Hands-on Data Science and Machine Learning

• กลุ่มที่ 1 อบรมวันที่ 12, 15, 16, 22, 23, 29, 30 มิ.ย. และ 1, 7, 8, 13, 14, 20, 21, 24 (ครึ่งวัน), 27 (ครึ่งวัน) ก.ค. 2563
  จัดสอนโดยทีมอาจารย์จาก สถาบันส่งเสริมการวิเคราะห์และบริหารข้อมูลขนาดใหญ่ภาครัฐ (GBDi)

• กลุ่มที่ 2 อบรมวันที่ 11, 12, 15, 18, 19, 25, 26 มิ.ย.; 3, 7, 8, 13, 14 ก.ค. และ 3, 4, 5 ส.ค. 2563
  จัดสอนโดยทีมอาจารย์จาก มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี: มจธ. (KMUTT)

• กลุ่มที่ 3 อบรมวันที่ 24-28, 31 ส.ค. และ 1-4, 7-8, 14-16 ก.ย. 2563
  จัดสอนโดยทีมอาจารย์จาก คณะวิทยาศาสตร์ มหาวิทยาลัยเกษตรศาสตร์ (SCI.KU)

• กลุ่มที่ 4 อบรมวันที่ 28 ส.ค.; 4, 11, 18, 25 ก.ย.; 2, 9, 16, 30 ต.ค. และ 6, 13, 17, 20, 24, 27 พ.ย. 2563
  จัดสอนโดยทีมอาจารย์จาก คณะวิศวกรรมศาสตร์ มหาวิทยาลัยเกษตรศาสตร์ (ENG.KU)

• กลุ่มที่ 5 อบรมวันที่ 30 ก.ย.; 7, 14, 21, 28 ต.ค.; 4, 13, 20, 27 พ.ย. และ 4, 9, 16, 21-23 ธ.ค. 2563
  จัดสอนโดยทีมอาจารย์จาก คณะเทคโนโลยีสารสนเทศและการสื่อสาร มหาวิทยาลัยมหิดล (ICT.MU)

• กลุ่มที่ 6 อบรมวันที่ 21, 24, 30 ก.ย.; 7, 12, 22, 27, 29 ต.ค.; 17, 20, 24, 27 พ.ย. และ 23-25 ธ.ค. 2563
  จัดสอนโดยทีมอาจารย์จาก คณะสถิติประยุกต์ สถาบันบัณฑิตพัฒนบริหารศาสตร์ (GSAS.NIDA)

• ผู้เรียนสามารถทำความเข้าใจข้อมูลแต่ละประเภทและสรุปผลเชิงสถิติจากข้อมูลได้อย่างถูกต้อง

• ผู้เรียนสามารถเขียนโปรแกรมภาษา R หรือ Python เพื่อทำความสะอาดข้อมูลและสร้างโมเดลวิเคราะห์พื้นฐานได้

• ผู้เรียนสามารถสร้างโมเดลคณิตศาสตร์พื้นฐานตามบริบทของงานได้ด้วยตัวเอง

• ผู้เรียนสามารถอธิบายผลสรุปจากการวิเคราะห์และออกแบบการนำเสนอผลได้อย่างมีประสิทธิผล

1. Introduction to data science and analytic thinking
   ความรู้เบื้องต้นเกี่ยวกับการวิเคราะห์ข้อมูล รวมถึงการอภิปรายเทคนิคทั่วไปที่สำคัญสำหรับการวิเคราะห์และแปลงข้อมูลให้ได้มาซึ่งสารสนเทศที่มีความหมายจากชุดข้อมูลต่างๆ

2. Data science with basic Python programming or R programming
   การเขียนโปรแกรมพื้นฐานเฉพาะเพื่อการวิเคราะห์ข้อมูล โดยการพัฒนาความรู้ความสามารถในการเขียนโปรแกรมภาษา Python หรือภาษา R

3. Introduction to statistics
   ความรู้เบื้องต้นเกี่ยวกับสถิติเชิงพรรณนา (Descriptive statistics) และความรู้เบื้องต้นเกี่ยวกับสถิติเชิงอนุมาน (Basic statistical inference)

4. Exploratory data analysis
   การวิเคราะห์ข้อมูลเบื้องต้น ประกอบด้วย การตรวจสอบความผิดพลาดในการกรอกข้อมูล ค่าสูญหาย (Missing value) ค่าผิดปกติ (Outlier) การแจกแจงของข้อมูล ความเท่ากันของความแปรปรวน ความสัมพันธ์เชิงเส้นตรง ภาวะร่วมเส้นตรงพหุ (Multicollinearity)

5. Data cleansing with Python or R
   การทำความสะอาดข้อมูล เพื่อเตรียมการสำหรับการวิเคราะห์ โดยเรียนรู้หลักการพื้นฐานของการประเมินข้อมูล และการทำความสะอาดข้อมูลด้วยการเขียนโปรแกรมภาษา Python

6. Basic machine learning
   ความรู้เบื้องต้นเกี่ยวกับการเรียนรู้ของเครื่อง ขั้นตอนที่จำเป็นสำหรับการสร้างแบบจำลองการเรียนรู้ของเครื่อง แนวคิดการเรียนรู้ด้วยเครื่องและประเภทการเรียนรู้แบบมีผู้สอน (supervised learning) และการเรียนรู้แบบไม่มีผู้สอน (unsupervised learning) การประเมินขั้นตอนวิธีการเรียนรู้ของเครื่อง การวิเคราะห์ที่ไม่ขึ้นกับขั้นตอนวิธี อัลกอริทึมสำหรับการจัดแบ่งประเภท การเตรียมประมูลผลข้อมูลเพื่อสร้างชุดข้อมูล (Data Set) ที่มีคุณภาพ การบีบอัดเพื่อลดมิติของข้อมูล การประเมินผลแบบจำลองและการปรับแต่งพารามิเตอร์

7. Data Modeling Project
   เลือกโจทย์ปัญหาพื้นฐานขององค์กรที่มีข้อมูลพร้อมอยู่แล้วมาสร้างโมเดลคณิศาสตร์ที่เหมาะสมเพื่อการวิเคราะห์เชิงพยากรณ์และนำเสนอผลงาน

• ผู้เข้ารับการอบรมจำเป็นต้องมีทักษะภาษาโปรแกรมคอมพิวเตอร์ (ภาษาใดก็ได้) หรือ SPSS หรือ Macro ใน Excel โดยผ่านการทดสอบด้านตรรกะการเขียนโปรแกรม และความรู้ด้านฐานข้อมูล

• สถาบันส่งเสริมการวิเคราะห์และบริหารข้อมูลขนาดใหญ่ภาครัฐ (สวข.) จำกัดจำนวนผู้เข้าร่วมอบรมรุ่นละไม่เกิน 50 คน (ทั้งหมด 4 รุ่น) ดังนั้น สถาบันฯ ขอพิจารณาคัดเลือกผู้มีสิทธิ์เข้าร่วมอบรมตามความเหมาะสม

• ผู้ที่สนใจเข้าร่วมการอบรมจะต้องกรอกข้อมูลในแบบฟอร์มรับสมัคร และทำแบบทดสอบความรู้ด้านตรรกะการเขียนโปรแกรม และความรู้ด้านฐานข้อมูล เพื่อคัดเลือกผู้มีสิทธิ์เข้าร่วมอบรม โดยแบบทดสอบเป็นลักษณะเลือกตอบ จำนวน 30 ข้อ และสามารถทำแบบทดสอบได้เพียงครั้งเดียวเท่านั้น

• ผู้มีสิทธิ์เข้าร่วมอบรมจะต้องตอบยืนยันการเข้าร่วมอบรมในแบบฟอร์ม ภายในวันที่ 29 พ.ค. 2563

• คะแนนร้อยละ 30 มาจากการสอบ (Quiz) และแบบฝึกหัด (Assignment)

• คะแนนร้อยละ 30 มาจากการสอบ Post-test

• คะแนนร้อยละ 40 มาจาก Presentation and Final Project Submission