ระเบิดภูเขาข้อมูล ด้วย Python Machine Learning
ระเบิดภูเขาข้อมูล ด้วย Python Machine Learning
5,490 บาท
เข้าเรียน / ซื้อคอร์สรายละเอียด
ผู้สอน ดร.อมรเทพ ทองชิว
คำอธิบายคอร์สออนไลน์
Python คือ ภาษาโปรแกรมระดับสูงที่ใช้กันอย่างแพร่หลาย เพราะถูกออกแบบให้ Code สามารอ่านได้ง่าย และโครงสร้างของภาษาทำให้โปรแกรมเมอร์สามารถเข้าใจแนวคิดการเขียนโค้ดโดยใช้บรรทัดที่น้อยลงกว่าภาษาอื่นๆ สามาระเขียนได้ตั้งแต่โปรแกรมเล็กไปจนถึงโปรแกรมขนาดใหญ่
ในคอร์สเรียนนี้จะเป็นการนำ "Python" มาใช้ในการจัดการ "Data" ซึ่งมีเนื้อหาหลักได้แก่
- ความรู้เบื้องต้นด้าน Data Science
- การติดตั้ง Python และ Anaconda Jupyter Notebook
- พื้นฐานการใช้ Python เบื้องต้น
- การเปิดไฟล์และเข้าถึงข้อมูลประเภทต่างๆ เช่น Excel, Database, ข้อมูลที่อยู่บนเว็บไซต์ หรือข้อมูลหุ้น
- การจัดเตรียมข้อมูล การเลือก การแปลงข้อมูล
- การสรุปข้อมูลด้วยค่าสถิติและวิธี Groupby
- การใช้งานสถิติสำหรับวิเคราะห์ข้อมูลพื้นฐาน
- การทำ Data Visualization เบื้องต้นด้วย matplotlib, Seaborn และ Interactive Clufflinks
- ฝึกปฏิบัติเทคนิคการจัดการข้อมูลด้วย Python
- พื้นฐานการใช้ Machine Learning (Supervised & Unsupervised)
- การใช้คำสั่ง Python สร้าง Model ต่าง ๆ
- เทคนิคการปรับแต่ง ML Model ด้วยการสุ่มและ Grid Search
ประโยชน์ที่ผู้เรียนจะได้รับ
- สามารถติดตั้งโปรแกรม Python ไว้ใช้งานได้
- สามารถนำเข้าไฟล์ประเภทต่างๆ ด้วย Python ได้
- สามารถจัดเตรียมข้อมูลด้วย Python ได้
- สามารถใช้ Python วิเคราะห์ข้อมูลทางสถิติพื้นฐานได้
- สามารถสร้าง Data Visualization ด้วย Python ได้
- สามารถใช้ Machine Learning ด้วย Python ได้
- สามารถตีความ ผลลัพธ์จากการวิเคราะห์ข้อมูลด้วย Python ได้
ใครควรเรียนคอร์สออนไลน์นี้
- ผู้ที่ต้องการวิเคราะห์ข้อมูลธุรกิจ หรืองานวิจัยข้อมูลในทุกสายอาชีพ
- ผู้ที่สนใจ Data Mining และ Deep Learning Modeling
ผู้เรียนต้องมีความรู้อะไรมาก่อน
ไม่จำเป็นต้องมีพื้นฐานมาก่อนก็สามารถเรียนได้
เนื้อหาของคอร์สนี้
| Session 1 Python Essential for Basic Data Sci | คลิปยาว (นาที) | |
|---|---|---|
| 1.1 แนะนำให้รู้จัก Program Python | 09:29 | |
| 1.2 การติดตั้ง Python ด้วย Anaconda เพื่อใช้ Jupyter Notebook | 07:21 | |
| 1.3 การใช้ Python บน Google Colab | 08:01 | |
| 1.4 การใส่ข้อความหรือคำอธิบายบน Jupyter Notebook (Markdown) | 09:50 | |
| 1.5 การติดตั้ง Packages เพิ่มเติมให้กับ Python | 11:29 | |
| Session 2 Python Data Sci Workshop | คลิปยาว (นาที) | |
|---|---|---|
| 2.1 แนะนำหัวข้อที่ใช้ในการฝึกปฏิบัติงานด้าน Data Sci เบื้องต้น | 04:19 | |
| 2.2 การปรับเปลี่ยนมิติของข้อมูล เพื่อให้วิเคราะห์ได้ง่ายขึ้น (Preprocess : Reshaping Data) | 20:20 | |
| 2.3 เทคนิคในการเลือกข้อมูลในด้านของแถว (Subset Selection : Rows) | 16:07 | |
| 2.4 เทคนิคในการเลือกข้อมูลในด้านของสดมภ์ (Subset Selection : Columns) | 08:51 | |
| 2.5 การวิเคราะห์และสรุปข้อมูลทางสถิติ (Summarize Data) | 15:21 | |
| 2.6 การวิเคราะห์ค่าสถิติตามกลุ่มข้อมูล (Group Data) | 06:19 | |
| 2.7 การคำนวณและสร้าง Columns ใหม่ (Make New Columns) | 12:24 | |
| 2.8 การสร้าง Graph & Chart เพื่อนำเสนอข้อมูล (Data Visualization) | 08:37 | |
| 2.9 การหาค่าและนำ Outlier ออกจากข้อมูล (Remove Outlier) | 08:11 | |
| 2.10 การวิเคราะห์ข้อมูลที่เกี่ยวข้องกับวันที่ (Date time data analysis) | 15:28 | |
| Session 3 Python for Data Sci (Full Training) | คลิปยาว (นาที) | |
|---|---|---|
| 3.1 ภาษา Python สำหรับงานวิเคราะห์ข้อมูล (บรรยาย) | 22:25 | |
| 3.2 ความรู้ด้าน Data Sci & Data Analytics (บรรยาย) | 20:35 | |
| 3.3 ภาษา Python ขั้นพื้นฐาน | 41:55 | |
| 3.4 การเชื่อมต่อข้อมูลและการบันทึกไฟล์ประเภทต่าง ๆ ด้วย Python | 36:34 | |
| 3.5 การจัดการข้อมูลเบื้องต้น เช่น การจัดการ Missing, Duplicated data, Pivot & Melt, Replace, Rename, Binning & Outlier Detection | 17:32 | |
| 3.6 การแทนค่า การสร้าง Binning และการ Join Table | 19:28 | |
| 3.7 การสรุปข้อมูลแบบกลุ่มด้วย Group By, Crosstab และการใช้ Filter | 09:06 | |
| 3.8 การวิเคราะห์ความสัมพันธ์และรีเกรสชั่น (Correlation & Regression) | 25:50 | |
| 3.9 ทบทวนความรู้ Numpy Library | 02:58 | |
| 3.10 การวิเคราะห์ Correlation & Regression | 06:58 | |
| 3.11 Seaborn Data Visualization | 26:07 | |
| Session 4 Python Data Sci (Quiz) | คลิปยาว (นาที) | |
|---|---|---|
| 4.1 แบบฝึกหัด Python Data Sci 10 ข้อ | 03:18 | |
| 4.2 เฉลย Quiz ข้อ 1-5 | 10:24 | |
| 4.3 เฉลย Quiz ข้อ 6-10 | 12:12 | |
| Session 5 Python for Machine Learning (Supervised Learning) | คลิปยาว (นาที) | |
|---|---|---|
| 5.1 แนะนำความรู้เบื้องต้นด้าน Machine Learning (บรรยาย) | 56:28 | |
| 5.2 การจัดการ Missing Values | 13:13 | |
| 5.3 เรียนรู้การวิเคราะห์ Linear Regression | 30:21 | |
| 5.4 การทำ Logistic Regression | 21:50 | |
| 5.5 การทำ Decision Tree ML | 35:24 | |
| 5.6 Workshop Decision Tree | 37:39 | |
| 5.7 การทำ RandomForest ML และรายงาน Important Features | 24:53 | |
| 5.8 การทำ การทำ k-nearest neighbor และการหา k ที่ดีที่สุด (optimum) | 05:38 | |
| 5.9 Workshop k-nearest neighbor ร่วมกับการใช้เทคนิคการสุ่ม SMOTE | 10:37 | |
| 5.10 การทำ SVM ML ร่วมกับเทคนิคการปรับโมเดล Grid Search | 10:48 | |
| 5.11 การทำ Naïve Bayes ร่วมกับ SMOTE | 06:31 | |
| 5.12 การทำ Multilayer Perceptron ร่วมกับ Grid Search | 08:43 | |
| 5.13 การทำ Gradient Boosting และ Ensemble ML | 35:50 | |
| 5.14 การ Save ผลลัพธ์การทำนายและ Save Machine Learning Model | 52:04 | |
| Session 6 Python for Machine Learning (Unsupervised Learning) | คลิปยาว (นาที) | |
|---|---|---|
| 6.1 การวิเคราะห์ PCA (Principle Component Analysis) | 12:53 | |
| 6.2 ความรู้เบื้องต้นเกี่ยวกับ Clustering & Association Rule (บรรยาย) | 36:55 | |
| 6.3 การวิเคราะห์ Clustering | 29:04 | |
| 6.4 การวิเคราะห์ Association Rules | 21:49 | |
| 6.5 Workshop การทำ Associations Rules | 25:42 | |
| แนะนำคอร์สเรียนออนไลน์ | คลิปยาว (นาที) | |
|---|---|---|
| แนะนำคอร์สออนไลน์ | 04:35 | |