Machine learning and Deep Learning with KNIME

วันที่ 1

พื้นฐาน KNIME และการเตรียมข้อมูลสำหรับงานวิเคราะห์

ชั่วโมงที่ 1

Introduction to KNIME และภาพรวมการทำงานแบบ Visual Workflow

• ความรู้เบื้องต้นเกี่ยวกับ KNIME
• แนวคิดของ node-based workflow
• ส่วนประกอบของหน้าจอโปรแกรม
• การสร้างและบันทึก workflow
• การ execute node และตรวจสอบผลลัพธ์

ชั่วโมงที่ 2

การนำเข้าข้อมูลและการสำรวจข้อมูลเบื้องต้น

• การอ่านข้อมูลจาก CSV, Excel และ text file
• การตรวจสอบ schema และประเภทข้อมูล
• การสำรวจ dataset เบื้องต้น
• การตรวจสอบ missing values และข้อมูลผิดรูปแบบ

ชั่วโมงที่ 3

Data Manipulation และ Preprocessing I

• Type Conversion
• Formula สำหรับสร้างคอลัมน์ใหม่
• String Replace / Rule-based Replace
• การจัดการค่าว่าง
• การปรับรูปแบบข้อมูลให้พร้อมวิเคราะห์

ชั่วโมงที่ 4

Data Manipulation และ Preprocessing II

• Filtering ข้อมูล
• Column Filter / Row Filter
• การ split และ combine data
• Concatenation
• การตรวจสอบผลลัพธ์หลังแปลงข้อมูล

ชั่วโมงที่ 5

Join, Grouping, Aggregation และ Pivot

• Join ข้อมูลจากหลายแหล่ง
• Grouping and Aggregation
• การสรุปผลเชิงกลุ่ม
• Pivot Operation
• การ reshape ข้อมูลเพื่อใช้งานต่อ

ชั่วโมงที่ 6

Data Transformation เพิ่มเติมและ Visualization เบื้องต้น

• Discrete & Binning
• Normalization
• การใช้ visualization เพื่อดู pattern ของข้อมูล
• Workshop: สร้าง workflow เตรียมข้อมูลครบกระบวนการ

วันที่ 2

Machine Learning ด้วย KNIME

ชั่วโมงที่ 1

Introduction to Machine Learning

• แนวคิดของ Machine Learning
• Supervised และ Unsupervised Learning
• Train/Test Dataset
• การเตรียมข้อมูลก่อนเข้าโมเดล
• แนวคิดเรื่อง data leakage

ชั่วโมงที่ 2

Evaluation of Algorithms

• Confusion Matrix
• Accuracy, Precision, Recall, F1-score
• ROC และ AUC
• การอ่านผลประเมินโมเดล
• การเปรียบเทียบอัลกอริทึมเบื้องต้น

ชั่วโมงที่ 3

Classification Algorithms I

• Naive Bayes
• Decision Tree
• หลักการและ workflow ของแต่ละโมเดล
• การ train และการ prediction

ชั่วโมงที่ 4

Classification Algorithms II

• k-Nearest Neighbour
• Support Vector Machines
• การเลือกอัลกอริทึมให้เหมาะกับลักษณะข้อมูล
• Workshop เปรียบเทียบ classification algorithms

ชั่วโมงที่ 5

Association Rule Mining

• แนวคิด Market Basket Analysis
• Support, Confidence, Lift
• การสร้าง association rule workflow
• การแปลผลกฎความสัมพันธ์

ชั่วโมงที่ 6

Clustering Techniques

• k-Means Clustering
• Optimum Number of K
• Hierarchical Clustering
• DBSCAN
• Comparison of Clustering Algorithms
• Workshop: Customer Segmentation หรือ Data Grouping

วันที่ 3

Deep Learning with KNIME, TensorFlow, CNN และ LSTM

ชั่วโมงที่ 1

Introduction to Deep Learning

• ความแตกต่างระหว่าง Machine Learning และ Deep Learning
• Neural Network เบื้องต้น
• Hidden Layer, Activation Function, Loss Function
• use case ที่เหมาะกับ Deep Learning

ชั่วโมงที่ 2

TensorFlow with KNIME

• ภาพรวม TensorFlow integration
• การเตรียมข้อมูลสำหรับ neural network
• การสร้าง workflow สำหรับ deep learning
• การ train และ monitor model

ชั่วโมงที่ 3

Deep Learning for Classification

• การสร้างโมเดล deep learning สำหรับ classification
• การตั้งค่าพื้นฐานของโมเดล
• การประเมินผล accuracy/loss
• การสังเกตปัญหา overfitting

ชั่วโมงที่ 4

Convolutional Neural Networks และ Computer Vision

• หลักการ CNN
• Convolution, Pooling, Feature Map
• การเตรียมข้อมูลรูปภาพ
• Image Classification เบื้องต้นด้วย KNIME

ชั่วโมงที่ 5

LSTM และ Sequence Modeling

• แนวคิด sequence data
• พื้นฐานของ recurrent model
• LSTM คืออะไร
• ตัวอย่างงาน time series หรือ sequence prediction
• การเตรียมข้อมูลลำดับเวลา

ชั่วโมงที่ 6

Mini Project / Capstone Workshop

• สร้าง workflow แบบครบกระบวนการ
• เลือกโจทย์จาก classification, clustering หรือ deep learning
• สรุปการประยุกต์ใช้ KNIME ในงานจริง
• ถามตอบและแนวทางต่อยอดหลังจบหลักสูตร