Advanced Data Science & AI Analytics Mastery

เนื้อหาการอบรม

• วันที่ 1 : Advanced Data Science Foundation & Multivariate Analytics
  • แนวคิดวิทยาการข้อมูลขั้นสูง (Advanced Data Science Concepts)
  • บทบาทนักวิทยาการข้อมูลระดับมืออาชีพในองค์กรสมัยใหม่
  • ความเชื่อมโยงระหว่าง Data Science, AI, Data Engineering และ Business Analytics
  • Data Value Chain & AI Adoption Cycle
  • การวิเคราะห์ข้อมูลเชิงลึก (Advanced Exploratory Data Analysis – EDA)
  • การวิเคราะห์เชิงสถิติแบบหลายมิติ
  • การตรวจจับความผิดปกติของข้อมูล (Outlier Detection)
  • การวิเคราะห์โครงสร้างความสัมพันธ์เชิงซับซ้อน (Correlation Structures)
  • การลดมิติข้อมูล (Dimensionality Reduction Techniques)
  • Principal Component Analysis (PCA)
  • Factor Analysis
  • เทคนิคเชิงซ้อน เช่น t-SNE, UMAP
  • การประยุกต์ใช้เพื่อลด Noise และเพิ่มประสิทธิภาพโมเดล
  • Multivariate Analysis สำหรับงานธุรกิจ
  • Cluster Analysis (K-means / Hierarchical)
  • Customer Segmentation ขั้นสูง
  • การตีความผลลัพธ์เชิงลึกด้วย Heatmap และ Loading Score
  • Workshop (Hands-on)
  • วิเคราะห์ Dataset ขนาดใหญ่
  • ทำ PCA / Clustering / Correlation Mapping
  • สรุป Insight เชิงลึกระดับผู้บริหาร
• วันที่ 2 : Predictive Modeling & Advanced Machine Learning Engineering
  • Advanced Regression Techniques
  • Polynomial Regression
  • Regularization (Lasso, Ridge, ElasticNet)
  • Cross-validation และ Hyperparameter Tuning
  • Tree-based Models ขั้นสูง
  • Random Forest
  • Gradient Boosting
  • XGBoost, LightGBM, CatBoost
  • การตีความ Feature Importance ระดับลึก
  • Time Series Analytics ขั้นสูง
  • Stationarity, Seasonality, Trend Decomposition
  • ARIMA, SARIMA, SARIMAX
  • Forecasting ด้วย Machine Learning และ Feature Engineering
  • แนวทางสร้าง Time Series Pipeline เชิงองค์กร
  • Machine Learning Engineering Concepts
  • Data Splitting Strategy ขั้นสูง
  • Imbalanced Data Handling
  • Model Monitoring / Drift Detection (แนวคิดเบื้องต้น)
  • Workshop
  • สร้างโมเดลตระกูล Ensemble
  • พัฒนา Time Series Model สำหรับคาดการณ์เชิงธุรกิจจริง
  • วิเคราะห์ข้อจำกัดและสรุปผลลัพธ์
• วันที่ 3 : Deep Learning for Predictive Analytics & AI Applications
  • Deep Learning Fundamentals (หลักการเชิงลึก)
  • Artificial Neural Network (ANN) โครงสร้างและการทำงาน
  • Activation Functions, Loss Functions
  • Optimization Techniques
  • Recurrent Neural Networks (RNN) & LSTM
  • โครงสร้าง RNN / LSTM / GRU
  • การประยุกต์สำหรับ Time Series และ Sequential Data
  • Multivariate Time Series Forecasting
  • Convolutional Neural Networks (CNN) สำหรับงานนอกด้านภาพ
  • การนำ CNN มาใช้ในงานธุรกิจ (Tabular + Time Series Feature Extraction)
  • Feature Map Interpretation
  • Transformer for Analytics (ระดับบทนำเชิงลึก)
  • Self-Attention Mechanism
  • Time Series Transformer
  • Business Analytics Use Cases
  • Workshop
  • เขียนโมเดล ANN / LSTM แบบเต็มโครงสร้าง
  • เปรียบเทียบความแม่นยำระหว่าง ML vs DL
  • สรุปผลลัพธ์แบบผู้เชี่ยวชาญ
• วันที่ 4 : NLP for Business Insights, Explainable AI (XAI) & Generative AI Analytics
  • NLP Analytics เชิงลึก (Text Mining for Business)
  • Tokenization
  • Word Embedding (Word2Vec / TF-IDF / BERT Embedding)
  • Text Classification เบื้องลึก
  • Transformer Models for NLP
  • BERT / RoBERTa / GPT-based Pipelines
  • Fine-tuning เบื้องต้นในงานวิเคราะห์ข้อมูล
  • Explainable AI (XAI)
  • ความสำคัญของ XAI ต่อการใช้งานโมเดลในองค์กร
  • SHAP Values
  • LIME
  • การอธิบายโมเดลเชิงลึกให้ผู้บริหารเข้าใจได้ง่าย
  • Generative AI for Data Analytics
  • การสร้าง Summary ข้อมูลขนาดใหญ่
  • วิเคราะห์แนวโน้มด้วย Generative AI
  • การสร้าง Scenario Simulation
  • Workshop
  • สร้าง Pipeline NLP
  • ใช้ XAI วิเคราะห์โมเดล
  • ใช้ Generative AI เพื่อสร้าง Insight ระดับกลยุทธ์
• วันที่ 5 : Data Engineering, AI Pipeline, MLOps และ AI Dashboard
  • Data Engineering Foundations
  • ETL / ELT Process
  • Data Warehouse, Data Lake, Lakehouse
  • Data Governance
  • Data Quality Assessment
  • AI Pipeline & Cloud Architecture
  • การออกแบบ Workflow สำหรับ AI Analytics
  • Data Pipeline Automation
  • การจัดเก็บข้อมูลแบบ Cloud-native
  • การเลือกเครื่องมือให้เหมาะกับองค์กร
  • MLOps (Machine Learning Operations) สำหรับองค์กร
  • แนวคิด CI/CD สำหรับโมเดล
  • Model Versioning
  • Model Deployment Concept
  • Monitoring & Drift Handling
  • AI Dashboard & Business Presentation
  • การเชื่อมต่อผลลัพธ์โมเดลเข้ากับ Dashboard
  • KPI Design สำหรับ AI Analytics
  • การผสาน Python Script กับ Power BI
  • Final Workshop (End-to-End Project)
  • ออกแบบ AI Pipeline ตั้งแต่ข้อมูล → โมเดล → Dashboard
  • สรุป Insight ระดับผู้บริหาร
  • นำเสนอผลงานต่อวิทยากร