คู่มือการเรียนรู้: Python for Data Science and Machine Learning Essential Training Part 2

เอกสารนี้เป็นคู่มือสรุปเนื้อหาสำคัญจากหลักสูตร “Python for Data Science and Machine Learning Essential Training Part 2” บน LinkedIn Learning เพื่อช่วยทบทวนความเข้าใจในหัวข้อและแนวคิดต่างๆ ที่ครอบคลุมในหลักสูตร

——————————————————————————–

แบบทดสอบความเข้าใจ

คำถามต่อไปนี้ออกแบบมาเพื่อทดสอบความรู้ความเข้าใจในภาพรวมและเนื้อหาหลักของหลักสูตร โปรดตอบคำถามแต่ละข้อด้วยประโยคสั้นๆ 2-3 ประโยค

1. ใครคือผู้สอนหลักสูตรนี้ และเป้าหมายหลักที่เธอได้กล่าวไว้สำหรับผู้เรียนคืออะไร?
2. หลักสูตรนี้ครอบคลุมอัลกอริทึมการถดถอย (Regression) ประเภทใดบ้าง?
3. วิธีการวิเคราะห์การจัดกลุ่ม (Cluster analysis) ที่มีการสอนในหลักสูตรนี้มีอะไรบ้าง และมีเทคนิคใดที่ถูกระบุว่าใช้สำหรับการตรวจจับค่าผิดปกติ (outlier detection)?
4. หลักสูตรนี้กล่าวถึงการเรียนรู้ของเครื่องและปัญญาประดิษฐ์ในระดับพื้นฐานอย่างไรบ้าง?
5. หลักสูตรนี้มีเนื้อหาเกี่ยวกับการประมวลผลภาษาธรรมชาติ (Natural Language Processing – NLP) ในขั้นตอนใดบ้าง?
6. อัลกอริทึม Apriori ถูกนำมาใช้เพื่อสร้างแบบจำลองประเภทใดในหลักสูตรนี้?
7. นอกจากการเรียนรู้แบบมีผู้สอน (Supervised Learning) เช่น Regression แล้ว หลักสูตรนี้ยังครอบคลุมอัลกอริทึมประเภทอื่นใดอีกบ้าง?
8. หลักสูตรนี้ให้ภาพรวมเกี่ยวกับโครงข่ายประสาทเทียม (Neural Networks) อย่างไร?
9. กระบวนการทำงานกับแบบจำลอง Logistic Regression ที่หลักสูตรครอบคลุมมีขั้นตอนอะไรบ้างตั้งแต่ต้นจนจบ?
10. หัวข้อใดในหลักสูตรที่เน้นเรื่องปัญญาประดิษฐ์เชิงกำเนิด (Generative AI) และให้คำแนะนำในการติดตามความก้าวหน้าของวงการ?

——————————————————————————–

เฉลยแบบทดสอบ

1. ผู้สอนคือ Lillian Pierson ผู้เป็นนักยุทธศาสตร์ด้านการเติบโตของข้อมูลและ AI เป้าหมายของหลักสูตรคือการสอนให้ผู้เรียนสามารถใช้อัลกอริทึมการเรียนรู้ของเครื่องเพื่อให้ได้ข้อมูลเชิงลึกทางธุรกิจที่มีค่าและสามารถทำงานประจำซ้ำๆ ได้โดยอัตโนมัติ
2. หลักสูตรนี้ครอบคลุมอัลกอริทึมการถดถอย 3 ประเภท ได้แก่ Linear Regression, Multiple Linear Regression และ Logistic Regression ซึ่งมีการอธิบายแนวคิดและการประยุกต์ใช้อย่างละเอียด
3. วิธีการวิเคราะห์การจัดกลุ่มที่สอนในหลักสูตรประกอบด้วย Cluster analysis with the K-means method และ Hierarchical cluster analysis นอกจากนี้ยังมีเทคนิค DBSCAN ซึ่งถูกระบุว่าใช้สำหรับการตรวจจับค่าผิดปกติ (outlier detection) โดยเฉพาะ
4. หลักสูตรนี้ปูพื้นฐานโดยการนิยามความหมายของวิทยาศาสตร์ข้อมูล (Data Science) แสดงให้เห็นว่าการเรียนรู้ของเครื่อง (Machine Learning) อยู่ในส่วนไหนของศาสตร์นี้ และอธิบายพื้นฐานของ AI ที่เกี่ยวข้องกับการเรียนรู้ของเครื่อง รวมถึงการจัดกลุ่มอัลกอริทึมต่างๆ
5. หลักสูตรนี้มีเนื้อหาเกี่ยวกับ NLP โดยเริ่มจากการแนะนำเบื้องต้น (Introduction to NLP) จากนั้นจึงลงรายละเอียดในขั้นตอนการเตรียมข้อมูลข้อความ เช่น การทำความสะอาดและสกัดคำ (Cleaning and stemming) และการระบุรากศัพท์และวิเคราะห์ข้อมูล (Lemmatizing and analyzing)
6. อัลกอริทึม Apriori ถูกนำมาใช้ในหัวข้อ “Association rules models” ซึ่งเป็นแบบจำลองที่ใช้ในการค้นหาความสัมพันธ์หรือกฎเชื่อมโยงระหว่างข้อมูลต่างๆ ในชุดข้อมูล
7. หลักสูตรนี้ครอบคลุมอัลกอริทึมหลายประเภท นอกจากการถดถอยแล้ว ยังมี Instance-based learning with KNN, Decision trees with CART, Bayesian statistics with Naïve Bayes, และ Ensemble learning with random forest
8. หลักสูตรให้ภาพรวมเกี่ยวกับโครงข่ายประสาทเทียมโดยเริ่มจากพื้นฐานด้วย “Neural networks with perceptrons” ซึ่งเป็นหน่วยพื้นฐานที่สุด จากนั้นจึงต่อยอดไปสู่หัวข้อ “Building a neural network” เพื่อแสดงวิธีการสร้างโครงข่ายที่ซับซ้อนขึ้น
9. หลักสูตรครอบคลุมกระบวนการทำงานกับ Logistic Regression อย่างครบวงจร ตั้งแต่การอธิบายแนวคิด (Concepts), การเตรียมข้อมูล (Data preparation), การจัดการกับค่าที่หายไป (Treat missing values), การเข้ารหัสตัวแปรใหม่ (Re-encode variable), การตรวจสอบความถูกต้องของชุดข้อมูล (Validating dataset), การนำแบบจำลองไปใช้งาน (Model deployment), การประเมินผล (Model evaluation) และการทดสอบการทำนาย (Test prediction)
10. หลักสูตรมีหัวข้อเฉพาะสำหรับ Generative AI ได้แก่ “Introduction to generative AI” และ “Deep dive into generative AI models” นอกจากนี้ยังมีหัวข้อ “Keeping up with AI developments” ที่ให้คำแนะนำในการติดตามความก้าวหน้าในสาขานี้ และมีการสาธิตการเขียนโค้ดเพื่อใช้งานแบบจำลอง Generative AI ด้วย

——————————————————————————–

คำถามเรียงความ

1. จากหัวข้อที่ปรากฏในหลักสูตร จงอภิปรายเปรียบเทียบความแตกต่างที่เป็นไปได้ระหว่างเทคนิคการจัดกลุ่ม 3 วิธี: K-means, Hierarchical cluster analysis และ DBSCAN โดยพิจารณาจากชื่อหัวข้อและบริบท (เช่น การตรวจจับค่าผิดปกติ)
2. อธิบายว่าลำดับหัวข้อเกี่ยวกับ Logistic Regression ตั้งแต่การเตรียมข้อมูลไปจนถึงการประเมินผลแบบจำลอง สะท้อนให้เห็นถึงขั้นตอนการทำงานจริงในโครงการวิทยาศาสตร์ข้อมูลอย่างไร
3. จากภาพรวมของหลักสูตร จงวิเคราะห์ว่าการเรียนรู้ของเครื่อง (Machine Learning) ทำหน้าที่เป็นเครื่องมือในการบรรลุเป้าหมายทางธุรกิจที่ Lillian Pierson กล่าวถึงในตอนต้นได้อย่างไร
4. อธิบายความสำคัญของหัวข้อ Natural Language Processing (NLP) และ Generative AI ในหลักสูตรวิทยาศาสตร์ข้อมูลยุคใหม่ โดยอ้างอิงจากเนื้อหาที่หลักสูตรเลือกที่จะนำเสนอ
5. จงวิเคราะห์ว่าอัลกอริทึมที่หลากหลายซึ่งสอนในหลักสูตร (เช่น Decision Trees, Naïve Bayes, Random Forest, KNN) มีจุดเด่นหรือเหมาะกับสถานการณ์ที่แตกต่างกันอย่างไร โดยอาศัยการตีความจากชื่อและประเภทของอัลกอริทึมเหล่านั้น

——————————————————————————–

อภิธานศัพท์

คำศัพท์ (Term)	คำจำกัดความ (Definition)
Data Science	ศาสตร์ที่หลักสูตรนี้ใช้เป็นพื้นฐาน โดยมีการนิยามและอธิบายขอบเขตในบทเรียนแรกๆ
Machine Learning (ML)	แกนหลักของหลักสูตร เป็นชุดของอัลกอริทึมที่ใช้เพื่อให้ได้ข้อมูลเชิงลึกทางธุรกิจและทำงานอัตโนมัติ
Linear Regression	อัลกอริทึมการถดถอยพื้นฐานที่สอนในหลักสูตร
Multiple Linear Regression	อัลกอริทึมการถดถอยที่ซับซ้อนขึ้นจาก Linear Regression ซึ่งถูกสอนในหลักสูตร
Logistic Regression	อัลกอริทึมการถดถอยที่หลักสูตรให้ความสำคัญเป็นพิเศษ โดยครอบคลุมกระบวนการทำงานทั้งหมด
Cluster Analysis	เทคนิคการวิเคราะห์เพื่อจัดกลุ่มข้อมูลที่ไม่มีป้ายกำกับ ซึ่งหลักสูตรนี้ครอบคลุมหลายวิธี
K-means method	หนึ่งในอัลกอริทึมการวิเคราะห์การจัดกลุ่มที่สอนในหลักสูตร
Hierarchical Cluster Analysis	อีกหนึ่งเทคนิคการวิเคราะห์การจัดกลุ่มแบบลำดับชั้นที่สอนในหลักสูตร
DBSCAN	อัลกอริทึมที่ระบุไว้ในหลักสูตรว่าใช้สำหรับการตรวจจับค่าผิดปกติ (outlier detection)
Principal Component Analysis (PCA)	เทคนิคที่กล่าวถึงในหลักสูตร ซึ่งมักใช้ในการลดมิติของข้อมูล
Apriori algorithm	อัลกอริทึมที่หลักสูตรนำเสนอเพื่อใช้กับแบบจำลองกฎความสัมพันธ์ (Association rules models)
Instance-based learning with KNN	วิธีการเรียนรู้ของเครื่องแบบหนึ่งที่สอนในหลักสูตร โดยใช้ K-Nearest Neighbors (KNN)
Decision Trees with CART	อัลกอริทึมต้นไม้ตัดสินใจที่ใช้ Classification and Regression Trees (CART) ซึ่งเป็นหัวข้อในหลักสูตร
Naïve Bayes	อัลกอริทึมที่ใช้หลักสถิติของเบย์ (Bayesian statistics) ซึ่งมีสอนในหลักสูตร
Ensemble learning with random forest	เทคนิคการเรียนรู้แบบกลุ่มที่ใช้ Random Forest ซึ่งเป็นหัวข้อการสอนในหลักสูตร
Neural Networks	แบบจำลองโครงข่ายประสาทเทียม ซึ่งหลักสูตรนี้ครอบคลุมตั้งแต่พื้นฐาน (Perceptrons) ไปจนถึงการสร้าง
Perceptrons	หน่วยพื้นฐานของโครงข่ายประสาทเทียม ซึ่งถูกใช้เป็นจุดเริ่มต้นในการสอนเรื่อง Neural Networks
Natural Language Processing (NLP)	สาขาหนึ่งของ AI ที่เกี่ยวข้องกับการประมวลผลภาษาของมนุษย์ โดยหลักสูตรครอบคลุมการแนะนำและการเตรียมข้อมูลข้อความ
Stemming	กระบวนการสกัดส่วนของคำ (stem) ซึ่งเป็นหนึ่งในเทคนิคการทำความสะอาดข้อมูลข้อความที่สอนในหลักสูตร
Lemmatizing	กระบวนการหารูปแบบพื้นฐานของคำ (lemma) ซึ่งเป็นเทคนิคการวิเคราะห์ข้อมูลข้อความที่สอนในหลักสูตร
Generative AI	ปัญญาประดิษฐ์เชิงกำเนิด เป็นหัวข้อขั้นสูงที่หลักสูตรนี้ให้ความสำคัญ โดยมีทั้งบทนำ การลงลึก และการสาธิตการใช้งาน

• Facebook
• X
• Line