การใช้ระบบปัญญาประดิษฐ์และกลุ่มข้อมูลราชภัฏจำแนกดัชนีมวลกายท้องถิ่น
Article Sidebar
Main Article Content
บทคัดย่อ
มหาวิทยาลัยราชภัฎเป็นมหาวิทยาลัยที่มีความเข้าใจท้องถิ่นเป็นอย่างดี มีการพัฒนารูปแบบ ส่งเสริมให้ชุมชนในท้องถิ่นมีความเข้มแข็ง ผ่านทางกระบวนการ จัดการเรียนการสอน งานวิจัย และการบริการวิชาการ งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาการใช้ประโยชน์จากกลุ่มข้อมูลราชภัฏ (Rajabhat Dataset) ร่วมกับระบบปัญญาประดิษฐ์ (AI) เพื่อจำแนกและประเมินคุณภาพชีวิตของชุมชนในท้องถิ่น โดยใช้ดัชนีมวลกาย (BMI) ของประชากรเป็นตัวบ่งชี้ โดยใช้ข้อมูลจากจังหวัดปทุมธานีและสระแก้ว ซึ่งเป็นพื้นที่ให้บริการของมหาวิทยาลัยราชภัฏวไลยอลงกรณ์ ในพระบรมราชูปถัมภ์ เป็นกรณีศึกษา มีการใช้รูปแบบการเรียนรู้ของเครื่อง (Machine Learning Model) เช่น Logistic Regression, SVM และ Decision Tree เพื่อทำนาย BMI ของประชากรในพื้นที่ ผลการวิจัยพบว่าโมเดล Decision Tree และ SVM มีความแม่นยำในการทำนายสูงสุด (0.997) งานวิจัยนี้แสดงให้เห็นถึงประโยชน์ของการนำกลุ่มข้อมูลราชภัฏมาใช้ร่วมกับระบบปัญญาประดิษฐ์ เพื่อกำหนดทิศทางในการดำเนินงานและการจัดกิจกรรมต่าง ๆ ของมหาวิทยาลัยราชภัฏได้อย่างมีประสิทธิภาพ โดยเฉพาะอย่างยิ่งในการส่งเสริมและพัฒนาคุณภาพชีวิตให้กับชุมชนในท้องถิ่น
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของคณะวิทยาการจัดการ มหาวิทยาลัยราชภัฏอุดรธานี
ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้
ไม่ใช่ความคิดเห็นและความรับผิดชอบของผู้จัดทำ บรรณาธิการ กองบรรณาธิการ และคณะวิทยาการจัดการ มหาวิทยาลัยราชภัฏอุดรธานี ความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความแต่ละเรื่องเป็นความคิดเห็นของผู้เขียนบทความแต่ละท่าน
References
Broda, M. D., Bogenschutz, M., Dinora, P., Prohn, S. M., Lineberry, S., & Ross, E. (2021). Using Machine Learning to Predict Patterns of Employment and Day Program Participation. American Journal on Intellectual and Developmental Disabilities, 126(6), 477–491.
Jena, K. K., Bhoi, S. K., Mohapatra, D., Mallick, C., & Swain, P. (2021). Rice Disease Classification Using Supervised Machine Learning Approach. In Proceedings of the 5th International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud), I-SMAC 2021, 328–333.
Lek, D., Haveman-Nies, A., Bezem, J., Zainalabedin, S., Schetters-Mouwen, S., Saat, J., Gort, G., Roovers, L., & van Setten, P. (2021). Two-year effects of the community-based overweight and obesity intervention program Gezond Onderweg! (GO!) in children and adolescents living in a low socioeconomic status and multi-ethnic district on Body Mass Index-Standard Deviation Score and quality of life. EClinicalMedicine, 42.
Myers, S., Govindarajulu, U., Joseph, M. A., & Landsbergis, P. (2021). Work Characteristics, Body Mass Index, and Risk of Obesity: The National Quality of Work Life Survey. Annals of Work Exposures and Health, 65(3), 291–306.
Nanglia, P., Kumar, S., Mahajan, A. N., Singh, P., & Rathee, D. (2021). A hybrid algorithm for lung cancer classification using SVM and Neural Networks. ICT Express, 7(3), 335–341.
Saetang, W., Tangwannawit, S., & Jensuttiwetchakul, T. (2021). การศึกษาการยอมรับเทคโนโลยีข้อมูลขนาดใหญ่ในประเทศไทย: มุมมองขององค์กร (A STUDY OF BIG DATA TECHNOLOGY ADOPTION IN THAILAND: ORGANIZATIONAL PERSPECTIVE). วารสารมหาวิทยาลัยศรีนครินทร วิโรฒ สาขาวิทยาศาสตร์และเทคโนโลยี, 13(25, January-June), 110–122.
Simmonds, M., Llewellyn, A., Owen, C. G., & Woolacott, N. (2016). Predicting adult obesity from childhood obesity: a systematic review and meta-analysis. Obesity Reviews, 17(2), 95–107.
Sulochana, V., Shanthini, B., & Harinath, K. (2022). Fast Intraprediction Algorithm for HEVC Based on Machine Learning Classification Technique. In IEEE International Conference on Distributed Computing and Electrical Circuits and Electronics, ICDCECE 2022.
Tamayo, M. C., Dobbs, P. D., & Pincu, Y. (2021). Family-Centered Interventions for Treatment and Prevention of Childhood Obesity in Hispanic Families: A Systematic Review. Journal of Community Health, 46(3), 635–643.
Zhao, H., Zuo, X., & Xie, Y. (2022). Customer Churn Prediction by Classification Models in Machine Learning. In 2022 9th International Conference on Electrical and Electronics Engineering, ICEEE 2022, 399–407.