DATA + AI for Business is Now
![S__102842595](https://datacubeth.ai/wp-content/uploads/2023/09/S__102842595-1024x576.jpg)
10 ต.ค. 2566
09:00 – 17:00 (UTC+7)
Grand Ballroom @Graph Hotel Bangkok ถ.รัชดาภิเษก (MRT ห้วยขวาง ทางออก 2)
“DATA + AI for Business is Now” สัมมนาครั้งยิ่งใหญ่ครบรอบ 10 ปี datacube จะมาอัปเดตเทรนด์ เทคโนโลยี และ Use Case จากหลากหลายธุรกิจที่นำ DATA + AI มาใช้ประโยชน์จริง
พบกับผู้บริหารระดับสูง (C-Level) และวิทยากรผู้เชี่ยวชาญเฉพาะด้านจากหลากหลายอุตสาหกรรม มาร่วมแบ่งปันความรู้ เทคนิค และประสบการณ์
เนื้อหาอัดแน่นตลอดทั้งวัน ตั้งแต่ 9.00-17.00 น. 10 Sessions l 13 Speakers !!
- Frictionless AI : Empowering Enterprise-Wide Adoption and Innovation
โดย Mr. Srirangam R Srirangarajan : Managing Director for the ASEAN & ANZ Regions for Altair Engineering
- Driving Business Growth with DATA + AI แบ่งปันความรู้ และความคิดเห็นในแบบ Panel Talk กับ
– K. Natcha Nititsopon : CIO, Jaymart Group Holdings PCL
– K. Suwattana Sae-tang : CIO, LPN Development PCL
– K. Rin Watakanont : VP – Risk Management, InnovestX Securities Co., Ltd.
– Dr. Akalak Yimwilai : CEO & Founder, Ocean Sky Network (Mandala AI)
– Dr.Pahnit Seriburi : CEO, Bangkok Innovation House Co., Ltd.
โดยมี MC คือ
– Dr. Eakasit Pacharawongsakda : CEO & Founder, Cube Analytics Consulting Co., Ltd. (datacube)
- AI & Marketing
โดย Dr. Akalak Yimwilai : CEO & Founder, Ocean Sky Network (Mandala AI)
- Customer Data Platform
โดย K. Chananya Lauhabandhu : Co-Founder and Marketing Director, 3DS INTERACTIVE CO.,LTD (PAM)
- Data-Driven Business
โดย K. Nattapon Muangtum : Founder, EverydayMarketing
- Technology for Marketing
โดย K. Sitthinunt Pholvisutsak : Owner & CEO, Content Shifu
- Predictive Maintenance
โดย K. Tutpol Ardsomang : Reliability Engineering & Data Science Manager, SCGC
- RPA for Banking
โดย K. Sivawong Khondee : Customer Experience Management with Lean and Automation, Krungsri
- Generative AI
โดย K. Dr. Prachya Boonkwan : Researcher, NECTEC
- Data Tech Summary
โดย K. Dr. Eakasit Pacharawongsakda : CEO & Founder, Cube Analytics Consulting Co., Ltd. (datacube)
หลักสูตร SQL for Data Analytics
คำสั่ง SQL เป็นภาษาที่ใช้ในการจัดการข้อมูลที่เก็บอยู่ในฐานข้อมูล (database) เคยมีคนถามผมว่า “ยังต้องสอน SQL กันอีกหรอ” คำตอบของผมคือ “ยังต้องมีครับ” เนื่องจาก
SQL เป็นพื้นฐานอย่างหนึ่งของงานทางด้าน Data Analysis
SQL ยังใช้งานกันอย่างแพร่หลายในองค์กรหรือบริษัทต่างๆ
SQL เป็นภาษาที่เรียนรู้ง่ายและมีประสิทธิภาพ
เพื่อเตรียมความพร้อมสำหรับการทำงานในบริษัทส่วนใหญ่ซึ่งใช้ SQL Server
นั่นคือเหตุผลว่าทำไม Data Cube ถึงอยากจัดอบรมการใช้งาน SQL เพื่อการวิเคราะห์ข้อมูลครับ โดยวิทยากรในคอร์สนี้คือ คุณกันทรากร จิตต์หาญ เป็น Senior Data Scientist ของบริษัท Cube Analytics Consulting ซึ่งมีประสบการณ์ในการทำงานด้าน Data มาจากบริษัทใหญ่ๆ หลายที่ เช่น แสนสิริ (Sansiri) ธนาคารไทยพาณิชย์ (SCB) และได้ร่วมทำโครงการกับหน่วยงานต่างๆ เช่น JMT network services, กรมอุตุนิยมวิทยา กรมป้องกันและบรรเทาสาธารณภัย (ปภ.) ครับ
หัวข้อการอบรม
หลักสูตร Advanced Data Analytics with Google Big Query & Looker Studio
ภาพรวมของหลักสูตร
หลังจากที่ได้เรียนรู้เรื่อง SQL ไปแล้วจากคอร์ส “SQL for Data Analytics” ซึ่งใช้การทำงานด้วย SQL Server เป็นหลักไปแล้ว ในคอร์สนี้เราจะมาดูระบบที่อยู่บน cloud กันบ้างครับ นั่นคือ Google Big Query และ Looker Studio ซึ่งเป็นเครื่องมือที่ช่วยในการประมวลผลข้อมูลขนาดใหญ่และนำข้อมูลไปแสดงผลในรูปแบบ Dashboard
ในคอร์สนี้วิทยากรยังเป็นคุณกันทรากร จิตต์หาญเช่นเดิมครับ
หัวข้อการอบรม
วันที่ 1
หลักสูตร (1 วัน) หัวข้อ “End-to-End Data Science Process with RapidMiner Platform: From Data to Web Apps” รุ่นที่ 2
ภาพรวมของหลักสูตร
ในการพัฒนาโครงการซึ่งประยุกต์ใช้วิธีการของ Data Science เพื่อมาทำการวิเคราะห์ข้อมูลนั้นประกอบด้วยหลายขั้นตอน โดยจากแนวปฏิบัติที่ดี (best practice) ของหลายๆ แนวทางพบว่ามีขั้นตอนต่างๆ ที่คล้ายกันดังนี้
- กำหนดวัตถุประสงค์ของโครงการ
- รวบรวมข้อมูลที่เกี่ยวข้องพร้อมทั้งแก้ไขข้อมูลให้เหมาะสม
- วิเคราะห์ข้อมูล
- วัดประสิทธิภาพ
- แปลความและนำไปใช้งานต่อ
ความเข้าใจผิดอย่างหนึ่งสำหรับผู้เริ่มต้นคือจะเน้นไปที่การวิเคราะห์ข้อมูลหรือการสร้าง model ทาง Machine Learning แบบต่างๆ แทนที่จะให้เวลากับการเตรียมข้อมูลและการแปลผลเสียมากกว่า
ดังนั้นในหลักสูตรนี้เป็นหลักสูตร 1 วันที่จะแสดงให้เห็นภาพการทำงานตั้งแต่ต้นจนจบกระบวนการ (end-to-end process) ของ Data Science โดยใช้ซอฟต์แวร์ประเภท No-Code/Low-Code Platform ที่ชื่อว่า RapidMiner ตั้งแต่การดึงข้อมูลจากฐานข้อมูล (database) มาทำการวิเคราะห์ข้อมูลและสร้างโมเดล และพัฒนาเป็น web application ที่แสดงข้อมูลและรับค่าจากผู้ใช้งาน ซึ่งในคอร์สนี้จะเน้นไปที่การทำ Workshop เพื่อให้ได้ระบบขึ้นมา
หลักสูตร Practical Data Science and Machine Learning with RapidMiner TurboPrep and AutoModel รุ่นที่ 5
ภาพรวมของหลักสูตร
ในปัจจุบันเราได้เข้าสู่ยุคของบิ๊ก ดาต้า (Big Data) ซึ่งมีข้อมูลมากมายและหลากหลายที่เกิดจากการดำเนินชีวิตของพวกเราเอง เช่น การซื้อสินค้า การใช้งานโทรศัพท์มือถือ หรือจากอุปกรณ์เซนเซอร์ (Sensor) หรืออุปกรณ์ Internet of Things (IoT) ต่างๆ เช่น การวัดความชื้นหรืออุณหภูมิครับ นอกจากนี้การพัฒนาไปอย่างรวดเร็วของเทคโนโลยีทางสารสนเทศและคอมพิวเตอร์ทำให้เราสามารถเก็บข้อมูลได้มากขึ้นด้วยค่าใช้จ่ายที่ถูกลง ดังนั้นในหลายๆ องค์กรจึงอยากนำข้อมูลเหล่านี้มาวิเคราะห์เพื่อก่อให้เกิดประโยชน์ขึ้นมา ซึ่งการวิเคราะห์ข้อมูลนี้อาจจะเป็นแบบง่ายๆ เช่น การหาค่าทางสถิติ เช่น ยอดขายรวมในเดือนนี้เป็นเท่าไร หรือ จำนวนผู้เข้ามาชมเว็บไซต์เฉลี่ยแต่ละเดือนในช่วงไตรมาสที่หนึ่งของปี 2021 เป็นจำนวนที่ราย หรือการวิเคราะห์ในแนวของการคาดการณ์ล่วงหน้า เช่น ในอีก 3 เดือนข้างหน้ายอดขายเครื่องฟอกอากาศจะเป็นจำนวนกี่เครื่อง
การวิเคราะห์ในส่วนที่ซับซ้อนขึ้น เช่น การคาดการณ์อนาคตแบบนี้จะเป็นส่วนหนึ่งของแนวทางของ วิทยาศาสตร์ข้อมูลหรือ Data Science ซึ่งเป็นศาสตร์ที่ได้รับความนิยมมากในปัจจุบันและหลายบริษัทต้องการ นักวิทยาศาสตร์ข้อมูล หรือ Data Scientist มาช่วยงานเป็นจำนวนมาก แต่การเป็น Data Scientist ก็ไม่ได้ง่ายเพราะต้องสามารถเขียนโปรแกรมได้และรู้เรื่องของการวิเคราะห์ข้อมูลด้านต่างๆ ตั้งแต่ สถิติ ไปจนถึงเทคนิคการเรียนรู้ของเครื่อง (Machine Learning) และอาจจะต้องเข้าใจเชิงธุรกิจอีกด้วยทำให้บริษัทหาคนที่เหมาะสมได้ยากมากทีเดียวครับ ดังนั้นอีกแนวทางหนึ่ง คือ เลือกคนที่ทำงานในด้านธุรกิจมานานจนมีความเชี่ยวชาญในด้านนั้นให้มาเรียนรู้เรื่องการวิเคราะห์ข้อมูลเพิ่มเติมซึ่งจะเน้นผลลัพธ์ของธุรกิจเป็นหลักจึงไม่จำเป็นต้องเขียนโปรแกรมได้แต่สามารถใช้ซอฟต์แวร์สำเร็จรูปแทนได้ครับ คนเหล่านี้จะเรียกว่าเป็น Citizen Data Scientist จากแนวคิดนี้ผมจึงตั้งใจสร้างหลักสูตรนี้ขึ้นมาเพื่อให้โอกาสทุกคนที่อยากทำงานด้าน Data Science ให้เข้าใจแนวคิดการทำงานของเทคนิคการวิเคราะห์ข้อมูลต่างๆ ทาง Machine Learning และลงมือปฏิบัติจริงได้ด้วยซอฟต์แวร์ที่ชื่อว่า RapidMiner ครับ
หลักสูตรนี้ได้ทำการปรับปรุงเพิ่มเติมมาจากหลักสูตร Practical Data Mining with RapidMiner Studio 9 ที่ได้มีการอบรมมาเป็นระยะเวลากว่า 6 ปี ในช่วงที่ผ่านมาซอฟต์แวร์ RapidMiner Studio ได้มีการ update หลายๆ อย่างทำให้การทำการวิเคราะห์ข้อมูลทำได้ง่ายขึ้น โดยมีการเพิ่มส่วนของ TurboPrep ที่ช่วยในการเตรียมข้อมูลได้แบบง่ายๆ โดยการใช้ GUI แบบใหม่หรือ AutoModel ที่ทำให้การสร้างโมเดลทาง Machine Learning ง่ายขึ้นครับ ซึ่งในหลักสูตรนี้จะแบ่งเป็น 2 ส่วน คือ ส่วนของการอธิบาย concept พื้นฐานของการวิเคราะห์ข้อมูลด้วยเทคนิคต่างๆ ทางด้าน Data Science และ Machine Learning เช่น การแบ่งกลุ่มลูกค้าด้วยวิธีการ RFM Segmentation หรือ การสร้างโมเดลด้วยเทคนิค Decision Tree หรือ Naive Bayes เป็นต้น
ถ้าท่านเคยอบรมหลักสูตร Practical Data Mining with RapidMiner Studio 9 มาก่อน หรือท่านที่สนใจอยากเร่ิมทำทางด้านการวิเคราะห์ข้อมูล ผมหวังเป็นอย่างยิ่งว่าท่านจะสนใจมาเข้าร่วมเรียนรู้และ update ความรู้ทางด้านการวิเคราะห์ข้อมูลและการใช้งาน RapidMiner แบบใหม่กับเราในหลักสูตรนี้ครับ ^^
หลักสูตรนี้เหมาะสำหรับ
นิสิต/นักศึกษาที่สนใจการวิเคราะห์ข้อมูลด้วยเทคนิค Data Science และ Machine Learning
อาจารย์มหาวิทยาลัยที่ต้องการ update ความรู้ทางด้าน Data Science และ Machine Learning และเรียนรู้การใช้งานซอฟต์แวร์ใหม่ๆ ที่ดีขึ้น
บุคลากรทางด้าน IT ที่ต้องการเพิ่มทักษะทาง Data Science และ Machine Learning
หน่วยงานหรือองค์กรที่ต้องการวิเคราะห์ข้อมูลด้วยวิธีการทาง Data Science และ Machine Learning
ผู้ประกอบการวิสาหกิจขนาดกลางและย่อม (SME) ที่ต้องการวิเคราะห์ข้อมูลลูกค้าหรือการซื้อขายสินค้า
เนื้อหาการอบรม (Course Outline)
วันที่ 1
แนะนำการวิเคราะห์ข้อมูลด้วยเทคนิค Data Science และ Machine Learning และการใช้ประโยชน์ในด้านต่างๆ
อธิบายแแนวคิดพื้นฐานในการเก็บข้อมูลในลักษณะต่างๆ ได้แก่
พื้นฐานการเก็บข้อมูลในรูปแบบฐานข้อมูล (Database)
พื้นฐานการเก็บข้อมูลในรูปแบบคลังข้อมูล (Data Warehouse)
แนะนำกระบวนการ CRISP-DM เบื้องต้นสำหรับการวิเคราะห์ข้อมูล
แนะนำส่วนต่างๆ ของซอฟต์แวร์ RapidMiner Studio 9
การนำข้อมูลไฟล์ Excel, CSV เข้ามาใช้ใน RapidMiner Studio 9
ลักษณะของแอตทริบิวต์ (attribute) ต่างๆ ในชุดข้อมูล
การจัดการข้อมูลด้วย RapidMiner Turbo Prep
การเลือกแอตทริบิวต์ (attribute) ที่ต้องการ
การเลือกข้อมูลตัวอย่างตามเงื่อนไขที่กำหนด
การ replace ค่าที่ผิดพลาด
การแก้ไขค่าว่าง (Replace Missing Value) แบบต่างๆ
การสร้างแอตทริบิวต์หรือตัวแปรใหม่ (Generate Attributes)
การแบ่งช่วงข้อมูล (Discretization) แบบต่างๆ
การ join ข้อมูล 2 ชุดเข้าด้วยกัน
การสร้างตาราง Pivot Table
Workshop การจัดการข้อมูล transaction การซื้อสินค้า online ด้วย RapidMiner TurboPrep
อธิบายแนวคิดของการวิเคราะห์ข้อมูลเพื่อสนับสนุนการตัดสินใจแบบต่างๆ ได้แก่
การวิเคราะห์เชิงพรรณนา (Descriptive Analytics)
การวิเคราะห์เชิงวินิจฉัย (Diagnostic Analytics)
การวิเคราะห์เชิงพยากรณ์ (Predictive Analytics)
การวิเคราะห์เชิงแนะนำ (Prescriptive Analytics)
วันที่ 2
พื้นฐานทางสถิติ (Statistics) และความน่าจะเป็น (Probability)
การวัดค่าสถิติต่างๆ เช่น การหาค่าเฉลี่ย (Mean) การหาค่ากลาง (Median) การหาค่าฐานนิยม (Mode)
การคำนวณค่าเบี่ยงเบนมาตรฐาน (Standard Deviation)
Rank Order Statistics
การหา Outlier ด้วยวิธีการ IQR (Inter Quartile Range)
พื้นฐานความน่าจะเป็น (Probability)
การแสดงกราฟ (Chart) ในรูปแบบต่างๆ ได้แก่
กราฟแท่ง (Bar Chart)
กราฟวงกลม (Pie Chart)
กราฟเส้น (Line Chart)
การการกระจายตัว (Scatter Plot)
การแบ่งกลุ่มข้อมูลด้วยวิธีการ RFM Segmentation
ตัวอย่างการแบ่งกลุ่ม RFM Segmentation ด้วย RapidMiner TurboPrep
Workshop การแบ่งกลุ่ม RFM Segmentation กับข้อมูล online transactions ด้วย RapidMiner TurboPrep
แนวคิดพื้นฐานของเทคนิค Machine Learning
เทคนิค Machine Learning ประเภทต่างๆ ได้แก่
Unsupervised Learning หรือการเรียนรู้แบบไม่มีผู้สอน
Supervised Learning หรือการเรียนรู้แบบมีผู้สอน
Semi-supervised Learning หรือการเรียนรู้แบบกึ่งมีผู้สอน
อธิบายแนวคิดขอองการแบ่งกลุ่มข้อมูลด้วยเทคนิค K-Means Clustering
การแบ่งกลุ่มข้อมูลด้วย RapidMiner AutoModel
วันที่ 3
อธิบายแนวคิดพื้นฐานของการทำ Classification และ Regression
การแบ่งข้อมูลเพื่อทำการทดสอบประสิทธิภาพของโมเดล Classification และ Regression
ตัววัดประสิทธิภาพของโมเดล Classification และ Regression ต่างๆ ได้แก่
Confusion Matrix
Precision
Recall
F-Measure
Accuracy
ROC Curve และ AUC (Area Under Curve)
Mean Absolute Error (MAE)
Root Mean Square Error (RMSE)
อธิบายแนวคิดของเทคนิค Decision Tree
ตัวอย่างการประยุกต์ใช้งานด้วย RapidMiner Auto Model
อธิบายแนวคิดของเทคนิค Naive Bayes
ตัวอย่างการประยุกต์ใช้งานด้วย RapidMiner Auto Model
อธิบายแนวคิดของเทคนิค Linear Regression
ตัวอย่างการประยุกต์ใช้งานด้วย RapidMiner Auto Model
อธิบายแนวคิดของเทคนิค Logistic Regression
ตัวอย่างการประยุกต์ใช้งานด้วย RapidMiner Auto Model
อธิบายแนวคิดของเทคนิค Support Vector Machines (SVM)
ตัวอย่างการประยุกต์ใช้งานด้วย RapidMiner Auto Model
วิทยากร
ดร. เอกสิทธิ์ พัชรวงศ์ศักดา (Certified RapidMiner Ambassador และ Data Science Team Lead)
บริษัท คิวบ์ อนาไลติกส์ คอนซัลติ้ง จำกัด
การศึกษา
ปริญญาเอกวิทยาการคอมพิวเตอร์ สถาบันเทคโนโลยีนานาชาติสิรินธร มหาวิทยาลัยธรรมศาสตร์ (ทุนโครงการปริญญาเอกกาญจนาภิเษก)
visiting PhD Student ที่มหาวิทยาลัย York (York University) เมืองโตรอนโต ประเทศแคนาดา
ปริญญาโทวิศวกรรมศาสตร์ สาขาวิศวกรรมคอมพิวเตอร์ มหาวิทยาลัยเกษตรศาสตร์ (บางเขน)
ปริญญาตรีวิศวกรรมศาสตร์ สาขาวิศวกรรมคอมพิวเตอร์ (เกียรตินิยมอันดับ 2) มหาวิทยาลัยเกษตรศาสตร์ (บางเขน)
Technical Agency
![](https://datacubeth.ai/wp-content/uploads/2022/09/man-enjoying-the-wind.jpg)
From the designers and engineers who are creating the next generation of web and mobile experiences, to anyone putting a website together for the first time. We provide elegant solutions that set new standards for online publishing.
Digital technology has made our world more transparent and interconnected, posing new challenges and opportunities for every business. A holistic, user-centric perspective is what truly sets one apart.
![case_img_03](https://datacubeth.ai/wp-content/uploads/2019/07/case_img_03.jpg)
How We Work
From the designers and engineers who are creating the next generation of web and mobile experiences, to anyone putting a website together for the first time. We provide elegant solutions that set new standards for online publishing.
Digital technology has made our world more transparent and interconnected, posing new challenges and opportunities for every business. A holistic, user-centric perspective is what truly sets one apart.
Optimization Statistics
From the designers and engineers who are creating the next generation of web and mobile experiences, to anyone putting a website together for the first time. We provide elegant solutions that set new standards for online publishing.
Digital technology has made our world more transparent and interconnected, posing new challenges and opportunities for every business. A holistic, user-centric perspective is what truly sets one apart. together for the first time. We provide elegant solutions.
From the designers and engineers who are creating the next generation of web and mobile experiences, to anyone putting a website together for the first time. We provide elegant solutions that set new standards for online publishing.
We Will Be Useful to You
From the designers and engineers who are creating the next generation of web and mobile experiences, to anyone putting a website together for the first time.
Digital technology has made our world more transparent and interconnected, posing new challenges and opportunities for every business. As your budget progresses and evolves, continue referring to your SMART objectives. Stay focused and remember your goals – they will always inform what your next step will be!
From the designers and engineers who are creating the next generation of web and mobile experiences, to anyone putting a website together for the first time. We provide elegant solutions that set new standards for online publishing.
As your budget progresses and evolves, continue referring to your SMART objectives. Stay focused and remember your goals – they will always inform what your next step will be!