ครอบคลุม CRISP-DM, Data Understanding, Data Preparation, Association Rules, Classification, Model Evaluation, Deployment และจริยธรรมข้อมูล พร้อมฝึกปฏิบัติด้วย Python/Notebook
ศึกษาหลักการและขั้นตอนของกระบวนการเหมืองข้อมูล โดยเน้นการคิดแบบเป็นระบบตามแนวทาง CRISP-DM ตั้งแต่การทำความเข้าใจปัญหาและข้อมูล การเตรียมข้อมูล การสร้างแบบจำลอง การประเมินผล ไปจนถึงการนำผลลัพธ์ไปใช้จริงอย่างมีจริยธรรม
สำรวจข้อมูล สถิติเชิงพรรณนา และ EDA
Cleaning, Missing Values, Outlier และ Feature Engineering
Association, Classification, Evaluation และ Deployment
ความเป็นส่วนตัว อคติของข้อมูล และการใช้งานอย่างรับผิดชอบ
เน้นทักษะที่นำไปใช้กับงานวิจัย งานธุรกิจ และโครงงานจริงได้ทันที
ค้นหาและกรองบทเรียนเพื่อเข้าถึงเอกสาร PDF ได้เร็วขึ้น ส่วน Notebook ทยอยอัปโหลดเพิ่มเติม
แสดง 9 จาก 9 บทเรียน
แนวคิด ประวัติ กระบวนการเหมืองข้อมูล และตัวอย่างการใช้งาน
แหล่งข้อมูล EDA สถิติเชิงพรรณนา และการเข้าใจโครงสร้างข้อมูล
Cleaning, Missing/Outlier, Transformation และ Feature Engineering
สถิติพื้นฐาน การสรุปผล และการวิเคราะห์ข้อมูลเพื่อเตรียมเข้าสู่โมเดล
Association Rules, Apriori, Support, Confidence และ Lift
การจำแนกข้อมูลด้วยต้นไม้ตัดสินใจ และการตีความกฎการตัดสินใจ
การจำแนกข้อมูลด้วยป่าแบบสุ่ม การลด Overfitting และ Feature Importance
Support Vector Machine, Kernel และแนวทางการจำแนกข้อมูลเชิงเส้น/ไม่เชิงเส้น
การนำผลลัพธ์ไปใช้จริง Monitoring อคติ ความเป็นส่วนตัว และจริยธรรมข้อมูล
ลองใช้คำค้นอื่น เช่น CRISP-DM, EDA, Apriori, Random Forest หรือ SVM
จากพื้นฐานและการเตรียมข้อมูล สู่ Modeling การประเมินผล และโครงงาน แบ่งเป็น 4 ช่วงการเรียนรู้
โครงสร้างคะแนน โจทย์โปรเจกต์ และภาพรวม CRISP-DM
บทนำ & CRISP-DM • เลือกโดเมน/ข้อมูล
Data Understanding • Lab: EDA
Data Preparation • Cleaning/Feature Engineering
การวิเคราะห์เชิงสถิติในงานเหมืองข้อมูล
Association Rules • Apriori / FP-Growth
Classification ด้วย Decision Tree
ครอบคลุมบทที่ 1–6
Random Forest และ Feature Importance
SVM และ Kernel Methods
Confusion Matrix, ROC, PR, K-Fold
k-Means, DBSCAN, PCA หรือ Ensemble
Deployment, Ethics, Privacy และ Bias
ตรวจความคืบหน้าและ Feedback
นำเสนอ รายงาน และสาธิตผลลัพธ์
ครอบคลุมหัวข้อหลังกลางภาคและภาพรวมรายวิชา
วัดทั้งความเข้าใจกระบวนการ ทักษะการสร้างโมเดล และการนำผลลัพธ์ไปใช้จริง
ทฤษฎี + ปฏิบัติ: CRISP-DM, Data Understanding, Data Preparation, Association และ Classification เบื้องต้น
โครงงานเหมืองข้อมูลครบกระบวนการ พร้อมรายงาน Notebook/Code และการนำเสนอผลลัพธ์
วิเคราะห์ + ประยุกต์: โมเดลขั้นสูง การประเมินผล การนำไปใช้จริง และจริยธรรมข้อมูล
กิจกรรมและแบบฝึกหัดในชั้นเรียน ปรับตามบริบทการสอนจริง
เลือกโดเมน/ชุดข้อมูลจริง แล้วดำเนินงานตาม CRISP-DM ตั้งแต่กำหนดปัญหา เตรียมข้อมูล สร้างโมเดลอย่างน้อย 2 วิธี เปรียบเทียบผล และสรุป Insight สำหรับการตัดสินใจ
ระบุโจทย์ โดเมน และวัตถุประสงค์การวิเคราะห์
จัดการข้อมูลให้พร้อมสำหรับ Modeling
สร้างโมเดลอย่างน้อย 2 วิธี และประเมินอย่างถูกต้อง
นำเสนอผลลัพธ์ ข้อค้นพบ และข้อเสนอแนะ
หัวข้อที่นำไปต่อยอดเป็นโครงงานกลุ่มได้ โดยกำหนดปัญหา ชุดข้อมูล เทคนิค และผลลัพธ์ที่นำไปใช้ตัดสินใจได้จริง
แสดง 8 จาก 8 ตัวอย่าง
โจทย์: ต้องการรู้ว่าสินค้าใดมักถูกซื้อร่วมกัน เพื่อออกแบบโปรโมชันหรือจัดวางสินค้าหน้าร้าน
Dataset: ข้อมูลใบเสร็จสินค้า: Transaction ID, Product, Category, Quantity, Date
โจทย์: ต้องการคัดกรองลูกค้าที่เสี่ยง Churn เพื่อวางแผนดูแลลูกค้าก่อนเสียลูกค้าไป
Dataset: ข้อมูลลูกค้า: อายุ เพศ ยอดซื้อ ความถี่การซื้อ ระยะเวลาสมาชิก การร้องเรียน และสถานะ Churn
โจทย์: ต้องการค้นหานักศึกษาที่ควรได้รับการช่วยเหลือก่อนสอบปลายภาค
Dataset: ข้อมูลการเข้าเรียน คะแนนงาน คะแนนสอบย่อย การส่งงาน และผลการเรียนย้อนหลัง
โจทย์: ต้องการแบ่งกลุ่มผู้รับบริการเพื่อออกแบบกิจกรรมส่งเสริมสุขภาพให้ตรงกลุ่ม
Dataset: ข้อมูลอายุ เพศ BMI ความดัน น้ำตาล การออกกำลังกาย การสูบบุหรี่ และโรคประจำตัว
โจทย์: ต้องการรู้ว่าปัจจัยใดส่งผลต่อผลผลิต และคาดการณ์ผลผลิตล่วงหน้า
Dataset: ข้อมูลอุณหภูมิ ความชื้น ความชื้นดิน pH แสง ปริมาณน้ำ และผลผลิตรายรอบปลูก
โจทย์: ต้องการลดอัตราการยกเลิกการจอง และวางแผนจัดการห้องพักให้แม่นยำขึ้น
Dataset: ข้อมูลการจอง: ช่องทางจอง ราคา จำนวนคืน ฤดูกาล ลูกค้าเก่า/ใหม่ และสถานะยกเลิก
โจทย์: ต้องการรู้ว่าลูกค้ากลุ่มใดเป็นลูกค้าชั้นดี ลูกค้าใกล้หาย หรือลูกค้าที่ควรกระตุ้นซื้อซ้ำ
Dataset: ข้อมูลคำสั่งซื้อ: Customer ID, Order Date, Amount, Product Category, Frequency
โจทย์: ต้องการจัดทีมช่างและอะไหล่ล่วงหน้าตามประเภทปัญหาที่คาดว่าจะเกิด
Dataset: ข้อมูลแจ้งซ่อม: ประเภทอุปกรณ์ อาการเสีย อายุอุปกรณ์ ประวัติซ่อม และผลการวินิจฉัย
ลองค้นด้วยคำว่า ร้านค้า, ลูกค้า, สุขภาพ, เกษตร, Association หรือ Classification
โครงงานคิดเป็น 30% ของคะแนนรวม ประเมินจาก 6 ด้านต่อไปนี้
| หัวข้อประเมิน | ยอดเยี่ยม | ดี | พอใช้ | สัดส่วน |
|---|---|---|---|---|
| โดเมน/ข้อมูลปัญหา แหล่งข้อมูล และข้อจำกัด | ชัดเจน ข้อมูลเหมาะสม มีข้อจำกัดครบ | ใช้ได้ ระบุข้อจำกัดบางส่วน | ไม่ชัดหรือข้อมูลไม่เหมาะ | 10% |
| Data PreparationCleaning, Missing, Outlier, Feature Engineering | ครบถ้วน มีเหตุผล ทำซ้ำได้ | ครอบคลุมหลัก ๆ | พื้นฐาน ขาดเหตุผล | 20% |
| Modelingอย่างน้อย 2 วิธี พร้อมเหตุผล | เลือกวิธีเหมาะ ปรับแต่งดี อธิบายได้ | มี ≥2 วิธี และอธิบายพอใช้ | วิธีจำกัดหรือเหตุผลไม่ชัด | 20% |
| Evaluation | ประเมินดี วิเคราะห์ลึก | ประเมินครบพื้นฐาน | Metric ไม่เหมาะหรือวิเคราะห์น้อย | 20% |
| Insight & Visualization | Insight ชัด วิชวลดี ตัดสินใจได้ | Insight ใช้ได้ | Insight เบาบาง | 15% |
| Documentation & Code | เอกสารครบ โค้ดสะอาด รันซ้ำได้ | ครบพอควร | ขาดส่วนสำคัญ | 15% |
| รวม | 100% | |||
PDF/สไลด์บทที่ 1–8 พร้อมใช้งาน ส่วน Notebook และ Dataset จะอัปเดตเพิ่มเติม
Python, pandas, scikit-learn, mlxtend และตัวอย่างการวิเคราะห์
ตัวอย่างเช่น Titanic, Iris, Retail Basket และ Customer Segmentation
| บท | หัวข้อ | PDF / สไลด์ | Notebook | สถานะ |
|---|---|---|---|---|
| 01 | บทนำ & CRISP-DM | Notebook | พร้อมเรียน | |
| 02 | Data Understanding | Notebook | พร้อมเรียน | |
| 03 | Data Preparation | Notebook | พร้อมเรียน | |
| 04 | การวิเคราะห์ข้อมูลเชิงสถิติ | Notebook | พร้อมเรียน | |
| 05 | กฎความสัมพันธ์ (Association Rules) | Notebook | พร้อมเรียน | |
| 06 | Decision Tree | Notebook | พร้อมเรียน | |
| 07 | Random Forest | Notebook | พร้อมเรียน | |
| 08 | Support Vector Machine (SVM) | Notebook | พร้อมเรียน | |
| 09 | Deployment & Ethics | Notebook | เตรียมอัปโหลด |
เริ่มจากบทที่ 1 แล้วต่อยอดสู่โครงงานที่ใช้ข้อมูลจริงเพื่อสร้าง Insight ที่นำไปใช้ได้