DGA306
เทคนิคการวิเคราะห์ข้อมูล
(Data Analytics Techniques)
วัตถุประสงค์
- เพื่อให้ผู้เข้าอบรมมีพื้นฐานการเขียนโปรแกรมสำหรับงานด้านข้อมูลได้
- เพื่อให้ผู้เข้าอบรมนำเข้าข้อมูลในฐานข้อมูลได้ เพื่อสร้างคลังข้อมูลที่เหมาะสมได้
- เพื่อให้ผู้เข้าอบรมสามารถสำรวจและจัดเตรียมข้อมูลได้
- เพื่อให้ผู้เข้าอบรมนำเสนอข้อมูลในรูปแบบที่หมาะสมและเข้าใจได้ง่าย
- เพื่อให้ผู้เข้าอบรมสามารถวิเคราะห์ข้อมูล และสร้างโมเดลการทำนายโดยใช้เครื่องมือหรือเทคนิคการ วิเคราะห์ข้อมูลและข้อมูลขนาดใหญ่ได้
คำอธิบายหลักสูตรเพิ่มเติม
หลักสูตรนี้มุ่งเน้นศึกษาเกี่ยวกับการเขียนโปรแกรมเบื้องต้น การรวบรวมและสกัดข้อมูล การสำรวจและ จัดเตรียมข้อมูล การวิเคราะห์และออกแบบคลังข้อมูล การพัฒนาข้อมูลภาพนิทัศน์ การวิเคราะห์ข้อมูลด้วยเทคนิคการเรียนรู้ของเครื่อง การวิเคราะห์ ตีความและแปลผลข้อมูล การนำเสนอข้อมูล การวิเคราะห์ข้อมูลด้วยเครื่องมือสมัยใหม่ การนำไปใช้ประโยชน์การจัดทำโครงการด้านการวิเคราะห์ข้อมูล
รายละเอียดหลักสูตรที่เปิด
| ครั้งที่ | TBA |
| ผู้สอน | ดร. อภิรักษ์ หุ่นหล่อ คณะเทคโนโลยีสารสนเทศและการสื่อสาร มหาวิทยาลัยมหิดล ดร. ศิริเพ็ญ พงษ์ไพเชฐ คณะเทคโนโลยีสารสนเทศและการสื่อสาร มหาวิทยาลัยมหิดล ดร. ธนพล นรเสฏฐ์ คณะเทคโนโลยีสารสนเทศและการสื่อสาร มหาวิทยาลัยมหิดล |
| กลุ่มผู้เรียน | 1. กลุ่มผู้ปฏิบัติงานเฉพาะด้านเทคโนโลยีดิจิทัล (Technologist) |
| ค่าลงทะเบียน | 15,000 บาท |
| หมายเหตุ | การจัดอบรมจํานวน 1 รุ่น จํานวน 6 วัน (วันละ 6 ชั่วโมง รวม 36 ชั่วโมง) |
| ติดต่อสอบถาม | อาจารย์ผกาพร เพ็งศาสตร์ เบอร์โทร 0824981177 ict@mahidol.ac.th |
| สถานที่ | มหาวิทยาลัยมหิดล คณะเทคโนโลยีสารสนเทศและการสื่อสาร |
| ข้อมูลเพิ่มเติม | หลักสูตรนี้ได้รับการรับรองหลักสูตรจากสถาบันพัฒนาบุคคลากรภาครัฐด้านดิจิทัล |
กำหนดการ
| เวลา | หัวข้อ | เนื้อหา |
| วันที่ 1 | ||
| 09.00 -12.00 | ทบทวนความรู้: Review programming with R, Python or others. | – How to use the tool (IDE, compiler, debugger) – Display command – Primitive variables – Collection variables – Review basic structure programming – How to use external modules. |
| 13.00-16.00 | Data Exploration with R, Python or others. | – Data Understanding – Data Exploration Process – Data Visualization – Bart Chart – Pie Chart – Boxplot – Multiple Boxplot – Histogram – Multiple Histogram – Scatter Plot – Multiple Scatter Plot – Principle Component Analysis: PCA – K-Mean Clustering |
| วันที่ 2 | ||
| 09.00 -16.00 | Data warehouse Analysis, Design and Implement | – Data Warehouse definition process และ Design Warehouse – Data Preparation: Data Collection – การดึงข้อมูล (Data Extraction) จากข้อมูลที่มีโครงสร้างและไม่โครงสร้าง – ฐานข้อมูล Relational Database – ฐานข้อมูล noSQL – text csv json file – Data Cleansing – Remove duplicate or irrelevant observations – Fix structural errors – Filter unwanted outliers – Handle missing data – Validate – Load Data to Staging Area – Data Warehousing and Design – Data Migration โหลดข้อมูลเข้า DW |
| วันที่ 3 | ||
| 09.00 -16.00 | Data Visualization – Data storytelling | – ETL process – Elements of good data visualization – Visualization for – Comparison – Distribution – Correlation Trend Specialized visualization (Map , KPI , …) etc….. – Deployment – Consultation from actual problems |
| วันที่ 4 | ||
| 09.00 -16.00 | Data Analytics and Visualization – Machine Learning for Data Analysis | – Deploy Machine Learning Model on Production – Visual Analytics and Data Visualizations – Final Project |
| วันที่ 5 | ||
| 09.00 -16.00 | Data Analytics and Visualization – Machine Learning for Data Analysis | – นำเสนอปัญหาหรือความต้องการขององค์กร- กำหนดแหล่งข้อมูลที่ต้องใช้ในการแก้ปัญหา |
| วันที่ 6 | ||
| 09.00 -16.00 | Data Analytics and Visualization – Machine Learning for Data Analysis | – พัฒนา Project โดยประยุกต์จากหัวข้อและเนื้อหาการอบรม – Final Project Presentation |
