คิดวิเคราะห์แบบโคนัน โดย อุเอโนะ ซึโยชิ ร่วมไขปริศนาและฝึกคิดอย่างมีเหตุผลไปพร้อมกับนักสืบในโลกมังงะที่โด่งดังที่สุดตลอดกาล ผู้เขียน อุเอโนะ ซึโยชิ ผู้แปล กมลวรรณ เพ็ญอร่าม สำนักพิมพ์ WELEARN ราคา 200 บาท อ่านสรุปเวอร์ชั่นย่อมากๆ (ของคนอื่น)ได้ที่ Akara’s Blog in Blockdit ช่วงเกริ่น ขอสารภาพว่าเห็นหนังสือเล่มนี้ตอนไถฟีดใน Facebook พอเห็นว่ามีชื่อโคนันปุ๊บ ก็ตัดสินใจเข้าแอปแล้วซื้อทันทีเลย แม้จะเปย์อย่างอื่นไปแล้วในวัน 3.3 ก็ตาม ไม่ต้องบอกก็คงรู้ว่าชอบโคนันขนาดไหน

Competing in the Age of AI : Strategy and leadership when algorithms and networks run the world Writers: Marco Iansiti & Karim R. Lakhani Publisher: Harvard Business Review Press Chapter 1: The Age of AI Artificial Intelligence (AI) เปลี่ยนวิธีคิดขององค์กรและโครงสร้างทางเศรษฐกิจ Strong AI สามารถจำลองความนึกคิด พฤติกรรมของมนุษย์ได้ Weak AI เป็นระบบที่ทำงานเฉพาะอย่างซึ่งเป็นงานที่มนุษย์เคยทำ การเปลี่ยนแปลงในด้านต่างๆ

Data Science Essential — DSEs_G2 Team member: DSEs_G2 Objective: บทความนี้เป็นส่วนหนึ่งของ Data Science Essential ของ Botnoi Classroom หัวข้อ Data Analytics จิ้ม จิ้ม CODE COLAB คำเตือน: ห้ามนำหุ้นที่ปรากฏในบทความนี้ไปซื้อหรือขายทันที หากไม่มีการดู prediction / technical graph / ข่าวหรือบทวิเคราะห์ (/งบหรืออัตราส่วนทางการเงิน) ประกอบเพิ่มเติม โดยเฉพาะในช่วงที่อยู่ในวิกฤติเศรษฐกิจและโรคระบาดในขณะนี้

By Ajarn Worapol Pongpech (National Institute of Development Administration) & Ajarn Pas (True Analytics) จากโครงการ Getting to know data jobs with data people Big Data เราจะเก็บข้อมูลมหาศาลยังไง (หลัก exabyte แล้วนะ) Modern (BIG) Data Project MDP Modern Data Project (MDP) Active: ทำนาย Decentralized: ทุก ๆ คนในหน่วยงานสามารถทำได้ วิเคราะห์ได้ ทำข้อมูลได้ Diverse players: คนหลากหลายสาขาสามารถเข้ามาทำได้ ทำงานกับคนหลายรูปแบบ เช่น คนจากการตลาด คนจากนิเทศ

Class: 15/08/2020 09:00 A.M. –12:00 Noon by K’Winn Voravuthikunchai & Botnoi Data Science Team

Data Science Essential — DSEs_G2 Team member: DSEs_G2 Objective: บทความนี้เป็นส่วนหนึ่งของ Data Science Essential ของ Botnoi Classroom หัวข้อ Data Analytics ถ้าสนใจดูโค้ดก่อน สามารถข้ามไปดูที่ล่างสุดของบทความได้เลยค่ะ ก่อนอื่นขอเริ่มจากกระบวนการทำ Data Analytics ก่อนนะคะ 0. จุดประสงค์ของการทำ Data Analytic คืออะไร 1. การเก็บข้อมูล/รวบรวมข้อมูลดิบ 2. การตั้งคำถาม ตั้งสมมติฐาน 3. การสร้างฐานข้อมูลเพื่อการวิเคราะห์ (Data Mart) - การเลือกข้อมูล - การจัดรูปแบบข้อมูล - การ clean ข้อมูล 4. การหาคำตอบจากข้อมูล ซึ่งอาจจะได้จากขั้นตอนที่ 3 หรือหา insight เพิ่มเติม 5. ระหว่างการหาคำตอบ จะมีคำถามใหม่เกิดขึ้นมา จนอาจจะนำมาสู่กระบวนการย้อนกลับไปสู่ขั้นตอน…

โดยคุณชารินทร์ พลภาณุมาศ Lead Data Scientist @ Central (National Institute of Development Administration) จากโครงการ Getting to know data jobs with data people conference Data Product Life Cycle หาปัญหา เปลี่ยนปัญหาธุรกิจเป็นปัญหาสถิติ เก็บข้อมูล ทำความสะอาดข้อมูล กำหนดลักษณะ ประเภทข้อมูล automate → เอา model ไปลองใช้งาน monitor + update Natural Language Processing (การประมวลผลภาษาธรรมชาติ) ในด้าน NLP ส่วนที่เกี่ยวข้องจะได้แก่ collect data, clean data, explore data, develop models โดยจะแปลงข้อความให้อยู่ในรูปแบบที่โมเดลใช้งานได้ โมเดลเป็นตัวเลข…

By Ajarn Thanachart Ritbumroong (National Institute of Development Administration) จากโครงการ Getting to know data jobs with data people conference Predictive Analytics Supervised Learning Case I Input = data + rule(s) → answers Case II Input = data + answers → rule(s) Data → X (independent variables) → Features Answers → Y (dependent variables) →…

Class: 08/08/2020 09:00 A.M. –12:00 Noon by K’Winn Voravuthikunchai & K’Kasidis Satangmongkol (Toy — Datarockie) Intro to Data Analytics & Data Science Q: R กับ Python เรียนอะไรดี A: ควรใช้เป็นทั้งคู่ เพราะบางงานเหมาะกับภาษา R บางงานเหมาะกับ Python แต่ R จะเน้นไปทางสถิติ ส่วน Python จะเป็นภาษากลางมากกว่า DIKW Model เป็นเป้าหมายของการนำ data มาใช้งาน จาก raw data ไปสู่การประยุกต์นำ data ไปใช้ประโยชน์