สไลด์การบรรยายเรื่อง Machine Learning for Non-Codes (Anyone) ในงาน Dev Mountain Tech Festival เมื่อวันที่ 19 มีนาคม 2565 ที่ผ่านมาครับ โดยเนื้อหาในสไลด์จะอธิบายแนวทางการวิเคราะห์ข้อมูลตั้งแต่พื้นฐานจนถึงรายละเอียดของเทคนิค Machine Learning ครับ โดยมีหัวข้อหลักๆ ดังนี้ครับ ท่านใดสนใจดูเอกสารการบรรยายสามารถ DOWNLOAD ได้เลยครับหลังจากนั้นให้ใส่ password ว่า cub32022 เพื่อเปิดไฟล์
Tag Archives: blog
Teachable Machine (https://teachablemachine.withgoogle.com/) เป็นระบบ No-Code Machine Learning Platform ที่ช่วยให้สามารถทำ Deep Learning ง่ายแบบไม่ต้องเขียน code เลยครับ
ในปัจจุบันมีซอฟต์แวร์ที่ใช้ในการวิเคราะห์ข้อมูลแบบ Machine Learning แบบที่ไม่ต้องเขียน code (No-Code) หรือเขียน code เพียงเล็กน้อย (Low-Code) อยู่หลากหลายซอฟต์แวร์เลยครับ ในรูปด้านล่างเป็นการเปรียบเทียบซอฟต์แวร์ต่างๆ เหล่านี้ในเรื่องของความง่ายในการใช้งานและความครอบคลุมในการวิเคราะห์ข้อมูล
เรื่องนี้เป็นอีก use case หนึ่งทางด้าน Data Science (DS)/Machine Learning (ML) ที่ใช้ในการเลือกว่าลูกค้าคนไหนมีโอกาสจะซื้อสินค้าบ้างจะได้นำเสนอสินค้าหรือบริการให้ตรงใจกับลูกค้ามากยิ่งขึ้นและไม่ต้องส่งข้อความหรือโทรศัพท์ไปหาลูกค้าแบบสุ่มหรือทั้งหมด แม้ว่าสมัยนี้อาจจะดูเหมือนการส่ง email ไม่ได้มีค่าใช้จ่ายแต่จริงๆ ก็มีอยู่บ้างเล็กน้อยครับและเมื่อทำการส่งข้อความไปให้ลูกค้าเป็นหมื่นๆ คนก็มีค่าใช้จ่ายพอสมควรเลย ยิ่งเป็นการส่งข้อความผ่านทาง SMS หรือโทรศัพท์ด้วยแล้วยิ่งมีค่าใช้จ่ายมากขึ้น แต่ถ้ามองกันในมุมของลูกค้าแล้วการที่ได้รับข้อความหรือโทรศัพท์ในเรื่องที่ไม่สนใจย่อมไม่ค่อยพอใจเท่าไรแล้วอาจจะไม่เปิดอ่าน email หรือถึงขั้น block หมายเลขโทรศัพท์เลยก็เป็นได้ ทำให้บริษัทเสียโอกาสติดต่อลูกค้าในภายหน้าไปอีกครับ
ผมบังเอิญเจอหนังสือเล่มนี้ครับ ซึ่งชื่อเรื่องคล้ายๆ กับที่ผมจะไปบรรยายให้กับ UPM Academy ในเรื่อง data driven organization พอดิบพอดี (ซึ่งผู้เข้าร่วมจะเป็นผู้ที่เกี่ยวข้องกับบริษัท อสังหาริมทรัพย์ต่างๆ ครับ)
หลังจากทำการวิเคราะห์ข้อมูลด้วยเทคนิค Machine Learning มาสักพักก็พบว่าข้อมูลส่วนใหญ่นั้นไม่สามารถนำไปสร้างโมเดลได้ทันทีแต่จำเป็นต้องมีการสร้างตัวแปรใหม่ (derived variable) หรือทำการเตรียมข้อมูลให้อยู่ในรูปแบบตารางที่เรียกว่า Analytical Base Table (ABT) ซึ่งประกอบด้วย ในเอกสารนี้ได้สรุปแนวทางทางในการทำ Data Preparation และ Feature Engineering ที่ใช้งานบ่อยไว้ให้ครับ โดยมีหัวข้อต่างๆ ได้แก่ ท่านใดสนใจดาวน์โหลดเอกสารได้จาก link นี้หรือคลิกที่รูปภาพได้เลยครับ ^^ ทางเราได้มีการจัดอบรมเชิงปฏิบัติการในการนำเทคนิคเหล่านี้มาทำการวิเคราะห์ข้อมูลต่างๆ เช่น รายละเอียดเพิ่มเติมดูได้จาก https://datacubeth.ai/data-science-training/data-preparation-and-feature-engineering-for-data-analytics-and-machine-learning-workshop-with-rapidminer-studio-ai-hub/
เมื่อวันก่อนได้รับโอกาสให้ไปบรรยายใน workshop เรื่อง Machine Learning for Business (workshop with MarTech App) ครับ เลยอยากขอนำสไลด์มาแชร์ให้ผู้สนใจได้ดูกันครับ (คลิกที่รูปได้เลยนะครับ) ส่วนข้อมูลสามารถดาวน์โหลดได้จาก datacubeth.ai/p2b_data.xlsx
เอกสารด้านล่างเป็นส่วนหนึ่งเอกสารที่ใช้ในการอบรมหลักสูตร Practical Data Science and Machine Learning with RapidMiner TurboPrep and AutoModel ซึ่งมีระยะเวลาการอบรม 3 วันตั้งแต่วันที่ 25-27 กรกฎาคม 2565 ครับ โดยในเอกสารนี้จะประกอบด้วยหัวข้อต่างๆ ได้แก่ ดาวน์โหลดได้จาก ที่นี่ หรือคลิกที่รูปด้านล่างได้เลยครับ