หลักสูตร Data Science with Python and FastAPI เป็นการอบรม Predictive Analytics ด้วย Python ตั้งแต่ CRISP-DM เตรียมข้อมูลด้วย pandas สร้างโมเดลด้วย scikit-learn และติดตามด้วย MLflow จนถึงทำ Prediction API ที่เชื่อมฐานข้อมูลด้วย FastAPI เหมาะกับ Data Scientist และนักพัฒนา Python ที่มีพื้นฐานมาแล้ว
งาน Data Science ในหลายองค์กรมักหยุดอยู่ที่ Notebook แบบจำลองพยากรณ์ยอดขายหรือความเสี่ยงที่สร้างเสร็จแล้วไม่ได้ถูกนำไปใช้จริง เพราะระบบอื่นเรียกใช้ไม่ได้ ไม่มีใครรู้ว่าโมเดลรุ่นไหนดีที่สุด และไม่มีการเก็บผลพยากรณ์ไว้ตรวจสอบย้อนหลัง คุณค่าของ Data Science จะเกิดขึ้นเมื่อโมเดลถูกสร้างอย่างถูกวิธีและส่งต่อเป็นบริการที่ระบบอื่นเรียกใช้ได้อย่างปลอดภัย
หลักสูตรนี้พาผู้เรียนทำงาน Predictive Analytics ด้วย Python ตั้งแต่ข้อมูลดิบจนถึง API ที่ใช้งานได้จริง เริ่มจากวางโครงการตาม CRISP-DM จัดการและทำความสะอาดข้อมูลด้วย pandas 3 สร้างแบบจำลองด้วย scikit-learn 1.9 ทั้ง Regression, Clustering, Decision Tree, Association Rules และ Neural Network ผ่าน Pipeline ที่นำไปใช้ซ้ำได้ จากนั้นบันทึกและติดตามโมเดลด้วย MLflow แล้วสร้าง RESTful API ด้วย FastAPI ที่โหลดโมเดลมาพยากรณ์ เชื่อมฐานข้อมูลด้วย SQLModel ป้องกันด้วย JWT ทดสอบด้วย pytest และรันด้วย Docker ปิดท้ายด้วยการสร้างระบบพยากรณ์ครบวงจร (อบรม 5 วัน วันละ 6 ชั่วโมง รวม 30 ชั่วโมง ระดับ Intermediate)
รายละเอียดหลักสูตร
หลักสูตรนี้เป็นฉบับปรับปรุงใหม่ปี 2026 ของหลักสูตร Data Science with Python and FastAPI ยังคงแกนเดิมคือ Predictive Analytics ด้วย Python และการทำ RESTful API ที่เชื่อมฐานข้อมูลด้วย FastAPI แต่เขียนใหม่ให้ตรงกับ pandas 3, scikit-learn 1.9 และ FastAPI รุ่นปัจจุบัน อบรม 5 วัน วันละ 6 ชั่วโมง รวม 30 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab ที่ต่อยอดโจทย์ข้อมูลลูกค้าและยอดขายจำลองตลอดหลักสูตร ระดับ Intermediate
เทียบกับรุ่นเดิมได้เพิ่ม Pipeline, Cross-Validation, Gradient Boosting, MLflow, skops, Lifespan, SQLModel, JWT, pytest และ Docker หลักสูตรนี้เน้นเส้นทางจากข้อมูลถึง Prediction API ต่างจากหลักสูตร Data Science with Python ที่เน้นงานพยากรณ์อย่างเดียว และหลักสูตร FastAPI อื่นที่เน้นการทำ API ทั่วไป เครื่องมือทั้งหมดเป็นโอเพนซอร์สและไม่ต้องใช้ GPU ผู้เรียนจะได้ Lab Guide, Notebook และโค้ดครบทุก Lab และโปรเจกต์ Prediction API พร้อมไฟล์ docker-compose กลับไปใช้งานต่อ
Section 1: Lab: Predictive Modelling และ CRISP-DM
Section 2: Lab: จัดการข้อมูลด้วย pandas 3
Section 3: Lab: Data Cleaning และ EDA
Section 4: สถิติสำหรับ Predictive Modelling
Section 5: Lab: Feature Engineering และ Pipeline
Section 6: Lab: Linear Regression
Section 7: Lab: Logistic Regression และการวัดผล
Section 8: Cross-Validation และ Hyperparameter
Section 9: Lab: Data Clustering
Section 10: Lab: Decision Tree และ Ensemble
Section 11: Lab: Association Rules Discovery
Section 12: Lab: Neural Network เบื้องต้น
Section 13: Lab: บันทึกและติดตามโมเดลด้วย MLflow
Section 14: Lab: FastAPI พื้นฐาน
Section 15: Lab: Prediction API ด้วย FastAPI
Section 16: Lab: เชื่อมฐานข้อมูลด้วย SQLModel
Section 17: Lab: Authentication และ Authorization
Section 18: Lab: Testing และคุณภาพของ API
Section 19: Lab: Docker และการดูแลโมเดลหลังใช้งาน
Section 20: Workshop: Capstone ระบบพยากรณ์ครบวงจร
ขณะนี้ยังไม่มีรอบอบรมเปิดรับสมัคร ลงชื่อจองไว้ได้เลย ทีมงานจะติดต่อกลับเป็นกลุ่มแรกเมื่อเปิดรอบถัดไป หรือสอบถามทางไลน์ หรือโทร 02-570-8449 หรือ 088-807-9770
CRISP-DM คือกรอบการทำงานมาตรฐานสำหรับโครงการวิเคราะห์ข้อมูลและ Data Mining มีหกขั้นตอน ได้แก่ ทำความเข้าใจโจทย์ธุรกิจ ทำความเข้าใจข้อมูล เตรียมข้อมูล สร้างแบบจำลอง ประเมินผล และนำไปใช้งาน ขั้นตอนเหล่านี้วนกลับได้ เช่น ผลประเมินไม่ดีก็ย้อนไปเตรียมข้อมูลใหม่ ในหลักสูตรนี้ขั้นนำไปใช้งานทำจริงด้วยการส่งโมเดลออกเป็น API ผ่าน FastAPI
Linear Regression ใช้ทำนายค่าตัวเลขต่อเนื่อง เช่น ยอดขายหรือมูลค่าบ้าน โดยหาเส้นที่อธิบายความสัมพันธ์ระหว่างตัวแปรได้ใกล้เคียงข้อมูลมากที่สุด และวัดผลด้วย MAE หรือ RMSE ส่วน Logistic Regression ใช้ทำนายกลุ่มหรือโอกาสที่จะเกิดเหตุการณ์ เช่น ลูกค้าจะยกเลิกบริการหรือไม่ โดยให้ผลเป็นความน่าจะเป็นระหว่าง 0 ถึง 1 แล้วใช้ Threshold ตัดสินว่าเป็นกลุ่มใด และวัดผลด้วย Precision, Recall หรือ ROC AUC
เก็บการเตรียมข้อมูลและโมเดลไว้ใน scikit-learn Pipeline เดียว แล้วบันทึกเป็นไฟล์ด้วย skops หรือขึ้นทะเบียนใน MLflow Model Registry จากนั้นในแอป FastAPI ให้โหลดโมเดลครั้งเดียวตอนเริ่มระบบด้วย Lifespan สร้าง Pydantic Schema กำหนดรูปแบบข้อมูลขาเข้า แล้วเขียน Endpoint แบบ POST ที่เรียก predict และส่งผลกลับเป็น JSON พร้อมความน่าจะเป็น ทดสอบผ่านหน้า Swagger ที่ /docs และเขียนชุดทดสอบด้วย pytest
เหมาะกับ Data Scientist และ Data Analyst ที่อยากนำโมเดลออกจาก Notebook ไปใช้งานจริง นักพัฒนา Python ที่ต้องการเพิ่มทักษะ Machine Learning และ Data Engineer หรือทีม IT ที่ดูแลระบบพยากรณ์ ควรเขียน Python พื้นฐานได้หรือผ่านหลักสูตร Python เบื้องต้นมาแล้ว และเข้าใจสถิติพื้นฐาน ถ้ารู้ SQL และแนวคิด HTTP กับ JSON จะช่วยได้มาก
วางโครงการตาม CRISP-DM เตรียมและทำความสะอาดข้อมูลด้วย pandas 3 สร้างโมเดลด้วย scikit-learn ทั้ง Linear และ Logistic Regression, Clustering, Decision Tree, Gradient Boosting, Association Rules และ Neural Network วัดผลด้วย Cross-Validation บันทึกและจัดการรุ่นโมเดลด้วย MLflow และสร้าง Prediction API ด้วย FastAPI ที่เชื่อมฐานข้อมูลด้วย SQLModel ป้องกันด้วย JWT ทดสอบด้วย pytest และรันด้วย Docker ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion) ที่มีเลขที่ของตัวเองและตรวจสอบออนไลน์ได้
ได้ หลักสูตรนี้จัดเป็นการอบรมแบบ In-house ให้ทีมในองค์กรได้ และปรับตัวอย่างให้ตรงกับงานของทีม เช่น ฝึกสร้างแบบจำลองและ Prediction API จากโจทย์ทำนายยอดขายหรือความเสี่ยงที่ใกล้เคียงงานจริง ขอใบเสนอราคาได้จากหน้านี้ หรือติดต่อทาง LINE @itgenius โทร 02-570-8449
Python เป็นภาษาที่ถูกใช้มากที่สุดภาษาหนึ่งในปัจจุบัน ทั้งงานเว็บ งานอัตโนมัติ งานข้อมูล IoT และ AI ด้วยรูปแบบภาษาที่อ่านง่ายและเรียนรู้ได้เร็ว จึงเป็นภาษาแรกที่สถาบันการศึกษาและองค์กรจำนวนมากเลือกใช้ แต่ผู้เริ่มต้นหลายคนเรียนจากตัวอย่างกระจัดกระจาย…
หลายคนเขียน Python พื้นฐานได้แล้วแต่ยังติดอยู่กับสคริปต์สั้น ๆ พอต้องสร้างโปรแกรมที่ทำงานพร้อมกันหลายงาน คุยผ่านเครือข่าย ส่งอีเมล เก็บข้อมูลลงฐานข้อมูล หรือดูแลโค้ดร่วมกับทีม ก็เริ่มไม่แน่ใจว่าควรเขียนแบบไหน อีกทั้ง Python เปลี่ยนไปมากในช่วงหลัง ทั้ง Type…
Machine Learning ยังเป็นหัวใจของงาน AI ในองค์กร ทั้งการพยากรณ์ยอดขาย คัดกรองลูกค้า จัดหมวดเอกสาร หรือตรวจจับความผิดปกติ และงานข้อมูลแบบตารางจำนวนมากยังได้ผลดีและคุ้มค่ากว่าเมื่อใช้โมเดลคลาสสิกแทน Deep Learning…
