ระเบิดภูเขาข้อมูล ด้วย Python Machine Learning

ระเบิดภูเขาข้อมูล ด้วย Python Machine Learning

ระเบิดภูเขาข้อมูล ด้วย Python Machine Learning

รายละเอียด

ผู้สอน 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
คุณต้องการออกจากระบบหรือไม่ ?

ส่งอีเมล์ให้เพื่อน

ส่งให้เพื่อนหลายคนใส่ “,” (ส่งพร้อมกันมากสุด 50 อีเมล์)

send