Untitled Quiz

สัปดาห์ที่ 1: ความรู้เบื้องต้นเกี่ยวกับวิทยาศาสตร์ข้อมูล

• วิทยาศาสตร์ข้อมูลเป็นกระบวนการดึงข้อมูลมาสร้างเป็นความรู้ เพื่อทำนาย คาดการณ์ และวิเคราะห์แนวโน้มที่จะเกิดขึ้น
• กระบวนการเกี่ยวข้องกับการสกัด (extracting), การสร้าง (creating) และการประมวลผล (processing) ข้อมูล
• ขั้นตอนการทำงาน:
  • ระบุปัญหาทางธุรกิจ (Business problem) ที่ต้องการแก้ไข
  • การได้รับข้อมูล (Data Acquistion) จากแหล่งข้อมูลต่างๆ เช่น: เว็บเซิร์ฟเวอร์, ไฟล์บันทึก (logs), ฐานข้อมูล, API และแหล่งข้อมูลออนไลน์
  • การเตรียมข้อมูล (Data Preparation) เช่น การทำความสะอาดข้อมูล (Cleaning), การเปลี่ยนแปลงข้อมูล (Transformation)
  • การวิเคราะห์ข้อมูลเชิงสำรวจ (Exploratory data analysis) เพื่อระบุและปรับแต่งคุณลักษณะ (feature)
  • การสร้างแบบจำลองข้อมูล (Data modeling) เช่น KNN, การตัดสินใจแบบพื้นฐาน
  • การนำเสนอข้อมูลและการสื่อสาร (Visualization and communication) เช่น แผงควบคุมข้อมูล (Dashboard)
  • การใช้งานและการบำรุงรักษาแบบจำลอง (Deploy and maintain)

สถิติการเรียนรู้ของเครื่องจักรการเพิ่มประสิทธิภาพ

• การเขียนโปรแกรมเชิงคิด (data mining) เพื่อปรับแต่งให้ดีขึ้นเรื่อยๆ เพื่อการเรียนรู้สิ่งที่มีประโยชน์
• หลักการเขียนโปรแกรมเบื้องต้น (programming)
• การสร้างภาพข้อมูล (visualization)
• ธุรกิจและโดเมน (Business and domain)
• การประมวลผลข้อมูลขนาดใหญ่ (Big data cloud computing)
• การเล่าเรื่องข้อมูล (Communication storytelling)

ระดับการวิเคราะห์ข้อมูล

• การวิเคราะห์เชิงพรรณนา (Descriptive Analytics): สิ่งที่เกิดขึ้น (What happened?)
• การวิเคราะห์เชิงวินิจฉัย (Diagnostic Analytics): สาเหตุของสิ่งที่เกิดขึ้น (Why did it happen?)
• การวิเคราะห์เชิงทำนาย (Predictive Analytics): สิ่งที่อาจจะเกิดขึ้น (What will happen?)
• การวิเคราะห์เชิงกำหนด (Prescriptive Analytics): วิธีการที่ควรกระทำ เพื่อให้เกิดผลลัพธ์ที่ต้องการ (How can we make it happen?)
• การวิเคราะห์ข้อมูลทำนาย (Trend predictive analytics) ใช้เหตุการณ์ในอดีตเพื่อคาดการณ์อนาคต
• ข้อมูลมีส่วนเกี่ยวข้องมากขึ้นใน BI
• ข้อมูล > ฝึกฝน > โมเดล > ทำนาย > พยากรณ์ (Data > Train > Model > Predict > Forecast)

ชนิดข้อมูล

• เชิงคุณภาพ (Qualitative): ข้อมูลที่ไม่สามารถวัดค่าได้ เช่น รูปภาพ, ข้อความ
• เชิงปริมาณ (Quantitative): ข้อมูลที่สามารถวัดค่าได้ เช่น ตัวเลข, สถิติ, ค่าเฉลี่ย, อายุ, ส่วนสูง
• ไม่ต่อเนื่อง (Discrete): ไม่สามารถหาค่าเศษส่วนได้ เช่น จำนวนคน
• ต่อเนื่อง (Continuous): สามารถหาค่าเศษส่วนได้ เช่น น้ำหนัก, อุณหภูมิ

วัฏจักรชีวิตของวิทยาศาสตร์ข้อมูล

• เข้าใจธุรกิจ (Business understand): รวบรวมข้อมูล, ประเมินสถานการณ์และกำหนดเป้าหมาย
• การได้มาและเข้าใจข้อมูล (Data Acquisition and Understanding): การนำเข้าข้อมูลจากแหล่งต่างๆ เช่น: On premises, cloud database หรือ file
• การสร้างแบบจำลอง (Modeling): เลือกโมเดลที่เหมาะสม เช่นแบบ logical หรือแบบ physical
• การนำไปใช้งาน (Deployment): นำโมเดลที่สร้างเสร็จแล้วไปใช้ในระบบ
• ขั้นตอน ETL:
  • การดึงข้อมูล (Extract)
  • การแปลงข้อมูล (Transform)
  • การโหลดข้อมูล (Load)

สัปดาห์ที่ 2: การวิเคราะห์และการจัดกลุ่มข้อมูล

• ความแตกต่างระหว่าง Data Analytics กับ Data Analysis:
  • Data Analytics: วิเคราะห์ข้อมูลปัจจุบันเพื่อคาดการณ์อนาคต
  • Data Analysis: วิเคราะห์ข้อมูลในอดีตเพื่อหา Insight
• ประเภทการวิเคราะห์ข้อมูล:
  • Descriptive Analytics: วิเคราะห์ข้อมูลพื้นฐาน เช่น ยอดขายรายเดือน
  • Diagnostic Analytics: วิเคราะห์หาสาเหตุของปัญหา, ความสัมพันธ์ระหว่างตัวแปร
  • Predictive Analytics: ใช้โมเดลทำนายอนาคต, เช่น ยอดขาย
  • Prescriptive Analytics: คำแนะนำการดำเนินการ เช่น ปรับปรุงหรือพัฒนา

แบบจำลองที่ใช้ในการวิเคราะห์ข้อมูล

• การจัดหมวดหมู่ (Classification): จัดประเภทข้อมูลที่เป็น Supervised Learning เช่น yes/no, ABC
• การจัดกลุ่ม (Clustering): จัดกลุ่มข้อมูลที่มีความคล้ายคลึงกัน เช่น K-means, Hierarchical Clustering

สัปดาห์ที่ 5: การเรียกดูฐานข้อมูล

• Data Management System (DBMS): โปรแกรมสำหรับจัดการข้อมูลในฐานข้อมูล
• ระบบการจัดการฐานข้อมูล (DBMS) ทำหน้าที่ควบคุมความเป็นอิสระของข้อมูล ความถูกต้องของข้อมูล การควบคุมความปลอดภัย ของข้อมูล เส้นทางในการเข้าถึงข้อมูลที่ดีที่สุด การควบคุมการใช้งานร่วมกัน ตลอดจนการฟื้นคืนสภาพของข้อมูล
• องค์ประกอบการจัดการฐานข้อมูล:
  • DBA: ผู้ดูแลฐานข้อมูล
  • ระบบวิเคราะห์: วิเคราะห์ความต้องการ
  • นักเขียนเว็บ/นักเขียนโปรแกรม: เขียนโปรแกรมและการใช้งาน
• ประเภทฐานข้อมูล:
  • File System: จัดเก็บข้อมูลในรูปแบบเดียวกัน เข้าถึงใช้งานได้ง่าย
  • Relational Database: จัดเก็บข้อมูลในรูปแบบตาราง ช่วยลดความซ้ำซ้อน ลดความผิดพลาด
  • Big Data: จัดเก็บและประมวลผลข้อมูลขนาดใหญ่