Coding Thailand
2025
4.37 คะแนนเฉลี่ย | 21 คอร์ส | 174 รีวิว
คุณครู / นักเรียน
คอร์สที่เกี่ยวข้อง
-
Product DesignFree -
-
Business CanvasFree -
C/C++ ProgrammingFree -
-
Agentic AI Make.comFree -
-
OpenCVFree -
-
Basic EdgeAI (บังคับ)
-
แบบทดสอบก่อนเรียน
-
Edge AI Club
-
แบบทดสอบหลังเรียน
แผนการสอนวิชา Basic EdgeAI ระยะเวลา 6 ชั่วโมง
ถูกออกแบบมาเพื่อให้นักเรียนเข้าใจทั้งภาคทฤษฎีและภาคปฏิบัติ ผ่านกิจกรรมเชิงโครงงานและการเรียนรู้แบบลงมือทำ โดยเน้นการพัฒนาทักษะการคิดวิเคราะห์ การแก้ปัญหา และความคิดสร้างสรรค์
วัตถุประสงค์รายวิชา - เพื่อให้นักเรียนเข้าใจแนวคิดพื้นฐานของ AI และ EdgeAI
- เพื่ออธิบายความสำคัญและการประยุกต์ใช้ EdgeAI ในชีวิตจริง เช่น IoT, Robotics, Smart Devices
- เพื่อให้นักเรียนสามารถติดตั้งเครื่องมือซอฟต์แวร์สำหรับพัฒนา EdgeAI ได้
- เพื่อฝึกการสร้างและฝึกโมเดลขนาดเล็ก (TinyML) สำหรับใช้งานบน Microcontroller หรือ Edge Device
- เพื่อให้นักเรียนสามารถทดสอบและประยุกต์ใช้ EdgeAI ผ่านการทำโครงงานเล็ก ๆ ได้จริง ชั่วโมงที่ 1 : Introduction to AI and EdgeAI เนื้อหา ความหมายของ AI (Artificial Intelligence) และความแตกต่างจาก Machine Learning และ Deep Learning ข้อจำกัดของ AI แบบ Cloud: ปัญหาความหน่วง (Latency), พลังงาน, ความปลอดภัยของข้อมูล EdgeAI คือการนำ AI มาประมวลผลบนอุปกรณ์ปลายทาง เช่น Arduino, ESP32, Raspberry Pi ข้อดีของ EdgeAI: ความเร็ว, ประหยัดพลังงาน, ปลอดภัยขึ้น, ใช้ได้แม้ไม่มีอินเทอร์เน็ต ตัวอย่าง EdgeAI: Smart Camera, Wearable Device, หุ่นยนต์ที่มีการประมวลผลในตัว กิจกรรมการเรียนรู้ ครูนำวิดีโอตัวอย่าง EdgeAI มาให้ชม นักเรียนอภิปรายการใช้งาน EdgeAI รอบตัว ชั่วโมงที่ 2 : Basic EdgeAI เนื้อหา สถาปัตยกรรมของ EdgeAI: Sensor → Edge Device → Output ข้อจำกัดของ Edge Device: หน่วยความจำและพลังประมวลผลต่ำ แนวทางแก้ไข: ใช้โมเดล TinyML ตัวอย่างงาน EdgeAI: Voice Recognition, Gesture Recognition, Object Detection แบบเบื้องต้น กิจกรรมการเรียนรู้ ครูแสดงบอร์ด Arduino Nano 33 BLE และ ESP32 นักเรียนวาด Diagram ของระบบ EdgeAI ชั่วโมงที่ 3 : Installation Software เนื้อหา ซอฟต์แวร์ที่ใช้พัฒนา EdgeAI: Arduino IDE, Edge Impulse Studio, TensorFlow Lite การติดตั้ง Arduino IDE และ Library การสร้างบัญชีใน Edge Impulse และเชื่อมต่อบอร์ด การติดตั้ง Python และ Jupyter Notebook สำหรับทดลองโมเดล กิจกรรมการเรียนรู้ นักเรียนติดตั้ง Arduino IDE และเชื่อมต่อบอร์ด ทดลองใช้งาน Edge Impulse Studio ชั่วโมงที่ 4 : Train and Deploy TinyML เนื้อหา TinyML คือการนำ ML โมเดลมาปรับให้เล็กลง ขั้นตอน: Data Collection → Model Training → Testing → แปลงเป็น TensorFlow Lite → Deploy ตัวอย่าง: การตรวจจับเสียงปรบมือ (Clap Detection) ความท้าทาย: ขนาดโมเดล, ประสิทธิภาพ, พลังงาน กิจกรรมการเรียนรู้ ครูสาธิตการสร้างโมเดล TinyML บน Edge Impulse นักเรียนเลือก Dataset และสร้างโมเดลง่าย ๆ ชั่วโมงที่ 5 : TinyML Practice เนื้อหา การทดลองจริงกับ TinyML บน Arduino Nano 33 BLE / ESP32 การใช้งาน Sensor: Accelerometer, Microphone, Light Sensor การเขียนโค้ด MicroPython หรือ Arduino C++ เพื่อรับผลจากโมเดล การสั่งงาน Output เช่น LED, Buzzer, Motor ชั่วโมงที่ 6 : Project Presentation & Summary เนื้อหา การประยุกต์ EdgeAI ในโครงงานจริง เช่น Smart Home, Health Monitoring, Obstacle Detection Robot การทำงานเป็นทีม: การแบ่งหน้าที่ Data, Model, Coding, Testing การเขียนรายงานและการนำเสนอผลงาน การต่อยอดไปสู่ IoT และ Robotics
วัตถุประสงค์รายวิชา - เพื่อให้นักเรียนเข้าใจแนวคิดพื้นฐานของ AI และ EdgeAI
- เพื่ออธิบายความสำคัญและการประยุกต์ใช้ EdgeAI ในชีวิตจริง เช่น IoT, Robotics, Smart Devices
- เพื่อให้นักเรียนสามารถติดตั้งเครื่องมือซอฟต์แวร์สำหรับพัฒนา EdgeAI ได้
- เพื่อฝึกการสร้างและฝึกโมเดลขนาดเล็ก (TinyML) สำหรับใช้งานบน Microcontroller หรือ Edge Device
- เพื่อให้นักเรียนสามารถทดสอบและประยุกต์ใช้ EdgeAI ผ่านการทำโครงงานเล็ก ๆ ได้จริง ชั่วโมงที่ 1 : Introduction to AI and EdgeAI เนื้อหา ความหมายของ AI (Artificial Intelligence) และความแตกต่างจาก Machine Learning และ Deep Learning ข้อจำกัดของ AI แบบ Cloud: ปัญหาความหน่วง (Latency), พลังงาน, ความปลอดภัยของข้อมูล EdgeAI คือการนำ AI มาประมวลผลบนอุปกรณ์ปลายทาง เช่น Arduino, ESP32, Raspberry Pi ข้อดีของ EdgeAI: ความเร็ว, ประหยัดพลังงาน, ปลอดภัยขึ้น, ใช้ได้แม้ไม่มีอินเทอร์เน็ต ตัวอย่าง EdgeAI: Smart Camera, Wearable Device, หุ่นยนต์ที่มีการประมวลผลในตัว กิจกรรมการเรียนรู้ ครูนำวิดีโอตัวอย่าง EdgeAI มาให้ชม นักเรียนอภิปรายการใช้งาน EdgeAI รอบตัว ชั่วโมงที่ 2 : Basic EdgeAI เนื้อหา สถาปัตยกรรมของ EdgeAI: Sensor → Edge Device → Output ข้อจำกัดของ Edge Device: หน่วยความจำและพลังประมวลผลต่ำ แนวทางแก้ไข: ใช้โมเดล TinyML ตัวอย่างงาน EdgeAI: Voice Recognition, Gesture Recognition, Object Detection แบบเบื้องต้น กิจกรรมการเรียนรู้ ครูแสดงบอร์ด Arduino Nano 33 BLE และ ESP32 นักเรียนวาด Diagram ของระบบ EdgeAI ชั่วโมงที่ 3 : Installation Software เนื้อหา ซอฟต์แวร์ที่ใช้พัฒนา EdgeAI: Arduino IDE, Edge Impulse Studio, TensorFlow Lite การติดตั้ง Arduino IDE และ Library การสร้างบัญชีใน Edge Impulse และเชื่อมต่อบอร์ด การติดตั้ง Python และ Jupyter Notebook สำหรับทดลองโมเดล กิจกรรมการเรียนรู้ นักเรียนติดตั้ง Arduino IDE และเชื่อมต่อบอร์ด ทดลองใช้งาน Edge Impulse Studio ชั่วโมงที่ 4 : Train and Deploy TinyML เนื้อหา TinyML คือการนำ ML โมเดลมาปรับให้เล็กลง ขั้นตอน: Data Collection → Model Training → Testing → แปลงเป็น TensorFlow Lite → Deploy ตัวอย่าง: การตรวจจับเสียงปรบมือ (Clap Detection) ความท้าทาย: ขนาดโมเดล, ประสิทธิภาพ, พลังงาน กิจกรรมการเรียนรู้ ครูสาธิตการสร้างโมเดล TinyML บน Edge Impulse นักเรียนเลือก Dataset และสร้างโมเดลง่าย ๆ ชั่วโมงที่ 5 : TinyML Practice เนื้อหา การทดลองจริงกับ TinyML บน Arduino Nano 33 BLE / ESP32 การใช้งาน Sensor: Accelerometer, Microphone, Light Sensor การเขียนโค้ด MicroPython หรือ Arduino C++ เพื่อรับผลจากโมเดล การสั่งงาน Output เช่น LED, Buzzer, Motor ชั่วโมงที่ 6 : Project Presentation & Summary เนื้อหา การประยุกต์ EdgeAI ในโครงงานจริง เช่น Smart Home, Health Monitoring, Obstacle Detection Robot การทำงานเป็นทีม: การแบ่งหน้าที่ Data, Model, Coding, Testing การเขียนรายงานและการนำเสนอผลงาน การต่อยอดไปสู่ IoT และ Robotics
★
คะแนนเฉพลี่ย
4.37
★
★
★
★
★
5 ดาว
135
4 ดาว
14
3 ดาว
6
2 ดาว
3
1 ดาว
6
กรุณาลงทะเบียนเรียนคอร์สนี้เพื่อใช้งานรีวิว
รีวิวบทเรียน
-
ณรงคxxx เครืxxx★★★★★ -
ณัฐชxxx มีจัxxx★★★★★
-
ธนาธxxx ไชยเxxx★★★★★
-
สุพัxxx โพธิxxx★★★★★ -
นางรxxx มูลชxxx★★★★★
