097-113-5975
admin@datalentteam.co

Data Management Foundations รุ่นที่ 7

Data Management Foundations รุ่นที่ 7

วันอาทิตย์ที่ 30 มิถุนายน 2024

เวลา 9.00 – 12.00 น.

ราคา 2,990.- บาท

*หากลงทะเบียนภายในวันที่ 16 มิถุนายน ลดราคาเหลือเพียง 2,690.- บาท 

หลักการและเหตุผล

หลักสูตรระยะสั้น Data Management Foundation ต้องการปูพื้นฐานให้ผู้เรียนมองเห็นภาพรวมของระบบนิเวศน์ของการบริหารจัดการข้อมูล (Data Management) ที่คนที่ทำงานด้านข้อมูลควรต้องทราบเพื่อที่จะสามารถนำไปสู่การวิเคราะห์ข้อมูล (Data Analytics) ธรรมาภิบาลข้อมูล (Data Governance) และการปฏิบัติตามกฎหมายด้านข้อมูล (Data Compliance) ในอนาคตได้

วัตถุประสงค์

    1. มีความรู้ความเข้าใจด้านการจัดการข้อมูลภายในองค์กร
    2. เข้าใจรูปแบบการดำเนินงานและมาตรฐานที่เกี่ยวข้อง
    3. เข้าใจในกระบวนการทำงานด้วยข้อมูล
    4. เข้าใจหลักการพื้นฐาน (Foundations) ของการบริหารจัดการข้อมูลเพื่อให้ถูกต้องตามหลักเกณฑ์และสร้างวัฒนธรรมในการสร้างนวัตกรรมจากข้อมูล (Innovations)
    5. เข้าใจแนวคิดและรูปแบบการประเมินระดับสถานะขององค์กร

หลักสูตรนี้เหมาะกับใครบ้าง

  • คนที่กำลังเริ่มพื้นฐานด้านการวิเคราะห์ข้อมูล
  • คนที่ต้องการศึกษาวิธีการจัดการข้อมูลภายในองค์กร
  • บุคคลที่สนใจกระบวนการด้านการวิเคราะห์ธุรกิจและธรรมาภิบาลข้อมูลในระดับเบื้องต้น

กำหนดการ

วันที่ เวลา หัวข้อ

วันที่ 1

 

9.00 – 11.00
 
  • Data Management Principles
  • Business Drivers
  • Motivations
  • Data Strategy
  • Data Management Organization
  • DM Operating Models
  • Organization Structure
  • Roles and Responsibilities
  • Data Management Functions
  • Relationship among DM Functions
  • Related International Standards
  • DAMA-DMBOK’s DM Functions
  • Data Governance
  • Data Quality Management

11.00 – 12.00
  • DAMA-DMBOK’s DM Functions (cont.)
  • Master Data and Reference Data
  • Metadata Management
  • Data Architecture and Enterprise
  • Architecture
  • Data Modeling and Design
  • Data Storage and Operations
  • Data Integration
  • Documents and Contents
  • Management
  • Data Security and Data Protection
  • Data Management Maturity Model
  • Data Management Capability
  • Assessment Model (DCAM)

 

Read more

Data Quality Management Essentials รุ่นที่ 4

Data Quality Management Essentials รุ่นที่ 4

หลักการและเหตุผลหลักสูตร

ในยุคที่ข้อมูลมีความสำคัญ มีความหลากหลาย และมีจำนวนมาก องค์กรต้องการการวิเคราะห์ข้อมูลที่สามารถนำไปต่อยอดในเชิงธุรกิจ อุตสาหกรรม หรืองานวิจัยได้อย่างมีคุณค่า นอกจากการนำข้อมูลมาต่อยอดด้วยกระบวนการทาง data Science แล้ว คุณภาพข้อมูล (Data Quality) ก็เป็นเรื่องพื้นฐานที่ส่งผลกระทบต่อการใช้งานข้อมูลในองค์กร

หลักสูตรระยะสั้น Data Quality Management Essentials จะปูพื้นฐานเรื่องการจัดการคุณภาพข้อมูล ความเชื่อมโยงกับ Data Governance มิติคุณภาพข้อมูล และมาตรฐานสากลด้านคุณภาพข้อมูล ได้แก่

  • Introduction to Data Quality
  • Data Quality Management Process
  • Data Quality Measurement and Scorecard
  • DAMA-DMBOK DQM
  • ISO Data Quality
  • หลักเกณฑ์การประเมินคุณภาพข้อมูลสำหรับหน่วยงานภาครัฐ (Data quality assessment for government agency)

วัตถุประสงค์

    1. เข้าใจหลักการ Data Quality Management และความสัมพันธ์กับ Data Governance
    2. เข้าใจกระบวนการบริหารจัดการคุณภาพข้อมูล
    3. เข้าใจการประเมินระดับสถานการณ์จัดการคุณภาพข้อมูลในองค์กร
    4. เข้าใจหลักการประเมินกระบวนการด้านคุณภาพข้อมูล
    5. เข้าใจหลักการทำโปรไฟล์ของข้อมูล
    6. เข้าใจบทบาทหน้าที่ที่เกี่ยวข้องกับการจัดการคุณภาพข้อมูล

หลักสูตรนี้เหมาะกับใครบ้าง

  • คนที่กำลังเริ่มพื้นฐานด้านการวิเคราะห์ข้อมูล
  • บุคคลที่สนใจกระบวนการด้านการวิเคราะห์ธุรกิจและการสร้างคุณภาพข้อมูล

ความรู้พื้นฐาน

  • ความรู้เบื้องต้นด้าน Data Management หรือเคยเรียนวิชา Data Management Foundations หรือ Data Governance for Business Leaders

กำหนดการ

วันที่ เวลา หัวข้อ

วันที่ 1

 

9.00 – 12.00
  • Introduction to Quality and Data Quality
  • Data Quality Management Process
  • Data Quality Measurement and Scorecard
  • DAMA-DMBOK DQM
  • DQ Dimensions
  • DQ Process
  • Roles and Responsibilities
  • DQ Metrics

13.00 – 16.00
  • ISO Data Quality
  • (8000-8) Concepts and measuring of data quality
  • (8000-61) Data quality management: Process reference model
  • (8000-62) Data quality management: Organizational process maturity assessment
  • (8000-63) Data quality management: Process measurement
  • (8000-65) Data quality management: Process measurement questionnaire
  • (8000-81) Data quality assessment: Profiling
  • (8000-82) Data quality assessment: Creating Data Rules
  • (8000-150) Data quality management: Roles and responsibilities
  • หลักเกณฑ์การประเมินคุณภาพข้อมูลสำหรับหน่วยงานภาครัฐ (Data quality assessment for government agency)

 

Read more

หลักสูตร การวิเคราะห์และนำเสนอข้อมูลให้ปัง คนฟังเข้าใจ ด้วยโปรแกรม Tableau Desktop Public รุ่นที่ 2

หลักสูตร การวิเคราะห์และนำเสนอข้อมูลให้ปัง คนฟังเข้าใจ ด้วยโปรแกรม Tableau Desktop Public

หลักการและเหตุผล

ในกระบวนการ Data Science อีกหนึ่งขั้นตอนที่มีความสำคัญไม่แพ้กันคือ Data Visualization ซึ่งเป็นกระบวนการที่จะทำให้มองเห็นภาพรวมของข้อมูลในมุมมองมิติต่างๆเพื่อจะทำให้ตัดสินใจได้แม่นยำขึ้น ซึ่งศิลปะในการสื่อสารข้อมูลให้กับฝั่ง Business User เป็นสิ่งที่ Data Scientist ควรให้ความสำคัญด้วย ในหลักสูตรนี้จะแนะนำการทำ Data Visualization และ Business Intelligence โดยใช้เครื่องมือ Tableau Desktop และสอนในการทำเรื่อง Storytelling ในด้านการนำเสนอข้อมูลแก่ผู้บริหาร
ดำเนินการสอนโดย ผศ.ดร.โษฑศ์รัตต ธรรมบุษดี (อ.โอม) และคุณวิเชียร บุญญะประภา มหาวิทยาลัยมหิดล และ RapidMiner Certified Analyst

วัตถุประสงค์

– เพื่อให้บุคคลากรทั่วไปมีความรู้ความเข้าใจด้านการทำทัศนภาพข้อมูล
– สร้างความเข้าใจในกระบวนการทำงานด้วยข้อมูล
– พัฒนาทักษะด้านการใช้ข้อมูลของบุคคลที่ต้องการเริ่มต้นการวิเคราะห์ด้วยข้อมูล
– ผู้ที่ต้องการเริ่มต้นกระบวนการทางด้านทัศนภาพข้อมูล

หลักสูตรนี้เหมาะกับใครบ้าง

– คนที่มีพื้นฐานด้านการวิเคราะห์ข้อมูลในระดับปานกลางถึงสูง
– บุคคลที่สนใจกระบวนการด้านการวิเคราะห์ธุรกิจด้วยข้อมูล

กำหนดการ

 

วันที่ เวลา หัวข้อ
วันที่ 1

9.00 – 12.00
  • หลักการจัดองค์ประกอบการนำเสนอให้เข้าใจง่าย
  • หลักการใช้สีให้โดนใจ
  • การเน้นและจัดความสำคัญของข้อมูลที่นำเสนอ
  • การจัดพื้นที่ Dashboard ให้เข้าใจง่าย
  • การเลือกใช้ข้อมูลที่เหมาะสม
  • การเลือกใช้กราฟต่าง ๆ ให้เหมาะสมกับข้อมูล
  • ทำความรู้จักโปรแกรม Tableau Desktop Public
  • การติดตั้งโปรแกรม

13.00 – 16.00
  • Connecting to data
  • Working with Data Extract
  • Create relationships, joins, unions
  • Creating groups and hierarchies in data
  • Filtering and sorting
  • Working with Dates
  • Creating custom date fields and hierarchies
  • Comparing multiple measures in Views
  • Using scatter plots, text tables, highlight tables
  • Creating symbol and filled maps
  • Creating density maps

 

วันที่ 2

9.00 – 12.00
  • Using bar-in-bar charts and bullet graphs
  • Create calculated fields for deeper analysis
  • Work with date, string and type conversion functions
  • Using quick table calculations
  • Using parameters
  • Highlighting values with reference lines and bands
  • Using histograms and box & whisker Plots to show distribution
  • Creating relationships between tables

 

 13.00 – 16.00
  • Blend multiple data sources
  • Building dashboards
  • Creating interactive dashboards using actions
  • Telling stories with data
  • Format dashboards
  • Publish Data sources, Extracts
  • Publish and manage workbooks

 

 

Read more

SQL for Data Analysis with Relational Database รุ่นที่ 9

หลักการและเหตุผล

ในปัจจุบันระบบสารสนเทศมีความสำหรับในทุกองค์กร ทุกองค์กรนั้นจำเป็นต้องมีข้อมูลเพื่อใช้ในการจัดการ หรือดำเนินการงานต่างๆ รวมไปถึงการนำข้อมูลมาวิเคราะห์ เพื่อให้องค์กรเกิดความสอดคล้องกับยุทธศาสตร์ชาติในด้านการพัฒนาและมุ่งสู่ความเป็นไทยแลนด์ 4.0 และให้เกิดการทำงานต่างๆได้อย่างมีประสิทธิภาพ ดังนั้นข้อมูลจึงเปรียบเหมือนอาวุธสำคัญที่ใช้ในการขับเครื่ององค์กรให้ประสบความสำเร็จ ฐานข้อมูล คือการจัดเก็บข้อมูลขององค์กรอย่างมีระเบียบแบบแผน ทั้งนี้การนำข้อมูลในฐานข้อมูลนั้นไปทำการวิเคราะห์เพื่อใช้ในการช่วยตัดสินใจก็ยังมีส่วนช่วยในการนำองค์กรไปสู่ความสำเร็จ หลักสูตร SQL for Data Analysis with Relational Database นี้จึงถูกจัดทำขึ้นเพื่อตอบสนองความต้องการข้างต้นอำนวยการสอนโดย ผศ.ดร.โษฑศ์รัตต ธรรมบุษดี มหาวิทยาลัยมหิดล อาจารย์ประจำหลักสูตร IT Management จากคณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล

วัตถุประสงค์

    1. เพื่อให้บุคคลากรทั่วไปมีความรู้ความเข้าใจด้านการวิเคราะห์ข้อมูล
    2. สร้างความเข้าใจในกระบวนการทำงานด้วยข้อมูล
    3. พัฒนาทักษะด้านการใช้ข้อมูลของบุคคลที่ต้องการเริ่มต้นการวิเคราะห์ด้วยข้อมูล

หลักสูตรนี้เหมาะกับใครบ้าง

  • คนที่กำลังเริ่มพื้นฐานด้านการวิเคราะห์ข้อมูล
  • บุคคลที่สนใจกระบวนการด้านข้อมูลและการนำข้อมูลที่มีรูปแบบเป็นโครงสร้างมาใช้งาน

ความรู้พื้นฐาน

ไม่ต้องมีความรู้พื้นฐาน

 

กำหนดการ

วันที่ เวลา หัวข้อ

วันที่ 1

 

9.00 – 12.00
  • Relational Databases
    • การออกแบบฐานข้อมูลเบื้องต้น
    • Entity-Relationship (ER) Diagram
    • Normalization
  • Introduction to MySQL
  • MySQLWorkBench
  • Working with databases
  • Working with tables
  • Basic Structured Query Language (SQL)
    • DDL (Data Definition Language)
    • Create Table
    • Drop Table
    • Alter Table
    • DML (Data Manipulation Language)
    • Insert
    • Update
    • Delete

13.00 – 16.00
  • Basic Data Query Language
  • Filtering, Sorting, and Calculating Data with SQL
9.00 – 10.00
  • Subqueries and Joins in SQL
  • Filtering Data with advance conditions

10.00 – 12.00
  • SQL functions

วันที่ 2

 13.00 – 14.00
  • SQL functions (Cont.)
14.00 – 15.00
  • Workshop on Basic Data Querying

15.00 – 16.00
  • Workshop on Basic Data Querying (Cont.)

 

Read more

Python for Image and Video Analytics with Deep Learning รุ่นที่ 12

Python for Image and Video Analytics with Deep Learning รุ่นที่ 11

หลักการและเหตุผล

โครงการนี้มีวัตถุประสงค์เพื่อเพิ่มทักษะการทำระบบการเรียนรู้เชิงลึกของปัญญาประดิษฐ์และการวิเคราะห์ด้วยภาพและวิดีโอ ซึ่งเป็นหนึ่งในทักษะที่จำเป็นของ Data Scientist เป็นกระบวนการสำคัญที่ทำให้ปัญญาประดิษฐ์สามารถรู้จำวัตถุต่างๆ ในหลักสูตรนี้ได้จัดให้มีการเรียนรู้หลักการและกระบวนการทำงานการเรียนรู้เชิงลึก ผ่านเครื่องมือ Google Co-Lab, Keras และ Tensorflow เพื่อให้เห็นแนวทางที่ใช้ในการแก้ไขปัญหาจากตัวอย่างของกรณีศึกษา การสร้างโมเดลแบ่งส่วนภาพ (Image segmentation model) และการสร้างโมเดลตรวจจับวัตถุ (Object detection) เพื่อนำไปประยุกต์ใช้ในภาคธุรกิจเบื้องต้นได้

วัตถุประสงค์

    1. เพื่อให้บุคคลากรทั่วไปมีความรู้ความเข้าใจด้านการทำการเรียนรู้เชิงลึก (Deep Leanring)
    2. สร้างความเข้าใจในกระบวนการทำงานด้วยข้อมูล
    3. พัฒนาทักษะด้านการใช้ข้อมูลของบุคคลที่ต้องการเริ่มต้นการวิเคราะห์ด้วยข้อมูล

หลักสูตรนี้เหมาะกับใครบ้าง

  • คนที่มีพื้นฐานด้านการวิเคราะห์ข้อมูลในระดับปานกลางถึงสูง
  • บุคคลที่สนใจกระบวนการด้านการวิเคราะห์ธุรกิจด้วยข้อมูลและผู้ที่ต้องการเรียนรู้วิทยาการข้อมูลขั้นสูง
  •  ผู้ที่มีความรู้ด้านภาษา Python ในระดับปานกลางถึงสูง

กำหนดการ

วันที่ เวลา หัวข้อ

วันที่ 1

9.00 – 12.00
  • Introduction to Google Co-Lab and Basic Python
  • Introduction to Deep Learning
  • Basic Neural Network
  • Convolution Neural Network (CNN)

13.00 – 16.00
  • Transfer Learning (Pretrained model)
  • Introduction to Teachable Machine for Image classification
  • Building the Image Classification Models with Teachable Machine
  • Introduction to Roboflow for Image classification
  • Building the Image Classification Models with Roboflow
  • Introduction to Tensorflow, Keras and Matplotlib libraries
  • Building the Image Classification Models with Tensorflow-Hub

วันที่ 2

 

9.00 – 12.00
  • Introduction to Object Detection
  • Introduction to Roboflow for object detection
  • Building the Object Detection Models with Roboflow

13.00 – 16.00
  • Introduction to PyTorch and Ultralytics YOLO
  • Building the Object Detection Models with PyTorch and Ultralytics YOLO
Read more

Python for Image Analytics with Machine Learning รุ่นที่ 7

Python for Image Analytics with Machine Learning รุ่นที่ 5

หลักการและเหตุผล

โครงการนี้มีวัตถุประสงค์เพื่อเพิ่มทักษะการประมวลผลภาพและการเรียนรู้ของเครื่อง ซึ่งเป็นหนึ่งในทักษะที่จำเป็นของ Data Scientist เป็นกระบวนการสำคัญที่ทำให้การเรียนรู้ของเครื่องสามารถจำแนกข้อมูลภาพ ในหลักสูตรนี้ได้จัดให้มีการเรียนรู้หลักการและกระบวนการทำงานการประมวลผลภาพ การวิเคราะห์ภาพ และการเรียนรู้ของเครื่อง ผ่านเครื่องมือ Google Co-Lab, OpenCV, NumPy, Matplotlib, Scikit-learn, Keras และ Tensorflow เพื่อให้เห็นแนวทางที่ใช้ในการแก้ไขปัญหาจากตัวอย่างของกรณีศึกษา เพื่อให้สามารถนำไปประยุกต์ใช้ในภาคธุรกิจเบื้องต้นได้

วัตถุประสงค์

    1. เพื่อให้บุคคลากรทั่วไปมีความรู้ความเข้าใจด้านการทำการเรียนรู้ด้วยเครื่อง (Machine Leanring)
    2. สร้างความเข้าใจในกระบวนการทำงานด้วยข้อมูล
    3. พัฒนาทักษะด้านการใช้ข้อมูลของบุคคลที่ต้องการเริ่มต้นการวิเคราะห์ด้วยข้อมูล

หลักสูตรนี้เหมาะกับใครบ้าง

  • คนที่มีพื้นฐานด้านการวิเคราะห์ข้อมูลในระดับปานกลางถึงสูง
  • บุคคลที่สนใจกระบวนการด้านการวิเคราะห์ธุรกิจด้วยขข้อมูลและผู้ที่ต้องการเรียนรู้วิทยาการข้อมูลขั้นสูง

ความรู้พื้นฐาน

ไม่ต้องมีความรู้พื้นฐาน

กำหนดการ

วันที่ เวลา หัวข้อ

วันที่ 1

9.00 – 12.00
  • Introduction to Google Co-Lab and Basic Python
  • Introduction to OpenCV, NumPy and Matplotlib
  • Introduction to Image Processing
  • Image Processing Techniques

13.00 – 16.00
  • Feature Extraction
  • Introduction to Data Pre-processing
  • Introduction to Roboflow for Data Preprocessing
  • Introduction to Data Augmentation
  • Introduction to Roboflow for Data Augmentation

วันที่ 2

 

9.00 – 12.00
  • Introduction to Machine Learning
  • Machine Learning Techniques
  • Best Practices with Roboflow for Data Preprocessing and Data Augmentation

13.00 – 16.00
  • Introduction to Tensorflow and Keras libraries
  • Best Practices for Feature Extraction
  • Building the Image Classification Models with Tensorflow-Hub

 

Read more

Python for Machine Learning and Data Mining รุ่นที่ 10

Python for Machine Learning and Data Mining รุ่นที่ 10

หลักการและเหตุผล

การใช้กระบวนการ Machine Learning และ Data Science ในกรณีศึกษาจริง มักจะมีรูปแบบของการวิเคราะห์และขั้นตอนที่ซับซ้อน หลักสูตรนี้จะทำให้ผู้อบรมได้รู้จักกับวิธีการเขียนโปรแกรมภาษา Python เพื่อสำรวจข้อมูลจากความหลากหลายของแหล่งที่มา โดยการสร้างแบบจำลองเชิงอนุมาน สร้างแผนภูมิกราฟ และการแสดงข้อมูลด้านอื่น เห็นรูปแบบปัญหาและกรณีศึกษาหลายๆแบบ ทั้งในภาคธุรกิจและงานวิจัยโดยจะมี ทั้งภาคทฤษฎี และ ภาคปฏิบัติ ซึ่งเครื่องมือที่ใช้คือ Google Colab ซึ่งผู้อบรมสามารถใช้งานได้ฟรีและไม่จำเป็นต้องยุ่งยากในการติดตั้งโปรแกรม ทั้งนี้ ผู้อบรมต้องนำคอมพิวเตอร์โน้ตบุคมาในวันอบรมด้วย

วัตถุประสงค์

    1. เพื่อให้บุคคลากรทั่วไปมีความรู้ความเข้าใจด้านกาวิทยาการข้อมูลกระบวนการทำเหมืองข้อมูล
    2. สร้างความเข้าใจในกระบวนการทำงานด้วยข้อมูล
    3. พัฒนาทักษะด้านการใช้ข้อมูลของบุคคลที่ต้องการเริ่มต้นการวิเคราะห์ด้วยข้อมูลในขั้นสูง

หลักสูตรนี้เหมาะกับใครบ้าง

  • คนที่กำลังเริ่มพื้นฐานด้านการวิเคราะห์ข้อมูล
  • บุคคลที่สนใจกระบวนการด้านการวิเคราะห์ธุรกิจและการทำเหมืองข้อมูล และ Machine Leanring
  • บุคคลที่มีพื้นฐานในขั้นปานกลางถึงขั้นสูงในเรื่องวิทยาการข้อมูล

กำหนดการ

วันที่ เวลา หัวข้อ

วันที่ 1

9.00 – 12.00
  • Module 1: Introduction to Data Science
  • Module 2: Introduction to Python
  • Module 3: CRISP-DM
  • Module 4: Python Packages
  • Module 5: Python Variables
  • Module 6: Data type and Data Importing
  • Module 7: Missing value and Outlier Handling
  • Module 8: Imbalance Data
  • • Up sampling
  • • Down sizing
  • Module 9: Feature selection and Dimensionality Reduction

13.00 – 16.00
  • Module 10: Introduction to Data Visualization
  • Module 11: Machine Learning Overview
  • Module 12: Association Rule
  • Module 13: Basic Classification Technique
  • Module 14: Classification Performance Measurement
  • Module 15: Machine Learning Overview
  • Association Rule (apyori library)
  • Module 16: Basic Classification Technique
  • Module 17: Classification Performance Measurement

วันที่ 2

 

9.00 – 12.00
  • Module 18: Additional Classification Techniques
  • Module 19: Regression Methods
  • หาค่า MAE
  • หาค่า MSE
  • หาค่า RMSE

13.00 – 16.00
  • Module 20: Clustering Methods
  • Module 21: Neural Networks
วันที่ เวลา หัวข้อ

วันที่ 3

9.00 – 12.00
  • Module 22: Tuning techniques
  • Module 23: Deploy model (streamlit)
  • Module 24: Demonstration
  • Module 25: Introduction to Text mining

13.00 – 16.00
  • Module 26: Text mining ENG
  • Module 27: Text mining THAI

วันที่ 4

 

9.00 – 12.00
  • Module 28: Tokenize
  • Module 29: Sentiment Analysis

13.00 – 16.00
  • Module 30: Text Clustering
  • Module 31: Text Classification

 

Read more

Python for Data Analysis and Data Visualization รุ่นที่ 11

Python for Data Analysis and Data Visualization รุ่นที่ 11

หลักการและเหตุผล

เนื่องจากข้อมูลที่มีความซับซ้อนซึ่งยากในการทำความเข้าใจและแปลผลให้กับผู้อื่นได้ทำความเข้าใจ ซึ่งหนึ่งในวิธีการแปลผลข้อมูลให้กับผู้บริหารทราบคือการทำ Data Visualization โดย Python สามารถเข้ามาช่วยในการทำ Data Visualization           โดยจะมี ทั้งภาคทฤษฎี และ ภาคปฏิบัติ ซึ่งเครื่องมือที่ใช้คือ Google Colab ซึ่งผู้อบรมสามารถใช้งานได้ฟรีและไม่จำเป็นต้องยุ่งยากในการติดตั้งโปรแกรม ทั้งนี้ ผู้อบรมต้องนำคอมพิวเตอร์โน้ตบุคมาในวันอบรมด้วย

วัตถุประสงค์

    1. เพื่อให้บุคคลากรทั่วไปมีความรู้ความเข้าใจด้านทัศนภาพข้อมูล
    2. สร้างความเข้าใจในกระบวนการทำงานด้วยข้อมูล
    3. พัฒนาทักษะด้านการใช้ข้อมูลของบุคคลที่ต้องการเริ่มต้นการวิเคราะห์ด้วยข้อมูล

หลักสูตรนี้เหมาะกับใครบ้าง

  • คนที่กำลังเริ่มพื้นฐานด้านการวิเคราะห์ข้อมูล
  • บุคคลที่สนใจกระบวนการด้านการวิเคราะห์ธุรกิจ
  • บุคคลที่ต้องการเรียนรู้กระบวนการทำงานวิเคราะห์ข้อมูลด้วยภาษา Python

ความรู้พื้นฐาน

ไม่ต้องมีความรู้พื้นฐาน

กำหนดการ

วันที่ เวลา หัวข้อ

วันที่ 1

9.00 – 12.00
  • Module 1: Introduction to Data Science
  • Module 2: Python programming basic
  • Module 3: Introduction to Python Packages
  • Module 4: Data Importing
  • Module 5: Exploratory Data Analysis

13.00 – 16.00
  • Module 6: Pivot Table
  • Module 7: Statistical Measurement
  • Module 8: Missing values and Outlier handling
  • Module 9: Data Visualization

วันที่ 2

 

9.00 – 12.00
  • Module 10: Single Chart» Line chart» Bar chart» Pie chart» Scatter diagram
  • 13.00 – 16.00
  • Module 11: Combo Chart
  • Module 12: Interactive diagram
  • Module 13: Geolocation Visualization
Read more

Python Programming for Beginners รุ่นที่ 11

Python Programming for Beginners รุ่นที่ 10

หลักการและเหตุผล

การเขียนโปรแกรมถือเป็นเรื่องพื้นฐานที่ทุกคนควรต้องศึกษา เนื่องจากช่วยส่งเสริมกระบวนการทางความคิดเหตุและผล ที่สามารถนำมาปรับใช้ได้หลากหลายแขนง หลักสูตรนี้จะทำให้ผู้อบรมได้เรียนรู้เกี่ยวกับการเขียนโปรแกรมภาษา Python ตั้งแต่พื้นฐานจนสามารถพัฒนาโปรแกรมภาษา Python อย่างง่ายได้ด้วยตัวท่านเอง           โดยจะมี ทั้งภาคทฤษฎี และ ภาคปฏิบัติ ซึ่งเครื่องมือที่ใช้คือ Google Colab ซึ่งผู้อบรมสามารถใช้งานได้ฟรีและไม่จำเป็นต้องยุ่งยากในการติดตั้งโปรแกรม ทั้งนี้ ผู้อบรมต้องนำคอมพิวเตอร์โน้ตบุคมาในวันอบรมด้วย

วัตถุประสงค์

    1. เพื่อให้บุคคลากรทั่วไปมีความรู้ความเข้าใจด้านวิทยาการข้อมูล
    2. สร้างความเข้าใจในกระบวนการทำงานด้วยข้อมูล
    3. พัฒนาทักษะด้านการใช้ข้อมูลของบุคคลที่ต้องการเริ่มต้นวิทยาการข้อมูล

หลักสูตรนี้เหมาะกับใครบ้าง

  • คนที่กำลังเริ่มพื้นฐานด้านการวิเคราะห์ข้อมูล
  • บุคคลที่สนใจกระบวนการด้านการวิเคราะห์ธุรกิจด้วยข้อมูล
  • บุคคลที่ต้องการเรียนรู้การวิเคราะห์ข้อมูลด้วยภาษา Python

ความรู้พื้นฐาน

ไม่ต้องมีความรู้พื้นฐาน

กำหนดการ

วันที่ เวลา หัวข้อ

วันที่ 1

9.00 – 12.00
  • Module 1: Introduction to Data Science
  • Module 2: Introduction to Python and Google Co-Lab
  • Module 3: Python Packages
  • Module 4: Python Variables

13.00 – 16.00
  • Module 5: Descriptive Statistics Measurement
  • Module 6: Advanced Data Types
  • Module 7: Control Flow

วันที่ 2

 

9.00 – 12.00
  • Module 8: Data Types and Conversion
  • Module 9: Data Importing and Visualization
  • Module 10: Introduction to Data Visualization
  • 13.00 – 16.00
  • Module 11: Machine Learning and Data Science Overview
  • Module 12: Demonstration

 

Read more

Data Quality Management Essentials รุ่นที่ 4

Data Quality Management Essentials รุ่นที่ 3

หลักการและเหตุผลหลักสูตร

ในยุคที่ข้อมูลมีความสำคัญ มีความหลากหลาย และมีจำนวนมาก องค์กรต้องการการวิเคราะห์ข้อมูลที่สามารถนำไปต่อยอดในเชิงธุรกิจ อุตสาหกรรม หรืองานวิจัยได้อย่างมีคุณค่า นอกจากการนำข้อมูลมาต่อยอดด้วยกระบวนการทาง data Science แล้ว คุณภาพข้อมูล (Data Quality) ก็เป็นเรื่องพื้นฐานที่ส่งผลกระทบต่อการใช้งานข้อมูลในองค์กร

หลักสูตรระยะสั้น Data Quality Management Essentials จะปูพื้นฐานเรื่องการจัดการคุณภาพข้อมูล ความเชื่อมโยงกับ Data Governance มิติคุณภาพข้อมูล และมาตรฐานสากลด้านคุณภาพข้อมูล ได้แก่

  • ISO 8000-8 Information and data quality: Concepts and measuring
  • ISO 8000-61 Data quality management: Process reference model
  • ISO 8000-62 Data quality management: Organizational process maturity assessment
  • ISO 8000-63 Data quality management: Process measurement
  • ISO 8000-65 Data quality management: Process measurement questionnaire
  • ISO 8000-81 Data quality assessment: Profiling
  • ISO 8000-150 Data quality management: Roles and responsibilities

วัตถุประสงค์

    1. เข้าใจหลักการ Data Quality Management และความสัมพันธ์กับ Data Governance
    2. เข้าใจกระบวนการบริหารจัดการคุณภาพข้อมูล
    3. เข้าใจการประเมินระดับสถานการณ์จัดการคุณภาพข้อมูลในองค์กร
    4. เข้าใจหลักการประเมินกระบวนการด้านคุณภาพข้อมูล
    5. เข้าใจหลักการทำโปรไฟล์ของข้อมูล
    6. เข้าใจบทบาทหน้าที่ที่เกี่ยวข้องกับการจัดการคุณภาพข้อมูล

หลักสูตรนี้เหมาะกับใครบ้าง

  • คนที่กำลังเริ่มพื้นฐานด้านการวิเคราะห์ข้อมูล
  • บุคคลที่สนใจกระบวนการด้านการวิเคราะห์ธุรกิจและการสร้างคุณภาพข้อมูล

ความรู้พื้นฐาน

  • ความรู้เบื้องต้นด้าน Data Management หรือเคยเรียนวิชา Data Management Foundations หรือ Data Governance for Business Leaders

กำหนดการ

วันที่ เวลา หัวข้อ

วันที่ 1

 

9.00 – 12.00
  • Module 1: Concepts and measuring of data quality (ISO 8000-8)
  • – Information and data quality
  • – Syntactic quality
  • – Semantic quality
  • – Pragmatic quality
  • – Conformance
  • – Activity model for measuring information and data quality
  • Module 2: Data quality management: Process reference model (ISO 8000-61)
  • – The data quality management process
  • – Data quality planning
  • – Data quality control
  • – Data quality assurance
  • – Data quality improvement
  • – Data-related support process
  • – Resource provision process
  • – Relationship between data quality management and data governance
  • – Implementation requirements
  • Module 3: Data quality management: Organizational process maturity assessment (ISO 8000-62)
  • – Purpose of organizational process maturity levels
  • – Process capability levels and process attributes
  • – Rating process attributes and process capability
  • – Scale of organizational data quality management maturity
  • – Deriving organizational process maturity level rating from process profiles
  • – Assessment activities
  • – Roles, responsibilities and competence
  • Module 4: Process measurement (ISO 8000-63)
  • – Inspection plans
  • – Particular process assessment models
  • – Measurement stacks for data quality management
  • Module 5: Process measurement questionnaire (ISO 8000-65)
  • – Questionnaire overview
  • – Questions for Data quality planning
  • – Questions for Data quality control
  • – Questions for Data quality assurance
  • – Questions for Data quality improvement
  • – Questions for Data related support
  • – Measurement scale and weighting of the questions
  • – Visualizing the results
  • Module 6: Profiling (ISO 8000-81)
  • – Data profiling process
  • – Structure analysis
  • – Column analysis
  • – Relationship analysis
  • – Constraints of value domain
  • – Dependency

13.00 – 16.00
  • Module 7: Roles and responsibilities (ISO 8000-150)
  • – A framework of role levels and responsibility groups for data quality management
  • – A functional model of roles and responsibilities
  • – Comparison with processes specified by ISO 8000-61
Read more

Datalent Team

 

สาขาการจัดการเทคโนโลยีสารสนเทศ
คณะวิศวกรรมศาสตร์ ม.มหิดล

999 ถ.พุทธมณฑลสาย 4 ต.ศาลายา
อ.พุทธมณฑล จ.นครปฐม 73170

Datalent Team 2024 All Rights Reserved