FakeGuard-TH

เจ้าของผลงานเล่าไว้แบบนี้

https://fake-guard-th.vercel.app # FakeGuard-TH 🛡️ ต้นแบบระบบตรวจสอบความน่าเชื่อถือของข่าวภาษาไทยด้วย Machine Learning — โครงงาน JSTP รุ่นที่ 29: *การเปรียบเทียบประสิทธิภาพของ WangchanBERTa, Support Vector Machine และ Random Forest ในการตรวจจับข่าวปลอมภาษาไทยบนโซเชียลมีเดีย* ผู้พัฒนา: ปริพัฒน์ รอดหยู่ (โรงเรียนสวนกุหลาบวิทยาลัย) · อาจารย์ที่ปรึกษา: ครูนิภารัตน์ รูปไข่ มีการใช้ AI (Claude) ช่วยค้นคว้างานวิจัย ตรวจภาษา และช่วยเขียนโค้ด ## สถาปัตยกรรม ``` ml/ Data & ML pipeline (Python) — เก็บข้อมูล → สร้าง dataset → เทรน 3 โมเดล → เปรียบเทียบ models/ Model artifacts + metrics.json backend/ FastAPI (port 8000) — โหลดโมเดล ให้บริการ /api/predict, /api/models frontend/ Next.js (port 3000) — หน้าตรวจข่าว / dashboard / about (เรียก API เท่านั้น) ``` ## วิธีรันตั้งแต่ต้น ```bash # 0) เตรียม environment (ครั้งเดียว) python3 -m venv .venv .venv/bin/pip install -r ml/requirements.txt -r backend/requirements.txt sentencepiece accelerate cd frontend && npm install && cd .. # 1) Data pipeline (ครั้งเดียว หรือเมื่ออยากอัปเดตข้อมูล) .venv/bin/python ml/src/collect_afnc_opendata.py # ดึงข้อมูล AFNC 2563-2567 (~5 นาที) .venv/bin/python ml/src/build_dataset.py # สร้าง dataset สมดุล 500:500 .venv/bin/python ml/src/preprocess.py # แบ่ง train/test + EDA # 2) เทรนโมเดล cd ml/src ../../.venv/bin/python train_baseline.py # SVM + Random Forest (~1 นาที) ../../.venv/bin/python train_wangchanberta.py # fine-tune (~15-30 นาทีบน Apple Silicon) ../../.venv/bi

โดย potter59163 · ดูโพสต์ต้นทาง