้แล้ว
Accuracy — คะแนนความแม่นยำ
คะแนนของ AI หลังสอบ
Computer Vision
AI ที่ช่วยให้คอมพิวเตอร์มองเห็นและเข้าใจภาพ
OCR
AI ที่อ่านข้อความ ตัวเลข หรือลายมือจากภาพ
AI Pipeline
สิ่งที่อยากให้จำกลับบ้าน
ตอนสร้าง AI
- 1.DATA — เก็บตัวอย่าง
- 2.LABEL — บอกคำตอบ
- 3.TRAIN — สอน AI
- 4.TEST — ให้ AI ทำข้อสอบ
- 5.SCORE — ดูคะแนน
- 6.USE — นำไปใช้งานจริง
ตอนใช้ Draw in the Air
- 1.มือของเรา
- 2.Camera
- 3.Hand Detection
- 4.Gesture Recognition
- 5.Air Drawing
- 6.OCR
- 7.ข้อความ
- 8.Generative AI
- 9.ภาพ / เรื่อง / คำตอบ
ช่วงที่ 8–9
Demo — Draw in the Air + Generative AI
ใช้มือเขียน A, B, 0, 1, 5+5 หรือ CAT ในอากาศ — AI ตรวจจับมือ แปลงเป็นเส้น แล้ว OCR อ่านข้อความ จากนั้นต่อกับ Generative AI สร้างภาพได้ เช่น เขียน DRAGON แล้วได้ภาพมังกร
- 🤏 วาด · ✊ ลบ · ✌️ ให้ AI อ่าน
- Camera → Hand Detection → Gesture → OCR → GenAI
Key Message
ประโยคที่อยากให้จำกลับบ้าน
- “AI เรียนรู้จากข้อมูล เหมือนที่เราเรียนรู้จากตัวอย่าง”
- “ข้อมูลที่ดี ช่วยให้ AI เรียนรู้ได้ดี”
- “AI ต้องเรียน ต้องสอบ และต้องได้คะแนนดี ก่อนนำไปใช้งานจริง”
สิ่งที่นักเรียนจะได้รับ
- เข้าใจ Machine Learning ผ่านเกม
- สร้างข้อมูลด้วยตัวเอง — เป็นครูของ AI
- เข้าใจ Training / Testing โดยไม่ใช้คณิตศาสตร์ซับซ้อน
- เข้าใจ Accuracy ผ่านคะแนนสอบ
- ทดลอง Computer Vision และเขียนในอากาศ
- เห็น OCR อ่านสิ่งที่ตัวเองเขียน
- เชื่อม Machine Learning กับ Generative AI
- เข้าใจว่าแอปหนึ่งตัวอาจมี AI หลายระบบร่วมกัน
รวมในค่าเรียนแล้ว
1,490 บาท · 90 นาที
ค่าเรียน · อุปกรณ์และเกมในคลาส · เอกสาร/สไลด์ · Certificate · ลิงก์เอกสารสมาชิก
จองที่นั่ง