1. Course number and name

010123213-64 ปัญญาประดิษฐ์ (Artificial Intelligence)

2. Credits and contact hours

3(3-0-6)

3. Instructor’s or course coordinator’s name

Prof. Dr.Nachol Chaiyaratana

4. Text book, title, author, and year

1. Chaiyaratana, N. (2017). Classification and examples of problems in human genetics. Nakhon Pathom, Thailand: Mahidol University Press.
2. Haykin, S. (2008). Neural networks and learning machine (3rd ed.). Upper Saddle River, NJ: Prentice-Hall.
3. Jang, J.-S. R., Sun, C.-T., & Mitzutani, E. (1997). Neuro-fuzzy and soft computing: A computational approach to learning and machine intelligence. Upper Saddle River, NJ: Prentice-Hall.
4. Michalewicz, Z. (1999). Genetic algorithms + data structures = evolution programs (2nd ed.). Berlin, Germany: Springer-Verlag.

5. Specific course information

1. brief description of the content of the course (catalog description)
   Models of neuron, network architecture, learning process, multilayer perceptron, radial-basis function network, Kohonen network, simple genetic algorithm, genetic operators, multi-objective optimization using a genetic algorithm, fuzzy sets and system, Mamdani fuzzy model, Takagi-Sugeno fuzzy model.
2. prerequisites or co-requisites
   010123133-64 Discrete Mathematics
   010123103-64 Algorithms and Data Structures
3. indicate whether a required, elective, or selected elective (as per Table 5-1) course in the program
   Elective : A computer engineering elective course in the program

6. Specific goals for the course

1. specific outcomes of instruction (e.g. The student will be able to explain the significance of current research about a particular topic.)
   1. CLO1 The student will be able to classify different neuron models.
   2. CLO2 The student will be able to identify network architecture.
   3. CLO3 The student will be able to construct feed-forward neural networks.
   4. CLO4 The student will be able to derive supervised learning rules.
   5. CLO5 The student will be able to derive unsupervised learning rules.
   6. CLO6 The student will be able to use genetic algorithms to solve single-objective optimization problems.
   7. CLO7 The student will be able to improve performance of a genetic algorithm by adding appropriate genetic operators to the algorithm.
   8. CLO8 The student will be able to use genetic algorithms to solve multi-objective optimization problems.
   9. CLO9 The student will be able to define fuzzy sets and their properties.
   10. CLO10 The student will be able to use fuzzy rules and fuzzy reasoning.
   11. CLO11 The student will be able to construct fuzzy systems.
2. explicitly indicate which of the student outcomes listed in Criterion 3 or any other outcomes are addressed by the course.

   ABET Student Outcome (SO) Listed in Criterion 3	Course learning outcome (CLO)
   PO1 : ความรู้ทางด้านวิศวกรรม และพื้นฐานทางด้านคณิตศาสตร์ และวิทยาศาสตร์ สามารถประยุกต์ความรู้ทางด้านคณิตศาสตร์ วิทยาศาสตร์ วิทยาการคำนวณ พื้นฐานทางด้านวิศวกรรม และความรู้เฉพาะทางวิศวกรรมเพื่อกำหนดกรอบความคิดในการแก้ปัญหาวิศวกรรม รวมทั้งการพัฒนาแบบจำลองทางคณิตศาสตร์และวิศวกรรม หรือ ให้นิยาม รวมทั้งประยุกต์วิธีการ กระบวนงาน กระบวนการ หรือระบบงานทางวิศวกรรมในการทำงานได้	CLO1 The student will be able to classify different neuron models. CLO11 The student will be able to construct fuzzy systems. CLO2 The student will be able to identify network architecture. CLO3 The student will be able to construct feed-forward neural networks. CLO4 The student will be able to derive supervised learning rules. CLO5 The student will be able to derive unsupervised learning rules. CLO6 The student will be able to use genetic algorithms to solve single-objective optimization problems. CLO7 The student will be able to improve performance of a genetic algorithm by adding appropriate genetic operators to the algorithm. CLO8 The student will be able to use genetic algorithms to solve multi-objective optimization problems. CLO9 The student will be able to define fuzzy sets and their properties. CLO10 The student will be able to use fuzzy rules and fuzzy reasoning.
   PO2 : การวิเคราะห์ปัญหาทางวิศวกรรม สามารถระบุปัญหา สืบค้นทางเอกสาร สร้างแบบจำลองรวมตั้งสมการความสัมพันธ์ระหว่างตัวแปรต่าง ๆ เพื่อหาคำตอบ และแก้ไขปัญหาทางวิศวกรรมที่ซับซ้อน จนได้ข้อสรุปเบื้องต้น โดยใช้หลักการและเครื่องมือวิเคราะห์ทางด้านคณิตศาสตร์ วิทยาศาสตร์ และทางด้านวิศวกรรมศาสตร์ ทั้งนี้ ให้คำนึงถึงการพัฒนาที่ยั่งยืนในทุกองค์ประกอบ	CLO5 The student will be able to derive unsupervised learning rules. CLO1 The student will be able to classify different neuron models. CLO6 The student will be able to use genetic algorithms to solve single-objective optimization problems. CLO7 The student will be able to improve performance of a genetic algorithm by adding appropriate genetic operators to the algorithm. CLO8 The student will be able to use genetic algorithms to solve multi-objective optimization problems. CLO9 The student will be able to define fuzzy sets and their properties. CLO10 The student will be able to use fuzzy rules and fuzzy reasoning. CLO11 The student will be able to construct fuzzy systems. CLO4 The student will be able to derive supervised learning rules. CLO3 The student will be able to construct feed-forward neural networks. CLO2 The student will be able to identify network architecture.
   PO3 : การออกแบบและพัฒนาเพื่อหาคำตอบของปัญหา สามารถหาคำตอบของปัญหาทางวิศวกรรมที่ซับซ้อน และออกแบบระบบงานหรือกระบวนการทางวิศวกรรมตามความต้องการและข้อกำหนดงานโดยคำนึงถึงข้อกำหนดด้านสังคม วัฒนธรรม ความปลอดภัย การอนามัยและสิ่งแวดล้อม มาตรฐานการปฏิบัติวิชาชีพ และการพัฒนาที่ยั่งยืน อาทิ มูลค่าตลอดวัฏจักรชีวิต การปลดปล่อยคาร์บอนสุทธิเป็นศูนย์ และประเด็นทางสิ่งแวดล้อมต่าง ๆ ที่เกี่ยวข้อง	CLO8 The student will be able to use genetic algorithms to solve multi-objective optimization problems. CLO10 The student will be able to use fuzzy rules and fuzzy reasoning. CLO11 The student will be able to construct fuzzy systems. CLO9 The student will be able to define fuzzy sets and their properties. CLO7 The student will be able to improve performance of a genetic algorithm by adding appropriate genetic operators to the algorithm. CLO6 The student will be able to use genetic algorithms to solve single-objective optimization problems. CLO5 The student will be able to derive unsupervised learning rules. CLO3 The student will be able to construct feed-forward neural networks. CLO2 The student will be able to identify network architecture. CLO4 The student will be able to derive supervised learning rules. CLO1 The student will be able to classify different neuron models.
   PO4 : การพิจารณาตรวจสอบ สามารถตรวจสอบ วินิจฉัย ประเมินผล งานและปัญหาทางวิศวกรรมซึ่งครอบคลุมถึงการตั้งสมมติฐาน การหาข้อมูล การทดลอง การวิเคราะห์ การแปลความหมายข้อมูล สังเคราะห์ข้อมูล ข้อสนเทศ และออกแบบ เพื่อให้ได้ผลสรุปที่ถูกต้องตามหลักเหตุผล	CLO5 The student will be able to derive unsupervised learning rules. CLO11 The student will be able to construct fuzzy systems. CLO10 The student will be able to use fuzzy rules and fuzzy reasoning. CLO9 The student will be able to define fuzzy sets and their properties. CLO8 The student will be able to use genetic algorithms to solve multi-objective optimization problems. CLO7 The student will be able to improve performance of a genetic algorithm by adding appropriate genetic operators to the algorithm. CLO6 The student will be able to use genetic algorithms to solve single-objective optimization problems. CLO4 The student will be able to derive supervised learning rules. CLO3 The student will be able to construct feed-forward neural networks. CLO2 The student will be able to identify network architecture. CLO1 The student will be able to classify different neuron models.
   PO5 : การใช้อุปกรณ์เครื่องมือทันสมัย สามารถสร้าง เลือก และประยุกต์ใช้เทคนิควิธี ทรัพยากร อุปกรณ์เครื่องมือทางวิศวกรรมและเทคโนโลยีสารสนเทศที่เหมาะสมและทันสมัย โดยคำนึงถึงข้อกำหนดและข้อจำกัดของเครื่องมือและอุปกรณ์เหล่านั้น	CLO3 The student will be able to construct feed-forward neural networks. CLO10 The student will be able to use fuzzy rules and fuzzy reasoning. CLO9 The student will be able to define fuzzy sets and their properties. CLO11 The student will be able to construct fuzzy systems. CLO8 The student will be able to use genetic algorithms to solve multi-objective optimization problems. CLO7 The student will be able to improve performance of a genetic algorithm by adding appropriate genetic operators to the algorithm. CLO6 The student will be able to use genetic algorithms to solve single-objective optimization problems. CLO5 The student will be able to derive unsupervised learning rules. CLO4 The student will be able to derive supervised learning rules. CLO2 The student will be able to identify network architecture. CLO1 The student will be able to classify different neuron models.
   PO11 : การเรียนรู้ตลอดชีพ ตระหนักถึงความจำเป็น และมีความสามารถในการเรียนรู้ตลอดชีพและพัฒนาตนเองอย่างต่อเนื่อง อาทิ การเรียนรู้ตลอดชีพและการพัฒนาตนเอง การปรับตัวต่อเทคโนโลยีใหม่ ๆ การคิดวิเคราะห์ที่เกี่ยวข้องกับความเปลี่ยนแปลงของเทคโนโลยี	CLO1 The student will be able to classify different neuron models. CLO2 The student will be able to identify network architecture. CLO3 The student will be able to construct feed-forward neural networks. CLO4 The student will be able to derive supervised learning rules. CLO5 The student will be able to derive unsupervised learning rules. CLO6 The student will be able to use genetic algorithms to solve single-objective optimization problems. CLO7 The student will be able to improve performance of a genetic algorithm by adding appropriate genetic operators to the algorithm. CLO8 The student will be able to use genetic algorithms to solve multi-objective optimization problems. CLO9 The student will be able to define fuzzy sets and their properties. CLO10 The student will be able to use fuzzy rules and fuzzy reasoning. CLO11 The student will be able to construct fuzzy systems.

7. Brief list of topics to be covered

8. Course Assessment