KMITL Expo 2026 LogoKMITL 66th Anniversary Logo

การออกเเบบสวนสาธารณะ : Ancient Sea Park

การออกเเบบสวนสาธารณะ : Ancient Sea Park

รายละเอียด

โครงงานสวนสาธารณะ : เเอนเซียนท์ ซี ปาร์ค เป็นสวนสาธารณะเเห่งใหม่ที่อ่างศิลา จังหวัดชลบุรี สร้างเพื่อการเรียนรู้เเละการท่องเที่ยว ในเเนวคิดท้องทะเลเมื่อ65ปีก่อน

วัตถุประสงค์

สวนเเห่งนี้เกิดจากความรู้เกี่ยวกับสิ่งมีชีวิตในท้องทะเลเมื่อ65ล้านปีก่อน ที่คนส่วนใหญ่รู้จักเพียงไดโนเสาร์ที่อยู่บนบกแต่ไม่คุ้นเคยกับสัตว์ดึกดำบรรพ์ใต้ท้องทะเล รวมกับอ่างศิลา เป็นพื้นที่ ที่มีสถานศึกษาบริเวณรอบพื้นที่ รวมทั้งสถานที่ท่องเที่ยว จึงได้เกิดเป็นสวนสาธารณะเเห่งนี้

นวัตกรรมอื่น ๆ

การตรวจจับอารมณ์ผ่านวิดีโอจากการแสดงออกทางสีหน้าที่มีความทนทาน  ต่อการบดบังบางส่วน

คณะเทคโนโลยีสารสนเทศ

การตรวจจับอารมณ์ผ่านวิดีโอจากการแสดงออกทางสีหน้าที่มีความทนทาน ต่อการบดบังบางส่วน

การตรวจจับอารมณ์ผ่านการแสดงออกทางใบหน้า (Facial Expression Recognition, FER) ได้รับความสนใจอย่างมากในหลายสาขา เช่น การดูแลสุขภาพ การให้บริการลูกค้า และการวิเคราะห์พฤติกรรม อย่างไรก็ตาม ความท้าทายยังคงอยู่ที่การพัฒนาระบบที่มีความทนทานและสามารถรับมือกับการเปลี่ยนแปลงของสภาพแวดล้อมรวมถึงสถานการณ์ที่หลากหลายได้ ผู้วิจัยได้นำเสนอการใช้เทคนิค Ensemble Learning เพื่อรวมผลลัพธ์จากโมเดลหลายตัวที่ถูกฝึกในเงื่อนไขเฉพาะ ทำให้ระบบไม่ลืมข้อมูลเก่า และยังสามารถเรียนรู้ข้อมูลใหม่ได้อย่างมีประสิทธิภาพ โดยเทคนิคนี้มีข้อได้เปรียบในด้านเวลาและทรัพยากรที่ใช้ในการเทรน เนื่องจากช่วยลดความจำเป็นในการสร้างโมเดลใหม่ทั้งหมดเมื่อมีสภาพแวดล้อมใหม่ เพียงเพิ่มโมเดลเฉพาะทางใหม่ในระบบ Ensemble ซึ่งใช้ทรัพยากรน้อยกว่าแทน ในงานวิจัยนี้ Ensemble Learning ถูกแบ่งออกเป็นสองแนวทางหลัก คือ การเฉลี่ยผลลัพธ์จากโมเดลเฉพาะทางที่ถูกฝึกภายใต้สถานการณ์เฉพาะ (Averaging Ensemble) และการใช้เทคนิค Mixture of Experts (MoE) ซึ่งเป็นการผสมผสานโมเดลหลายตัวที่เชี่ยวชาญในสถานการณ์ต่าง ๆ ไว้ด้วยกัน ผลการทดลองแสดงให้เห็นว่า การใช้ Mixture of Experts (MoE) มีประสิทธิภาพสูงกว่าวิธี Averaging Ensemble ในการจำแนกอารมณ์ในทุกสถานการณ์ โดยระบบ MoE สามารถเพิ่มความแม่นยำเฉลี่ยได้ถึง 84.41% บนชุดข้อมูล CK+, 54.20% บน Oulu-CASIA และ 61.66% บน RAVDESS ซึ่งสูงกว่าวิธี Averaging Ensemble ที่มีความแม่นยำเฉลี่ยที่ 71.64%, 44.99% และ 57.60% ตามลำดับ ผลลัพธ์เหล่านี้แสดงให้เห็นว่า MoE สามารถเลือกโมเดลที่เชี่ยวชาญในสถานการณ์เฉพาะได้อย่างแม่นยำ และยังช่วยเพิ่มความสามารถในการรับมือกับสภาพแวดล้อมที่ซับซ้อนกว่า

การศึกษาและวิเคราะห์แบคเทริโอซินจากลำดับจีโนมและความสามารถในการยับยั้งจุลชีพก่อโรคของ Lactococcus lactis TKP1-5 ที่คัดแยกได้จากอุจจาระของเป็ด

คณะวิทยาศาสตร์

การศึกษาและวิเคราะห์แบคเทริโอซินจากลำดับจีโนมและความสามารถในการยับยั้งจุลชีพก่อโรคของ Lactococcus lactis TKP1-5 ที่คัดแยกได้จากอุจจาระของเป็ด

แบคเทอริโอซินเป็นเปปไทด์ต้านจุลชีพชนิดหนึ่งที่จุลินทรีย์เป็นคนผลิตออกมาซึ่งมีความสามารถในการยับยั้งจุลชีพก่อโรคได้ จากงานวิจัยนี้นั้นได้มีการศึกษาความสามารถในการยับยั้งจุลชีพก่อโรคและระบุชนิดของแบคเทอริโอซินของแบคเรียกรดแลคติกสายพันธุ์ TKP1-5 ที่คัดแยกมาจากอุจจาระเป็ด ซึ่งมีการระบุลักษณะสปีชีส์ของสายพันธุ์ TKP1-5 โดยใช้การวิเคราะห์จากลำดับ 16s rRNA และลำดับจีโนมทั้งหมด พบว่าจากค่า ANIb, ANIm, และค่า dDDH พบว่าสายพันธุ์นี้คือ Lactococcus lactis อีกทั้งยังมีการทดสอบลักษณะเฉพาะของสายพันธุ์นี้พบว่ามีความสามารถในการเจริญเติบโตใดในสภาวะแวดล้อมดังต่อไปนี้ สามารถโตได้ที่เปอร์เซ็นต์เกลือที่ 2-6% อุณหภูมิ 25-45 องศาเซลเซียส และพีเอช 3-9 ตามลำดับ โดยการศึกษาและระบุชนิดของแบคเทอริโอซินผ่านการวิเคราะห์ลำดับจีโนมนั้นพบว่าเป็นชนิด ไนซิน-ซี (Nisin-Z) ที่ค่าคะแนนเท่ากับ 114.775 รวมไปถึงการวิเคราะห์ความสามารถในการยับยั้งจุลชีพก่อโรคพบว่ามีความสามารถในการยับยั้งจุลชีพก่อโรคดังนี้ Pediococcus pentosaceus JCM5885, Listeria monocytogenes ATCC 19115, Enterococcus faecalis JCM 5803T, Salmonella Typhimurium ATCC 13311ᵀ, Aeromonas hydrophila B1 AhB1, Streptococcus agalactiae 1611 และ Streptococcus cowan I ตามลำดับ การวิเคราะห์ลำดับจีโนมทั้งหมดยังยืนยันได้อีกว่า L.lactis TKP 1-5 นี้ไม่พบยีนที่สามารถจะเป็นจุลชีพก่อโรค ยีนดื้อยา และพลาสมิด อีกด้วย อีกทั้งยังพบยีนที่มีความเกี่ยวข้องในการเป็นโพรไบโอติกหรือยีนที่ก่อให้เกิดประโยชน์อีกด้วย ทั้งนี้หวังว่าสายพันธุ์ TKP1-5จะเป็นหนึ่งในตัวเลือกที่อุตสาหกรรมอาหารนั้นนำมาใช้ในอุตสาหกรรมอาหารในการต้านจุลชีพก่อโรคในอนาคต

การประยุกต์ใช้การเรียนรู้ของเครื่อง กระบวนการเฟ้นสุ่ม และ  ทฤษฎีเกมในกลยุทธ์การลงทุนระยะสั้นในสินทรัพย์ทางการเงิน

คณะวิทยาศาสตร์

การประยุกต์ใช้การเรียนรู้ของเครื่อง กระบวนการเฟ้นสุ่ม และ ทฤษฎีเกมในกลยุทธ์การลงทุนระยะสั้นในสินทรัพย์ทางการเงิน

โครงงานนี้มุ่งเน้นการศึกษาและพัฒนาระบบการลงทุนระยะสั้นโดยซื้อขายทองคำในตลาดแลกเปลี่ยนเงินตราต่างประเทศ โดยประยุกต์ใช้เทคนิคการเรียนรู้ของเครื่อง (Machine Learning) เพื่อวิเคราะห์และคาดการณ์แนวโน้มของกราฟราคา ระบบที่พัฒนานี้ใช้กระบวนการเฟ้นสุ่ม (Stochastic Process) ในการกำหนดจุดตัดขาดทุน (Stop Loss) เพื่อเพิ่มค่าผลตอบแทนที่คาดหวังสูงสุด และใช้แนวคิดจากทฤษฎีเกม (Game Theory) ในการตัดสินใจเกี่ยวกับการถือครองหรือปิดคำสั่งซื้อขาย (Orders) ระบบดังกล่าวถูกพัฒนาและทดสอบบนแพลตฟอร์ม MetaTrader 5 (MT5) โดยโครงงานนี้นำเสนอรายละเอียดเกี่ยวกับกระบวนการทำงาน ตั้งแต่การเตรียมข้อมูล การฝึกสอนโมเดลเรียนรู้ของเครื่อง การสร้างแบบจำลองเพื่อประมาณการแจกแจงของทิศทางราคาทองคำ การกำหนดกลยุทธ์การวางจุดตัดขาดทุน การออกแบบแบบจำลองการตัดสินใจเชิงกลยุทธ์ตามทฤษฎีเกม ตลอดจนการพัฒนาโปรแกรมเทรดอัตโนมัติ และการทดสอบย้อนหลังเพื่อประเมินประสิทธิภาพของระบบ