เป็นศูนย์รวมการแลกเปลี่ยนความรู้เกี่ยวกับ อินเทอร์เน็ตของทุกสรรพสิ่ง (IoT & Ardruino) , Data Mining & Rapid Miner ,การเขียนโปรแกรมด้วยภาษาไพธอน, การเขียนโปรแกรมภาษา Visual Basic.net ด้วย Microsoft Visual Studio.net 2005 - 2008 - 2019 กับการใช้งาน MS-SQL Server , การเขียนโปรแกรมด้วยภาษา Java & NetBean IDE , การพัฒนาเว็บแอพลิเคชั่นด้วยภาษา PHP & MySQL, การพัฒนาโปรแกรมบนอุปกรณเคลื่อนที่ Android , iOS, React , IOnic , Google Flutter, การเรียนรู้ของเครื่อง ML , Deep-Learning และ E-Learning ที่ดีที่สุด +++ , ศูนย์รวมเนื้อหารายวิชาต่าง ๆ โดย ผู้ช่วยศาสตราจารย์ ดร. นัฐพงศ์ ส่งเนียม ได้แก่ : วิชาการวิเคราะห์และออกแบบระบบเชิงวัตถุ , วิชาการเขียนโปรแกรมเชิงวัตถุ , วิชาเหมืองข้อมูล , วิชาอินเทอร์เน็ตของทุกสรรพสิ่ง , วิชาการเขียนโปรแกรมเชิงภาพ , วิชาการวิเคราะห์และออกแบบอัลกอริทึม ฯลฯ
จำนวนผู้เยี่ยมชม ::
อ่านต่อ..
สป. |
เนื้อหา |
กิจกรรม/สื่อ |
ดาวน์โหลด |
1 |
แนะนำการเรียนการสอน แนะนำเนื้อหารายวิชา การเข้าชั้นเรียน การส่งโครงงาน แบบฝึกหัด การสอบระหว่างภาค การสอบปลายภาค เกณฑ์การให้คะแนน การตัดเกรด เอกสารและตำราหลัก แหล่งข้อมูลเพื่ออ่านเพิ่มเติม {บอก Concept} |
- ทบทวนความรู้พื้นฐานสไลด์ประกอบการเรียนการสอนด้วย MS-PowerPoint
- Course Syllabus
- บรรยาย อภิปราย
- แบ่งกลุ่มสำหรับทำโครงงานกลุ่ม
- สื่อวิดีโอ / YouTube
- สร้างกลุ่มไลน์ (LINE GROUP) สำหรับสื่อสารระหว่างผู้สอนและผู้เรียน
|
Course Syllabus
สมุดคู่มือเรียนรู้ |
2 |
บทที่ 1: แนะนำการทำเหมืองข้อมูล
1.1 ความหมายของการทำเหมืองข้อมูล
การทำเหมืองข้อมูลคือกระบวนการที่นำข้อมูลมาวิเคราะห์เพื่อค้นหาความรู้, ความสัมพันธ์, หรือลูกแบบที่ซ่อนอยู่ภายในข้อมูล เพื่อช่วยในการตัดสินใจหรือทำนายผลลัพธ์ต่าง ๆ
1.2 วิวัฒนาการการทำเหมืองข้อมูล
การทำเหมืองข้อมูลได้รับความสนใจมากขึ้นในช่วงไม่กี่ทศวรรษที่ผ่านมา, มีการพัฒนาเทคนิคและเครื่องมือที่ทำให้การทำเหมืองข้อมูลเป็นไปได้มากขึ้น
1.3 ประเภทของการทำเหมืองข้อมูล
1. การทำเหมืองข้อมูลแบบทวิภาค (Descriptive Data Mining): การนำเสนอและอธิบายลักษณะของข้อมูล
2. การทำเหมืองข้อมูลแบบการจำแนก (Predictive Data Mining): การทำนายผลลัพธ์จากข้อมูล
3. การทำเหมืองข้อมูลแบบการสะท้อน (Prescriptive Data Mining): การให้คำแนะนำหรือแนวทางในการดำเนินการต่อไป
1.4 ประโยชน์ของการทำเหมืองข้อมูล
1. การค้นพบความรู้ (Knowledge Discovery): การค้นหาข้อมูลที่ซ่อนอยู่ในข้อมูลใหญ่
2. การทำนาย (Prediction): การใช้ข้อมูลเพื่อทำนายผลลัพธ์ที่อาจเกิดขึ้น
3. การตัดสินใจ (Decision Making): การให้ข้อมูลที่เป็นประโยชน์ในการตัดสินใจ
4. การพัฒนาธุรกิจ (Business Development): การนำข้อมูลมาใช้ในการพัฒนาธุรกิจ
1.5 ขั้นตอนการทำเหมืองข้อมูล
1. การเตรียมข้อมูล (Data Preparation): การเตรียมข้อมูลเพื่อให้พร้อมในการวิเคราะห์
2. การทำเหมืองข้อมูล (Data Mining): การใช้เทคนิคและเครื่องมือในการวิเคราะห์ข้อมูล
3. การประเมินผล (Evaluation): การประเมินความสำเร็จของการทำเหมืองข้อมูล
4. การใช้ความรู้ (Knowledge Utilization): การนำความรู้ที่ได้มาใช้ในการตัดสินใจหรือการปรับปรุง
1.6 เทคนิคในการทำเหมืองข้อมูล
1. การจำแนกข้อมูล (Classification): การแบ่งข้อมูลเป็นกลุ่มหรือหมวดหมู่
2. การสร้างกฎความสัมพันธ์ (Association Rule Mining): การค้นหาความสัมพันธ์ระหว่างข้อมูล
3. การจัดกลุ่ม (Clustering): การแบ่งข้อมูลให้อยู่ในกลุ่มที่มีความคล้ายคลึงกัน
4. การทำนาย (Prediction): การใช้ข้อมูลเพื่อทำนายผลลัพธ์
1.7 ซอฟต์แวร์สำหรับทำเหมืองข้อมูล
1. Weka: เป็นซอฟต์แวร์ที่ใช้เพื่อการทำเหมืองข้อมูลและวิเคราะห์ข้อมูล
2. RapidMiner: เครื่องมือที่ให้บริการการทำเหมืองข้อมูลและวิเคราะห์ข้อมูล
3. KNIME: ซอฟต์แวร์ที่ใช้สำหรับการทำเหมืองข้อมูลและการวิเคราะห์ข้อมูล
4. TensorFlow: เป็นไลบรารีสำหรับการพัฒนาและการทำงานกับโมเดลเรียนรู้ของเครื่อง
1.8 การประยุกต์ใช้การทำเหมืองข้อมูล
การทำเหมืองข้อมูลมีการประยุกต์ใช้หลายด้าน เช่น ในธุรกิจ, การแพทย์, วิทยาศาสตร์, และการศึกษา
สรุป
1.9 สรุปบทที่ 1
1.10 การต่อยอดและการศึกษาเพิ่มเติมในการทำเหมืองข้อมูล |
- ซักถามความรู้พื้นฐานของนักศึกษาเกี่ยวกับระบบเชิงวัตถุ
- สไลด์ประกอบการเรียนการสอนด้วย MS-PowerPoint
- บรรยาย อภิปราย
- สื่อวิดีโอ / YouTube และใช้สื่อประสม
|
TH
EN
VIDEOS
LAB
Chapter01
|
3 |
บทที่ 2: การเตรียมข้อมูล (Data Processing)
2.1 ปัญหาของข้อมูล
การทำงานกับข้อมูลมักพบปัญหาหลายประการ เช่น ข้อมูลที่หายไป (missing data), ข้อมูลที่ไม่ถูกต้อง, หรือข้อมูลที่ไม่สมบูรณ์
2.2 ขั้นตอนการเตรียมข้อมูล
1. Data Cleaning (การทำความสะอาดข้อมูล): ตรวจสอบและแก้ไขข้อมูลที่หายไปหรือไม่ถูกต้อง
2. Data Integration (การรวมข้อมูล): รวมข้อมูลจากหลายแหล่งที่มีรูปแบบต่าง ๆ เข้าด้วยกัน
3. Data Selection (การเลือกข้อมูล): เลือกเฉพาะข้อมูลที่เป็นประโยชน์ในการวิเคราะห์
4. Data Transformation (การแปลงข้อมูล): เปลี่ยนรูปแบบข้อมูลหรือสร้างข้อมูลใหม่ที่มีความหมาย
2.3 ประเภทของข้อมูลและชุดข้อมูล
2.3.1 ข้อมูลทางปริมาณ (Quantitative Data):** ข้อมูลที่มีค่าตัวเลข
2.3.2 ข้อมูลทางคุณภาพ (Qualitative Data):** ข้อมูลที่ไม่ใช่ตัวเลข เช่น ประเภทของข้อมูล
2.3.3 ชุดข้อมูล (Dataset):** ข้อมูลที่รวบรวมมาเพื่อวิเคราะห์
2.4 เทคนิคการเตรียมข้อมูล
2.4.1 การทำความสะอาดข้อมูล (Data Cleaning): การจัดการกับข้อมูลที่ขาดหายไปหรือผิดพลาด
2.4.2 การแปลงข้อมูล (Data Transformation): การเปลี่ยนรูปแบบข้อมูลหรือสร้างข้อมูลใหม่
2.4.3 การลดข้อมูล (Data Reduction): การลดขนาดข้อมูลหรือลดความซับซ้อน
2.4.5 การทำความเข้าใจข้อมูล (Data Understanding): การวิเคราะห์และเข้าใจลึกเกี่ยวกับลักษณะของข้อมูล
2.5 ตัวอย่างการเตรียมข้อมูล
2.5.1 การทำความสะอาดข้อมูล: ลบข้อมูลที่ซ้ำซ้อน, แก้ไขข้อมูลที่หายไป
2.6.2 การแปลงข้อมูล: แปลงประเภทข้อมูล, สร้างตัวแปรใหม่
2.6.3 การลดข้อมูล: ใช้เทคนิคการลดขนาดข้อมูลหรือลดมิติ
2.6.4 การทำความเข้าใจข้อมูล: การสร้างกราฟ, สถิติอธิบาย
สรุป
2.6 สรุปบทที่ 2
2.7 การต่อยอดและการศึกษาเพิ่มเติมในการเตรียมข้อมูล
|
- สไลด์ประกอบการเรียนการสอนด้วย MS-PowerPoint
- บรรยาย อภิปราย
- สื่อวิดีโอ / YouTube
- โปรแกรม Rapid Miner Studio 9.4
- และใช้สื่อประสม
|
TH
บทที่ 2 การเตรียมข้อมูล
EN
Chapter02
|
4-5 |
บทที่ 3: เทคนิคการจำแนกข้อมูล
3.1 ความหมายของการจำแนกข้อมูล
การจำแนกข้อมูลคือกระบวนการที่ให้ระบบคอมพิวเตอร์สามารถแบ่งข้อมูลออกเป็นกลุ่มหรือหมวดหมู่ต่าง ๆ ตามลักษณะและลักษณะของข้อมูลนั้น ๆ ทำให้เราสามารถทำนายหรือประมวลผลข้อมูลได้ง่ายขึ้น
3.2 ประเภทของการจำแนกข้อมูล
3.2.1 การจำแนกแบบทวิภาค (Binary Classification)
- การแบ่งข้อมูลเป็น 2 กลุ่มหลักๆ เช่น ในความประสงค์หรือไม่ประสงค์ หรือเป็นกลุ่มบวกและกลุ่มลบ
3.2.2 การจำแนกแบบหลายทวิภาค (Multiclass Classification)
- การแบ่งข้อมูลเป็นหลาย ๆ กลุ่ม เช่น การจำแนกประเภทสินค้าในร้านค้า
3.2.3 การจำแนกแบบหลายป้ายกำกับ (Multilabel Classification)
- การแบ่งข้อมูลให้ตรงกับหลายป้ายกำกับพร้อมกัน เช่น การแยกประโยคเป็นหลายหมวดหมู่
3.3 เทคนิคการจำแนกข้อมูล
3.3.1 Support Vector Machines (SVM)
- การใช้เส้นแบ่งที่มีระยะห่างที่มากที่สุดระหว่างกลุ่มข้อมูล
3.3.2 Decision Trees
- การสร้างโครงสร้างต้นไม้ที่ใช้เงื่อนไขต่าง ๆ เพื่อทำนายหมวดหมู่ของข้อมูล
3.3.3 k-Nearest Neighbors (k-NN)
- การจำแนกข้อมูลโดยใช้ข้อมูลที่ใกล้ที่สุด k ตัวอย่าง
3.3.4 Neural Networks
- การใช้โครงข่ายประสาทเทียมในการจำแนกข้อมูล
3.3.5 Random Forest
- การสร้างหลายๆ ต้นไม้ตัดสินใจและรวมผลลัพธ์
สรุป
- 3.4 สรุปบทที่ 3
- 3.5 การต่อยอดและการศึกษาเพิ่มเติมในเทคนิคการจำแนกข้อมูล |
บทที่ 3: เทคนิคการจำแนกข้อมูล
- สไลด์ประกอบการเรียนการสอนด้วย MS-PowerPoint
- บรรยาย อภิปราย
- โปรแกรม Rapid Miner Studio 9.4
- สื่อวิดีโอ / YouTube
|
TH
บทที่ 3 การเตรียมข้อมูลและโปรแกรม Rapid Miner Studio
EN
Chapter03
|
6-7 |
บทที่ 4 เทคนิคเชิงสถิติ (Statistical Techniques)
- ทบทวน
- 4.1 การวิเคราะห์ความถี่ (Frequency Analysis)
- 4.2 การวิเคราะห์การกระจาย (Distribution Analysis)
- 4.3 การวิเคราะห์ความสัมพันธ์ (Relational Analysis)
- 4.4 การวิเคราะห์การแปรปรวน (Variation Analysis)
- 4.5 การวิเคราะห์แนวโน้ม (Trend Analysis)
|
- สไลด์ประกอบการเรียนการสอนด้วย MS-PowerPoint
- บรรยาย อภิปราย
- โปรแกรม Rapid Miner Studio 9.4
- สื่อวิดีโอ / YouTube
|
บทที่ 4 เทคนิคเชิงสถิติ (Statistical Techniques) |
6 |
บทที่ 5: กฏความสัมพันธ์ (Association Rules)
5.1 ความหมายของกฏความสัมพันธ์ (Association Rule)
- 5.1.1 การนิยามกฏความสัมพันธ์
- 5.1.2 ความหมายและการนำไปใช้ของกฏความสัมพันธ์
- 5.1.3 ตัวอย่างกฏความสัมพันธ์ในชีวิตประจำวัน
5.2 การทำกฏความสัมพันธ์
- 5.2.1 ขั้นตอนพื้นฐานในการทำกฏความสัมพันธ์
- 5.2.2 การกำหนดค่าสนับสนุน (Support) และค่าความน่าสนใจ (Confidence)
5.3 ตัวอย่างการประยุกต์ใช้งาน Association Rule
- 5.3.1 การใช้กฏความสัมพันธ์ในธุรกิจการค้า
- 5.3.2 การนำกฏความสัมพันธ์มาใช้ในการวิเคราะห์ข้อมูลลูกค้า
5.4 CRISP-DM (Cross-Industry Standard Process for Data Mining)
- 5.4.1 ขั้นตอนของ CRISP-DM
- 5.4.2 การใช้ CRISP-DM ในการทำกฏความสัมพันธ์
5.5 Assignment
- 5.5.1 การฝึกปฏิบัติ: การทำกฏความสัมพันธ์บนชุดข้อมูลตัวอย่าง
5.6 ตัวอย่างธุรกิจ
- 5.6.1 การประยุกต์ใช้กฏความสัมพันธ์ในธุรกิจการค้าออนไลน์
- 5.6.2 การนำกฏความสัมพันธ์มาใช้ในกลุ่มอุตสาหกรรมต่าง ๆ
5.7 กฏความสัมพันธ์
- 5.7.1 อธิบายหลักการและลักษณะของกฏความสัมพันธ์
- 5.7.2 การตั้งค่าค่าสนับสนุนและค่าความน่าสนใจ
5.8 อัลกอริทึมของกฏความสัมพันธ์
- 5.8.1 การทำกฏความสัมพันธ์ด้วย Apriori Algorithm
- 5.8.2 การใช้ FP-Growth Algorithm ในการค้นหากฏความสัมพันธ์
5.9 Workshop
- 5.9.1 การฝึกปฏิบัติ: การทำกฏความสัมพันธ์บนชุดข้อมูลจริง
- 5.9.2 การแบ่งปันประสบการณ์และสร้างกฏความสัมพันธ์ที่น่าสนใจ
สรุป
- 5.10 สรุปบทที่ 4
- 5.11 การต่อยอดและการศึกษาเพิ่มเติมในการทำกฏความสัมพันธ์
|
- สไลด์ประกอบการเรียนการสอนด้วย MS-PowerPoint
- บรรยาย อภิปราย
- โปรแกรม Rapid Miner Studio 9.4
- สื่อวิดีโอ / YouTube
|
TH
บทที่ 4 กฏความสัมพันธ์ (Association Rules)
EN
WORKSHOP
VIDEOs
ตอนนที่ 1
|
7 |
บทที่ 5: เทคนิคการทำนาย
- 5.1 ความหมายของการทำนาย
- 5.1.1 การนิยามการทำนาย
- 5.1.2 ความสำคัญและการนำไปใช้ของการทำนาย
- 5.1.3 บทบาทของการทำนายในการตัดสินใจ
- 5.2 ประเภทของการทำนาย
- 5.2.1 การทำนายแบบจำแนก (Classification)
- 5.2.2 การทำนายแบบ Regression
- 5.2.3 การทำนายแบบ Time Series
- 5.3 เทคนิคการทำนาย
- 5.3.1 การทำนายด้วย Machine Learning Algorithms
- 5.3.2 การใช้ Statistical Models ในการทำนาย
- 5.3.3 การปรับใช้ Deep Learning ในงานทำนาย
- 5.4 ปัญหาที่เกี่ยวข้องกับการทำนาย
- 5.4.1 ปัญหา Overfitting และ Underfitting
- 5.4.2 ปัญหาความไม่เท่าเทียม (Bias and Variance)
- 5.4.3 การจัดการกับข้อมูลที่ขาดหาย (Handling Missing Data)
- 5.5 การประยุกต์ใช้งาน
- 5.5.1 การทำนายในธุรกิจและการตลาด
- 5.5.2 การใช้งานการทำนายในอุตสาหกรรมทางการแพทย์
- 5.5.3 การทำนายในการบริหารจัดการ
- 5.6 การวัดประสิทธิภาพของการทำนาย
- 5.6.1 ตัวชี้วัดที่ใช้ประเมินความแม่นยำ
- 5.6.2 Confusion Matrix ในการประเมินผลลัพธ์
- 5.6.3 Receiver Operating Characteristic (ROC) Curve
- 5.7 Workshop
- 5.7.1 การฝึกปฏิบัติ: การทำนายข้อมูลด้วย Machine Learning Model
- สรุป
- 5.8 สรุปบทที่ 5
- 5.9 การต่อยอดและการศึกษาเพิ่มเติมในเทคนิคการทำนาย
|
- สไลด์ประกอบการเรียนการสอนด้วย MS-PowerPoint
- บรรยาย อภิปราย
- โปรแกรม Rapid Miner Studio 9.4
- สื่อวิดีโอ / YouTube
|
TH
บทที่ 5 การทำคลาสสิฟิเคชัน (Classification & Regression)
Videos ตอนที่ 1
WORKSHOP
|
8 |
สอบกลางภาค |
|
9-10 |
บทที่ 6: เทคนิคการเรียนรู้แบบกลุ่ม
6.1 ความหมายของการเรียนรู้แบบกลุ่ม
- 6.1.1 การนิยามการเรียนรู้แบบกลุ่ม
- 6.1.2 ความสำคัญและการนำไปใช้ของการเรียนรู้แบบกลุ่ม
- 6.1.3 บทบาทของการเรียนรู้แบบกลุ่มในสาขาต่าง ๆ
6.2 ประเภทของการเรียนรู้แบบกลุ่ม
- 6.2.1 การเรียนรู้แบบกลุ่มที่มีผู้สอน (Supervised Learning)
- 6.2.2 การเรียนรู้แบบกลุ่มที่ไม่มีผู้สอน (Unsupervised Learning)
- 6.2.3 การเรียนรู้แบบกลุ่มที่มีการให้ตอบแทน (Reinforcement Learning)
6.3 เทคนิคการเรียนรู้แบบกลุ่ม
- 6.3.1 K-Means Clustering ในการจัดกลุ่มข้อมูล
- 6.3.2 Hierarchical Clustering สำหรับการจัดกลุ่มข้อมูล
- 6.3.3 การใช้ Gaussian Mixture Models (GMM) ในการจัดกลุ่ม
6.4 การประยุกต์ใช้งาน
- 6.4.1 การใช้ K-Means Clustering ในการวิเคราะห์ข้อมูล
- 6.4.2 การนำมาใช้งาน Hierarchical Clustering ในการจัดการลูกค้า
- 6.4.3 การประยุกต์ใช้ GMM ในการจำแนกข้อมูลทางการแพทย์
6.5 การวัดประสิทธิภาพของการเรียนรู้แบบกลุ่ม
- 6.5.1 วัฒนธรรมการวัดประสิทธิภาพใน Clustering
- 6.5.2 การใช้ Silhouette Score ในการประเมินความเหมาะสมของกลุ่ม
- 6.5.3 การใช้ External Index ในการวัดประสิทธิภาพของ Clustering
6.6 Workshop
- 6.6.1 การฝึกปฏิบัติ: การใช้ K-Means Clustering และ Hierarchical Clustering
สรุป
- 6.7 สรุปบทที่ 6
- 6.8 การต่อยอดและการศึกษาเพิ่มเติมในเทคนิคการเรียนรู้แบบกลุ่ม |
- สไลด์ประกอบการเรียนการสอนด้วย MS-PowerPoint
- บรรยาย อภิปราย
- โปรแกรม Rapid Miner Studio 9.4
- สื่อวิดีโอ / YouTube
|
บทที่ 6 การทำคลาสสิฟิเคชันด้วย Naive_Bayes และ Artificail Neural Network (Classification & Regression)
VIDEOs
|
11 |
บทที่ 7: โครงข่ายประสาทเทียม
7.1 ความหมายของโครงข่ายประสาทเทียม
- 7.1.1 การนิยามของโครงข่ายประสาทเทียม
- 7.1.2 ความสำคัญและการนำไปใช้ของโครงข่ายประสาทเทียม
- 7.1.3 บทบาทของโครงข่ายประสาทเทียมในการแก้ปัญหา
7.2 องค์ประกอบของโครงข่ายประสาทเทียม
- 7.2.1 โหนด (Node) และเส้นเชื่อม (Edge)
- 7.2.2 ชั้น (Layer) ในโครงข่ายประสาทเทียม
- 7.2.3 ฟังก์ชันกระตุ้น (Activation Function)
7.3 ประเภทของโครงข่ายประสาทเทียม
- 7.3.1 Feedforward Neural Network
- 7.3.2 Convolutional Neural Network (CNN)
- 7.3.3 Recurrent Neural Network (RNN)
- 7.3.4 Transformer
7.4 การเรียนรู้ของโครงข่ายประสาทเทียม
- 7.4.1 กระบวนการ Forward Propagation
- 7.4.2 กระบวนการ Backpropagation
- 7.4.3 การปรับแต่งพารามิเตอร์ (Training)
7.5 การประยุกต์ใช้งาน
- 7.5.1 การใช้ Convolutional Neural Network ในการประมวลผลภาพ
- 7.5.2 การนำ Recurrent Neural Network มาใช้ในการทำนายลำดับ
- 7.5.3 การประยุกต์ใช้งาน Transformer ในการประมวลผลภาษา
7.6 ความท้าทายและเทคนิคในการพัฒนาโครงข่ายประสาทเทียม
- 7.6.1 ความท้าทายในการจัดการกับข้อมูลที่ขนาดใหญ่
- 7.6.2 เทคนิคในการตรวจสอบและแก้ไขปัญหาที่พบบ่อย
7.7 Workshop
- 7.7.1 การฝึกปฏิบัติ: การสร้างและปรับโมเดล Neural Network
สรุป
- 7.8 สรุปบทที่ 7
- 7.9 การต่อยอดและการศึกษาเพิ่มเติมในโครงข่ายประสาทเทียม |
- สไลด์ประกอบการเรียนการสอนด้วย MS-PowerPoint
- บรรยาย อภิปราย
- โปรแกรม Rapid Miner Studio 9.4
- สื่อวิดีโอ / YouTube
|
บทที่ 7
Videos
|
12 |
บทที่ 8: เครื่องมือและซอฟต์แวร์ในการทำเหมืองข้อมูล
8.1 ประเภทของเครื่องมือและซอฟต์แวร์ในการทำเหมืองข้อมูล
- 8.1.1 เครื่องมือสำหรับการทำความเข้าใจข้อมูล (Data Understanding Tools)
- 8.1.2 เครื่องมือสำหรับการกระจายข้อมูล (Data Discretization Tools)
- 8.1.3 เครื่องมือสำหรับการทำ Feature Selection
- 8.1.4 เครื่องมือสำหรับการทำ Data Cleaning
- 8.1.5 เครื่องมือสำหรับการทำ Data Transformation
8.2 ตัวอย่างเครื่องมือและซอฟต์แวร์ในการทำเหมืองข้อมูล
- 8.2.1 Python Libraries สำหรับการทำเหมืองข้อมูล (e.g., Pandas, NumPy)
- 8.2.2 Weka: เครื่องมือที่ใช้สำหรับการทำเหมืองข้อมูลแบบกราฟิก
- 8.2.3 RapidMiner: ซอฟต์แวร์ที่รวมความสามารถทั้งหมดในการทำเหมืองข้อมูล
- 8.2.4 KNIME: เครื่องมือและซอฟต์แวร์ที่ใช้สำหรับการทำเหมืองข้อมูลและการวิเคราะห์ข้อมูล
- 8.2.5 Tableau: ซอฟต์แวร์ที่ใช้สำหรับการทำ Visualization และทำเหมืองข้อมูล
8.3 การประยุกต์ใช้งาน
- 8.3.1 การใช้เครื่องมือและซอฟต์แวร์ในการทำเหมืองข้อมูลในธุรกิจ
- 8.3.2 การนำเครื่องมือทำเหมืองข้อมูลไปใช้ในวงการทางการแพทย์
- 8.3.3 การประยุกต์ใช้เครื่องมือในการทำเหมืองข้อมูลสำหรับการทำนายทางการเงิน
8.4 การติดต่อกับฐานข้อมูล
- 8.4.1 การใช้ SQL ในการเข้าถึงและนำเข้าข้อมูล
- 8.4.2 การนำเครื่องมือทำเหมืองข้อมูลเชื่อมต่อกับฐานข้อมูล
8.5 Workshop
- 8.5.1 การฝึกปฏิบัติ: การใช้ Python Libraries ในการทำเหมืองข้อมูล
สรุป
- 8.6 สรุปบทที่ 8
- 8.7 การต่อยอดและการศึกษาเพิ่มเติมในเครื่องมือและซอฟต์แวร์ทำเหมืองข้อมูล
|
- สไลด์ประกอบการเรียนการสอนด้วย MS-PowerPoint
- บรรยาย อภิปราย
- โปรแกรม Rapid Miner Studio 9.4
- สื่อวิดีโอ / YouTube
|
บทที่ 8
ตอนนที่ 1
ตอนนที่ 2
ตอนนที่ 3
|
13 |
บทที่ 9: ตัวอย่างการประยุกต์ใช้งานการทำเหมืองข้อมูล
9.1 ตัวอย่างการประยุกต์ใช้งานการทำเหมืองข้อมูลในธุรกิจ
- 9.1.1 การใช้งานการทำเหมืองข้อมูลในการวิเคราะห์พฤติกรรมลูกค้า
- 9.1.2 การนำเหมืองข้อมูลมาใช้ในการทำนายและวิเคราะห์ยอดขาย
- 9.1.3 การประยุกต์ใช้งานการทำเหมืองข้อมูลในการจัดทำแผนธุรกิจ
9.2 ตัวอย่างการประยุกต์ใช้งานการทำเหมืองข้อมูลในการแพทย์
- 9.2.1 การใช้เหมืองข้อมูลในการวินิจฉัยโรค
- 9.2.2 การทำนายและควบคุมการระบาดของโรค
- 9.2.3 การใช้เหมืองข้อมูลในการปรับปรุงการดูแลรักษา
9.3 ตัวอย่างการประยุกต์ใช้งานการทำเหมืองข้อมูลในวิทยาศาสตร์
- 9.3.1 การใช้เหมืองข้อมูลในการค้นพบความรู้ใหม่
- 9.3.2 การทำนายและจัดกลุ่มในงานวิจัยทางวิทยาศาสตร์
- 9.3.3 การใช้ข้อมูลเหมืองข้อมูลในการทดลองและวิเคราะห์ผลการทดลอง
9.4 ตัวอย่างการประยุกต์ใช้งานการทำเหมืองข้อมูลในการศึกษา
- 9.4.1 การใช้เหมืองข้อมูลเพื่อปรับปรุงกระบวนการการสอน
- 9.4.2 การนำเหมืองข้อมูลมาใช้ในการวิเคราะห์ผลการทดสอบ
- 9.4.3 การใช้ข้อมูลเหมืองข้อมูลในการพัฒนาและปรับปรุงหลักสูตร
9.5 Workshop
- 9.5.1 การฝึกปฏิบัติ: การประยุกต์ใช้งานการทำเหมืองข้อมูลในธุรกิจ
สรุป
- 9.6 สรุปบทที่ 9
- 9.7 การต่อยอดและการศึกษาเพิ่มเติมในการประยุกต์ใช้งานการทำเหมืองข้อมูล |
- สไลด์ประกอบการเรียนการสอนด้วย MS-PowerPoint
- บรรยาย อภิปราย
- โปรแกรม Rapid Miner Studio 9.4
- สื่อวิดีโอ / YouTube
|
|
14 |
บทที่ 10: แนวโน้มของการทำเหมืองข้อมูล
10.1 การพัฒนาเทคโนโลยีทำเหมืองข้อมูล
- 10.1.1 การนวัตกรรมในเทคโนโลยีการทำเหมืองข้อมูล
- 10.1.2 การปรับใช้เทคโนโลยีทำเหมืองข้อมูลในอุตสาหกรรม
10.2 การใช้งานทำเหมืองข้อมูลในภาคธุรกิจ
- 10.2.1 การนำทำเหมืองข้อมูลมาใช้ในการตัดสินใจธุรกิจ
- 10.2.2 การประยุกต์ใช้ทำเหมืองข้อมูลในการทำนายแนวโน้มตลาด
10.3 การใช้ทำเหมืองข้อมูลในสังคม
- 10.3.1 การใช้ทำเหมืองข้อมูลในการแก้ไขปัญหาสังคม
- 10.3.2 การนำทำเหมืองข้อมูลมาใช้ในการคาดการณ์เหตุการณ์ทางสังคม
10.4 ความยากลำบากและความก้าวหน้า
- 10.4.1 ความยากลำบากในการจัดการข้อมูลขนาดใหญ่
- 10.4.2 ความก้าวหน้าที่เกี่ยวข้องกับความปลอดภัยและความเป็นส่วนตัว
10.5 การพัฒนาความสามารถในการทำนาย
- 10.5.1 การปรับใช้ Machine Learning และ Deep Learning ในการทำนาย
- 10.5.2 การนำทำเหมืองข้อมูลมาใช้ในการพัฒนาระบบทำนายที่มีประสิทธิภาพ
10.6 Workshop
- 10.6.1 การฝึกปฏิบัติ: การทำนายแนวโน้มด้วย Machine Learning
สรุป
- 10.7 สรุปบทที่ 10
- 10.8 การต่อยอดและการศึกษาเพิ่มเติมในแนวโน้มของการทำเหมืองข้อมูล |
- สไลด์ประกอบการเรียนการสอนด้วย MS-PowerPoint
- บรรยาย อภิปราย
- โปรแกรม Rapid Miner Studio 9.4
- สื่อวิดีโอ / YouTube
|
|
15 |
นำเสนอโครงงานที่ได้รับมอบหมายของนักศึกษาแต่ละกลุ่ม |
- สไลด์ประกอบการเรียนการสอนด้วย MS-PowerPoint
- บรรยาย อภิปราย
- แบบฟอร์มเขียนข้อเสนอโครงการวิจัย
- เทมเพลตแบบนำสเนองานวิจัยในการประชุมวิชาการระดับชาติ (Poster Presentation)
- เทมเพลตแบบฟอร์มนำเสนองานวิจัยในการประชุมวิชาการระดับชาติ (Oral Presentation)
แบบฝึกหัดท้ายบท |
|
16 |
สอบปลายภาค |
สอบปฏิบัติและ/หรือทฤษฎีที่เน้นการบูรณาการความรู้
ที่เรียนมาประยุกต์ใช้ในการพัฒนาระบบงาน
โดยการประยุกต์ใช้งานเทคโนโลยีอินเตอร์เน็ตของทุกสิ่ง |
|