🕵️ THE SILENT THREAT — Hackathon Mission (hackathon#1)

"Behind the screen, a silent war is raging." ภารกิจสืบสวน Incident Response — วิเคราะห์ Access Log ของระบบ NexusCart ขนาด 1.4 GB / 21,146,398 บรรทัด เพื่อตามล่ากลุ่มแฮกเกอร์ และถอดชื่อจริงของคนร้าย

📦 รีโพนี้รวม 2 โปรเจกต์: ส่วนแรก hackathon#1 — THE SILENT THREAT (Log Forensics · awk/grep/sed) · ส่วนที่สอง hackathon#2 — 👃 E-Nose Odor Detection (Machine Learning · Python) อยู่ถัดลงไปด้านล่าง

🎯 ภารกิจ (Mission Objectives)

#	ภารกิจ	คำตอบ
1	WHO ARE THEY? — ระบุ IP ทั้งหมดของกลุ่มแฮกเกอร์	19 IP (botnet)
2	WHEN & HOW? — หา Pattern และช่วงเวลาที่ระบบผิดปกติ	412 วัน · ล่ม 302 / หน่วง 131
3	TELL PEOPLE — แสดงผลเป็น Web App (Dashboard)	`dashboard.html`
4	HIDDEN BONUS — ตามหาชื่อจริงของคนร้าย	`GOEMON`

📂 โครงสร้างไฟล์ (Files)

ไฟล์	คำอธิบาย
`dashboard.html`	🌐 เว็บแดชบอร์ดนำเสนอผล (เปิดได้เลย ออฟไลน์ 100% รองรับ TH/EN)
`solution.txt` / `solution.sh.zip`	🐚 สคริปต์ bash วิเคราะห์ทั้งหมด (อ่านได้จาก `.txt` · ไฟล์รันอยู่ใน `.sh.zip`) รันซ้ำได้
`attackers.csv`	ข้อมูล 19 IP คนร้าย + สถิติ status / ช่วงเวลา
`attackers_ip_list.txt`	รายชื่อ IP คนร้ายล้วน (19 รายการ)
`timeline_daily.csv`	ไทม์ไลน์รายวันครบ 731 วัน (2024-06-10 → 2026-06-10) — โจมตี 412 วัน
`attack_by_hour.csv`	สรุปการโจมตีราย "ชั่วโมง" (00–23) แยกล่ม (500/504) / หน่วง (200 > 5s)
`attack_by_weekday.csv`	สรุปการโจมตีราย "วันในสัปดาห์" + จำนวนวันจริงที่ถูกโจมตี
`weekday_hour_analysis.py`	สคริปต์ Python วิเคราะห์ ชั่วโมง × วัน พร้อม heatmap
`flowchart_hackathon1.png` / `.mmd`	🗺️ ผังกระบวนการสืบสวน (ภาพ PNG + ซอร์ส Mermaid)

⚠️ ไฟล์ข้อมูลดิบ cart_web.log (1.4 GB · 21,146,398 บรรทัด) ไม่ได้รวมไว้ในรีโพเพราะมีขนาดใหญ่

🔬 วิธีการสืบสวน (Methodology)

วิเคราะห์ด้วย command-line ของ Linux ล้วน (awk, grep, sed) — ไม่ใช้ฐานข้อมูลหรือ AI แนวคิดหลัก: "request ปกติ → ตอบเร็ว + status 200 · request โจมตี → ตอบช้า + error"

โครงสร้าง log (6 fields คั่นด้วย |):

2024-06-10 04:17:43 | 39.3.141.152 | POST | /checkout | 200 | 122
   timestamp         |      IP       | method|   url    |status| response_time(ms)

🗺️ Flowchart การทำงาน (hackathon#1)

flowchart TD
    START(["▶️ START<br/>ได้รับโจทย์ Incident Response<br/>วิเคราะห์ Access Log NexusCart (1.4 GB)"])
    A["🔍 STEP 00 · ตามหาไฟล์ที่ซ่อน<br/>ls -lt → grep 'hackathon#1'"]
    B["📖 STEP 0 · รู้จักไฟล์<br/>head / tail / wc -l<br/>21,146,398 บรรทัด · 6 fields"]
    C["💥 STEP 1 · WHO<br/>กรอง status ≥ 500 แล้วนับต่อ IP<br/>→ 19 IP botnet (~283k error/ตัว)"]
    D["⏰ STEP 2 · WHEN/HOW<br/>นับวันล่ม (500/504) + วันหน่วง (200 ช้า > 5s)<br/>→ 412 วัน · หน่วงพีก 10–15 น. (จ./อ./พฤ.)"]
    E["✔️ STEP 3 · VERIFY<br/>grep 'hackathon#1' เจอบรรทัดเดียว<br/>→ หัวโจก 197.82.237.190"]
    F["🏴‍☠️ STEP 4 · HIDDEN BONUS<br/>ดึงตัวอักษรท้าย URL ของหัวโจก → ยุบ RLE (sed)<br/>→ ถอดชื่อ GOEMON"]
    G["🌐 OUTPUT · TELL PEOPLE<br/>dashboard.html · กราฟครบ · TH/EN · ออฟไลน์ 100%"]
    END(["🏁 END · ปิดคดี<br/>คนร้าย = GOEMON<br/>ส่งมอบ Dashboard นำเสนอผล"])

    START --> A --> B --> C --> D --> E --> F --> G --> END

    classDef startEnd fill:#111827,stroke:#000000,color:#ffffff,stroke-width:2px;
    classDef discover fill:#e0f2fe,stroke:#0284c7,color:#0c4a6e,stroke-width:1.5px;
    classDef who fill:#fee2e2,stroke:#dc2626,color:#7f1d1d,stroke-width:1.5px;
    classDef whenc fill:#ffedd5,stroke:#ea580c,color:#7c2d12,stroke-width:1.5px;
    classDef verify fill:#dcfce7,stroke:#16a34a,color:#14532d,stroke-width:1.5px;
    classDef bonus fill:#fae8ff,stroke:#c026d3,color:#701a75,stroke-width:1.5px;
    classDef output fill:#ede9fe,stroke:#7c3aed,color:#4c1d95,stroke-width:1.5px;

    class START,END startEnd;
    class A,B discover;
    class C who;
    class D whenc;
    class E verify;
    class F bonus;
    class G output;

STEP 00 — ตามหาไฟล์ที่อาจารย์ซ่อนไว้

ไฟล์ถูกซ่อนใน path /home/bootcamp/clmystery/mystery/streets/locked — ใช้ ls -lt หาไฟล์ที่เพิ่งถูกเพิ่ม แล้วยืนยันด้วย keyword

cd /home/bootcamp/clmystery/mystery/streets/locked
ls -lt                                 # เรียงตามเวลาล่าสุด → เจอ cart_web.log
grep -an "hackathon#1" cart_web.log    # ยืนยันว่าเป็นไฟล์เป้าหมายจริง

STEP 01 — WHO: หากลุ่ม IP คนร้าย

กรอง error (status ≥ 500) แล้วนับต่อ IP

awk -F' [|] ' '$5>=500{c[$2]++} END{for(i in c)print c[i],i}' cart_web.log | sort -rn | head -25

✅ พบ 19 IP ที่ยิงเท่ากันหมด (~283,000 error/ตัว) → botnet ทีมเดียวกัน

STEP 02 — WHEN & HOW: วิเคราะห์ Pattern ตามเวลา

แยกนับ "ล่ม" (500/504) และ "หน่วง" (200 + response > 5000ms)

# วันที่ระบบล่ม
awk -F' [|] ' '$5>=500{c[substr($1,1,10)]++} END{for(d in c)print d,c[d]}' cart_web.log | sort
# วันที่ระบบหน่วง
awk -F' [|] ' '$5==200 && $6>5000{c[substr($1,1,10)]++} END{for(d in c)print d,c[d]}' cart_web.log | sort

✅ โจมตี 412 วัน → ล่ม 302 วัน + หน่วง 131 วัน (เกิดทั้งสองในวันเดียว 21 วัน)

"ล่ม" (500/504) กระจายตัวทุกชั่วโมง/ทุกวันสม่ำเสมอ
"หน่วง" (200 ช้า > 5s) เจาะจงมาก — เกิดเฉพาะชั่วโมง 10, 11, 13, 14, 15 น. (เว้นเที่ยง 12:00) และเฉพาะวัน จันทร์ / อังคาร / พฤหัสบดี เท่านั้น

STEP 03 — VERIFY: ยืนยันไฟล์จริง + หาหัวโจก

grep -an "hackathon#1" cart_web.log

✅ keyword hackathon#1 ฝังในไฟล์แค่ บรรทัดเดียว ผูกกับ IP 197.82.237.190 = หัวโจก

STEP 04 — HIDDEN BONUS: ถอดชื่อคนร้าย

คนร้ายฝัง "ลายเซ็นดิจิทัล" โดยเติมตัวอักษร 1 ตัวท้าย URL (/productsE) ยิงซ้ำแบบ Run-Length Encoding → ดึงตัวท้ายมาต่อกัน แล้วยุบตัวซ้ำด้วย sed

grep -a "| 197.82.237.190 |" cart_web.log \
 | awk -F' [|] ' '{u=$4; sub(/\.html$/,"",u);
     b=substr(u,1,length(u)-1);
     if(b ~ /^\/(search|cart|checkout|products|index|api\/v1\/user)$/)
        printf "%s", substr(u,length(u),1)}' \
 | sed 's/\(.\)\1*/\1/g' | tr '_' ' '

✅ ถอดได้ข้อความเต็ม (run-length ยุบตัวซ้ำ ทำให้ TOO→TO, FALLING→FALING):

NEXUS CART WAS TOO EASY. YOUR SYSTEM WAS ALREADY FALLING APART
BEFORE YOU EVEN REALIZED. IT WAS ME — GOEMON

ข้อความนี้วนซ้ำต่อเนื่องตลอด log ของหัวโจก → ลายเซ็นปิดท้าย GOEMON

🏴‍☠️ คำตอบสุดท้าย (Final Answer)

ภารกิจ	ผลลัพธ์
🔍 WHO	19 IP — หัวโจก `197.82.237.190`
⏰ WHEN & HOW	2024-06-13 → 2026-06-10 · DDoS botnet · ล่ม 302 วัน / หน่วง 131 วัน · ช่วงหน่วงพีก 10:00–15:00 น. (เว้นเที่ยง · เฉพาะ จ./อ./พฤ.)
🏴‍☠️ HIDDEN BONUS	ชื่อคนร้าย = `GOEMON`

🎯 รายชื่อ IP คนร้ายทั้ง 19 ตัว

209.103.8.44     162.240.218.117  197.82.237.190 ★  215.143.100.205
199.242.130.73   119.123.55.141   148.9.19.27       187.91.79.110
196.45.2.86      199.71.56.65     14.121.165.122    202.129.225.117
211.92.75.1      95.125.101.128   14.252.124.193    80.130.43.26
139.94.203.41    12.104.185.44    131.33.12.73

★ = หัวโจก (ringleader) ที่ซ่อนชื่อ GOEMON ไว้

🚀 วิธีเปิด Dashboard

# macOS
open dashboard.html
# หรือดับเบิลคลิกไฟล์ใน File Explorer ได้เลย

Dashboard features:

📊 กราฟวิเคราะห์ครบ (IP, timeline, ชั่วโมง, HTTP status)
🎬 อนิเมชันถอดรหัส Secret Message แบบ live
🌐 ปุ่มสลับภาษา TH / EN
📴 ออฟไลน์ 100% — ฝัง Chart.js + ฟอนต์ในไฟล์ ไม่ต้องต่อเน็ต

🛠️ Tech Stack

bash · awk · grep · sed · Chart.js · HTML/CSS/JS

👃 E-Nose Odor Intensity Evaluation & Anomaly Detection

โปรเจกต์วิเคราะห์ข้อมูลและสร้างโมเดล Machine Learning เพื่อประเมินความเข้มข้นของกลิ่น (Dilution-to-Threshold: D/T Ratio) จากสถานีตรวจวัดกลิ่นต่อเนื่อง (Electronic Nose) เพื่อตรวจจับเหตุการณ์ผิดปกติ (Anomaly Detection) และสนับสนุนการตัดสินใจของหน้างาน (โรงงาน/โรงบำบัดน้ำเสีย) ในการตอบสนองต่อข้อร้องเรียนของชุมชนรอบข้างได้อย่างมีหลักฐานและรวดเร็ว

📌 บริบทและเป้าหมายของโครงการ (Research Goal)

หน้างานประสบปัญหาชุมชนรอบข้างร้องเรียนเรื่องกลิ่นรบกวนบ่อยครั้ง ผู้บริหารและผู้จัดการจึงต้องการเครื่องมือที่ช่วยให้:

เข้าใจสถานการณ์ความรุนแรงของกลิ่นจากข้อมูล Sensor ทั้ง 8 ตัว และปัจจัยสภาพอากาศ
ตอบข้อร้องเรียนจากชุมชนได้อย่างมีหลักฐานอ้างอิงทางวิทยาศาสตร์
ตัดสินใจแก้ปัญหาได้ทันท่วงทีว่าควรเข้าตรวจสอบและแก้ไขที่จุดใด เมื่อใด

เป้าหมายสูงสุด: "ประเมินความเข้มข้นของกลิ่น (D/T) จากค่าของ sensor ทั้ง 8 ตัว และตรวจจับช่วงเวลาที่กลิ่นผิดปกติ เพื่อสนับสนุนการตัดสินใจของหน้างาน"

🛠️ กระบวนการทำงาน (Data Science Process)

โครงการนี้ดำเนินการตามกระบวนการ Data Science Process ทั้งหมด 6 ขั้นตอน ดังนี้:

🗺️ Flowchart การทำงาน (hackathon#2)

flowchart TD
    START(["▶️ START<br/>ข้อมูลดิบจากสถานี E-Nose"])
    S1["1️⃣ Setting Research Goal<br/>ตั้งโจทย์ Regression · ทำนายค่า D/T"]
    S2["2️⃣ Retrieving Data<br/>Export.csv · 130,343 แถว × 17 คอลัมน์<br/>(2026-02-12 → 05-14 · ทุก 1 นาที)"]
    S3["3️⃣ Data Cleaning<br/>skip บรรทัด 'sep=,' · parse datetime/numeric<br/>ลบ marker 'hackathon#2' (1 แถว) · ลบ 421 แถว sensor ว่างทั้ง 8"]
    S4["4️⃣ EDA<br/>trend · spike · correlation<br/>(8 sensor + อากาศ เทียบ D/T)"]
    S5{"5️⃣ Modeling + Evaluation<br/>เทียบ MAE / RMSE / R²"}
    M1["✅ HistGradientBoosting<br/>R² 0.86 (ดีที่สุด)"]
    M2["Random Forest<br/>R² 0.83"]
    M3["Linear Regression<br/>R² −0.49"]
    S6["6️⃣ Presentation · Automation · Action"]
    O1["🚦 ทำนาย D/T → Alert<br/>Low / Medium / High"]
    O2["💾 best_odor_model.pkl<br/>+ odor_alert_sample.csv"]
    END(["🏁 END · พร้อมใช้งานหน้างาน<br/>แจ้งเตือนกลิ่นแบบ real-time"])

    START --> S1 --> S2 --> S3 --> S4 --> S5
    S5 -->|"เลือกใช้"| M1
    S5 -->|"เทียบแล้วแพ้"| M2
    S5 -->|"เทียบแล้วแพ้"| M3
    M1 --> S6
    S6 --> O1
    S6 --> O2
    O1 --> END
    O2 --> END

    classDef startEnd fill:#111827,stroke:#000000,color:#ffffff,stroke-width:2px;
    classDef goal fill:#e0e7ff,stroke:#4f46e5,color:#312e81,stroke-width:1.5px;
    classDef data fill:#e0f2fe,stroke:#0284c7,color:#0c4a6e,stroke-width:1.5px;
    classDef clean fill:#fef9c3,stroke:#ca8a04,color:#713f12,stroke-width:1.5px;
    classDef eda fill:#dcfce7,stroke:#16a34a,color:#14532d,stroke-width:1.5px;
    classDef decision fill:#fde68a,stroke:#d97706,color:#78350f,stroke-width:2px;
    classDef winner fill:#bbf7d0,stroke:#15803d,color:#14532d,stroke-width:2.5px;
    classDef rejected fill:#f3f4f6,stroke:#9ca3af,color:#6b7280,stroke-width:1px,stroke-dasharray:4 3;
    classDef action fill:#ede9fe,stroke:#7c3aed,color:#4c1d95,stroke-width:1.5px;
    classDef output fill:#cffafe,stroke:#0891b2,color:#164e63,stroke-width:1.5px;

    class START,END startEnd;
    class S1 goal;
    class S2 data;
    class S3 clean;
    class S4 eda;
    class S5 decision;
    class M1 winner;
    class M2,M3 rejected;
    class S6 action;
    class O1,O2 output;

Step 1 — Setting the Research Goal

กำหนดโจทย์ธุรกิจและตัวชี้วัด แปลงปัญหาเรื่องกลิ่นรบกวนให้เป็นโจทย์การทำ Regression เพื่อทำนายค่าความเข้มข้นของกลิ่น (D/T)

Step 2 — Retrieving Data

ข้อมูลดิบมาจากไฟล์ Export.csv ซึ่งบันทึกค่าจากสถานี E-Nose ทุกๆ 1 นาที ต่อเนื่องเป็นเวลาประมาณ 91 วัน
ขนาดข้อมูลเริ่มต้น: 130,343 แถว, 17 คอลัมน์ (ช่วงเวลา 2026-02-12 ถึง 2026-05-14)
สิ่งที่พบจากการสำรวจเบื้องต้น (Initial Exploration):
- พบ Excel Dialect (sep=,) ในบรรทัดแรกของไฟล์
- มีข้อมูลสูญหาย (Missing Values) ของกลุ่ม Sensor อยู่ประมาณ 0.32% (421 แถว)
- คอลัมน์ Smell Prediction มีข้อมูลเป็น NaN ถึง 34% และมีเพียงค่าเดี่ยวคือ "Ambient" ไม่สะท้อนโปรไฟล์กลิ่นอื่น จึงตัดสินใจใช้ D/T เป็น Target Variable แทน

Step 3 — Data Preparation & Cleaning

ทำการ Skip Row แรกเพื่อโหลดข้อมูลให้ถูกต้อง และตัดช่องว่าง (Whitespace) ออกจากชื่อคอลัมน์
แปลงคอลัมน์ Time ให้เป็น Datetime object และคอลัมน์ที่เหลือให้เป็น Numeric type
ลบแถวที่เป็นข้อมูลประเภท Marker ซึ่งไม่ใช่ข้อมูลจริงออก (เช่น แถวที่มีค่า hackathon#2)
จัดการกับแถวที่ Sensor ทั้ง 8 ตัวว่างพร้อมกัน (NaN) โดยการลบออกเนื่องจากเป็นสัญญาณรบกวนหรือช่วงเครื่องดับ (ระบบ Error)

Step 4 — Data Exploration (EDA)

วิเคราะห์แนวโน้มค่าความเข้มข้นของกลิ่น (D/T) ตามช่วงเวลาเพื่อหา Pattern และ Cycle ของกลิ่น
ตรวจสอบช่วงเวลาที่ค่าความเข้มข้นของกลิ่นพุ่งสูงผิดปกติ (Spike) เพื่อระบุเหตุการณ์ Anomaly
วิเคราะห์ความสัมพันธ์ (Correlation Matrix) ระหว่างค่าจาก Sensor ทั้ง 8 ตัว, สภาพอากาศ (ทิศทางลม, ความเร็วลม, อุณหภูมิ, ความชื้น, ความกดอากาศ, PM 2.5) และค่า Target D/T

Step 5 — Data Modeling & Evaluation

พัฒนาโมเดล Machine Learning เพื่อทำนายค่า D/T Ratio โดยใช้ Features จากค่า Sensor, ข้อมูลสภาพอากาศ และข้อมูลกลุ่มเวลา (Time-based features)
เปรียบเทียบประสิทธิภาพของโมเดลหลากประเภท และประเมินผลด้วย Metrics มาตรฐาน:
- Mean Absolute Error (MAE)
- Root Mean Squared Error (RMSE)
- R-squared ($R^2$) เพื่อเลือกโมเดลที่ดีที่สุดไปใช้งาน

ผลการเปรียบเทียบโมเดล (ทำนายค่า D/T):

โมเดล	MAE	RMSE	R²
HistGradientBoosting ★	0.3581	0.4998	0.8612
Random Forest	0.4129	0.5570	0.8276
Linear Regression	1.3971	1.6392	−0.4931

★ โมเดลที่ดีที่สุด (RMSE ต่ำสุด · R² = 0.86) บันทึกไว้ที่ best_odor_model.pkl Linear Regression ได้ R² ติดลบ เพราะ extrapolate ช่วงกลิ่นแรงที่ไม่เคยเห็นไม่ได้ — โมเดลแบบ tree (RF/HGB) รับมือได้ดีกว่า

ทดสอบพยากรณ์ล่วงหน้า (Model เทียบ Persistence baseline):

Horizon	Persistence RMSE	Model RMSE	ผู้ชนะ
30 นาที	0.7585	0.9152	Persistence
60 นาที	0.9980	1.0659	Persistence
120 นาที	1.3272	1.2543	Model
180 นาที	1.5845	1.4774	Model

สรุป: ระยะสั้น (30–60 นาที) ใช้ persistence ก็เพียงพอ — แต่ตั้งแต่ ~2 ชั่วโมงขึ้นไป โมเดลเริ่มชนะ (ที่ 120 นาที ดีกว่า 5.5%) เพราะ persistence ตามแนวโน้มขาขึ้นของกลิ่นไม่ทัน

Step 6 — Presentation, Automation & Action

นำเสนอผลลัพธ์ผ่านกราฟเปรียบเทียบค่าจริง (Actual) และค่าทำนาย (Predicted) เพื่อดูความแม่นยำ
Export ผลลัพธ์การทำนายออกมาเป็นไฟล์ .csv สำหรับระบบอื่นนำไปใช้งานต่อ
สร้างฟังก์ชันอัตโนมัติ (Automation Function): สำหรับรับข้อมูลชุดใหม่ (New data entry) เข้ามาทำนายค่า D/T ทันที พร้อมแปลงผลลัพธ์เป็นระดับการแจ้งเตือนกลิ่น (Odor Alert Levels) ได้แก่ Low, Medium, และ High

📊 โครงสร้างข้อมูล (Data Features)

ชื่อฟีเจอร์	รายละเอียด
`Time`	วันและเวลาที่บันทึกข้อมูล (บันทึกทุก 1 นาที)
`D/T`	Dilution-to-Threshold (ค่าความเข้มข้นของกลิ่น - Target)
`Sensor 1 - 8`	ค่าสัญญาณจากเซนเซอร์ตรวจวัดก๊าซทั้ง 8 ตัวของระบบ E-Nose
`Wind Direction` / `Wind Speed`	ทิศทางและความเร็วลม ณ ขณะนั้น
`Temperature` / `Relative Humidity`	อุณหภูมิและความชื้นสัมพัทธ์ในอากาศ
`PM 2.5` / `Atmospheric Pressure`	ปริมาณฝุ่น PM2.5 และความกดอากาศ

📂 โครงสร้างไฟล์ (Files — hackathon#2)

ไฟล์	คำอธิบาย
`enose_analysis_improved.ipynb`	📓 Notebook วิเคราะห์หลัก (Data Science Process ครบ 6 ขั้นตอน)
`Export.csv`	ข้อมูลดิบจากสถานี E-Nose — 130,343 แถว × 17 คอลัมน์
`best_odor_model.pkl`	🤖 โมเดลที่ดีที่สุด (HistGradientBoosting) พร้อมใช้งาน
`odor_alert_sample.csv`	ตัวอย่างผลพยากรณ์ + ระดับแจ้งเตือน (Low / Medium / High)
`odor_presentation.pdf`	🖥️ สไลด์นำเสนอผลโครงการ
`flowchart_hackathon2.png` / `.mmd`	🗺️ ผัง Data Science Process (ภาพ PNG + ซอร์ส Mermaid)

⚠️ ไฟล์ Export.csv ขึ้นต้นด้วยบรรทัด Excel dialect sep=, (ต้อง skip ก่อนโหลด) และมี marker hackathon#2 แฝงอยู่ 1 แถว ซึ่งถูกลบออกตอนทำความสะอาดข้อมูล

💻 การติดตั้งและเริ่มต้นใช้งาน (Getting Started)

Prerequisites

โปรแกรมและไลบรารีที่จำเป็นต้องใช้:

python >= 3.8
pandas · numpy · scikit-learn · matplotlib · seaborn · jupyterlab

วิธีรัน

# 1) ติดตั้งไลบรารี
pip install pandas numpy scikit-learn matplotlib seaborn jupyterlab

# 2) เปิด Notebook วิเคราะห์
jupyter lab enose_analysis_improved.ipynb

# 3) (ทางเลือก) โหลดโมเดลที่เทรนไว้แล้วเพื่อทำนายทันที
python -c "import pickle; m=pickle.load(open('best_odor_model.pkl','rb')); print(m)"

🛠️ Tech Stack (hackathon#2)

Python · pandas · numpy · scikit-learn (HistGradientBoosting) · matplotlib · seaborn · Jupyter

Together, we secure tomorrow. 🛡️

HackathonGroup3 · The Silent Threat (hackathon#1) · E-Nose Odor Detection (hackathon#2)

Name		Name	Last commit message	Last commit date
hackathon#1		hackathon#1
hackathon#2		hackathon#2
.gitignore		.gitignore
LICENSE		LICENSE
README.md		README.md

Navigation Menu

Repository navigation

About

Repository files navigation

🕵️ THE SILENT THREAT — Hackathon Mission (hackathon#1)

🎯 ภารกิจ (Mission Objectives)

📂 โครงสร้างไฟล์ (Files)

🔬 วิธีการสืบสวน (Methodology)

🗺️ Flowchart การทำงาน (hackathon#1)

STEP 00 — ตามหาไฟล์ที่อาจารย์ซ่อนไว้

STEP 01 — WHO: หากลุ่ม IP คนร้าย

STEP 02 — WHEN & HOW: วิเคราะห์ Pattern ตามเวลา

STEP 03 — VERIFY: ยืนยันไฟล์จริง + หาหัวโจก

STEP 04 — HIDDEN BONUS: ถอดชื่อคนร้าย

🏴‍☠️ คำตอบสุดท้าย (Final Answer)

🎯 รายชื่อ IP คนร้ายทั้ง 19 ตัว

🚀 วิธีเปิด Dashboard

🛠️ Tech Stack

👃 E-Nose Odor Intensity Evaluation & Anomaly Detection

📌 บริบทและเป้าหมายของโครงการ (Research Goal)

🛠️ กระบวนการทำงาน (Data Science Process)

🗺️ Flowchart การทำงาน (hackathon#2)

Step 1 — Setting the Research Goal

Step 2 — Retrieving Data

Step 3 — Data Preparation & Cleaning

Step 4 — Data Exploration (EDA)

Step 5 — Data Modeling & Evaluation

Step 6 — Presentation, Automation & Action

📊 โครงสร้างข้อมูล (Data Features)

📂 โครงสร้างไฟล์ (Files — hackathon#2)

💻 การติดตั้งและเริ่มต้นใช้งาน (Getting Started)

Prerequisites

วิธีรัน

🛠️ Tech Stack (hackathon#2)

About

Releases

Packages

Contributors

Languages

Latest commit

History

Folders and files

Repository files navigation

🕵️ THE SILENT THREAT — Hackathon Mission (hackathon#1)

🎯 ภารกิจ (Mission Objectives)

📂 โครงสร้างไฟล์ (Files)

🔬 วิธีการสืบสวน (Methodology)

🗺️ Flowchart การทำงาน (hackathon#1)

STEP 00 — ตามหาไฟล์ที่อาจารย์ซ่อนไว้

STEP 01 — WHO: หากลุ่ม IP คนร้าย

STEP 02 — WHEN & HOW: วิเคราะห์ Pattern ตามเวลา

STEP 03 — VERIFY: ยืนยันไฟล์จริง + หาหัวโจก

STEP 04 — HIDDEN BONUS: ถอดชื่อคนร้าย

🏴‍☠️ คำตอบสุดท้าย (Final Answer)

🎯 รายชื่อ IP คนร้ายทั้ง 19 ตัว

🚀 วิธีเปิด Dashboard

🛠️ Tech Stack

👃 E-Nose Odor Intensity Evaluation & Anomaly Detection

📌 บริบทและเป้าหมายของโครงการ (Research Goal)

🛠️ กระบวนการทำงาน (Data Science Process)

🗺️ Flowchart การทำงาน (hackathon#2)

Step 1 — Setting the Research Goal

Step 2 — Retrieving Data

Step 3 — Data Preparation & Cleaning

Step 4 — Data Exploration (EDA)

Step 5 — Data Modeling & Evaluation

Step 6 — Presentation, Automation & Action

📊 โครงสร้างข้อมูล (Data Features)

📂 โครงสร้างไฟล์ (Files — hackathon#2)

💻 การติดตั้งและเริ่มต้นใช้งาน (Getting Started)

Prerequisites

วิธีรัน

🛠️ Tech Stack (hackathon#2)

About

Topics

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages