1. Zoom Link: https://chula.zoom.us/j/7474759219

2. Score Annoucement: https://colab.research.google.com/drive/1kTekrSvVAiAPIqHA7-9CT6rKuiIv_wpp?usp=sharing

3. Shared Drive: https://drive.google.com/drive/folders/1gDhx1n4ppe2niDw0aEWsX3rCZPEmmV6_?usp=sharing

4. Course Syllabus: This page

5. Link to textbook: http://aima.cs.berkeley.edu/

6. Slides and Links for each week:

   1. Introduction to AI (Slide, AIMA Slides Chapter 1, VDO Clip)

      1. Objectives:

         1. นิยามของ AI (AI คืออะไร) => สามารถนิยามปัญญาประดิษฐ์ในมุมมองของตัวเองได

         2. เข้าใจข้อจำกัดของ AI => สมรรถนะของเครื่อง+Algorithm

         3. เริ่มมองเห็น Application ของ AI

   2. เนื้อหาสำหรับวันศุกร์ที่ 26 สิงหาคม 2565

      1. Introduction to AI (Slide, AIMA Slides Chapter 1, VDO Clip)

         1. Objectives:

            1. นิยามของ AI (AI คืออะไร) => สามารถนิยามปัญญาประดิษฐ์ในมุมมองของตัวเองได

            2. เข้าใจข้อจำกัดของ AI => สมรรถนะของเครื่อง+Algorithm

            3. เริ่มมองเห็น Application ของ AI

      2. Intelligent Agent (AIMA Slides Chapter 2, VDO Clip)

         1. รู้จักความหมายของ Intelligent Agent ความหมายของความเป็น Autonomous ซึ่งควรจะได้นำไปฝังในระบบที่คาดว่าอยากทำในอนาคต

         2. เข้าใจสิ่งแวดล้อมต่าง ๆ ที่สำคัญ คือ ความเป็น Observable และ Deterministic

         3. "สามารถนำความคิดไปประยุกต์ได้ว่า Agent (คิดง่าย ๆ ว่ามันคือ Software, Bot หรืออื่น ๆ) ใด ๆ อยู่ใน environment แบบใด ในการออกแบบต้องคำนึงถึงอะไรบ้าง"

   3. เนื้อหาสำหรับวันศุกร์ที่ 2 กันยายน 2565

      1. Problem Solving and State Space Search

         1. พยายามทำความเข้าใจกับ algorithm ที่จะใช้

         2. หลัก ๆ แล้วเราจะใช้ list มาเก็บ node ใหม่ที่ถูกสร้างขึ้นมา

         3. วิธีการใส่ ขึ้นกับแต่ละ algorithm

      2. Blind Search (AIMA Slides Chapter 3, VDO Clip))

         1. นำ General Search มาใช้กับ Blind Search

   4. เนื้อหาสำหรับวันศุกร์ที่ 9 กันยายน 2565

      1. Blind Search (ต่อ) (VDO Clip, Colab)

         1. เข้าใจ Algorithm BFS, DFS, IDS

         2. เห็นปัญหาของแต่ละ Algorithm เห็นข้อดีข้อเสียของแต่ละ Algorithm

         3. เข้าใจ Source code

         4. Colab 24: https://colab.research.google.com/drive/1-ViQ1rrIWrvE9XY6GA_bE17eeXNz-YTS?usp=sharing

      2. Informed Search (AIMA Slides Chapter 4, VDO Clip, รวมคำถามคำตอบ, Colab)

         1. เข้าใจเรื่องความแตกต่างของ Blind Search กับ Informed Search

         2. เข้าใจได้ว่า Greedy และ A* จะให้ผลลัพธ์แตกต่างกันอย่างไร

         3. สามารถหา Admissible Heuristic ได้

         4. เข้าใจ Source code และสามารถเปรียบเทียบจำนวน Node ที่ถูก expand และ generate ของวิธี BFS, DFS, IDS, Uniform Cost Search, Greedy และ A* ได้ (เติมข้อมูลในไฟล์นี้ด้วยครับ https://docs.google.com/spreadsheets/d/1LhcV4uS3ygsIX1I0B0JEtVEvS0pqfNmlAUbbkqukMCk/edit?usp=sharing)

   5. เนื้อหาสำหรับวันศุกร์ที่ 16 กันยายน 2565

      1. Review via Live Zoom 08:30-09:30

      2. ดูวิดีโอ Constraints Satisfaction Problem and Iterative Improvement Algorithm (Hill Climbing, Simulated Annealing) (VDO Clip)

   6. Ant Colony, Swarm Intelligence (Slide, VDO Clip)

   7. สอบกลางภาค 21 ตุลาคม 2565 เวลา 09:00-11:00 ที่ห้องเรียน

      1. ขออนุญาตตัดส่วน Ant Colony กับ Swarm Intelligence ออกนะครับ ขออภัยด้วยครับ

   8. Game Playing (Slide, VDO Clip)

   9. Propositional Logic (แบบฝึกหัด, VDO Clip, PDF Note)

เราหยุดกันสองสัปดาห์นะครับ รบกวนดูวิดีโอสามเรื่องนี้

6. 9. 1. First Order Logic (Slide, VDO Clip)

      2. Introduction to Machine Learning (Slide, VDO Clip)

      3. Decision Tree Learning (Slide, VDO Clip)

   10. Project Detail

       1. ทำเป็นกลุ่ม กลุ่มละ 2-3 คน

       2. เนื้อหาอยู่ในหัวข้อ 1-8 ของรายวิชา

       3. ทำไม่เกิน 10 ชั่วโมง (รวมกัน 3 คน)

       4. ทำตาม passion ที่ตัวเองอยากทำ

       5. Present 10 นาที หลังสอบ Final

   11. Overall Evaluation:

       1. Midterm: 30%

       2. Group Project: 30%

          1. 16 Dec 2022 via Zoom เปลี่ยนเป็น 20 Dec 2022 ส่งเป็น VDO Presentation ที่นี่ https://forms.gle/MHMXpXcCxkmzwRwWA

       3. Final: 40% (09:00-11:00, 2 Dec 2022, ENG3: 420)

          1. Game Playing

          2. Propositional Logic

          3. First Order Logic

          4. Intro to ML