ภาษาโปรแกรมมิ่ง · PRC-34

Machine Learning and Deep Learning with KNIME

หลักสูตร Machine Learning and Deep Learning with KNIME เป็นการอบรมการใช้ KNIME Analytics Platform 5 สร้างงานวิเคราะห์แบบ Visual Workflow ตั้งแต่เตรียมข้อมูล สร้างและประเมินโมเดล Classification และ Clustering จนถึง Neural Network, CNN และ LSTM เหมาะกับ Data Analyst, Data Scientist และผู้สอนที่ไม่ถนัดเขียนโค้ด

อัปเดตล่าสุด 8 ต.ค. 2569

ราคาเริ่มต้น 12,150 บาท / ท่าน 13,500 −10% ยังไม่รวม VAT 7% · มีราคาหมู่คณะ

ขอใบเสนอราคาอบรมองค์กร ดูรอบอบรม

PDFดาวน์โหลด Course Outline

ระยะเวลา18 ชั่วโมง · 3 วัน
รูปแบบออนไซต์ / ออนไลน์สด
รอบถัดไป28–30 ธ.ค. 69
ใบรับรองมี Certificate

ภาพรวมหลักสูตร

องค์กรจำนวนมากมีข้อมูลอยู่ในมือแล้ว แต่ยังนำมาสร้างโมเดลพยากรณ์หรือแบ่งกลุ่มลูกค้าไม่ได้ เพราะทีมงานไม่ถนัดเขียนโปรแกรม KNIME Analytics Platform เป็นเครื่องมือโอเพนซอร์สที่สร้างงานวิเคราะห์ข้อมูลด้วยการต่อ Node เป็น Workflow มองเห็นทุกขั้นตอนตั้งแต่อ่านข้อมูลจนได้ผลลัพธ์ จึงเหมาะทั้งกับผู้เริ่มต้น ผู้สอน และทีมข้อมูลที่ต้องการงานที่ตรวจสอบย้อนหลังและส่งต่อกันได้

หลักสูตรนี้พาผู้เรียนใช้ KNIME Analytics Platform 5 รุ่นปัจจุบัน ตั้งแต่เตรียมข้อมูลด้วย Node ครบกระบวนการ สร้างโมเดล Classification, Regression, Association Rules และ Clustering พร้อมประเมินและปรับจูนอย่างเป็นระบบ ต่อด้วย Deep Learning ทั้ง Neural Network, CNN และ LSTM ผ่าน Keras Nodes รวมถึงใช้ K-AI, Python Script และ LLM ใน Workflow แล้วปิดท้ายด้วยโปรเจกต์ที่แยก Workflow สำหรับฝึกและใช้งานโมเดลแบบที่ทำในงานจริง (อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง ระดับ Beginner)

สิ่งที่คุณจะได้รับ

ติดตั้งและใช้งาน KNIME Analytics Platform 5 สร้าง Workflow วิเคราะห์ข้อมูลได้ด้วยตนเอง
นำเข้า สำรวจ และเตรียมข้อมูลด้วย Node ทั้งการแปลง กรอง รวม สรุป และ Normalize
สร้าง Visualization, Component และ Data App แบบโต้ตอบเพื่อสื่อสารผลวิเคราะห์
สร้างโมเดล Classification และ Regression พร้อมประเมินผลด้วย Cross Validation และ ROC
ปรับจูน Hyperparameter และเปรียบเทียบอัลกอริทึมหลายตัวได้อย่างเป็นระบบ
ทำ Association Rules และ Clustering เพื่อหาสินค้าที่ซื้อคู่กันและแบ่งกลุ่มลูกค้า
สร้างโมเดล Deep Learning แบบ Neural Network, CNN และ LSTM ด้วย Keras Nodes
ใช้ K-AI, Python Script และ LLM เสริม Workflow และแยก Workflow สำหรับใช้งานโมเดลจริง

หลักสูตรนี้เหมาะสำหรับ

Data Analyst และ Data Scientist ที่ต้องการเครื่องมือแบบ Visual Workflow ที่ตรวจสอบและส่งต่องานได้ง่าย
Data Engineer และนักพัฒนาที่ต้องเตรียมข้อมูลและสร้างโมเดลโดยไม่ต้องเขียนโค้ดทุกขั้นตอน
นักวิเคราะห์ธุรกิจและบุคลากรที่ต้องการเริ่มต้น Machine Learning และ Deep Learning
อาจารย์ วิทยากร และผู้สอนที่ต้องการสาธิตกระบวนการวิเคราะห์ข้อมูลให้เห็นภาพชัด
ทีมงานในองค์กรที่ต้องการมาตรฐานการทำงานกับข้อมูลร่วมกัน

พื้นฐานของผู้เข้าอบรม

ใช้คอมพิวเตอร์และ Excel ได้ เข้าใจตารางข้อมูลแบบแถวและคอลัมน์
ไม่จำเป็นต้องเขียนโปรแกรมมาก่อน หากรู้ Python เบื้องต้นจะต่อยอดได้มากขึ้น
มีความรู้สถิติพื้นฐาน เช่น ค่าเฉลี่ยและการกระจายของข้อมูล จะช่วยให้เข้าใจเร็วขึ้น
โน้ตบุ๊ก RAM 16 GB ขึ้นไป พร้อมสิทธิ์ติดตั้งโปรแกรม

หัวข้อการฝึกอบรม

รายละเอียดหลักสูตร

หลักสูตรนี้เป็นฉบับปรับปรุงใหม่ปี 2026 ของหลักสูตร Machine Learning and Deep Learning with KNIME เนื้อหาอัปเดตเป็น KNIME Analytics Platform 5 อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab ทุกหัวข้อ ระดับ Beginner ไม่ต้องเขียนโปรแกรมมาก่อน วันแรกเน้นการเตรียมข้อมูลและ Visualization วันที่สองเป็น Machine Learning ทั้ง Classification, Regression, Association

Rules และ Clustering พร้อมการประเมินและปรับจูนโมเดล วันที่สามเป็น Deep Learning ด้วย Keras Nodes การใช้ LLM ใน Workflow และ Capstone ที่นำโมเดลไปใช้งานจริง เครื่องมือทั้งหมดเป็นโอเพนซอร์สหรือใช้ฟรี และ Lab ด้าน Deep Learning รันบน CPU ได้ ผู้เรียนจะได้ Lab Guide ไฟล์ Workflow และชุดข้อมูลตัวอย่างครบทุก Lab กลับไปใช้งานต่อ

Day 1 KNIME 5 และการเตรียมข้อมูล

Section 1: Lab: เริ่มต้น KNIME Analytics Platform 5

KNIME คืออะไร แนวคิด Visual Workflow แบบ Node และงาน Data Science แบบ Low-code
ติดตั้ง KNIME 5 และเลือกระหว่างรุ่น LTS กับ Standard Release
หน้าจอแบบใหม่: Node Repository, Description, Node Monitor และ Space Explorer
Configure, Execute และอ่านสถานะของ Node รวมถึงบันทึกและส่งออก Workflow
ติดตั้ง Extension และค้นหา Workflow ตัวอย่างจาก KNIME Community Hub

Section 2: Lab: นำเข้าและสำรวจข้อมูล

อ่านข้อมูลด้วย CSV Reader, Excel Reader และ DB Nodes สำหรับฐานข้อมูล
ตรวจ Schema, ชนิดข้อมูล และสถิติเบื้องต้นของแต่ละคอลัมน์
หาค่าว่าง ค่าซ้ำ ค่าผิดรูปแบบ และค่าผิดปกติ (Outlier)
Lab: สำรวจชุดข้อมูลลูกค้าและสรุปประเด็นคุณภาพข้อมูล

Section 3: เตรียมข้อมูลด้วย Node ครบกระบวนการ

แปลงชนิดข้อมูล, String Manipulation และสร้างคอลัมน์ใหม่ด้วย Expression Node
Missing Value, Rule Engine, Row Filter และ Column Filter
Joiner, Concatenate, GroupBy และ Pivot สำหรับรวมและสรุปข้อมูล
Binning, Normalizer และ One to Many สำหรับเตรียม Feature
Lab: สร้าง Workflow เตรียมข้อมูลตั้งแต่ไฟล์ดิบจนพร้อมเข้าโมเดล

Section 4: Visualization, Component และ Data App

Bar Chart, Scatter Plot, Box Plot และ Heatmap สำหรับดู Pattern ของข้อมูล
รวม Node เป็น Metanode และ Component เพื่อให้ Workflow อ่านง่ายและใช้ซ้ำได้
สร้างหน้าจอโต้ตอบด้วย Component View แล้วเปิดเป็น Data App
Lab: Data App สำรวจข้อมูลลูกค้าแบบเลือกตัวกรองได้

Section 5: Lab: K-AI และ Python ใน KNIME

K-AI ผู้ช่วย AI ทั้งโหมดถามตอบ และโหมด Build ที่ช่วยต่อ Node ให้
ข้อควรระวังเรื่องข้อมูลที่ส่งออกไปภายนอกเมื่อใช้ K-AI
Python Script Node กับโมดูล knime.scripting.io และ Bundled Environment
Lab: ใช้ pandas เสริม Workflow ในจุดที่ Node สำเร็จรูปยังไม่ครอบคลุม

Day 2 Machine Learning ด้วย KNIME

Section 6: แนวคิด Machine Learning และการแบ่งข้อมูล

Supervised กับ Unsupervised Learning และขั้นตอนของงาน Machine Learning
แบ่งข้อมูลด้วย Partitioning แบบ Stratified และ Cross Validation ด้วย X-Partitioner
Data Leakage และการแยกขั้นตอนเตรียมข้อมูลออกจากชุดทดสอบ
ข้อมูลไม่สมดุล (Class Imbalance) และการแก้ด้วย SMOTE หรือการปรับน้ำหนัก

Section 7: Lab: สร้างโมเดล Classification

Decision Tree, Naive Bayes และ k-Nearest Neighbor
Logistic Regression และ Support Vector Machine
Ensemble Model: Random Forest, Gradient Boosted Trees และ XGBoost
Lab: ทำนายลูกค้าที่มีแนวโน้มเลิกใช้บริการ (Churn)

Section 8: ประเมินและปรับจูนโมเดล

Confusion Matrix, Accuracy, Precision, Recall และ F1-score ด้วย Scorer
ROC Curve, AUC และการเลือก Threshold ให้ตรงกับต้นทุนทางธุรกิจ
หา Hyperparameter ที่ดีที่สุดด้วย Parameter Optimization Loop
Feature Selection และอธิบายโมเดลด้วย Feature Importance
Lab: เปรียบเทียบอัลกอริทึมหลายตัวในตารางเดียว

Section 9: Regression และ Association Rules

Linear Regression, Regression Tree และวัดผลด้วย MAE, RMSE และ R²
Market Basket Analysis: Support, Confidence และ Lift
สร้างกฎความสัมพันธ์ด้วย Association Rule Learner และแปลผลให้ใช้งานได้
Lab: พยากรณ์ยอดขาย และหาสินค้าที่ลูกค้ามักซื้อคู่กัน

Section 10: Workshop: Clustering และ Customer Segmentation

k-Means และการเลือกจำนวนกลุ่มด้วย Elbow และ Silhouette
Hierarchical Clustering และ DBSCAN สำหรับข้อมูลที่มีรูปทรงซับซ้อน
เปรียบเทียบผลของแต่ละวิธี และอธิบายลักษณะของแต่ละกลุ่ม
Workshop: แบ่งกลุ่มลูกค้าและสรุปข้อเสนอแนะทางการตลาด

Day 3 Deep Learning, LLM และการนำโมเดลไปใช้

Section 11: Lab: พื้นฐาน Deep Learning ด้วย Keras Nodes

Neural Network, Layer, Activation Function, Loss และ Optimizer
Overfitting, Dropout และการหยุดฝึกเมื่อผลไม่ดีขึ้น (Early Stopping)
ตั้งค่า Conda Environment สำหรับ KNIME Deep Learning Integration
Keras Layer Nodes, Keras Network Learner และ Keras Network Executor
Lab: Neural Network สำหรับ Classification ข้อมูลตาราง

Section 12: Lab: CNN สำหรับจำแนกภาพ

หลักการ Convolution, Pooling และ Feature Map
อ่านและเตรียมภาพด้วย KNIME Image Processing Extension
Transfer Learning จากโมเดลที่ฝึกไว้แล้วเพื่อลดเวลาและข้อมูลที่ต้องใช้
Lab: จำแนกภาพสินค้าตัวอย่างและวัดผลด้วย Confusion Matrix

Section 13: LSTM และข้อมูลลำดับเวลา

ลักษณะข้อมูลลำดับเวลา และการสร้าง Lag Feature ด้วย Lag Column
แบ่งข้อมูลตามเวลาโดยไม่สุ่ม เพื่อไม่ให้ข้อมูลอนาคตรั่วเข้าไปในโมเดล
LSTM Layer สำหรับพยากรณ์ค่าถัดไปของลำดับ
Lab: พยากรณ์ยอดขายรายวันด้วย LSTM เทียบกับโมเดลพื้นฐาน

Section 14: Python Deep Learning และ LLM ใน Workflow

ฝึกโมเดลด้วย Keras 3 หรือ PyTorch ผ่าน Python Script Node เมื่อ Node สำเร็จรูปไม่พอ
KNIME AI Extension: เชื่อม LLM บนเครื่องผ่าน Ollama และใช้ LLM Prompter
จัดหมวดและสรุปข้อความความคิดเห็นลูกค้าด้วย LLM ใน Workflow
Vector Store และ RAG เบื้องต้น พร้อมข้อควรระวังเรื่องข้อมูลส่วนบุคคล
Lab: วิเคราะห์ข้อความรีวิวลูกค้าด้วย LLM ร่วมกับโมเดลเดิม

Section 15: Workshop: นำโมเดลไปใช้และ Capstone

แยก Workflow สำหรับฝึกโมเดลออกจาก Workflow สำหรับใช้งาน (Scoring)
บันทึกโมเดล รันแบบ Batch และแชร์ Workflow ผ่าน KNIME Hub
Capstone: เลือกโจทย์ Classification, Clustering หรือ Deep Learning จากข้อมูลตัวอย่าง
นำเสนอผล รีวิวร่วมกัน และสรุป Checklist ก่อนใช้โมเดลในงานจริง

รอบอบรมและรูปแบบการอบรม

สำหรับบุคคล — รอบอบรมทั่วไป

28–30ธันวาคม

ในคลาสเรียน28–30 ธ.ค. 69

เหลือ 20 ที่นั่ง

23–25กุมภาพันธ์

ในคลาสเรียน23–25 ก.พ. 70

เหลือ 20 ที่นั่ง

20–22เมษายน

ในคลาสเรียน20–22 เม.ย. 70

เหลือ 20 ที่นั่ง

8–10มิถุนายน

ในคลาสเรียน8–10 มิ.ย. 70

เหลือ 20 ที่นั่ง

24–26สิงหาคม

ในคลาสเรียน24–26 ส.ค. 70

เหลือ 20 ที่นั่ง

26–28ตุลาคม

ในคลาสเรียน26–28 ต.ค. 70

เหลือ 20 ที่นั่ง

28–30ธันวาคม

ในคลาสเรียน28–30 ธ.ค. 70

เหลือ 20 ที่นั่ง

สำหรับองค์กร — In-house / Private Training

ปรับเนื้อหาให้ตรงกับเครื่องมือและงานจริงของทีม
เลือกวันเอง อบรมที่บริษัทหรือออนไลน์สด
ออกใบเสนอราคาในนามนิติบุคคลให้ฝ่ายจัดซื้อ

ขอใบเสนอราคาอบรมองค์กร

วิทยากรผู้สอน

สนิทวงศ์ กมลภากรณ์วิทยากรผู้สอน

คำถามที่พบบ่อย

KNIME คืออะไร ทำงานแบบ Visual Workflow อย่างไร

KNIME Analytics Platform เป็นซอฟต์แวร์โอเพนซอร์สสำหรับวิเคราะห์ข้อมูลและสร้างโมเดล โดยแต่ละขั้นตอนเป็น Node เช่น อ่านไฟล์ กรองข้อมูล หรือฝึกโมเดล แล้วนำมาต่อกันเป็น Workflow ผู้ใช้กำหนดค่าแต่ละ Node ผ่านหน้าต่างตั้งค่าและดูผลลัพธ์ได้ทุกขั้น จึงตรวจสอบย้อนหลัง แก้ไข และส่งต่องานให้ผู้อื่นได้ง่ายกว่าการเขียนโค้ดยาว ๆ และยังเพิ่ม Python Script Node ได้เมื่อต้องการความยืดหยุ่นมากขึ้น

Precision, Recall และ F1-score ต่างกันอย่างไร

Precision บอกว่าในสิ่งที่โมเดลทายว่าเป็นบวก มีสัดส่วนที่ถูกจริงเท่าไร Recall บอกว่าในกรณีที่เป็นบวกจริงทั้งหมด โมเดลจับได้กี่เปอร์เซ็นต์ ส่วน F1-score เป็นค่าเฉลี่ยแบบ Harmonic ของทั้งสองค่า เหมาะกับข้อมูลที่ไม่สมดุล การเลือกตัวชี้วัดขึ้นกับต้นทุนของความผิดพลาด เช่น งานคัดกรองลูกค้าที่จะเลิกใช้บริการมักเน้น Recall ในหลักสูตรจะคำนวณค่าเหล่านี้ด้วย Scorer และใช้ ROC Curve ช่วยเลือก Threshold

CNN กับ LSTM เหมาะกับงานแบบไหน

CNN (Convolutional Neural Network) เหมาะกับข้อมูลภาพ เพราะเรียนรู้ลวดลาย ขอบ และรูปทรงจากพิกเซลใกล้เคียงกัน จึงใช้จำแนกภาพหรือตรวจหาสิ่งของ ส่วน LSTM เป็นโครงข่ายที่จำบริบทของลำดับได้ เหมาะกับข้อมูลที่เรียงตามเวลาหรือลำดับ เช่น ยอดขายรายวันหรือค่าจากเซนเซอร์ ในหลักสูตรจะสร้างทั้งสองแบบด้วย Keras Nodes ใน KNIME และเปรียบเทียบผลกับโมเดลพื้นฐานเสมอ

หลักสูตร Machine Learning and Deep Learning with KNIME เหมาะกับใคร ต้องมีพื้นฐานอะไรมาก่อน

เหมาะกับ Data Analyst, Data Scientist, Data Engineer, นักวิเคราะห์ธุรกิจ และอาจารย์หรือผู้สอนที่ต้องการสร้างโมเดลด้วยเครื่องมือแบบ Visual Workflow ไม่จำเป็นต้องเขียนโปรแกรมมาก่อน เพียงใช้คอมพิวเตอร์และ Excel ได้และเข้าใจตารางข้อมูล ความรู้สถิติพื้นฐานหรือ Python เบื้องต้นจะช่วยให้ต่อยอดได้มากขึ้น ผู้เรียนควรมีโน้ตบุ๊ก RAM 16 GB ขึ้นไปที่ติดตั้งโปรแกรมได้

เรียนจบหลักสูตร Machine Learning and Deep Learning with KNIME แล้วทำอะไรได้บ้าง

ผู้เรียนจะสร้าง Workflow เตรียมข้อมูลได้ครบกระบวนการ สร้างและเปรียบเทียบโมเดล Classification, Regression และ Clustering พร้อมประเมินผลด้วย Cross Validation และ ROC ปรับจูน Hyperparameter ได้ เริ่มงาน Deep Learning ด้วย Neural Network, CNN และ LSTM ใช้ K-AI, Python Script และ LLM เสริม Workflow และแยก Workflow สำหรับใช้งานโมเดลกับข้อมูลใหม่ได้ พร้อม Workflow ตัวอย่างครบทุก Lab กลับไปใช้ต่อ

จัดอบรมหลักสูตร Machine Learning and Deep Learning with KNIME ให้ทีมในองค์กรได้ไหม

ได้ สถาบันไอทีจีเนียสรับจัดอบรมแบบ In-house สำหรับองค์กร สามารถปรับตัวอย่างและโจทย์ใน Lab ให้ใกล้เคียงข้อมูลและงานของทีม เช่น งานพยากรณ์ยอดขาย การแบ่งกลุ่มลูกค้า หรือการวิเคราะห์ข้อความ และเลือกเน้นหัวข้อ Machine Learning หรือ Deep Learning ตามความต้องการ ติดต่อขอใบเสนอราคาได้ผ่านช่องทางของสถาบัน