Basic Data Mining with R
หลักสูตร Basic Data Mining with R เป็นการอบรมการทำเหมืองข้อมูลด้วยภาษา R ตามกระบวนการ CRISP-DM ตั้งแต่เตรียมข้อมูล สร้างแบบจำลองจำแนกประเภทด้วย tidymodels วัดผลอย่างถูกวิธี จนถึงจัดกลุ่มข้อมูลและหากฎความสัมพันธ์ เหมาะกับนักศึกษาที่ทำวิทยานิพนธ์ นักวิจัย และนักการตลาดที่มีพื้นฐานภาษา R
- ระยะเวลา18 ชั่วโมง · 3 วัน
- รูปแบบออนไซต์ / ออนไลน์สด
- รอบถัดไปเปิดตามคำขอ
- ใบรับรองมี Certificate
ภาพรวมหลักสูตร
ข้อมูลที่องค์กรและนักวิจัยเก็บไว้ ทั้งข้อมูลลูกค้า ยอดขาย แบบสอบถาม และผลการเรียน มีรูปแบบซ่อนอยู่มากมาย Data Mining คือการค้นหารูปแบบเหล่านั้นเพื่อใช้พยากรณ์ จัดกลุ่ม หรือหาความสัมพันธ์ ทั้งในงานวิทยานิพนธ์ งานวิจัย และการตลาด ภาษา R เป็นเครื่องมือโอเพนซอร์สที่ใช้ฟรีและนิยมในงานสถิติและวิจัย แต่ผู้เริ่มต้นมักติดอยู่ที่การเตรียมข้อมูล การเลือกเทคนิค และการวัดผลแบบจำลองให้ถูกต้อง
หลักสูตรนี้ต่อยอดจากพื้นฐานภาษา R พาผู้เรียนทำ Data Mining ตามกระบวนการ CRISP-DM ด้วย R 4.6 และชุด Package รุ่นปัจจุบัน เริ่มจากนำเข้า สำรวจ และทำความสะอาดข้อมูล เตรียมตัวแปรด้วย recipes จากนั้นสร้างแบบจำลองจำแนกประเภทด้วย tidymodels ทั้ง Decision Tree, K-Nearest Neighbors, Logistic Regression, Neural Network และ Random Forest พร้อมวัดผลด้วย Cross-validation และปรับจูน ต่อด้วยการจัดกลุ่มด้วย k-means และ Hierarchical Clustering การหากฎความสัมพันธ์ด้วย arules และรายงานผลด้วย Quarto ก่อนปิดท้ายด้วย Workshop โปรเจกต์ตั้งแต่ต้นจนจบ (อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง ระดับ Beginner)
สิ่งที่คุณจะได้รับ
- เข้าใจหลักการ Data Mining ประเภทของงาน และขั้นตอนตามกระบวนการ CRISP-DM
- นำเข้า สำรวจ ทำความสะอาด และเตรียมข้อมูลให้พร้อมวิเคราะห์ด้วย R
- สร้างแบบจำลองจำแนกประเภทด้วย Decision Tree, K-Nearest Neighbors และ Neural Network ผ่าน tidymodels
- วัดผลแบบจำลองด้วย Confusion Matrix, ROC AUC และ Cross-validation แล้วเลือกแบบจำลองที่เหมาะสม
- จัดกลุ่มข้อมูลด้วย Clustering และหากฎความสัมพันธ์ด้วย Association Rules
- นำผลไปใช้ในงานวิทยานิพนธ์ งานวิจัย หรือการตลาด และเขียนรายงานที่ทำซ้ำได้ด้วย Quarto
หลักสูตรนี้เหมาะสำหรับ
- นักศึกษาปริญญาโทและเอกที่ต้องใช้ Data Mining ในวิทยานิพนธ์
- นักวิจัยและอาจารย์ที่ต้องวิเคราะห์ข้อมูลงานวิจัยด้วย R
- นักการตลาดและนักวิเคราะห์ข้อมูลที่ต้องแบ่งกลุ่มลูกค้าหรือพยากรณ์พฤติกรรม
- เจ้าหน้าที่หน่วยงานที่ดูแลข้อมูลและต้องการต่อยอดจาก R พื้นฐาน
พื้นฐานของผู้เข้าอบรม
- เขียนภาษา R เบื้องต้นได้ เช่น ตัวแปร Data Frame และการใช้ Package หรือผ่านหลักสูตร Basic R Programming
- มีความรู้สถิติพื้นฐาน เช่น ค่าเฉลี่ย ส่วนเบี่ยงเบนมาตรฐาน และสหสัมพันธ์
- ใช้งานคอมพิวเตอร์และจัดการไฟล์ได้คล่อง
- Notebook ที่ติดตั้ง R, RStudio หรือ Positron และ Package ได้ พร้อมสิทธิ์ติดตั้งโปรแกรม
หัวข้อการฝึกอบรม
รายละเอียดหลักสูตร
หลักสูตรนี้เป็นฉบับปรับปรุงใหม่ปี 2026 ของหลักสูตรการทำเหมืองข้อมูลด้วยซอฟต์แวร์ R ขั้นพื้นฐาน เนื้อหาเขียนใหม่ให้ตรงกับ R 4.6 และการสร้างแบบจำลองด้วยชุด tidymodels ซึ่งเป็นแนวทางปัจจุบัน อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab ทุกหัวข้อ ระดับ Beginner วันแรกเรียนกระบวนการ CRISP-DM และการเตรียมข้อมูลตั้งแต่นำเข้า สำรวจ ทำความสะอาด
จนถึงสร้าง recipe วันที่สองสร้างและวัดผลแบบจำลองจำแนกประเภททั้ง Decision Tree, K-Nearest Neighbors, Logistic Regression, Neural Network และ Random Forest พร้อมปรับจูน วันที่สามจัดกลุ่มข้อมูล หากฎความสัมพันธ์ เขียนรายงานด้วย Quarto และทำ Workshop โปรเจกต์ หลักสูตรนี้ต่อยอดจากหลักสูตร Basic R Programming ผู้เรียนควรเขียนภาษา R เบื้องต้นได้ และจะได้ชุดข้อมูล สคริปต์ R และ Template รายงานกลับไปใช้งานต่อ
Day 1 กระบวนการ Data Mining และการเตรียมข้อมูล
Section 1: Data Mining และกระบวนการ CRISP-DM
- Data Mining คืออะไร และต่างจากสถิติเชิงพรรณนาอย่างไร
- งานแบบมีผู้สอน ไม่มีผู้สอน และการหากฎความสัมพันธ์
- ขั้นตอน CRISP-DM ตั้งแต่เข้าใจโจทย์จนนำผลไปใช้
- ตัวอย่างในงานวิทยานิพนธ์ งานวิจัย และการตลาด
- จริยธรรมข้อมูล ความเป็นส่วนตัว และ PDPA
Section 2: Lab: ทบทวน R และเตรียมโปรเจกต์
- ทบทวน R 4.6 กับ RStudio หรือ Positron และการสร้าง Project
- ติดตั้ง tidymodels และ Package ที่ใช้ในหลักสูตร และล็อกรุ่นด้วย renv
- ทบทวน dplyr และ Native Pipe สำหรับจัดการข้อมูล
- ตั้งค่า set.seed() เพื่อให้ผลการวิเคราะห์ทำซ้ำได้
Section 3: Lab: นำเข้าและสำรวจข้อมูล
- นำเข้าข้อมูลจาก CSV, Excel และฐานข้อมูลผ่าน DBI
- สรุปภาพรวมของตัวแปรและชนิดข้อมูล
- สำรวจการแจกแจงและความสัมพันธ์ด้วย ggplot2
- หาสหสัมพันธ์ระหว่างตัวแปรเชิงตัวเลข
- Lab: สำรวจข้อมูลลูกค้าและตั้งคำถามที่ต้องการตอบ
Section 4: Lab: ทำความสะอาดข้อมูล
- จัดการค่าที่หายไป ค่าซ้ำ และค่าผิดปกติ
- แปลงชนิดข้อมูลและจัดการตัวแปรเชิงกลุ่มด้วย factor
- ข้อความภาษาไทยและ Encoding แบบ UTF-8
- Lab: ทำความสะอาดข้อมูลแบบสอบถามให้พร้อมวิเคราะห์
Section 5: Lab: เตรียมตัวแปรด้วย recipes
- แบ่งข้อมูล Train และ Test ด้วย initial_split แบบ Stratified
- ปรับสเกลตัวเลข สร้าง Dummy Variable และเติมค่าที่หายไปใน recipe
- รวมกลุ่มที่มีจำนวนน้อยและตัดตัวแปรที่ไม่มีประโยชน์
- Data Leakage คืออะไร และทำไมต้องเตรียมข้อมูลจากชุด Train เท่านั้น
- Lab: สร้าง recipe ที่ใช้ซ้ำได้กับทุกแบบจำลอง
Day 2 การจำแนกประเภทข้อมูล (Classification)
Section 6: Lab: Decision Tree
- หลักการของ Decision Tree และการแบ่งกิ่งด้วย Gini
- สร้างแบบจำลองด้วย decision_tree() และ Engine rpart ใน workflow
- วาดและอ่านต้นไม้ด้วย rpart.plot แล้วแปลงเป็นกฎที่อธิบายได้
- Cost Complexity และความลึกของต้นไม้กับปัญหา Overfitting
- Lab: พยากรณ์ลูกค้าที่มีแนวโน้มเลิกใช้บริการ
Section 7: Lab: วัดผลแบบจำลอง
- Confusion Matrix, Accuracy, Precision, Recall และ F1
- ROC Curve และ ROC AUC ด้วย yardstick
- Cross-validation ด้วย vfold_cv และ fit_resamples
- ข้อมูลไม่สมดุลและเหตุที่ Accuracy อย่างเดียวไม่พอ
- Lab: เปรียบเทียบผลของ Decision Tree บนชุด Train และ Test
Section 8: Lab: K-Nearest Neighbors และ Logistic Regression
- หลักการของ K-Nearest Neighbors และการเลือกค่า k
- ทำไม KNN ต้องปรับสเกลข้อมูลก่อน
- Logistic Regression เป็นแบบจำลองฐานสำหรับเปรียบเทียบ
- อ่านค่าสัมประสิทธิ์และ Odds Ratio เพื่ออธิบายผล
- Lab: จำแนกกลุ่มลูกค้าด้วย KNN และ Logistic Regression
Section 9: Lab: Neural Network และ Random Forest
- หลักการของ Neural Network แบบชั้นซ่อนชั้นเดียว
- สร้างแบบจำลองด้วย mlp() และ Engine nnet
- Random Forest ด้วย Engine ranger และแนวคิด Ensemble
- ความสำคัญของตัวแปร (Variable Importance)
- Lab: เปรียบเทียบความแม่นยำกับแบบจำลองก่อนหน้า
Section 10: Lab: ปรับจูนและเลือกแบบจำลอง
- ปรับจูน Hyperparameter ด้วย tune_grid()
- เปรียบเทียบหลายแบบจำลองพร้อมกันด้วย workflow_set
- เลือกแบบจำลองที่ดีที่สุดและประเมินครั้งสุดท้ายด้วย last_fit()
- บันทึกแบบจำลองและพยากรณ์ข้อมูลใหม่
- Lab: เลือกแบบจำลองที่เหมาะสมที่สุดสำหรับโจทย์ลูกค้า
Day 3 Clustering, Association Rules และการรายงานผล
Section 11: Lab: จัดกลุ่มข้อมูลด้วย k-means
- หลักการของ Clustering และการวัดระยะห่าง
- ปรับสเกลข้อมูลก่อนจัดกลุ่ม
- จัดกลุ่มด้วย kmeans() และ k_means() ใน tidyclust
- เลือกจำนวนกลุ่มด้วย Elbow Method และ Silhouette
- Lab: แบ่งกลุ่มลูกค้าตามพฤติกรรมการซื้อ
Section 12: Lab: Hierarchical Clustering และการแปลผลกลุ่ม
- Hierarchical Clustering และการอ่าน Dendrogram
- วิธีเชื่อมกลุ่มแบบ Complete, Average และ Ward
- สรุปลักษณะของแต่ละกลุ่มด้วยตารางและกราฟ
- ลดมิติด้วย PCA เพื่อแสดงกลุ่มบนกราฟสองมิติ
- Lab: ตั้งชื่อและอธิบายกลุ่มลูกค้าให้ใช้วางแผนการตลาดได้
Section 13: Lab: หากฎความสัมพันธ์ (Association Rules)
- Market Basket Analysis และข้อมูลแบบ Transaction
- Support, Confidence และ Lift
- หากฎด้วย apriori() ใน arules และคัดกฎด้วยเงื่อนไข
- แสดงกฎด้วย arulesViz
- Lab: หาสินค้าที่ลูกค้ามักซื้อคู่กันจากข้อมูลตะกร้าสินค้า
Section 14: Lab: รายงานผลด้วย Quarto
- โครงรายงาน Data Mining สำหรับวิทยานิพนธ์และงานวิจัย
- สร้างรายงาน Quarto ที่รวมโค้ด ตาราง กราฟ และคำอธิบาย
- อธิบายผลแบบจำลองให้ผู้อ่านที่ไม่ใช่สายเทคนิคเข้าใจ
- ใช้ AI Assistant ช่วยอธิบายโค้ดและตรวจผลอย่างระมัดระวัง
Section 15: Workshop: โปรเจกต์ Data Mining ตั้งแต่ต้นจนจบ
- เลือกโจทย์และชุดข้อมูลตามสายงานหรืองานวิจัยของตนเอง
- เตรียมข้อมูล สร้างและเปรียบเทียบแบบจำลองตามกระบวนการ CRISP-DM
- สรุปผลเป็นรายงาน Quarto ที่ทำซ้ำได้
- นำเสนอผลงานและรับคำแนะนำจากวิทยากร
รอบอบรมและรูปแบบการอบรม
สำหรับบุคคล — รอบอบรมทั่วไป
ขณะนี้ยังไม่มีรอบอบรมเปิดรับสมัคร ลงชื่อจองไว้ได้เลย ทีมงานจะติดต่อกลับเป็นกลุ่มแรกเมื่อเปิดรอบถัดไป หรือสอบถามทางไลน์ หรือโทร 02-570-8449 หรือ 088-807-9770
สำหรับองค์กร — In-house / Private Training
- ปรับเนื้อหาให้ตรงกับเครื่องมือและงานจริงของทีม
- เลือกวันเอง อบรมที่บริษัทหรือออนไลน์สด
- ออกใบเสนอราคาในนามนิติบุคคลให้ฝ่ายจัดซื้อ
วิทยากรผู้สอน
คำถามที่พบบ่อย
Data Mining คืออะไร มีเทคนิคหลักอะไรบ้าง
Data Mining คือการค้นหารูปแบบหรือความรู้ที่ซ่อนอยู่ในข้อมูลจำนวนมากเพื่อนำไปใช้ตัดสินใจหรือพยากรณ์ เทคนิคหลักมีสามกลุ่ม ได้แก่ การจำแนกประเภท (Classification) เช่น Decision Tree, K-Nearest Neighbors, Neural Network และ Random Forest การจัดกลุ่ม (Clustering) ที่แบ่งข้อมูลที่คล้ายกันไว้ด้วยกัน เช่น k-means และการหากฎความสัมพันธ์ (Association Rules) เช่น สินค้าที่ลูกค้ามักซื้อคู่กัน งานทั้งหมดทำตามกระบวนการอย่าง CRISP-DM ตั้งแต่เข้าใจโจทย์จนนำผลไปใช้
Classification กับ Clustering ต่างกันอย่างไร
Classification เป็นการเรียนรู้แบบมีผู้สอน (Supervised) ต้องมีข้อมูลที่รู้คำตอบอยู่แล้ว เช่น ลูกค้าที่เคยเลิกใช้บริการหรือไม่ เพื่อสร้างแบบจำลองไว้ทายกลุ่มของข้อมูลใหม่ และวัดความแม่นยำได้ด้วยชุดข้อมูลทดสอบ ส่วน Clustering เป็นแบบไม่มีผู้สอน (Unsupervised) ไม่มีคำตอบให้ก่อน ระบบจะจัดกลุ่มข้อมูลที่คล้ายกันเอง เช่น แบ่งกลุ่มลูกค้าตามพฤติกรรมการซื้อด้วย k-means แล้วผู้วิเคราะห์จึงตีความว่าแต่ละกลุ่มมีลักษณะอย่างไร
เตรียมข้อมูลก่อนทำ Data Mining มีขั้นตอนอย่างไร
เริ่มจากรวบรวมข้อมูลจากไฟล์หรือฐานข้อมูลแล้วสำรวจคุณภาพ จัดการค่าที่หายไป ค่าซ้ำ และค่าผิดปกติ แปลงชนิดข้อมูลให้ถูกต้อง จากนั้นแบ่งข้อมูลเป็นชุดสอน (Training) กับชุดทดสอบ (Test) ก่อน แล้วจึงปรับสเกลตัวเลข สร้าง Dummy Variable หรือเติมค่าที่หายไปโดยเรียนรู้จากชุด Training เท่านั้น เพื่อป้องกัน Data Leakage ในหลักสูตรใช้ recipes ของ tidymodels รวบขั้นตอนเหล่านี้ไว้ใช้ซ้ำกับทุกแบบจำลอง
หลักสูตร Basic Data Mining with R เหมาะกับใคร ต้องมีพื้นฐานอะไรมาก่อน
เหมาะกับนักศึกษาปริญญาโทและเอกที่ใช้ Data Mining ในวิทยานิพนธ์ นักวิจัยและอาจารย์ นักการตลาดและนักวิเคราะห์ข้อมูล และเจ้าหน้าที่ที่ดูแลข้อมูลขององค์กร ควรเขียนภาษา R เบื้องต้นได้ เช่น ใช้ตัวแปร Data Frame และ Package หรือผ่านหลักสูตร Basic R Programming มาก่อน และมีความรู้สถิติพื้นฐาน เช่น ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐาน
เรียนจบหลักสูตร Basic Data Mining with R แล้วทำอะไรได้บ้าง
เตรียมข้อมูลและวางขั้นตอนตามกระบวนการ CRISP-DM สร้างแบบจำลองจำแนกประเภทด้วย tidymodels วัดผลด้วย Confusion Matrix, ROC AUC และ Cross-validation แล้วเลือกแบบจำลองที่เหมาะสม จัดกลุ่มลูกค้าด้วย k-means และ Hierarchical Clustering หาสินค้าที่ขายคู่กันด้วย Association Rules และเขียนรายงานที่ทำซ้ำได้ด้วย Quarto สำหรับงานวิทยานิพนธ์ งานวิจัย หรืองานการตลาด ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion) ที่มีเลขที่ของตัวเองและตรวจสอบออนไลน์ได้
จัดอบรมหลักสูตร Basic Data Mining with R ให้ทีมในองค์กรได้ไหม
ได้ หลักสูตรนี้จัดเป็นการอบรมแบบ In-house ให้ทีมในองค์กรได้ และปรับตัวอย่างให้ตรงกับงานของทีม เช่น ใช้ชุดข้อมูลที่ปิดข้อมูลส่วนบุคคลแล้วขององค์กรเป็นโจทย์ฝึกจำแนกประเภทหรือแบ่งกลุ่มลูกค้า ขอข้อเสนอการจัดอบรมได้จากหน้านี้ หรือติดต่อทาง LINE @itgenius โทร 02-570-8449