SWU014_Course_Handouts

โครงสร้างเนื้อหาและบทเน้อื หา โครงสรา้ งรายวชิ า รายวชิ า วิทยาการขอ้ มลู (Data Science) 1. วทิ ยาการขอ้ มลู เบอ้ื งตน้ Introduction to Data Science 1.1. ภาพรวมของรายวชิ า 1.2. จุดประสงค์และเนอ้ื หาประจำหัวข้อ 1.3. ทำไมจงึ ต้องเรียน Data Science และ ตวั อย่างการใช้งาน 1.4. ตำแหนง่ งานดา้ นข้อมลู และอตั ราค่าตอบแทน 1.5. กระบวนการทางวทิ ยาการขอ้ มลู 1.6. การเรยี นรูข้ องเครอื่ ง (Machine Learning) คอื อะไร 1.7. การตระเตรียมเคร่อื งมอื ในการเรียน 1.8. Jupyter Notebook 1.8.1. ทำไมจึงใช้ Jupyter Notebook 1.8.2. Workshop: การใชง้ าน Jupyter Notebook 1.9. การเขยี นโปรแกรมภาษาไพทอนเบือ้ งตน้ (Basic Python Programming) 2. Internet of Things (Introduction and Using NodeMCU) 2.1. บทนำ 2.1.1. บทนำ 2.1.2. สถาปัตยกรรมของ IoT 2.1.3. Supplement reading: ทำความรู้จกั กบั NetPIE และ MQTT โปรโตคอล 2.2. การพัฒนาต้นแบบ IoTเบ้อื งต้น 2.2.1. การเขยี นโปรแกรมและอปุ กรณ์พื้นฐาน 2.2.2. Workshop 1: ใชง้ าน Digital Output (ไฟกระพริบ) 2.2.3. Workshop 2: ใชง้ าน Digital Input (เปิด/ปดิ LED) 2.2.4. Workshop 3: การวดั อุณหภมู ิและความช้ืนดว้ ย DHT 2.2.5. Workshop 4: เชื่อมต่อ Wi-Fi 2.2.6. Workshop 5: บันทึกอณุ หภมู แิ ละความชื้นยงั Google Sheet (ส่วนท1่ี ) 2.2.7. Workshop 5: บนั ทึกอุณหภมู แิ ละความช้นื ยงั Google Sheet (ส่วนท2ี่ ) 3. Internet of Things (Raspberry Pi และ Pi Camera) 3.1. ความร้เู บื้องต้นเก่ยี วกับบอร์ด raspberry pi 3.1.1. สว่ นประกอบตา่ งๆบนบอร์ด rasberry pi 3.1.2. การติดต้งั อปุ กรณ์ต่อพว่ งเข้ากบั บอร์ด raspberry pi 3.1.3. Workshop #01: การตดิ ตง้ั ระบบปฏิบัตกิ าร Raspbian บน microSD card 3.1.4. การเริม่ ตน้ ใชง้ านบอรด์ raspberry pi 3.1.5. หลกั การทำงานของพิน (pins) บนบอรด์ raspberry pi 3.2. การทดลองรบั ค่าอณุ หภมู ิจากเซน็ เซอร์และแสดงผลด้วยหลอด LEDs

3.2.1. การต่ออุปกรณ์สำหรบั รับคา่ อณุ หภมู ิจากเซน็ เซอรแ์ ละแสดงผลด้วยหลอด LEDs 3.2.2. Workshop #02: การต่ออุปกรณ์เซ็นเซอร์และหลอด LEDs เขา้ กบั บอร์ดทดลองและบอรด์ raspberry pi 3.2.3. การเขียนโปรแกรมภาษาไพทอนสำหรบั รับคา่ อุณหภมู ิจากเซ็นเซอร์และแสดงผลด้วยหลอด LEDs 3.3. การทดลองใชง้ านโมดูลกลอ้ ง 3.3.1. การตอ่ โมดลู กลอ้ งเขา้ กับบอร์ด raspberry pi 3.3.2. การเขยี นโปรแกรมภาษาไพทอนสำหรบั ใชง้ านโมดลู กล้อง 3.3.3. การเปิดเลน่ ไฟลว์ ดิ โี อที่บนั ทกึ ด้วยโมดลู กลอ้ ง 4. Computer Vision 4.1. การประมวลผลภาพ Image Processing 4.1.1. การประมวลผลภาพ Image Processing 4.1.2. Introduction of Image Processing 4.1.3. Image Processing Application 4.1.4. Feature Detection 4.1.5. Feature Measurement 4.1.6. Data Collection 5. Numpy Pandas 5.1. เตรยี มโปรแกรมที่เกย่ี วขอ้ ง และศึกษาภาษา Python เบือ้ งต้น 5.2. ความรเู้ บอ้ื งตน้ เกยี่ วกับ NumPy 5.3. การสร้างอาร์เรย์ใน NumPy 5.4. การสร้างชดุ ข้อมลู และการดำเนินการทางคณิตศาสตรก์ บั Array 5.5. Indexing และ Slicing 5.6. การเรยี กใชง้ าน Pandas 5.7. การวิเคราะหข์ อ้ มลู ภายใน Series 5.8. การเพม่ิ แก้ไข และลบข้อมลู ใน Series 5.9. การสร้างและการใช้งาน DataFrame 5.10. การเขา้ ถึงขอ้ มูลใน DataFrame 5.11. แบบฝกึ หดั 6. Data Munging 6.1. เก่ียวกับ Data Muning 6.2. การจัดการกับขอ้ มลู ทีเ่ ป็นค่าวา่ ง 6.3. การจัดการกบั ข้อมูลท่ีค่าซำ้ ซ้อน 6.4. การระบเุ งือ่ นไขสำหรับเลือกดูขอ้ มลู 6.5. การแปลงชนิดขอ้ มลู 6.6. การคำนวณและการจดั การขอ้ มลู ตวั เลข 6.7. การคำนวณหาคา่ ทางสถิติ 6.8. ฟังกช์ นั สำหรบั ข้อมลู ท่ีจัดกลุ่มแล้ว

6.9. การเชอื่ ม DataFrame เข้าดว้ ยกัน 6.10. การบันทึกไฟล์ 7. Data Visualization & Matplotlib 7.1. จุดประสงคแ์ ละเนอ้ื หาประจำหวั ข้อ 7.2. คำนยิ ามและความสำคัญของ Visualization 7.3. ประเภทขอ้ มูลและประเภทของ Visualization ท่ีควรใช้งาน 7.4. หลักการสร้าง Visualization ให้มปี ระสิทธิผล (Principles of Effective Visualization) 7.5. Matplotlib demo 7.6. Plot panda dataframe demo 7.7. Seaborn demo 8. EDA 8.1. แนะนำเน้ือหา 8.2. EDA Demo 8.3. Visualization Demo 8.4. Category data Visualization Demo 8.5. ความสำคญั ของการวิเคราะหข์ อ้ มลู เชงิ สำรวจ 9. Supervised Machine Learning Workflow 9.1. แนะนำเนือ้ หา 9.2. ภาพรวมเบื้องตน้ ของการทำงาน 9.3. ตวั อย่างการทำงาน 9.4. การเขียนโปรแกรม 9.5. การเลอื กแบบจำลอง 9.6. การทดสอบประสทิ ธภิ าพแบบจำลอง 10. Classification (Part 1/2) 10.1. การจำแนกประเภท Classification 10.2. แนะนำอัลกอริทึมและตวั อย่างการจำแนกประเภท 10.3. เพอร์เซบตรอน 11. Classification (Part 2/2) 11.1. Logistic Regression 11.2. Support Vector Machine (SVM) 11.3. KNN 11.4. Decision Tree 11.5. Ensembel Models 12. การถดถอย (Regression) 12.1. การถดถอยเชงิ เส้นอยา่ งงา่ ย (Simple linear regression) 12.2. การถดถอยแบบพหนุ าม (Polynomial regression) 13. การถดถอยเชงิ เส้นแบบเรกูลาไรซ์ (Regularized linear regression)

13.1. หลกั การของการเรกลู าไรซ์ 13.2. การถดถอยแบบรดิ จ์ (Ridge regression) 13.3. สรุป 14. วิศวกรรมคุณลักษณะ (Feature Engineering) 14.1. แนวคดิ เบื้องตน้ ของวศิ วกรรมคณุ ลักษณะ (feature engineering) และการเตรียมขอ้ มลู 14.2. การเลือกคณุ ลกั ษณะ (feature selection) 14.3. การสกดั คณุ ลกั ษณะ (feature extraction) 15. การประเมนิ ผลแบบจำลอง (Model Evaluation) 15.1. บทนำ 15.2. Confusion Matrix 15.3. ความสัมพันธ์ระหว่างค่า Precision และ Recall 15.4. ตัววัดสำหรับแบบจำลองการวเิ คราะห์ถดถอย