Advanced Data Science & AI Analytics Mastery

เนื้อหาการอบรม

• Module 1: Introduction to Data Science
  • บทบาทของ Data Scientist และทีมงาน Data
  • Data Lifecycle, CRISP-DM
  • ประเภทข้อมูลและปัญหา (Classification, Regression, Clustering, NLP)
• Module 2: Python for Data Science
  • Python Workflow สำหรับ Data Science
  • แนะนำ Jupyter Notebook
  • สาธิต
    • การจัดการ environment
    • การใช้ numpy, pandas เบื้องต้น
    • DataFrame operation: indexing, filtering, missing values
• Module 3: Data Wrangling & Cleaning
  • ประเภทของ Missing Data
  • Outlier Detection
  • Handling categorical data
  • สาธิต
    • clean dataset จริง (เช่นข้อมูลลูกค้า/ร้านค้า)
    • merge/join/groupby
    • detect and treat outliers
• Module 4: Data Exploration
  • EDA (Exploratory Data Analysis)
  • Descriptive statistics
  • สาธิตใช้ matplotlib, seaborn/plotly
• Module 5: Feature Engineering Overview
  • Scaling, Normalization
  • Encoding techniques: One-hot, Label, Target encoding
  • Date/time feature extraction
  • Interaction terms, polynomial features
  • สาธิตผ่านชุดข้อมูลจำลองและข้อมูลจริง
• Module 6: Feature Selection
  • Filter Methods
    • Correlation, Chi-square, Mutual Information
  • Wrapper Methods
    • RFE (Recursive Feature Elimination)
  • Embedded Methods
    • Lasso, Random Forest importance
  • สาธิตการเลือก features พร้อมเปรียบเทียบประสิทธิภาพ
• Module 7: Feature Extraction
  • PCA (หลักการ + สาธิต)
  • t-SNE, UMAP (งาน visualization)
  • สาธิตกรณีใช้งานจริงกับข้อมูล high-dimensional
• Module 8: Model Building Workflow
  • Train-test split, cross-validation
  • Bias-Variance tradeoff
• Module 9: Classification
  • Logistic Regression
  • Decision Tree
  • Random Forest
  • XGBoost/LightGBM (อธิบาย + สาธิต training)
  • สาธิต hyperparameter tuning
    • grid search
    • random search
• Module 10: Regression
  • Linear Regression
  • Regularization: Ridge, Lasso
  • Random Forest Regressor
  • สาธิต model comparison
• Module 11: Model Evaluation Metrics
  • Classification: accuracy, precision, recall, F1-score, ROC-AUC
  • Regression: RMSE, MAE, R²
  • Confusion Matrix
• Module 12: Clustering
  • K-means
  • Hierarchical clustering
  • DBSCAN
  • สาธิตใช้ elbow method, silhouette score
• Module 13: Association Analysis
  • Apriori
  • FP-growth
  • สาธิต: หา association rules จาก transactional dataset
• Module 14: Time Series Overview
  • Components: Trend, Seasonality
  • Train-test split สำหรับ series
  • สาธิต: simple forecasting (ARIMA / Prophet)
• Module 15: Model Deployment
  • วิธี deploy ML model แบบง่าย
    • pickle
    • REST API (FastAPI, Flask) — สาธิต
    • simple deployment to cloud (concept)
  • MLOps overview
• Module 16: Data Visualization
  • Storytelling with data
  • Dashboard overview
  • สาธิตสร้าง dashboard ด้วย
    • Plotly Dash หรือ
    • Power BI หรือ Tableau หรือ Looker
  • Best practices: color, layout, interaction
• Module 17: Data Science in Practice
  • Best practices for real-world DS
  • Data quality
  • Documentation
  • Ethical AI
  • Privacy & Governance
• Module 18: End-to-End Data Science Demo Project
  • สาธิตแบบครบกระบวนการ
    1. เลือกโจทย์ธุรกิจ
    2. Load + clean data
    3. EDA
    4. Feature engineering