หลักสูตร Data Science with Python เป็นการอบรม Predictive Analytics ด้วย Python ตามกระบวนการ CRISP-DM ตั้งแต่ทำความสะอาดข้อมูลด้วย pandas จนถึงสร้างและวัดผลโมเดล Regression, Clustering, Decision Tree และ Association Rules เหมาะกับนักวิเคราะห์ข้อมูล โปรแกรมเมอร์ และผู้ที่ผ่าน Python เบื้องต้นมาแล้ว
องค์กรส่วนใหญ่มีข้อมูลยอดขาย ลูกค้า และการใช้งานระบบสะสมอยู่มาก แต่ยังใช้ข้อมูลเหล่านั้นเพียงทำรายงานย้อนหลัง ทั้งที่ข้อมูลชุดเดียวกันนี้สามารถนำมาสร้างแบบจำลองพยากรณ์ได้ เช่น คาดการณ์ยอดขาย ทำนายลูกค้าที่มีแนวโน้มยกเลิกบริการ แบ่งกลุ่มลูกค้า หรือหาสินค้าที่มักถูกซื้อคู่กัน ภาษา Python มีเครื่องมือสำหรับงานเหล่านี้ครบชุด และกลายเป็นภาษามาตรฐานของงาน Data Science ในปัจจุบัน
หลักสูตรนี้พาผู้เรียนทำ Predictive Analytics ตามกระบวนการ CRISP-DM ตั้งแต่ตั้งโจทย์ธุรกิจ เตรียมและทำความสะอาดข้อมูลด้วย pandas 3 สำรวจข้อมูลด้วยกราฟและสถิติ สร้าง Feature และ Pipeline ด้วย scikit-learn แล้วสร้างแบบจำลองด้วย Linear และ Logistic Regression, K-Means Clustering, Decision Tree และ Ensemble, Association Rules และ Neural Network เบื้องต้น พร้อมวัดผลอย่างถูกวิธี และปิดท้ายด้วยการนำเสนอผลและโปรเจกต์พยากรณ์จากข้อมูลจริง (อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง ระดับ Intermediate)
รายละเอียดหลักสูตร
หลักสูตรนี้เป็นฉบับปรับปรุงใหม่ปี 2026 ที่มาแทนเนื้อหาเดิมของหลักสูตร Data Science with Python โดยยังคงแกนเดิม คือ CRISP-DM, Data Cleaning, Regression, Clustering, Decision Tree, Association Rules และ Neural Network แต่เปลี่ยนเครื่องมือเป็น uv, JupyterLab, pandas 3 และ scikit-learn 1.9 และเพิ่ม Feature Engineering, Pipeline, Cross-Validation, Gradient Boosting และการนำเสนอผล อบรม 3
วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab ทุกหัวข้อ ระดับ Intermediate ใช้โน้ตบุ๊กทั่วไปโดยไม่ต้องมี GPU และใช้เครื่องมือโอเพนซอร์สทั้งหมด หลักสูตรเน้นงานพยากรณ์เชิงธุรกิจ ผู้ที่ต้องการเจาะอัลกอริทึม Machine Learning เพิ่มเติมสามารถเรียนต่อในหลักสูตร Python for Machine Learning
Section 1: Lab: Predictive Modelling และ CRISP-DM
Section 2: Lab: จัดการข้อมูลด้วย pandas 3
Section 3: Lab: Data Cleaning
Section 4: Lab: Exploratory Data Analysis
Section 5: สถิติสำหรับ Predictive Modelling
Section 6: Lab: Feature Engineering และ Pipeline
Section 7: Lab: Linear Regression
Section 8: Lab: Logistic Regression และการวัดผล
Section 9: Cross-Validation และการปรับ Hyperparameter
Section 10: Lab: Data Clustering
Section 11: Lab: Decision Tree และ Ensemble
Section 12: Lab: Association Rules Discovery
Section 13: Neural Network เบื้องต้น
Section 14: Lab: สื่อสารผลและนำโมเดลไปใช้
Section 15: Workshop: Capstone Project
ขณะนี้ยังไม่มีรอบอบรมเปิดรับสมัคร ลงชื่อจองไว้ได้เลย ทีมงานจะติดต่อกลับเป็นกลุ่มแรกเมื่อเปิดรอบถัดไป หรือสอบถามทางไลน์ หรือโทร 02-570-8449 หรือ 088-807-9770
CRISP-DM มี 6 ขั้นตอน คือ Business Understanding ทำความเข้าใจโจทย์ธุรกิจ, Data Understanding สำรวจข้อมูลที่มี, Data Preparation เตรียมและทำความสะอาดข้อมูล, Modeling สร้างแบบจำลอง, Evaluation ประเมินว่าโมเดลตอบโจทย์ธุรกิจจริงหรือไม่ และ Deployment นำผลไปใช้งาน ขั้นตอนเหล่านี้วนกลับไปมาได้ตามสิ่งที่ค้นพบ ในหลักสูตรผู้เรียนใช้กรอบนี้กับทุก Lab และใน Capstone Project
Linear Regression ใช้พยากรณ์ค่าตัวเลขต่อเนื่อง เช่น ยอดขายรายสัปดาห์ และวัดผลด้วย MAE หรือ RMSE ส่วน Logistic Regression ใช้จำแนกกลุ่ม เช่น ลูกค้าจะยกเลิกบริการหรือไม่ โดยให้ผลเป็นความน่าจะเป็นแล้วตัดสินด้วยค่า Threshold และวัดผลด้วย Precision, Recall และ AUC ในหลักสูตรผู้เรียนได้ลองทั้งสองแบบกับข้อมูลยอดขายและข้อมูลลูกค้า
เริ่มจากตรวจคุณภาพข้อมูลด้วย info, describe และ isna เพื่อดูค่าว่าง ชนิดข้อมูล และค่าผิดปกติ จากนั้นลบหรือรวมแถวซ้ำ แปลงชนิดข้อมูลให้ถูก เช่น วันที่และหมวดหมู่ เลือกวิธีจัดการค่าว่าง และหา Outlier ด้วย IQR หรือ Z-score ใน pandas 3 การแก้ข้อมูลแบบ Chained Assignment จะไม่ทำงานแล้ว จึงควรแก้ผ่าน loc หรือ assign โดยตรง
เหมาะกับนักวิเคราะห์ข้อมูล โปรแกรมเมอร์ ฝ่ายไอที ทีมการตลาดและวางแผน รวมถึงอาจารย์และนักศึกษาที่ต้องการสร้างแบบจำลองพยากรณ์ ต้องเขียน Python ระดับพื้นฐานได้ เช่น ตัวแปร List, Loop และ Function หรือผ่านหลักสูตร Python เบื้องต้นมาแล้ว ส่วนสถิติที่จำเป็นจะทบทวนให้ระหว่างเรียน
วางโจทย์ตาม CRISP-DM เตรียมและทำความสะอาดข้อมูลด้วย pandas สำรวจข้อมูลด้วยกราฟ สร้าง Pipeline และโมเดล Regression, Classification, K-Means, Decision Tree และ Random Forest หากฎความสัมพันธ์ของสินค้า วัดผลด้วย Cross-Validation และนำเสนอผลพร้อมบันทึกโมเดลไปใช้ต่อ ผู้ผ่านการอบรมได้รับใบประกาศนียบัตร (Certificate of Completion)
ได้ สถาบันไอทีจีเนียสรับจัดอบรมแบบ In-house และสามารถปรับตัวอย่างใน Lab ให้ใกล้กับข้อมูลและโจทย์ขององค์กรได้ เช่น ข้อมูลยอดขาย ข้อมูลลูกค้า หรือข้อมูลการผลิต โดยองค์กรควรเตรียมข้อมูลที่ตัดข้อมูลส่วนบุคคลออกแล้ว สามารถติดต่อขอใบเสนอราคาและหารือเนื้อหาได้
Python เป็นภาษาที่ถูกใช้มากที่สุดภาษาหนึ่งในปัจจุบัน ทั้งงานเว็บ งานอัตโนมัติ งานข้อมูล IoT และ AI ด้วยรูปแบบภาษาที่อ่านง่ายและเรียนรู้ได้เร็ว จึงเป็นภาษาแรกที่สถาบันการศึกษาและองค์กรจำนวนมากเลือกใช้ แต่ผู้เริ่มต้นหลายคนเรียนจากตัวอย่างกระจัดกระจาย…
Django เป็นเว็บเฟรมเวิร์กภาษา Python ที่ใช้สร้างเว็บไซต์และระบบงานที่ขับเคลื่อนด้วยฐานข้อมูลมาอย่างยาวนาน เพราะมีของที่ต้องใช้มาให้ครบตั้งแต่ ORM, หน้า Admin, ระบบฟอร์ม, ระบบผู้ใช้ ไปจนถึงการป้องกันช่องโหว่พื้นฐาน…
ระบบงานทุกวันนี้ทั้งเว็บ แอปมือถือ และบริการของพาร์ตเนอร์ ล้วนคุยกันผ่าน REST API ทีมที่ใช้ Django อยู่แล้วจึงต้องเปิดข้อมูลของระบบออกมาเป็น API ที่ออกแบบดี ปลอดภัย มีเอกสาร และทดสอบได้ Django REST Framework เป็นเครื่องมือมาตรฐานของงานนี้ เพราะต่อยอดจาก…
