มคอ.3 รายละเอียดของรายวิชา
มหาวิทยาลัยเทคโนโลยีราชมงคลอีสาน
หมวดที่ 1 ข้อมูลทั่วไป
1. รหัสและชื่อรายวิชา
03-407-082-305
การประยุกต์ใช้ปัญญาประดิษฐ์ในวิศวกรรมเครื่องจักกลเกษตร
AI Applications in Agricultural Machinery Engineering
2. จำนวนหน่วยกิต
3(2-2-5)
3. หลักสูตรและประเภทของรายวิชา
หลักสูตรวิศวกรรมศาสตรบัณฑิต
สาขาวิชาวิศวกรรมเครื่องจักรกลเกษตร
หมวดวิชาเฉพาะด้าน
กลุ่มวิชาชีพเลือก
4. อาจารย์ผู้รับผิดชอบรายวิชาและอาจารย์ผู้สอน
ผู้รับผิดชอบรายวิชา
ผู้ช่วยศาสตราจารย์ ดร.เฉลิมชัย หล่อวงศ์ตระกูล
อาจารย์ผู้สอน
ผู้ช่วยศาสตราจารย์ ดร.เฉลิมชัย หล่อวงศ์ตระกูล
5. ภาคการศึกษา / ชั้นปีที่เรียน
ภาคการศึกษาที่ ………
นักศึกษาชั้นปีที่ 3 หรือ 4
6. รายวิชาที่ต้องเรียนมาก่อน (Pre-requisite)
- คอมพิวเตอร์สำหรับวิศวกร
- สถิติวิศวกรรม
- ระบบควบคุมเบื้องต้น
7. รายวิชาที่ต้องเรียนพร้อมกัน (Co-requisite)
ไม่มี
8. สถานที่เรียน
คณะวิศวกรรมศาสตร์
สาขาวิชาวิศวกรรมเครื่องจักรกลเกษตร
9. วันที่จัดทำหรือปรับปรุงรายละเอียดรายวิชาครั้งล่าสุด
……………………….
หมวดที่ 2 จุดมุ่งหมายและวัตถุประสงค์
1. จุดมุ่งหมายรายวิชา
- อธิบายหลักการพื้นฐานของปัญญาประดิษฐ์และการเรียนรู้ของเครื่องได้
- วิเคราะห์และเตรียมข้อมูลจากเครื่องจักรกลเกษตรและระบบเกษตรอัจฉริยะได้
- พัฒนาโมเดล AI สำหรับการทำนาย การจำแนก และการตัดสินใจในงานเกษตรได้
- ประยุกต์ใช้ Computer Vision ในงานตรวจสอบพืช ผลผลิต และเครื่องจักรกลเกษตรได้
- บูรณาการ AI ร่วมกับ IoT และระบบเกษตรอัจฉริยะได้
- พัฒนาโครงงานต้นแบบด้าน AI สำหรับงานวิศวกรรมเครื่องจักรกลเกษตรได้
2. วัตถุประสงค์ในการพัฒนา/ปรับปรุงรายวิชา
เพื่อให้นักศึกษามีความรู้และทักษะด้านปัญญาประดิษฐ์ที่สามารถนำไปประยุกต์ใช้กับเครื่องจักรกลเกษตร ระบบอัตโนมัติ การวิเคราะห์ข้อมูล และเกษตรอัจฉริยะ ตลอดจนสามารถพัฒนานวัตกรรมที่สอดคล้องกับแนวโน้ม Agriculture 4.0 และ Smart Farming
หมวดที่ 3 ลักษณะและการดำเนินการ
1. คำอธิบายรายวิชา
หลักการพื้นฐานของปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง การเตรียมข้อมูล การวิเคราะห์ข้อมูลทางการเกษตร การสร้างแบบจำลองเพื่อการทำนายและจำแนกข้อมูล การประมวลผลภาพและคอมพิวเตอร์วิทัศน์สำหรับงานเกษตร การประยุกต์ใช้โครงข่ายประสาทเทียมและการเรียนรู้เชิงลึก การบูรณาการ AI กับ IoT และเกษตรอัจฉริยะ การบำรุงรักษาเชิงพยากรณ์ของเครื่องจักรกลเกษตร ระบบเครื่องจักรกลเกษตรอัตโนมัติ และกรณีศึกษาการประยุกต์ใช้ AI ในภาคการเกษตร
2. จำนวนชั่วโมงที่ใช้ต่อภาคการศึกษา
| บรรยาย | ปฏิบัติ | ศึกษาด้วยตนเอง |
|---|---|---|
| 30 | 30 | 75 |
3. จำนวนชั่วโมงที่อาจารย์ให้คำปรึกษา
5 ชั่วโมง/สัปดาห์
ผ่าน LMS, Google Classroom, Microsoft Teams หรือช่องทางออนไลน์อื่น
หมวดที่ 4 การพัฒนาผลการเรียนรู้ของนักศึกษา
1. คุณธรรมและจริยธรรม
1.1 ผลการเรียนรู้
- มีวินัยและความรับผิดชอบ
- ตรงต่อเวลา
- มีจรรยาบรรณทางวิชาชีพวิศวกรรม
- ตระหนักถึงจริยธรรมการใช้ AI และข้อมูล
1.2 วิธีการสอน
- บรรยายเชิงอภิปราย
- กรณีศึกษา AI Ethics
- มอบหมายงานกลุ่ม
1.3 วิธีการประเมินผล
- การเข้าชั้นเรียน
- การส่งงานตรงเวลา
- พฤติกรรมการทำงานกลุ่ม
2. ความรู้
2.1 ผลการเรียนรู้
- เข้าใจหลักการ AI และ Machine Learning
- เข้าใจการประมวลผลข้อมูลเกษตร
- เข้าใจ Computer Vision และ Deep Learning
- เข้าใจระบบ Smart Farm
2.2 วิธีการสอน
- บรรยาย
- สาธิต
- ฝึกปฏิบัติ
2.3 วิธีประเมิน
- Quiz
- Midterm
- Final Examination
3. ทักษะทางปัญญา
3.1 ผลการเรียนรู้
- วิเคราะห์ปัญหาทางวิศวกรรมเกษตร
- เลือกเทคนิค AI ที่เหมาะสม
- พัฒนาแนวทางแก้ปัญหาเชิงนวัตกรรม
3.2 วิธีการสอน
- Project-based Learning
- Case Study
3.3 วิธีการประเมิน
- Assignment
- Project
4. ทักษะความสัมพันธ์ระหว่างบุคคลและความรับผิดชอบ
4.1 ผลการเรียนรู้
- ทำงานร่วมกันเป็นทีม
- มีภาวะผู้นำ
- รับผิดชอบต่อโครงงาน
4.2 วิธีการสอน
- Team Project
4.3 วิธีการประเมิน
- Peer Assessment
- Project Evaluation
5. ทักษะการวิเคราะห์เชิงตัวเลข การสื่อสาร และ IT
5.1 ผลการเรียนรู้
- วิเคราะห์ข้อมูลเชิงสถิติ
- ใช้ Python และ AI Framework
- นำเสนอผลการวิเคราะห์ได้
5.2 วิธีการสอน
- Lab
- Workshop
5.3 วิธีการประเมิน
- Lab Assignment
- Presentation
6. ทักษะปฏิบัติการทางวิชาชีพ
6.1 ผลการเรียนรู้
- ใช้งานเครื่องมือ AI
- สร้างโมเดล Machine Learning
- พัฒนา Smart Agriculture Prototype
6.2 วิธีการสอน
- ปฏิบัติการ
- โครงงาน
6.3 วิธีการประเมิน
- Lab
- Project
หมวดที่ 5 แผนการสอน
| สัปดาห์ | หัวข้อ |
|---|---|
| 1 | แนะนำ AI และแนวโน้ม AI ในเกษตรอัจฉริยะ |
| 2 | AI, Machine Learning และ Deep Learning |
| 3 | ข้อมูลทางการเกษตรและการเตรียมข้อมูล |
| 4 | Regression สำหรับการพยากรณ์ผลผลิต |
| 5 | Classification สำหรับการจำแนกข้อมูล |
| 6 | Predictive Maintenance เครื่องจักรกลเกษตร |
| 7 | ปฏิบัติการ Machine Learning ด้วย Python |
| 8 | สอบกลางภาค |
| 9 | Image Processing และ OpenCV |
| 10 | Computer Vision สำหรับเกษตร |
| 11 | Object Detection ด้วย YOLO |
| 12 | Deep Learning และ CNN |
| 13 | AI + IoT + Smart Farm |
| 14 | Autonomous Agricultural Machinery |
| 15 | นำเสนอโครงงาน |
| 16 | ทบทวนเนื้อหา |
| 17 | สอบปลายภาค |
แผนการประเมินผล
| วิธีประเมิน | สัดส่วน |
|---|---|
| Quiz | 10% |
| Assignment/Lab | 20% |
| สอบกลางภาค | 20% |
| โครงงาน | 30% |
| นำเสนอผลงาน | 10% |
| สอบปลายภาค | 10% |
รวม 100%
หมวดที่ 6 ทรัพยากรประกอบการเรียนการสอน
เอกสารและตำราหลัก
- Russell, S. & Norvig, P. Artificial Intelligence: A Modern Approach
- Géron, A. Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow
- Goodfellow, I. Deep Learning
- Bishop, C. Pattern Recognition and Machine Learning
เอกสารเพิ่มเติม
- Precision Agriculture Technology for Crop Farming
- Smart Agriculture and AI Applications
- IEEE Access, Computers and Electronics in Agriculture
- Biosystems Engineering
แหล่งข้อมูลออนไลน์
- Google Colab
- Kaggle
- TensorFlow Documentation
- PyTorch Documentation
- Ultralytics YOLO
หมวดที่ 7 การประเมินและปรับปรุงการดำเนินการของรายวิชา
- ประเมินรายวิชาโดยนักศึกษา
- ประเมินการสอนโดยอาจารย์และหลักสูตร
- ปรับปรุงเนื้อหาให้ทันต่อเทคโนโลยี AI
- ทวนสอบผลสัมฤทธิ์ตาม CLO
- ปรับปรุงหัวข้อปฏิบัติการและโครงงานตามเทคโนโลยีเกษตรอัจฉริยะและอุตสาหกรรมเกษตรยุคใหม่
หากหลักสูตรของคุณใช้ OBE (Outcome-Based Education) และ AUN-QA รุ่นใหม่ ผมสามารถจัดทำต่อให้ครบในระดับเอกสารใช้งานจริง ได้แก่
- CLOs (Course Learning Outcomes)
- CLO-PLO Mapping
- Curriculum Mapping
- ตารางสัปดาห์สอนแบบละเอียด 17 สัปดาห์
- ตาราง TQF Domain Mapping
- Rubric การประเมินโครงงาน
- มคอ.3 ฉบับสมบูรณ์พร้อมรูปแบบเอกสารราชการของ RMUTI ความยาวประมาณ 15–20 หน้า พร้อมนำไปปรับใช้ได้ทันที.