Add credits

ichatnun · Mar 15, 2024 · aa3ae6e · aa3ae6e
1 parent c4df872
commit aa3ae6e
Show file tree

Hide file tree

Showing 24 changed files with 116 additions and 9 deletions.
diff --git a/Fundamentals/DeepLearning/breast_cancer_segmentation_transformers.ipynb b/Fundamentals/DeepLearning/breast_cancer_segmentation_transformers.ipynb
diff --git a/Fundamentals/DeepLearning/cnn_cdt_pytorch.ipynb b/Fundamentals/DeepLearning/cnn_cdt_pytorch.ipynb
diff --git a/Fundamentals/DeepLearning/concentration_prediction_with_EEG.ipynb b/Fundamentals/DeepLearning/concentration_prediction_with_EEG.ipynb
diff --git a/Fundamentals/DeepLearning/intro_pytorch.ipynb b/Fundamentals/DeepLearning/intro_pytorch.ipynb
@@ -447,6 +447,15 @@
     "- การเตรียมชุดข้อมูล เตรียมชุดข้อมูลเพื่อป้อนให้ neural network\n",
     "- การเทรนโมเดล ทำการป้อนข้อมูลให้ neural network สำหรับใช้ในการเรียนพารามิเตอร์ของโมเดล"
    ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "\n",
+    "<br><br>\n",
+    "**ผู้จัดเตรียม code ใน tutorial**: ดร. ฐิติพัทธ อัชชะกุลวิสุทธิ์"
+   ]
   }
  ],
  "metadata": {

diff --git a/Fundamentals/DeepLearning/object_detection_transformer.ipynb b/Fundamentals/DeepLearning/object_detection_transformer.ipynb
diff --git a/Fundamentals/DeepLearning/thai_food_classification_transformers.ipynb b/Fundamentals/DeepLearning/thai_food_classification_transformers.ipynb
diff --git a/Fundamentals/DimensionalityReduction/dim_reduct_part1_basics.ipynb b/Fundamentals/DimensionalityReduction/dim_reduct_part1_basics.ipynb
@@ -976,6 +976,13 @@
         "\n",
         "ในสถานการณ์การทำงานจริง เรามักเจอข้อมูลที่มีความซับซ้อนมาก เช่น ข้อมูลที่อยู่ใน space ที่มีจำนวนมิติสูงมาก เราอาจจะไม่สามารถใช้การ transform แบบง่าย ๆ ที่เราใช้ในตัวอย่างนี้ จึงมีเทคนิคมากมายถูกคิดค้นขึ้นเพื่อใช้ช่วยลดมิติของข้อมูลของเราได้อย่างมีประสิทธิภาพ"
       ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {},
+      "source": [
+        "**ผู้จัดเตรียม code ใน tutorial**: ดร. อิทธิ ฉัตรนันทเวช และ ดร. สุรัฐ ธีรพิทยานนท์"
+      ]
     }
   ],
   "metadata": {

diff --git a/Fundamentals/DimensionalityReduction/dim_reduct_part2_pca.ipynb b/Fundamentals/DimensionalityReduction/dim_reduct_part2_pca.ipynb
@@ -670,6 +670,13 @@
         "\n",
         "**หมายเหตุ** เราสามารถใช้เทคนิค PCA ได้กับข้อมูลหลากหลายประเภท เช่น ในกรณีที่เรามีข้อมูลที่เป็นรูปภาพขนาด 128 x 128 เราก็สามารถมองได้ว่าแต่ละภาพคือ vector ที่มีขนาด 128 x 128 = 16,384 ถ้าหากเราใช้ค่าของแต่ละ pixel เป็น feature ข้อมูลของเราก็จะเป็นจุดข้อมูลที่อยู่ใน space ที่มีขนาด 16,384 มิติ เราสามารถทดลองใช้ PCA ในการลดมิติได้ในลักษณะเดียวกับตัวอย่างที่ผ่าน ๆ มาได้"
       ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {},
+      "source": [
+        "**ผู้จัดเตรียม code ใน tutorial**: ดร. อิทธิ ฉัตรนันทเวช"
+      ]
     }
   ],
   "metadata": {

diff --git a/Fundamentals/DimensionalityReduction/dim_reduct_part3_pca_CDT_images.ipynb b/Fundamentals/DimensionalityReduction/dim_reduct_part3_pca_CDT_images.ipynb
@@ -358,6 +358,13 @@
       "source": [
         "จะเห็นได้ว่าข้อมูลภาพนาฬิกาที่ถูกลดมิติลงจาก 2,304 มิติ เหลือแค่ 2 มิติ โดยการใช้ PCA มีการแบ่งกันเป็นสองกลุ่มได้ดีพอสมควร โดยที่ PCA ไม่ได้ใช้ข้อมูล labels ในการลดจำนวนมิติเลย"
       ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {},
+      "source": [
+        "**ผู้จัดเตรียม code ใน tutorial**: ดร. อิทธิ ฉัตรนันทเวช"
+      ]
     }
   ],
   "metadata": {

diff --git a/Fundamentals/DimensionalityReduction/dim_reduct_part4_nonlinear_methods.ipynb b/Fundamentals/DimensionalityReduction/dim_reduct_part4_nonlinear_methods.ipynb
@@ -832,6 +832,13 @@
         "\n",
         "ถ้าหากต้องการศึกษาเพิ่มเติมเกี่ยวกับเทคนิคเหล่านี้เป็นภาษาไทย สามารถเข้าไปดูได้ที่ [MTEC machine learning mini-lecture: Session 2- Principals of unsupervised techniques](https://youtu.be/wq-F-CVDerk) ซึ่งเป็นส่วนนึงของ [MTEC Machine Learning Workshop](https://youtube.com/playlist?list=PLJIJClalm2xOsbu69R_yRG3RPVU3gIQKa)"
       ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {},
+      "source": [
+        "**ผู้จัดเตรียม code ใน tutorial**: ดร. อิทธิ ฉัตรนันทเวช"
+      ]
     }
   ],
   "metadata": {

diff --git a/Fundamentals/IntroToModeling/modeling_part1_simple_linear_model.ipynb b/Fundamentals/IntroToModeling/modeling_part1_simple_linear_model.ipynb
@@ -856,6 +856,13 @@
         "\n",
         "[Slides: Simple Linear Models 4](https://github.com/ichatnun/brainCodeCamp2023_lectures/blob/main/IntroToModeling/modeling_part1d_linear4_multivariate2.pdf)"
       ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {},
+      "source": [
+        "**ผู้จัดเตรียม code ใน tutorial**: ดร. อิทธิ ฉัตรนันทเวช"
+      ]
     }
   ],
   "metadata": {

diff --git a/Fundamentals/IntroToModeling/modeling_part2_poly_overfit_regularization.ipynb b/Fundamentals/IntroToModeling/modeling_part2_poly_overfit_regularization.ipynb
@@ -1014,6 +1014,13 @@
         "\n",
         "\n"
       ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {},
+      "source": [
+        "**ผู้จัดเตรียม code ใน tutorial**: ดร. อิทธิ ฉัตรนันทเวช"
+      ]
     }
   ],
   "metadata": {

diff --git a/Fundamentals/IntroToModeling/modeling_part3_data_splitting.ipynb b/Fundamentals/IntroToModeling/modeling_part3_data_splitting.ipynb
@@ -420,6 +420,13 @@
         "\n",
         "นอกจาก cross validation แล้ว ยังมีเทคนิคอีกหลายแบบที่ถูกใช้งานอย่างแพร่หลาย เช่น bootstrapping\n"
       ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {},
+      "source": [
+        "**ผู้จัดเตรียม code ใน tutorial**: ดร. อิทธิ ฉัตรนันทเวช"
+      ]
     }
   ],
   "metadata": {

diff --git a/Fundamentals/MachineLearning/decision_tree_random_forest.ipynb b/Fundamentals/MachineLearning/decision_tree_random_forest.ipynb
diff --git a/Fundamentals/MachineLearning/intro_to_machine_learning.ipynb b/Fundamentals/MachineLearning/intro_to_machine_learning.ipynb
@@ -343,6 +343,13 @@
         "\n",
         "ใน tutorial ถัดไป เราจะมาเรียนรู้การใช้โมเดล Machine learning ที่ผ่านการเรียนรู้แบบ supervised learning มาแก้ปัญหา classification กัน โดยเราจะลองมาทำความรู้จักกับ Logistic Regression, Support Vector Machine, Decision Tree, Random Forest, และ K-Nearest Neighbors และใน tutorial สุดท้ายของบทเรียนนี้ เราจะได้ลองนำเอาโมเดลเหล่านี้มาทดลองใช้ในการจำแนกอารมณ์ของคนจากคลื่นสัญญาณไฟฟ้าของสมอง (Electroencephalogram, EEG) กัน"
       ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {},
+      "source": [
+        "**ผู้จัดเตรียม tutorial**: ดร. มนฤดี เลี้ยงรักษา"
+      ]
     }
   ],
   "metadata": {

diff --git a/Fundamentals/MachineLearning/knn.ipynb b/Fundamentals/MachineLearning/knn.ipynb
diff --git a/Fundamentals/MachineLearning/logistic_regression.ipynb b/Fundamentals/MachineLearning/logistic_regression.ipynb
diff --git a/Fundamentals/MachineLearning/svm.ipynb b/Fundamentals/MachineLearning/svm.ipynb
diff --git a/Fundamentals/Prereqs/Coding/00_basic_python.ipynb b/Fundamentals/Prereqs/Coding/00_basic_python.ipynb
@@ -357,6 +357,13 @@
     "\n",
     "นอกเหนือจากฟังก์ชั่นหลักของ Python แล้ว Python ยังสามารถนำไปใช้ในงานประเภทต่างๆได้อีกมากมาย หนึ่งในนั้นคือการนำมาช่วยในการสร้างโมเดลทางคณิตศาสตร์และการคำนวณทางสถิติที่เราจะได้เรียนกันนั่นเอง Python มีไลบรารี่ต่างๆที่ทำให้การคำนวณทำได้ง่าย และสามารถนำมาแก้ปัญหาทางการวิจัยได้ในอนาคต"
    ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**ผู้จัดเตรียม code ใน tutorial**: ดร. ฐิติพัทธ อัชชะกุลวิสุทธิ์"
+   ]
   }
  ],
  "metadata": {

diff --git a/Fundamentals/Prereqs/Coding/01_numpy.ipynb b/Fundamentals/Prereqs/Coding/01_numpy.ipynb
@@ -250,6 +250,13 @@
     "\n",
     "ในตัวอย่างนี้ เราได้ทดลองใช้ Numpy สร้าง array และทดลองใช้ operations ต่างๆที่ NumPy array มี เช่น การบวก ลบ คูณ หาร รวมถึงการคูณเมทริกซ์ เราได้ทดลองเชื่อม array และทดลองใช้ฟังก์ชั่นการคำนวณต่างๆของ NumPy ที่สามารถนำไปใช้เป็นพื้นฐานในการเรียนบทเรียนถัดไปได้"
    ]
+  },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**ผู้จัดเตรียม code ใน tutorial**: ดร. ฐิติพัทธ อัชชะกุลวิสุทธิ์"
+   ]
   }
  ],
  "metadata": {

diff --git a/Fundamentals/SignalProcessing/signal_processing_part1_sampling_averaging.ipynb b/Fundamentals/SignalProcessing/signal_processing_part1_sampling_averaging.ipynb
@@ -688,6 +688,13 @@
         "\n",
         "**หมายเหตุ** หากเราต้องการวัดคุณภาพของ signal เมื่อเปรียบเทียบกับปริมาณสัญญาณรบกวน ออกมาเป็นตัวเลข (quantitative metric) เราสามารถลอง metric แบบมาตรฐาน เช่น signal-to-noise ratio (SNR) หรือ Contrast-to-noise ratio (CNR) ได้"
       ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {},
+      "source": [
+        "**ผู้จัดเตรียม code ใน tutorial**: ดร. อิทธิ ฉัตรนันทเวช"
+      ]
     }
   ],
   "metadata": {

diff --git a/Fundamentals/SignalProcessing/signal_processing_part2_dft.ipynb b/Fundamentals/SignalProcessing/signal_processing_part2_dft.ipynb
@@ -468,6 +468,13 @@
         "\n",
         "[Slides: Sampling and Aliasing](https://github.com/ichatnun/brainCodeCamp2023_lectures/blob/main/SignalProcessing/signal_part2d_aliasing.pdf)"
       ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {},
+      "source": [
+        "**ผู้จัดเตรียม code ใน tutorial**: ดร. อิทธิ ฉัตรนันทเวช"
+      ]
     }
   ],
   "metadata": {

diff --git a/Fundamentals/SignalProcessing/signal_processing_part3_STFT.ipynb b/Fundamentals/SignalProcessing/signal_processing_part3_STFT.ipynb
@@ -644,6 +644,13 @@
         "plt.colorbar()\n",
         "plt.show()"
       ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {},
+      "source": [
+        "**ผู้จัดเตรียม code ใน tutorial**: ดร. อิทธิ ฉัตรนันทเวช"
+      ]
     }
   ],
   "metadata": {

diff --git a/Fundamentals/SignalProcessing/signal_processing_part4_application.ipynb b/Fundamentals/SignalProcessing/signal_processing_part4_application.ipynb
@@ -404,6 +404,13 @@
         "ดูจากรูปคอร์ดที่เราแกะออกมาจาก spectrogram เราเดาได้ว่าคนนั้นน่าจะอยากเล่น jazz เป็น และกำลังฝึกทางเดินคอร์ดแบบ 2-5-1 ในคีย์ C อยู่ แต่สิ่งแรกที่เค้าน่าจะต้องทำคือตั้งสายกีตาร์ให้ตรงก่อนนะ!\n",
         "\n"
       ]
+    },
+    {
+      "cell_type": "markdown",
+      "metadata": {},
+      "source": [
+        "**ผู้จัดเตรียม code ใน tutorial**: ดร. อิทธิ ฉัตรนันทเวช"
+      ]
     }
   ],
   "metadata": {