afshinea

Stanford CS229 (Machine Learning) Stanford CS229 repository contains learning materials related to Stanford’s CS229 Machine Learning course. You’ll find lecture notes, problem sets, and other resources covering machine learning concepts. afshinea/stanford-cs-229-machine-learning

อยากเข้าใจว่า LLM ทำงานยังไงจริง ๆ? คอร์ส Stanford ที่เปิดฟรี อาจเป็นจุดเริ่มที่ดีที่สุด อยากเข้าใจว่า LLM ทำงานยังไงจริง ๆ? คอร์ส Stanford ที่เปิดฟรี อาจเป็นจุดเริ่มที่ดีที่สุด โดย Nokka (นก-กา) | 9 ตุลาคม 2026 บทความนี้เขียนโดย AI (deepseek-v4.1-flash) ผ่าน Hermes Agent ภายใต้การควบคุมและตรวจสอบคุณภาพโดยมนุษย์ · Nokka (นก-กา) ทุกวันนี้เราคุยกับแชตบอตทุกวัน แต่มีกี่คนที่ตอบได้ว่ามันทำงานยังไงจริง ๆ? ไม่ใช่คำตอบระดับที่ว่า "มันเดาคำถัดไป" แบบที่ใครก็พูดได้ แต่ต้องรู้ว่าทำไมมันเดาได้ และทำไมบางทีนึกไม่ออก ถ้าคำถามนี้ค้างอยู่ในหัวคุณ มีคอร์สหนึ่งที่ตั้งใจตอบคำถามนี้ทั้งชุด และเปิดให้ดูฟรี คอร์สนี้คืออะไร และใครสอน Stanford เปิดสอนรายวิชา CME 295: Transformers & Large Language Models โดยบันทึกทุกคาบขึ้น YouTube ให้ดูฟรี[1] คาบแรกของรุ่น Autumn 2026 ยาว 1 ชั่วโมง 44 นาที และมียอดดูเกิน 372,000 ครั้งแล้ว ณ วันที่เขียนบทความนี้[2] ชื่อวิชาในหลักสูตร CME ย่อมาจาก Computational and Mathematical Engineering ซึ่งเป็นสายวิศวกรรมเชิงคำนวณของมหาวิทยาลัย ผู้สอนคือสองแฝดที่ผ่านเส้นทางเดียวกัน ผู้สอนคือ Afshine Amidi และ Shervine Amidi สองพี่น้องฝาแฝดที่เรียนด้วยกันมาตลอดทาง ทั้งคู่จบจาก Ecole Centrale Paris ในฝรั่งเศส แล้วแยกกันไปเรียนต่อระดับปริญญาโทที่อเมริกา โดย Afshine ไป MIT ส่วน Shervine ไป Stanford[3] หลังจากนั้นทั้งคู่เข้า Uber แล้วไป Google ก่อนจะย้ายมาอยู่ Netflix ด้วยกันทั้งสองคน[2] พวกเขาสอนเนื้อหานี้มาตั้งแต่ปี 2021 ในหลายรูปแบบ ก่อนจะยกระดับเป็นวิชาจริงของ Stanford เมื่อปีที่แล้ว และรุ่นนี้เป็นรุ่นที่สามตามที่ผู้สอนกล่าวไว้ในคลิป[2] ไม่มี homework แต่มีข้อสอบสองครั้ง จุดที่ต่างจากวิชามหาวิทยาลัยทั่วไปคือคอร์สนี้ ไม่มีการบ้านเลย คะแนนมาจากการสอบสองครั้ง คือ midterm กับ final[2] midterm จะออกเนื้อหาสี่คาบแรก และจัดวันที่ 23 ตุลาคม 2026 ส่วน final จะออกเนื้อหาห้าคาบหลัง และจัดวันที่ 9 ธันวาคม 2026 รวมทั้งหมดเก้าคาบ[4] คาบเรียนจัดทุกวันศุกร์ เวลา 15.30 ถึง 17.20 น. แต่ถ้าอยู่ต่างประเทศหรือเวลาไม่สะดวก ก็ดูย้อนหลังได้ทั้งหมด[1] สไลด์ถูกโพสต์ล่วงหน้าหนึ่งวันก่อนคาบเรียน เพื่อให้ผู้เรียนพิมพ์จดบนสไลด์ได้ตามที่อาจารย์บอกว่าเป็นคำขอจากผู้เรียนรุ่นก่อน[2] เส้นทางจาก RNN สู่ Transformer ที่คอร์สอธิบาย คาบแรกใช้เวลาส่วนใหญ่ไปกับการตอบคำถามข้อหนึ่ง คือทำไมเรามาถึงจุดนี้ ผู้สอนย้อนไปเมื่อราวสิบปีก่อน ตอนที่วงการนี้ยังไม่มีโมเดลเดียวที่ทำได้ทุกอย่าง แต่มีโมเดลแยกกันตามงาน งานวิเคราะห์อารมณ์ก็มีโมเดลหนึ่ง งานแปลก็มีอีกโมเดล งานหาชื่อคนและสถานที่ก็มีอีกโมเดล[2] โมเดลที่ครองวงการตอนนั้นคือ RNN หรือโครงข่ายประสาทแบบวนซ้ำ ซึ่งเรียนรู้จากลำดับของคำทีละคำ แล้วทุกอย่างก็เปลี่ยนในปี 2017 กระดาษแผ่นเดียวที่เปลี่ยนทิศทางวงการ ปี 2017 มีบทความวิจัยชื่อ Attention Is All You Need ที่เสนอสถาปัตยกรรมใหม่ชื่อ Transformer และกลายเป็นจุดเปลี่ยนของทั้งวงการ[5] เหตุผลที่มันเปลี่ยนเกมไม่ได้อยู่ที่ผลลัพธ์ที่ดีขึ้นเท่านั้น แต่เพราะมัน ปรับขนาดได้ คำว่าปรับขนาดได้ในที่นี้หมายถึง ถ้าเราเพิ่มข้อมูล เพิ่มพลังประมวลผล และเพิ่มขนาดโมเดล ผลลัพธ์ที่ได้จะดีขึ้นในอัตราที่สูงกว่าเดิมมาก ซึ่งเป็นคุณสมบัติที่สถาปัตยกรรมก่อนหน้าไม่มี[2] จากโครงสร้างนั้น วงการก็ขยายมันขึ้นเรื่อย ๆ ทั้งขนาดโมเดลและปริมาณข้อมูลที่ใช้ฝึก จนกลายเป็นโมเดลภาษาขนาดใหญ่ที่เรารู้จักทุกวันนี้ ผู้สอนไล่ไทม์ไลน์ต่อว่าเดือนพฤศจิกายน 2022 มีการเปิดตัว ChatGPT ซึ่งเป็นจุดเปลี่ยนอีกชั้นในมุมของผลิตภัณฑ์ เพราะเป็นครั้งแรกที่คนทั่วไปได้คุยกับแชตบอตจริง ๆ[2] และมาถึงปี 2026 นี้ ผู้สอนคาดว่าผู้เรียนเกือบทุกคนใช้ coding agent เกือบทุกวัน ซึ่งเป็นคำถามที่คอร์สจะตอบในครึ่งหลังว่าจากผู้ช่วยคุยเล่น กลายเป็นเอเจนต์ที่ลงมือทำงานได้ยังไง[2] สี่แนวคิดหลักที่คอร์สสอนในคาบแรก Tokenization คือจุดเริ่มของทุกอย่าง โมเดลไม่เข้าใจตัวอักษร มันเข้าใจตัวเลข ดังนั้นขั้นแรกคือการแบ่งข้อความออกเป็นหน่วยย่อยที่เรียกว่า โทเคน แล้วแทนแต่ละหน่วยด้วยตัวเลขที่เรียกว่าเวกเตอร์[2] คอร์สยกตัวอย่างง่าย ๆ ว่า ประโยค "a cute teddy bear is reading" อาจถูกแบ่งเป็นหกโทเคน โดยที่คำว่า teddy bear รวมกันเป็นหนึ่งหน่วย แล้วทั้งชุดโทเคนที่โมเดลรู้จักก็เรียกรวมกันว่า vocabulary ซึ่งในโมเดลสมัยใหม่มีขนาดหลักแสน โดยผู้สอนบอกว่าอยู่ราว 200,000 โทเคน[2] สามวิธีแบ่งคำ ที่มีข้อดีข้อเสียต่างกัน แบ่งตามคำ ง่ายและอธิบายได้ แต่มีปัญหาสามข้อ คือคำที่แปรรูปเยอะทำให้ vocabulary บวม, คำที่มีรากเดียวกันไม่ได้ใช้ความรู้ร่วมกัน เช่น bear กับ bears, และเสี่ยงเจอคำที่ไม่เคยเห็นตอนฝึก[2] แบ่งตามตัวอักษร แก้ปัญหาไม่รู้จักคำได้ เพราะตัวอักษรมีจำกัด แต่ลำดับจะยาวขึ้นมาก ทำให้ประมวลผลช้าลง และเวกเตอร์ที่ได้ก็ตีความยากกว่า[2] แบ่งตามหน่วยย่อยของคำ (subword) เป็นวิธีที่ครองวงการตอนนี้ เพราะได้ทั้งรากคำและขนาดที่สมดุล[2] วิธีที่นิยมที่สุดในกลุ่มนี้คือ BPE หรือ Byte Pair Encoding ซึ่งเริ่มจากชุดโทเคนตั้งต้น แล้วนับคู่ที่ปรากฏบ่อยที่สุดมาหลอมรวมเป็นโทเคนใหม่ ทำซ้ำไปเรื่อย ๆ จนได้ขนาด vocabulary ตามที่ต้องการ[2] ผู้สอนย้ำว่าถ้าทำงานหลายภาษา ต้องมั่นใจว่าคลังข้อความที่ใช้ฝึก tokenizer มีทุกภาษาที่เราสนใจ เวกเตอร์ของคำที่เรียนรู้ความหมาย เมื่อได้โทเคนแล้ว คำถามต่อไปคือจะแทนมันด้วยอะไร วิธีที่ตรงไปตรงมาที่สุดคือ one-hot encoding คือให้แต่ละโทเคนเป็นเวกเตอร์ที่มีเลขหนึ่งตัวเป็น 1 และที่เหลือเป็น 0 แต่ผู้สอนชี้ว่าวิธีนี้ไม่ดี เพราะเวกเตอร์ทุกตัวจะตั้งฉากกันหมด มันไม่บอกอะไรเลยว่าโทเคนไหนใกล้เคียงกัน[2] เราต้องการเวกเตอร์ที่บอกได้ว่า teddy bear ใกล้เคียงกับ soft เพราะหมีนุ่ม แต่ book ไม่เกี่ยว แนวคิดนี้ถูกทำให้จริงด้วยวิธีชื่อ word2vec ซึ่งเรียนรู้ผ่านงานตัวแทน ไม่ใช่งานที่เราต้องการโดยตรง งานตัวแทนในเวอร์ชัน CBOW คือการเดาคำที่อยู่ตรงกลางจากคำรอบข้าง ส่วนเวอร์ชัน skip-gram คือการเดาคำรอบข้างจากคำตรงกลาง[2] ผลลัพธ์ที่ได้น่าสนใจกว่าที่คิด เพราะชั้นกลางของโครงข่ายที่เรียนรู้ขึ้นมา กลับจับความสัมพันธ์เชิงความหมายได้จริง อย่างความสัมพันธ์แบบ ปารีสคือกับฝรั่งเศส เหมือนที่เบอร์ลินคือกับเยอรมนี[2] ข้อจำกัดของ word2vec ที่ต้องมีอย่างอื่นมาแก้ ผู้เรียนในห้องช่วยกันตอบข้อจำกัดของวิธีนี้ และได้คำตอบที่ตรงประเด็นสามข้อ ข้อแรกคือคำที่ต่างความหมายแต่สะกดเหมือนกันจะได้เวกเตอร์เดียวกัน ตัวอย่างคลาสสิกที่ผู้สอนยกคือ bank ที่แปลว่าธนาคารกับตลิ่งริมแม่น้ำ[2] ข้อสองคือลำดับคำไม่มีความหมาย ประโยค "เด็กกอดหมี" กับ "หมีกอดเด็ก" ใช้คำชุดเดียวกันแต่ความหมายต่างกัน วิธีนี้ให้ผลเท่ากัน[2] และข้อสามคือคำที่ไม่เคยเจอตอนฝึกจะไม่มีเวกเตอร์ให้ใช้ นี่คือเหตุผลที่ทำให้ต้องมี RNN เข้ามา ซึ่งเพิ่มสถานะซ่อนที่จำความหมายของประโยคที่อ่านมาแล้ว เพื่อให้ลำดับคำมีความหมาย[2] แต่ RNN ก็มีข้อจำกัดของตัวเอง นั่นคือจำคำที่อยู่ไกลเกินไปไม่ได้ ซึ่งผู้สอนอธิบายว่ามาจากปัญหาเชิงลึกที่เรียกว่า vanishing gradient[2] และถึงแม้จะมีการพัฒนาต่อเป็น LSTM ที่เพิ่มหน่วยความจำอีกชั้น ก็ยังแก้ปัญหาได้ไม่หมด[2] หัวใจของ Transformer อยู่ที่สูตรเดียว ทางออกของปัญหาข้างต้นคือแนวคิดที่เรียกว่า attention หรือการให้ความสนใจ แทนที่จะให้โมเดลพึ่งสถานะซ่อนเพียงอย่างเดียวเพื่อจำอดีต แนวคิดใหม่คือให้โทเคนแต่ละตัวเชื่อมตรงไปยังโทเคนก่อนหน้าได้เลย แล้วให้โมเดลเรียนรู้เองว่าโทเคนไหนสำคัญกับโทเคนไหน[2] พอรวมแนวคิดนี้เข้ากับการให้โทเคนทุกตัวปฏิสัมพันธ์กันทั้งหมด เราได้สิ่งที่เรียกว่า self-attention ซึ่งเป็นแกนของ Transformer Query, Key และ Value การอธิบายกลไกนี้ใช้คำสามคำที่ฟังดูแปลกตอนแรก Query คือสิ่งที่โทเคนหนึ่งกำลังถามว่า "ฉันควรสนใจใคร" ส่วน Key คือป้ายที่โทเคนแต่ละตัวติดไว้เพื่อให้คนอื่นเทียบ และ Value คือเนื้อหาจริงที่จะถูกดึงมาผสมกัน ผู้สอนยกตัวอย่างว่าถ้าเราอยากรู้ว่าอะไรอธิบายหมีตัวนี้ได้ดี query ของ teddy bear จะเทียบกับ key ของทุกโทเคน แล้วพบว่า cute ใกล้เคียงที่สุด ดังนั้น representation ของ teddy bear จะขึ้นกับ cute เป็นหลัก[2] ทั้งหมดนี้เขียนเป็นสูตรได้กระชับมาก import math def self_attention(Q, K, V): # เทียบ query ทุกตัวกับ key ทุกตัว ด้วย dot product scores = Q @ K.T / math.sqrt(K.shape[-1]) # แปลงเป็นน้ำหนักที่รวมกันได้ 1 weights = softmax(scores) # ถ่วงน้ำหนัก value แล้วรวม return weights @ V ผู้สอนบอกตรง ๆ ในคลิปว่า นี่คือสูตรที่สำคัญที่สุดของ Transformer และใบ้ด้วยว่ามันเคยออกข้อสอบ midterm มาก่อน[2] จุดที่ต้องเข้าใจคือการหารด้วยรากที่สองของมิติ key เพราะถ้าไม่หาร ค่าที่ได้จะแปรปรวนเกินไปตามขนาดมิติ ทำให้การกระจายน้ำหนักไม่ดี[2] ส่วนประกอบที่เหลือในสถาปัตยกรรม คอร์สไล่องค์ประกอบที่เหลือของ Transformer ต่อ โดยเริ่มจาก position embedding ที่บวกเข้าไปกับ embedding ของโทเคน เพื่อให้โมเดลรู้ว่าคำไหนอยู่ตำแหน่งไหน[2] ผู้สอนอธิบายว่าการแทนตำแหน่งมีสองแนวทาง คือเรียนรู้จากข้อมูล กับใช้ฟังก์ชันคณิตศาสตร์อย่างไซน์และโคไซน์ที่ความถี่ต่างกัน แนวทางหลังมีคุณสมบัติที่ดีคือ ตำแหน่งที่ใกล้กันจะได้ค่าใกล้กัน และไม่มีข้อจำกัดเรื่องความยาวข้อความเหมือนแบบที่เรียนรู้[2] ผู้สอนเปรียบเทียบให้เห็นภาพว่ามันเหมือนเข็มนาฬิกาที่หมุนด้วยความถี่ต่างกัน ทั้งชั่วโมง นาที และวินาที เมื่อรวมกันแล้วเรารู้เวลาได้แม่น[2] ส่วนประกอบอื่นที่คอร์สพูดถึง ได้แก่ encoder ที่สร้าง representation ของข้อความต้นทาง, decoder ที่สร้างข้อความปลายทางทีละโทเคน, residual connection ที่ช่วยให้โมเดลลึก ๆ เรียนรู้ได้ดีขึ้น, layer normalization ที่ช่วยให้ลู่เข้าเร็วขึ้น, การปิดบังบางการเชื่อมต่อใน decoder เพื่อไม่ให้โมเดลแอบเห็นคำที่ยังไม่ควรเห็น, multi-head attention ที่ทำการเทียบนี้พร้อมกันแปดชุดย่อย โดยแต่ละชุดมี Q/K/V ของตัวเอง เพื่อให้โมเดลมองได้หลายมุม และเทคนิคอย่าง dropout ที่กันไม่ให้โมเดลพึ่งพาฟีเจอร์ใดฟีเจอร์หนึ่งมากเกินไป กับ label smoothing ที่ลดความมั่นใจเกินของคำตอบ ทั้งคู่ช่วยให้โมเดลทำงานกับข้อมูลใหม่ได้ดีขึ้น[2] จุดที่ผู้สอนเน้นเป็นพิเศษคือ feed forward network เพราะที่นั่นเก็บพารามิเตอร์ส่วนใหญ่ของโมเดลไว้ ถ้าถามว่าความจุของโมเดลอยู่ตรงไหน คำตอบคือตรงนั้น[2] Syllabus ที่บอกอนาคตมากกว่าเนื้อหา ส่วนที่ผมคิดว่ามีค่าที่สุดของคอร์สนี้ ไม่ใช่คาบแรก แต่คือรายชื่อหัวข้อทั้งเก้าคาบบนหน้า syllabus[4] เพราะมันเรียงลำดับสิ่งที่วงการ AI กำลังให้ความสำคัญในปี 2026 เอาไว้ตรง ๆ - คาบ 2: โมเดลภาษา ครอบคลุม Mixture of Experts, ความต่างของ MHA กับ MQA และ GQA, position embedding แบบ RoPE, ความยาวบริบท, อุณหภูมิ และกลยุทธ์การสุ่มคำ - คาบ 3: การฝึกโมเดล ตั้งแต่ pretraining, การสอนแบบมีผู้สอน, LoRA, การปรับด้วยความชอบของมนุษย์, การใช้เหตุผล และ on-policy distillation - คาบ 4: การเรียนรู้แบบเสริมกำลัง ครอบคลุมการออกแบบรางวัล, policy gradient, PPO, GRPO และ on-policy distillation อีกครั้ง - คาบ 5: ระบบของ LLM ครอบคลุมการฝึกแบบกระจาย, การเพิ่มประสิทธิภาพการอนุมาน, KV caching, speculative decoding, Flash Attention และการแลกเปลี่ยนของฮาร์ดแวร์ - คาบ 6: เอเจนต์ AI ครอบคลุมการเรียกใช้เครื่องมือ, MCP, หน่วยความจำ, การค้นคืน, การย่อบริบท, การปรับ harness, coding agent รวมถึง skills และ plugins - คาบ 7: การประเมิน LLM ครอบคลุมการให้ AI เป็นผู้ตัดสิน, อคติและกับดัก, การประเมินเอเจนต์ และ benchmark - คาบ 8: Diffusion LLM ครอบคลุมการแพร่แบบต่อเนื่อง แบบไม่ต่อเนื่อง และแบบปิดบัง - คาบ 9: หัวข้อมาแรง ปิดท้ายด้วยมุมมองหลายรูปแบบ ถ้าอ่านรายการนี้ดี ๆ จะเห็นว่าครึ่งหลังของคอร์สไม่ได้พูดเรื่องทฤษฎีอย่างเดียว แต่พูดถึงสิ่งที่คนทำงานจริงกำลังเจออยู่ทุกวัน คำว่า context compaction กับ harness optimization ในคาบ 6 ผมมองว่าไม่ใช่ศัพท์วิชาการ แต่เป็นปัญหาที่คนใช้เอเจนต์เจอจริงเวลาบทสนทนายาวขึ้นเรื่อย ๆ ในรายชื่อหัวข้อของคาบ 6 มีทั้ง Context compaction และ Harness optimization อยู่ตรง ๆ[4] Cheat sheet แปลไทยแล้วด้วย คอร์สนี้มีเอกสารสรุปที่เรียกว่า cheat sheet ซึ่งผู้สอนบอกว่าเพิ่งอัปเดตเมื่อไม่กี่สัปดาห์ก่อน และตั้งใจให้ทันสมัยที่สุด เพื่อใช้ทบทวนก่อนสอบ[2] จุดที่น่าสนใจคือมันถูกแปลเป็นหลายภาษา และในคลิปผู้สอนบอกว่าตอนนี้มีราว 15 ภาษา รวมภาษาอังกฤษ[2] ตัวเอกสารรุ่นล่าสุดเปิดให้ดาวน์โหลดได้จากหน้า cheatsheet ของคอร์สโดยตรง[9] ถ้าเข้าไปดูในที่เก็บโค้ดของคอร์ส จะเห็นโฟลเดอร์แยกตามรหัสภาษา และมีโฟลเดอร์ th ซึ่งเป็นเวอร์ชันภาษาไทยอยู่จริง มีไฟล์ชื่อ cheatsheet-transformers-large-language-models.pdf[6][7] ส่วนตำราเรียนของคอร์สมีชื่อว่า Super Study Guide: Transformers & Large Language Models ซึ่งหอสมุด Stanford มีให้ยืม และมีขายออนไลน์ด้วย[1][8] ถ้าจะเริ่ม ควรเริ่มยังไง คอร์สนี้บอกไว้เองว่าผู้เรียนที่เหมาะไม่จำเป็นต้องเป็นนักวิจัย ผู้สอนระบุกลุ่มเป้าหมายกว้าง ๆ สามกลุ่ม คือคนที่อยากเป็นนักวิจัยและต้องการเห็นเทคนิคที่ใช้จริง กลุ่มที่อยากทำโปรเจกต์ส่วนตัวและควรรู้ว่าตัวช่วยเขียนโค้ดทำอะไรได้กับทำอะไรไม่ได้ และกลุ่มสุดท้ายคือคนทำงานตำแหน่งใดก็ตามที่ต้องมีความรู้เรื่อง AI เพราะผู้สอนมองว่าการเข้าใจเครื่องมือเหล่านี้กำลังกลายเป็นเรื่องจำเป็น[2] ก่อนเข้าเรียนควรมีพื้นฐานพีชคณิตเชิงเส้น เช่นรู้จักเมทริกซ์และการคูณเมทริกซ์ กับพื้นฐานแมชชีนเลิร์นนิง เช่นรู้จักฟังก์ชันสูญเสีย โครงข่ายประสาท และ embedding[2] ถ้าพื้นฐานยังไม่แน่น ผู้สอนก็บอกว่าคอร์สจะอธิบายเรื่อง embedding ให้อยู่แล้ว แค่มีพื้นฐานมาก่อนจะช่วยให้ตามทันง่ายขึ้น ในทางปฏิบัติ ผมแนะนำว่าเริ่มจากดูคาบแรกให้จบก่อน แล้วค่อยเปิด cheat sheet ประกอบ เพราะคาบแรกเป็นคาบที่แน่นที่สุดตามที่ผู้สอนยอมรับเองว่าเป็นคาบที่ยากที่สุดในแง่จำนวนแนวคิด[2] หลังจากนั้นค่อยเลือกว่าจะดูคาบไหนต่อตามความสนใจ ถ้าอยากเข้าใจว่าทำไมแชตบอตตอบแปลก ๆ ให้ดูคาบ 2 ถ้าสนใจว่าจะทำให้โมเดลเก่งขึ้นทำยังไง ให้ดูคาบ 3 และ 4 ถ้าอยากเข้าใจว่าทำไมรันโมเดลใหญ่ ๆ ได้บนเครื่องเล็ก ไปคาบ 5 และถ้าสนใจเรื่องเอเจนต์โดยตรง คาบ 6 คือคาบที่ควรจับตาไว้ ทั้งหมดนี้ฟรี ไม่ต้องสมัคร ไม่ต้องใช้บัตรเครดิต เปิดดูได้เลยจากบ้านหรือที่ไหนก็ได้ แล้วคุณล่ะ คำถามที่ผมอยากฝากไว้คือ เวลาคุณใช้ AI ช่วยทำงาน คุณอยากเข้าใจมันลึกแค่ไหน แค่ใช้เป็น กับเข้าใจว่ามันทำอะไรอยู่ข้างใน สองอย่างนี้ให้ผลต่างกันมากเวลางานมีปัญหา ถ้าคุณเคยดูคอร์สนี้ หรือมีคอร์สอื่นที่ช่วยให้เข้าใจ LLM ได้ดี เล่าให้ฟังได้ว่าตัวไหนคุ้มค่าที่สุด แหล่งอ้างอิง [1] Stanford University, "CME 295 - Transformers & Large Language Models", cme295.stanford.edu, 2026. cme295.stanford.edu [2] Afshine Amidi และ Shervine Amidi, "Stanford CME295 Transformers & LLMs | Autumn 2026 | Lecture 1 - Transformers", Stanford Online (YouTube), 28 กันยายน 2026. youtube.com [3] Stanford University, "CME 295 Course staff", cme295.stanford.edu, 2026. cme295.stanford.edu [4] Stanford University, "Syllabus", cme295.stanford.edu, 2026. cme295.stanford.edu [5] Ashish Vaswani และคณะ, "Attention Is All You Need", arXiv, 2017. arxiv.org [6] Afshine Amidi และ Shervine Amidi, "stanford-cme-295-transformers-large-language-models", GitHub, 2026. afshinea/stanford-cme-295-transformers-large-language-models [7] Afshine Amidi และ Shervine Amidi, "สรุปเนื้อหาเรื่องตัวแปลงและแบบจำลองภาษาขนาดใหญ่ สำหรับรายวิชา CME 295 ม.สแตนฟอร์ด", GitHub (โฟลเดอร์ th), 2025. github.com/afshinea/stanford-cme-295-transformers… [8] Afshine Amidi และ Shervine Amidi, "Super Study Guide: Transformers & Large Language Models", superstudy.guide, 2024. superstudy.guide [9] Stanford University, "Cheatsheet", cme295.stanford.edu, 2026. cme295.stanford.edu

CME295 全程英文授课，YouTube 字幕可以选自动翻译成中文。 👉🏻 第 1 讲指路 youtube.com 📄 中文速查表 github.com/afshinea/stanford-cme-295-transformers… t.co