หลักสูตร Predictive Analytics with Orange เป็นการอบรมการสร้างโมเดลพยากรณ์ด้วย Orange Data Mining แบบลาก Widget ต่อกัน ตั้งแต่เตรียมข้อมูล ทำ Regression และ Classification ประเมินและอธิบายโมเดลด้วย SHAP จนถึง Clustering และใช้ร่วมกับ Python เหมาะกับนักวิเคราะห์ข้อมูลและผู้ที่รู้ Python เบื้องต้น
การวิเคราะห์เชิงพยากรณ์ (Predictive Analytics) ช่วยให้องค์กรคาดการณ์ยอดขาย ลูกค้าที่มีแนวโน้มเลิกใช้บริการ หรือความเสี่ยงต่าง ๆ จากข้อมูลที่มีอยู่ Orange Data Mining เป็นเครื่องมือโอเพนซอร์สที่สร้างงานเหล่านี้ด้วยการลาก Widget มาต่อกันบน Canvas เห็นผลแบบโต้ตอบทันทีในทุกขั้น จึงเข้าใจแนวคิดของแต่ละอัลกอริทึมได้เร็ว และยังต่อยอดด้วย Python ได้เมื่อต้องการนำโมเดลไปใช้งานจริง
หลักสูตรนี้พาผู้เรียนใช้ Orange 3.40 รุ่นปัจจุบัน ตั้งแต่สำรวจและเตรียมข้อมูล สร้างและเปรียบเทียบโมเดล Regression และ Classification ด้วย Cross Validation, ROC และ Confusion Matrix อธิบายโมเดลด้วย SHAP ต่อด้วย Neural Network, Clustering, การลดมิติข้อมูล และ Association Rules แล้วเชื่อม Orange กับ Python เพื่อนำโมเดลที่บันทึกไว้ไปพยากรณ์ข้อมูลใหม่ ปิดท้ายด้วยโปรเจกต์พยากรณ์จากข้อมูลจริงตั้งแต่ต้นจนจบ (อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง ระดับ Beginner)
รายละเอียดหลักสูตร
หลักสูตรนี้เป็นฉบับปรับปรุงใหม่ปี 2026 ของหลักสูตร Predictive Analytics with Orange เนื้อหาอัปเดตเป็น Orange 3.40 อบรม 3 วัน วันละ 6 ชั่วโมง รวม 18 ชั่วโมง (09:00-16:00 น.) รูปแบบบรรยายพร้อม Lab ทุกหัวข้อ ระดับ Beginner สำหรับผู้ที่รู้ Python เบื้องต้น วันแรกเน้นการเตรียมข้อมูลและ Regression วันที่สองเป็น Classification การประเมินโมเดล การอธิบายโมเดลด้วย SHAP และ Neural Network วันที่สามเป็น Clustering การลดมิติข้อมูล Association Rules และการใช้ Orange ร่วมกับ Python พร้อม Capstone พยากรณ์ข้อมูลใหม่ เครื่องมือทั้งหมดเป็นโอเพนซอร์สและใช้ฟรี ผู้เรียนจะได้ Lab Guide ไฟล์ Workflow โค้ด Python และชุดข้อมูลตัวอย่างครบทุก Lab กลับไปใช้งานต่อ
Section 1: Lab: เริ่มต้น Orange Data Mining
Section 2: Lab: โหลดและสำรวจข้อมูล
Section 3: เตรียมข้อมูลให้พร้อมสร้างโมเดล
Section 4: Lab: สร้างโมเดล Regression
Section 5: อ่านผลโมเดลและอธิบายปัจจัย
Section 6: Lab: อัลกอริทึมสำหรับ Classification
Section 7: ประเมินโมเดล Classification
Section 8: ข้อมูลไม่สมดุลและการอธิบายโมเดล
Section 9: Lab: Neural Network
Section 10: Workshop: ทำนายลูกค้าเลิกใช้บริการ
Section 11: Lab: Clustering
Section 12: การลดมิติข้อมูล (Dimension Reduction)
Section 13: Lab: Association Rules
Section 14: Lab: ใช้ Orange ร่วมกับ Python
Section 15: Workshop: Capstone Project
ขณะนี้ยังไม่มีรอบอบรมเปิดรับสมัคร ลงชื่อจองไว้ได้เลย ทีมงานจะติดต่อกลับเป็นกลุ่มแรกเมื่อเปิดรอบถัดไป หรือสอบถามทางไลน์ หรือโทร 02-570-8449 หรือ 088-807-9770
Supervised Learning คือการสอนโมเดลจากข้อมูลที่มีคำตอบ (Target) อยู่แล้ว เช่น ข้อมูลลูกค้าที่รู้ว่าใครเลิกใช้บริการ เพื่อให้โมเดลพยากรณ์คำตอบของข้อมูลใหม่ ใช้กับงาน Regression และ Classification ส่วน Unsupervised Learning ไม่มีคำตอบให้ โมเดลจะหาโครงสร้างในข้อมูลเอง เช่น แบ่งลูกค้าเป็นกลุ่มด้วย Clustering หรือหาสินค้าที่ซื้อคู่กันด้วย Association Rules ในหลักสูตรได้ลงมือทำทั้งสองแบบใน Orange
เริ่มจากโหลดข้อมูลด้วย File แล้วกำหนดคอลัมน์ Target ด้วย Select Columns เตรียมข้อมูลด้วย Preprocess จากนั้นนำ Learner เช่น Logistic Regression, Random Forest หรือ Gradient Boosting มาต่อเข้ากับ Test and Score เพื่อประเมินด้วย Cross Validation ดูรายละเอียดความผิดพลาดใน Confusion Matrix และ ROC Analysis แล้วจึงใช้ Predictions พยากรณ์ข้อมูลใหม่ และอธิบายผลด้วย SHAP จาก Add-on Explain
k-Means ต้องกำหนดจำนวนกลุ่มล่วงหน้า แล้วจัดข้อมูลเข้ากลุ่มที่จุดศูนย์กลางใกล้ที่สุด ทำงานเร็วและเหมาะกับข้อมูลจำนวนมาก โดยเลือกจำนวนกลุ่มได้ด้วย Silhouette Score ส่วน Hierarchical Clustering จะรวมข้อมูลที่ใกล้กันทีละขั้นจนได้แผนภาพต้นไม้ (Dendrogram) ทำให้เห็นโครงสร้างหลายระดับและเลือกจุดตัดภายหลังได้ แต่ช้ากว่ากับข้อมูลขนาดใหญ่ ในหลักสูตรจะเปรียบเทียบทั้งสองวิธีกับ DBSCAN บนข้อมูลลูกค้าชุดเดียวกัน
เหมาะกับนักวิเคราะห์ข้อมูล นักวิทยาศาสตร์ข้อมูล นักวิเคราะห์ธุรกิจ นักพัฒนา และผู้สอนที่ต้องการสร้างโมเดลพยากรณ์ด้วยเครื่องมือแบบ Visual ผู้เรียนควรเขียน Python เบื้องต้นได้ เพราะวันสุดท้ายมีการใช้ Orange ร่วมกับ Python และควรใช้ Excel และเข้าใจตารางข้อมูล ความรู้สถิติพื้นฐานจะช่วยให้เข้าใจเร็วขึ้น ผู้เรียนควรมีโน้ตบุ๊กที่ติดตั้งโปรแกรมได้
ผู้เรียนจะเตรียมข้อมูล สร้างและเปรียบเทียบโมเดล Regression และ Classification ประเมินผลด้วย Cross Validation, Confusion Matrix และ ROC อธิบายปัจจัยที่มีผลด้วย Feature Importance และ SHAP แบ่งกลุ่มลูกค้าด้วย Clustering หาสินค้าที่ซื้อคู่กันด้วย Association Rules และบันทึกโมเดลไปพยากรณ์ข้อมูลใหม่ด้วย Python ได้ พร้อมไฟล์ Workflow และโค้ดตัวอย่างครบทุก Lab กลับไปใช้ต่อ
ได้ สถาบันไอทีจีเนียสรับจัดอบรมแบบ In-house สำหรับองค์กร สามารถปรับโจทย์และชุดข้อมูลใน Lab ให้ใกล้เคียงงานของทีม เช่น การพยากรณ์ยอดขาย การคาดการณ์ลูกค้าเลิกใช้บริการ หรือการแบ่งกลุ่มลูกค้า และปรับสัดส่วนเนื้อหาระหว่างการใช้ Orange กับ Python ตามพื้นฐานของผู้เรียน ติดต่อขอใบเสนอราคาได้ผ่านช่องทางของสถาบัน
Python เป็นภาษาที่ถูกใช้มากที่สุดภาษาหนึ่งในปัจจุบัน ทั้งงานเว็บ งานอัตโนมัติ งานข้อมูล IoT และ AI ด้วยรูปแบบภาษาที่อ่านง่ายและเรียนรู้ได้เร็ว จึงเป็นภาษาแรกที่สถาบันการศึกษาและองค์กรจำนวนมากเลือกใช้ แต่ผู้เริ่มต้นหลายคนเรียนจากตัวอย่างกระจัดกระจาย…
องค์กรส่วนใหญ่มีข้อมูลยอดขาย ลูกค้า และการใช้งานระบบสะสมอยู่มาก แต่ยังใช้ข้อมูลเหล่านั้นเพียงทำรายงานย้อนหลัง ทั้งที่ข้อมูลชุดเดียวกันนี้สามารถนำมาสร้างแบบจำลองพยากรณ์ได้ เช่น คาดการณ์ยอดขาย ทำนายลูกค้าที่มีแนวโน้มยกเลิกบริการ แบ่งกลุ่มลูกค้า…
Machine Learning ยังเป็นหัวใจของงาน AI ในองค์กร ทั้งการพยากรณ์ยอดขาย คัดกรองลูกค้า จัดหมวดเอกสาร หรือตรวจจับความผิดปกติ และงานข้อมูลแบบตารางจำนวนมากยังได้ผลดีและคุ้มค่ากว่าเมื่อใช้โมเดลคลาสสิกแทน Deep Learning…
