Curriculum

โครงสร้างหลักสูตร Mini Data Science

หน้านี้สรุปโครงสร้างหลักสูตรทั้งหมด ตั้งแต่วัตถุประสงค์ รูปแบบการเรียน เนื้อหา 7 modules แผนการเรียนรายสัปดาห์ และเงื่อนไขการผ่านหลักสูตร

สมัครเรียนรุ่นนี้กลับหน้าแรก

17 สัปดาห์5 เดือนHybrid Learningเรียนวันเสาร์7 ModulesVDO ย้อนหลังได้

วัตถุประสงค์ของหลักสูตร

เข้าใจพื้นฐาน Data Science และ Machine Learning อย่างเป็นระบบ

วิเคราะห์ข้อมูล เลือกใช้โมเดล และประเมินผลได้อย่างเหมาะสม

ประยุกต์ใช้ Advanced Analytics, Data Engineering, Business Intelligence และ Business Deployment กับบริบทธุรกิจจริง

พัฒนาและนำเสนอ Data Project ที่ใช้งานได้จริง

รูปแบบการเรียนรู้

Hybrid sessions

เรียนแบบผสมผสาน onsite และ online เพื่อความสะดวกของผู้เรียน

Saturday schedule

ช่วงเช้า 09:00-12:00 (ทฤษฎี/อภิปราย) และช่วงบ่าย 13:00-16:00 (Lab/Workshop)

Saturday workshop

เรียนวันเสาร์แบบลงมือปฏิบัติ ผ่าน lab, discussion และกรณีศึกษา

Assignment / Lab

ฝึกทำแบบฝึกหัดต่อเนื่อง เพื่อพัฒนาทักษะราย module

VDO replay

มี VDO ให้ทบทวนย้อนหลัง ช่วยตามบทเรียนได้ต่อเนื่องแม้พลาดบางช่วง

กลุ่มเป้าหมาย

ผู้ปฏิบัติงานที่ต้องการ Upskill/Reskill ด้าน Data Science และ Machine Learning

นักวิเคราะห์ข้อมูลที่ต้องการต่อยอดจากรายงานสู่ Predictive Analytics

ผู้บริหารหรือเจ้าของธุรกิจที่ต้องการใช้ข้อมูลเพื่อการตัดสินใจอย่างเป็นระบบ

นักวิจัยหรือผู้สอนที่ต้องการนำ Data Science ไปประยุกต์ใช้ในงานวิชาการ

คุณสมบัติผู้สมัคร

วุฒิการศึกษาขั้นต่ำระดับปริญญาตรี หรือเทียบเท่า

มีประสบการณ์การทำงานอย่างน้อย 1 ปี

สามารถใช้งานคอมพิวเตอร์และเครื่องมือดิจิทัลพื้นฐานได้

พร้อมเรียนรู้แบบ project-based และทำ assignment ต่อเนื่อง

7-Module Curriculum

หลักสูตรแบ่งเป็น 7 modules จากพื้นฐานสู่การนำไปใช้จริง

โครงสร้างการเรียนออกแบบให้ค่อย ๆ พัฒนาจากพื้นฐาน Data Science ไปสู่การทำ Final Data Project ที่สื่อสารผลลัพธ์ได้ทั้งเชิงเทคนิคและเชิงธุรกิจ

Module 1

Introduction to Data Science and Machine Learning

Week 1-2

Data Science foundations
Problem framing
Basic Python and AI on Colab

Module 2

Supervised Learning

Week 3-6

Regression and classification
Gradient descent and optimization
Model evaluation and tuning

Module 3

Unsupervised Learning

Week 7-8

Clustering
Dimensionality reduction
Insight interpretation

Module 4

Advanced Analytics

Week 9-10

Time series forecasting
ARIMA and LSTM
LLM for text analytics

Module 5

Data Engineering

Week 11-12

Data preprocessing
Feature engineering
Data pipelines and large-scale processing

Module 6

Business Intelligence

Week 13-15

Dashboard design
BI for decision support
KPI-linked reporting and proposal preparation

Module 7

Business Deployment

Week 16-17

Deployment planning
Data-driven decision making
Final project presentation

Learning Plan

Week 1

Data Science Foundations and Problem Framing

Instructor: Dr. Thanasarn Hongpaisanvivat and Asst. Prof. Taweesak Samanchuen, Ph.D.

Onsite

Output: Data problem definition + Python foundation

ภาพรวม Data Science และ CRISP-DM
พื้นฐานสถิติที่ใช้ในการวิเคราะห์ข้อมูล
Google Colab และ Python พื้นฐานสำหรับงานข้อมูล

Week 2

Machine Learning Concepts and AI Tools

Instructor: Asst. Prof. Taweesak Samanchuen, Ph.D.

Onsite

Output: EDA and data cleaning baseline

Machine Learning: supervised vs unsupervised
Bias-variance, overfitting และ underfitting
pandas, numpy, matplotlib และ seaborn สำหรับ EDA

Week 3

Linear Regression

Instructor: Asst. Prof. Taweesak Samanchuen, Ph.D.

Online

Output: Regression model with baseline metrics

Linear Regression และ Cost Function
Gradient Descent และ optimization implementation
วัดผลโมเดลด้วย MAE, RMSE และ R2

Week 4

Classification I

Instructor: Asst. Prof. Taweesak Samanchuen, Ph.D.

Online

Output: Logistic classification baseline

Logistic Regression และ confusion matrix
Precision, Recall, F1-score และ ROC-AUC
สร้างและประเมิน classification model ด้วย scikit-learn

Week 5

Classification II

Instructor: Asst. Prof. Taweesak Samanchuen, Ph.D.

Online

Output: Multi-model comparison for classification

Neural Network, SVM, Decision Tree และ Random Forest
KNN และ Naive Bayes
เปรียบเทียบโมเดลหลายแบบจากข้อมูลจริง

Week 6

Model Evaluation and Tuning

Instructor: Asst. Prof. Taweesak Samanchuen, Ph.D.

Onsite

Output: Tuned model with robust validation

Hold-out Method และ Cross-validation
Hyperparameter tuning: Grid Search และ Random Search
สรุปการเลือกโมเดลให้เหมาะกับโจทย์ธุรกิจ

Week 7

Clustering

Instructor: Asst. Prof. Taweesak Samanchuen, Ph.D.

Online

Output: Cluster segmentation and insight

K-Means, DBSCAN และ Hierarchical Clustering
Elbow method และ Silhouette score
ตีความ cluster และสรุป insight รายกลุ่ม

Week 8

Dimensionality Reduction and Insight

Instructor: Asst. Prof. Taweesak Samanchuen, Ph.D.

Online

Output: Reduced-dimension visualization and interpretation

PCA สำหรับลดมิติข้อมูล
t-SNE และ UMAP สำหรับ visualization
สรุป insight จาก unsupervised learning

Week 9

Time Series Analysis and Forecasting

Instructor: Asst. Prof. Waranyu Wongseree, Ph.D.

Online

Output: Time series forecasting prototype

trend, seasonality และ stationarity
ARIMA และ SARIMA สำหรับ forecasting
LSTM เบื้องต้นสำหรับข้อมูลอนุกรมเวลา

Week 10

LLM and Text Analytics

Instructor: Asst. Prof. Taweesak Samanchuen, Ph.D.

Onsite

Output: Text analytics workflow with LLM

ภาพรวม NLP และ LLM จาก Bag-of-Words สู่ Transformer
Prompt engineering: zero-shot และ few-shot
Sentiment, summarization และ text classification

Week 11

Data Preprocessing and Feature Engineering

Instructor: Asst. Prof. Ekarat Rattagan, Ph.D.

Online

Output: Cleaned dataset and engineered features

จัดการ missing values, outliers และ data transformation
Feature engineering และ feature selection
การจัดการ imbalanced data เช่น SMOTE

Week 12

Data Pipelines and Large-Scale Processing

Instructor: Asst. Prof. Ekarat Rattagan, Ph.D.

Online

Output: Pipeline draft for ML workflow

ภาพรวม data pipeline และ ML workflow
SQL สำหรับดึงและแปลงข้อมูล
Airflow, Prefect, Hadoop และ Spark

Week 13

Dashboard Design Principles

Instructor: Asst. Prof. Waranyu Wongseree, Ph.D.

Online

Output: Interactive dashboard prototype

หลักการออกแบบ dashboard ที่สื่อสารชัดเจน
การเลือก chart type ให้เหมาะกับข้อมูล
สร้าง dashboard ด้วย Streamlit หรือ Dash

Week 14

Enterprise Dashboard

Instructor: Asst. Prof. Waranyu Wongseree, Ph.D.

Online

Output: KPI-linked enterprise dashboard

ออกแบบ dashboard เพื่อการตัดสินใจเชิงกลยุทธ์
เชื่อม KPI กับเป้าหมายองค์กร
พัฒนา dashboard ด้วย Power BI หรือ Tableau

Week 15

Technical Integration and Proposal Workshop

Instructor: Asst. Prof. Waranyu Wongseree, Ph.D. / Asst. Prof. Taweesak Samanchuen, Ph.D. / Asst. Prof. Ekarat Rattagan, Ph.D.

Onsite

Output: Technical proposal with deployment and monitoring plan

ประมวล workflow, evaluation และ BI integration
Mini Lab: API serving และ monitoring metrics
นำเสนอ proposal และรับ feedback ก่อน Final Project

Week 16

Business Understanding and Deployment Workshop

Instructor: Dr. Thanasarn Hongpaisanvivat / Tanarat Hongpaisanvivat / Nikanthada Pragobsai

Onsite

Output: Business deployment plan for real rollout

วิเคราะห์ pain point, stakeholder และ KPI
ออกแบบ roadmap การนำโซลูชันไปใช้จริง
วางแผน rollout, KPI monitoring และ risk mitigation

Week 17

Final Project Presentation

Instructor: Dr. Thanasarn Hongpaisanvivat / Tanarat Hongpaisanvivat / Nikanthada Pragobsai / Asst. Prof. Taweesak Samanchuen, Ph.D. / Asst. Prof. Waranyu Wongseree, Ph.D. / Asst. Prof. Ekarat Rattagan, Ph.D.

Onsite

Output: Final presentation and program completion

Data storytelling และ executive communication
นำเสนอ Final Project ต่อคณะวิทยากร
สรุปหลักสูตรและพิธีมอบประกาศนียบัตร

วิทยากรในหลักสูตร

Asst. Prof. Taweesak Samanchuen, Ph.D.

Program Director and Lead Instructor

กำกับภาพรวมหลักสูตรและเชื่อมโยงการเรียนสู่การใช้งานจริงผ่านโครงงาน

Asst. Prof. Waranyu Wongseree, Ph.D.

Instructor

สอนด้าน time series, dashboard และการสื่อสารผลลัพธ์เชิงธุรกิจ

Asst. Prof. Ekarat Rattagan, Ph.D.

Instructor

สอนการจัดการข้อมูล การสร้าง data pipeline และ data engineering สำหรับงานโมเดล

Tanarat Hongpaisanvivat

Instructor

ร่วมสอน business deployment และการเชื่อมผลลัพธ์สู่การใช้งานจริง

Nikanthada Pragobsai

Instructor

เสริมการเรียนรู้เชิงปฏิบัติและการต่อยอดงานวิเคราะห์ข้อมูลในองค์กร

Dr. Thanasarn Hongpaisanvivat

Instructor

สอนการวางกลยุทธ์ข้อมูลและ business understanding สำหรับโจทย์จริง

สิ่งที่ผู้เข้าอบรมต้องเตรียม

คอมพิวเตอร์พกพาสำหรับการเรียน online และ workshop

อินเทอร์เน็ตพร้อมใช้งานสำหรับการเรียนและส่งงาน

โจทย์หรือชุดข้อมูลจากบริบทงานจริงเพื่อใช้ทำ assignment และ final project

เงื่อนไขการผ่านและประกาศนียบัตร

เข้าอบรมไม่น้อยกว่า 80% ของระยะเวลาทั้งหมด

ได้คะแนนรวมไม่น้อยกว่า 75% จะได้รับใบประกาศนียบัตรผ่านการฝึกอบรม

ผู้ที่ไม่ผ่านเกณฑ์คะแนนจะได้รับใบประกาศนียบัตรเข้าร่วมการฝึกอบรม

ผู้เรียนมีสิทธิเข้าสอบประเมินคุณวุฒิของ TPQI ฟรี