Machine Learning + Python Programming

เรียนรู้การประยุกต์ใช้ Machine Learning

ด้วย Propensity Model เพื่อการคาดการณ์พฤติกรรรมลูกค้าในอนาคต เริ่มตั้งเเต่การเข้าใจตัวเเก่นของธุรกิจ

การจัดเตรียมข้อมูล Run Model

เเละนำผลลัพธ์ออกมาตีความ

เพื่อประกอบการตัดสินใจในเชิงธุรกิจอย่างมืออาชีพ

เรียนรู้การประยุกต์ใช้ Machine Learning ด้วย Propensity Model

เพื่อการคาดการณ์พฤติกรรรมลูกค้าในอนาคต เริ่มตั้งเเต่การเข้าใจตัวเเก่นของธุรกิจ

การจัดเตรียมข้อมูล Run Model เเละนำผลลัพธ์ออกมาตีความ เพื่อประกอบการตัดสินใจในเชิงธุรกิจอย่างมืออาชีพ

เรียนรู้การประยุกต์ใช้ Machine Learning ด้วย Propensity Model

การจัดเตรียมข้อมูล Run Model เเละนำผลลัพธ์ออกมาตีความ เพื่อประกอบการตัดสินใจในเชิงธุรกิจเหมือนกับมืออาชีพ

Machine Learning เป็นเหมือนมันสมองของ AI ที่ช่วยให้ตัว AI สามารถเรียนรู้ได้ด้วยตัวเองจาก data ในอดีต ซึ่งผลลัพธ์จะออกมาเป็นตัวเลข หรือ code ที่ส่งต่อไปยังการเเสดงผล นำไปวิเคราะห์หรือคาดการณ์สิ่งที่จะเกิดขึ้นในอนาคต เพื่อทำให้เกิดประโยชน์สูงสุดกับตัวธุรกิจหรือองค์กร

คือการสร้าง model เพื่อคาดการณ์พฤติกรรมของลูกค้าในอนาคตโดยการดูผลลัพธ์จากค่าความน่าจะเป็น

ตัวอย่างการใช้งาน Propensity Model

- การหาแนวโน้มกลุ่มเป้าหมายว่าจะซื้อสินค้ามากน้อยหรือไม่

- การหาแนวโน้มในการคลิกดูสินค้าในเว็บไซต์ หรือเปิดดูอีเมลที่เราเสนอขายสินค้า

- การหาแนวโน้มที่กลุ่มลูกค้าประจำของเราจะเลิกซื้อสินค้าเเบรนด์เรา

- การหาแนวโน้มที่กลุ่มลูกค้าประจำของเราจะเลิก subscribe เพื่อรับข่าวสารทางอีเมล

- การหาความน่าจะเป็นที่ลูกค้าจะผิดนัดชำระหนี้

AI หรือ ปัญญาประดิษฐ์ เปรียบได้กับ

Robot หรือ เครื่องจักรที่มีความคิดเเละการตัดสินใจที่มีมนุษย์เป็นต้นเเบบ ซึ่งAi ต้องการเวลาในการที่จะเรียนรู้เเละจดจำสิ่งต่างๆ

ตัวอย่างการใช้งาน AI ในโลกปัจจุบัน :

Siri, Google maps, การจดจำใบหน้าบน Device, คลิปวิดิโอเเนะนำใน Youtube, Chatbot,

รถที่ไร้คนขับ

Machine Learning เป็นเหมือนมันสมองของ AI ที่ช่วยให้ตัว AI สามารถเรียนรู้ได้ด้วยตัวเองจาก data ในอดีต ซึ่งผลลัพธ์จะออกมาเป็นตัวเลข หรือ code ที่ส่งต่อไปยังการเเสดงผล เพื่อใช้การวิเคราะห์ในสายงานต่างๆ หรือเเม้กระทั่งการคาดการณ์สิ่งที่จะเกิดขึ้นในอนาคตได้

โดยผลลัพธ์หรือคำตอบจะมีอยู่ 2 เเบบ

ตัวอย่างการใช้งาน Propensity Model

-การหาแนวโน้มกลุ่มเป้าหมายว่าจะซื้อสินค้ามากน้อยหรือไม่

-การหาแนวโน้มในการคลิกดูสินค้าในเว็บไซต์ หรือเปิดดูอีเมลที่เราเสนอขายสินค้า

-การหาแนวโน้มที่กลุ่มลูกค้าประจำของเราจะเลิกซื้อสินค้าเเบรนด์เรา

-การหาแนวโน้มที่กลุ่มลูกค้าประจำของเราจะเลิก subscribe เพื่อรับข่าวสารทางอีเมล

-การหาความน่าจะเป็นที่ลูกค้าจะผิดนัดชำระหนี้

- หลายๆอุตสาหกรรมต่างโดนผลกระทบจาก

โควิด-19 อย่างหนักหน่วง เเต่ว่า sector

ที่เกี่ยวข้องกับ AI & Machine Learning

กลับยังคง Boom เเละมีการรับคนใหม่อยู่เรื่อยๆ

-AI เเละ Machine Learning จะเปลี่ยนแปลงเศรษฐกิจทั่วโลก

-สกิล Machine Learning มีความต้องการสูง

เเต่กลุ่มคนที่มีสกิลนี้นั้นมีน้อย

-บริษัทหรือองค์กรระดับโลก หรือเเม้เเต่ start up หลายๆที่ ต่างก็ใช้ AI เเละ Machine Learning เช่น Google, Amazon หรือ Apple

-สายงานที่เกี่ยวกับ Ai เเละ Machine learning นั้นมีอนาคตที่สดใส ต่างจากหลายๆอาชีพที่

จะหายไปเเละถูกเเทนที่ในอนาคตอันใกล้

-มีการคาดการณ์จาก The World Economic Forum ว่า AI เเละ Machine Learning อาจนำไปสู่การสร้างอาชีพกว่า 58 ล้านตำเเหน่งทั่วโลก

-อาชีพ AI เเละ Machine learning

เติบโตมากถึง 75 % ใน 4 ปีที่ผ่านมา

เเละมีเเนวโน้มว่าจะเติบโตขึ้นเรื่อยๆ

หลายๆอุตสาหกรรมต่างโดนผลกระทบจาก โควิด-19 อย่างหนักหน่วง เเต่ว่า sector ที่เกี่ยวข้องกับ AI & Machine Learning กลับยังคง Boom เเละมีการรับคนใหม่อยู่เรื่อยๆ
AI เเละ Machine Learning จะเปลี่ยนแปลงเศรษฐกิจทั่วโลก
สกิล Machine Learning มีความต้องการสูงมาก เเต่กลุ่มคนที่มีสกิลนี้นั้นมีน้อย
บริษัทหรือองค์กรระดับโลก หรือเเม้เเต่ start up หลายๆที่ต่างก็ใช้ AI เเละ Machine Learning เช่น Google, Amazon หรือ Apple
สายงานที่เกี่ยวกับ Ai เเละ Machine learning นั้นมีอนาคตที่สดใส ต่างจากหลายๆอาชีพที่จะหายไปเเละถูกเเทนที่ในอนาคตอันใกล้
มีการคาดการณ์จาก The World Economic Forum ว่า AI เเละ Machine Learning อาจนำไปสู่การสร้างอาชีพกว่า 58 ล้านตำเเหน่งทั่วโลก
อาชีพ AI เเละ Machine learning เติบโตมากถึง 75 % ใน 4 ปีที่ผ่านมาเเละมีเเนวโน้มว่าจะเติบโตขึ้นเรื่อยๆ

Chapter 1: Introduction

Chapter 2: ทำความเข้าใจว่า Propensity Model คืออะไร

ยกตัวอย่างเคสการนำความรู้เรื่อง

Propensity Model ไปใช้

Chapter 3: Wrap up ความรู้พื้นฐาน

อธิบายเพิ่มเติมเกี่ยวกับความรู้พื้นฐานที่ควรมี

Chapter 4: Business and data understanding

Business and data understanding

- mini workshop univariate analysis

- mini workshop multivariate analysis

Chapter 5: Data Preparation for Credit Scoring

Data Preparation for Credit Scoring

- mini workshop การเตรียมข้อมูลสำหรับโมเดล Credit Scoring ด้วย WOE และ IV

Chapter 6: Modeling e.g. logistic regression

Modeling e.g. logistic regression

- mini workshop สร้างโมเดล logistic regression ด้วย Statsmodels

Chapter 7: Model evaluation and interpretation

Model evaluation and interpretation

- mini workshop สร้างโมเดล evaluation และสร้าง Final Mode

Chapter 8: Model impact and business suggestion

Model impact and business suggestion

- mini workshop score grading

Chapter 9: สรุปเนื้อหาที่สอน แนวทางการต่อยอด

Chapter 1: Introduction

Chapter 2: ทำความเข้าใจว่า Propensity Model คืออะไร

ยกตัวอย่างเคสการนำความรู้เรื่อง Propensity Model ไปใช้

Chapter 3: Wrap up ความรู้พื้นฐาน

อธิบายเพิ่มเติมเกี่ยวกับความรู้พื้นฐานที่ควรมี

Chapter 4: Business and data understanding

Business and data understanding

- mini workshop univariate analysis

- mini workshop multivariate analysis

Chapter 5: Data Preparation for Credit Scoring

Data Preparation for Credit Scoring

- mini workshop การเตรียมข้อมูลสำหรับโมเดล Credit Scoring ด้วย WOE และ IV

Chapter 6: Modeling e.g. logistic regression

Modeling e.g. logistic regression

- mini workshop สร้างโมเดล logistic regression ด้วย Statsmodels

Chapter 7: Model evaluation and interpretation

Model evaluation and interpretation

- mini workshop สร้างโมเดล evaluation และสร้าง Final Mode

Chapter 8: Model impact and business suggestion

Model impact and business suggestion

- mini workshop score grading

Chapter 9: สรุปเนื้อหาที่สอน แนวทางการต่อยอด

เทคนิค ความรู้ เกี่ยวกับ Machine Learning
ได้ความรู้ความเข้าใจในการทำ Propensity Model (Credit Scoring)
สามารถประยุกต์ความรู้และโค้ดตัวอย่างสำหรับการทำ Propensity Model กับข้อมูลในสายงานที่หลากหลาย เช่น financial, e-commerce, retail, telecommunication เป็นต้น
ได้เห็น use case จริงๆ ในการทำโมเดลประเภท Propensity Model
สามารถแนะนำ solution จากโมเดลที่พัฒนาขึ้นมาให้กับทาง business
Data set และ โค้ดที่สามารถนำไปต่อยอดได้
เอกสารประกอบการเรียน

เทคนิคความรู้เกี่ยวกับ Machine Learning
ได้ความรู้ความเข้าใจในการทำ Propensity Model (Credit Scoring)
สามารถประยุกต์ความรู้และโค้ดตัวอย่างสำหรับการทำ Propensity Model กับ ข้อมูลในสายงานที่หลากหลาย เช่น retail, financial, ecommerce, telecommunication เป็นต้น
ได้เห็น use case ในการทำโมเดลประเภท Propensity Model จริงๆ
สามารถแนะนำ solution จากโมเดลที่พัฒนาขึ้นมาให้กับทาง business
Data set และ โค้ดที่สามารถนำไปต่อยอดได้
เอกสารประกอบการเรียน

ประสบการณ์ทำงานที่ผ่านมา:

- ผู้ช่วยนักวิจัยทางด้าน Data Science ให้กับ Smart Grid Research Unit (SGRU) ภาควิชาวิศวกรรมไฟฟ้า จุฬาลงกรณ์มหาวิทยาลัย

- ผ่านเข้ารอบชิงชนะเลิศโครงการ National Software Contest (NSC) 2020 ในหัวข้อ

“อัลกอริทึมประหยัดพลังงานสำหรับเครื่องปรับอากาศด้วยเทคนิคการผสมผสานการเรียนรู้แบบมีผู้สอน (Supervised Learning) และการเรียนรู้แบบเสริมกำลัง (Reinforcement Learning) สำหรับการจัดการพลังงานในรูปแบบอาคาร”

ประสบการณ์สอนหรืองานที่เกี่ยวข้องกับคอร์สเรียน:

- บรรยายหัวข้อ Introduction to Credit Scoring Development for Non-Bank Financial Institution ให้กับอาจารย์และนักศึกษาภาควิชาคณิตศาสตร์ คณะวิทยาศาสตร์ มหาวิทยาลัยนเรศวร

- บรรยายหัวข้อ Introduction to Credit Scoring ให้กับผู้เข้าร่วมอบรมโครงการ Super AI Engineer

ประวัติการศึกษา:

- M.Eng. in Electrical Engineering Chulalongkorn University

- B.Eng. in Electrical Engineering (Second Class Honors) Mahidol University

ประสบการณ์ทำงานที่ผ่านมา:

-ผู้ช่วยนักวิจัยทางด้าน Data Science

ให้กับ Smart Grid Research Unit (SGRU)

ภาควิชาวิศวกรรมไฟฟ้า จุฬาลงกรณ์มหาวิทยาลัย

-ผ่านเข้ารอบชิงชนะเลิศ

โครงการ National Software Contest (NSC) 2020 ในหัวข้อ “อัลกอริทึมประหยัดพลังงานสำหรับเครื่องปรับอากาศด้วยเทคนิคการผสมผสานการเรียนรู้แบบมีผู้สอน (Supervised Learning) และการเรียนรู้แบบเสริมกำลัง (Reinforcement Learning) สำหรับการจัดการพลังงานในรูปแบบอาคาร”

ประสบการณ์สอนหรืองานที่เกี่ยวข้องกับคอร์สเรียน:

-บรรยายหัวข้อ Introduction to Credit Scoring Development for Non-Bank Financial Institution ให้กับอาจารย์และนักศึกษาภาควิชาคณิตศาสตร์ คณะวิทยาศาสตร์ มหาวิทยาลัยนเรศวร

-บรรยายหัวข้อ Introduction to Credit Scoring ให้กับผู้เข้าร่วมอบรมโครงการ Super AI Engineer

ประวัติการศึกษา:

-M.Eng. in Electrical Engineering Chulalongkorn University

-B.Eng. in Electrical Engineering

(Second Class Honors) Mahidol University

Python ใช้เวลาในการเรียนรู้ที่สั้นกว่าภาษาอื่นๆ
สามารถนำไปใช้งานได้จริงและมีประสิทธิภาพ ทำให้บริษัทและองค์กรใหญ่ระดับโลก เช่น Google, Facebook, YouTube เลือกที่จะนำภาษา Python มาใช้ในการพัฒนาระบบต่างๆ
มี library ครอบคลุมการใช้งานต่าง ๆ
สามารถนำไปใช้งานทางด้าน Data, Ai & Machine Learning ได้อย่างมีประสิทธิภาพ
มีชุมชนนักพัฒนาที่แข็งแกร่ง ทำให้ Python มีการพัฒนาเเละมีความยืดหยุ่นในการใช้งานทางสายงานต่างๆ
ทำงานได้หลายแพลตฟอร์ม
สามารถนำไปใช้งานได้ฟรี

Python ใช้เวลาในการเรียนรู้ที่สั้นกว่าภาษาอื่นๆ
สามารถนำไปใช้งานได้จริงและมีประสิทธิภาพ ทำให้บริษัทและองค์กรใหญ่ระดับโลก เช่น Google, Facebook, YouTube เลือกที่จะนำภาษา Python มาใช้ในการพัฒนาระบบต่างๆ
มี library ครอบคลุมการใช้งานต่าง ๆ
สามารถนำไปใช้งานทางด้าน Data, Ai & Machine Learning ได้อย่างมีประสิทธิภาพ
มีชุมชนนักพัฒนาที่แข็งแกร่ง ทำให้ Python มีการพัฒนาเเละมีความยืดหยุ่นในการใช้งานทางสายงานต่างๆ
ทำงานได้หลายแพลตฟอร์ม
สามารถนำไปใช้งานได้ฟรี

ผลงานที่ภาคภูมิใจของชีวิต : มีวารสารตีพิมพ์ใน Nature, Scientific Reports 2 ฉบับ ได้แก่

- Thepsoonthorn, C., Ogawa, K. I., & Miyake, Y. (2018). The Relationship between Robot’s Nonverbal Behaviour and Human’s Likability Based on Human’s Personality. Scientific reports, 8.

- Thepsoonthorn, C., Yokozuka, T., Miura, S., Ogawa, K., & Miyake, Y. (2016). Prior Knowledge Facilitates Mutual Gaze Convergence and Head Nodding Synchrony in Face-to-face Communication. Scientific reports, 6, 38261.

ประสบการณ์ทำงานที่ผ่านมา :

- บรรยาย Class พิเศษ วิชา Law and Technology หัวข้อ AI Vs. Law (When Lawyers Gotta Meet AI) มหาวิทยาลัยศรีประทุม

- Python Project: Interactive Robots in Human-robot Interaction (Ph.D. Thesis)

- Python Project: Mandarin-to-Thai Machine Translation ร่วมกับ NECTEC

ประวัติการศึกษา: :

- 2558-2561: ปริญญาเอก Doctor of Philosophy (Ph.D.) ด้าน Computational Intelligence and Systems Science สาขา Human-robot Interaction จาก Tokyo Institute of Technology ประเทศญี่ปุ่น (ทุน ก.พ.)

- 2554-2555: ปริญญาโท Master of Science (MSc) ด้าน Artificial Intelligence

สาขา Intelligent Robotics จาก University of Edinburgh สหราชอาณาจักร (ทุน ก.พ.)

- 2550-2554: ปริญญาตรี Bachelor of Science (BSc) เกียรตินิยมอันดับ 1

ด้าน Computer Science สาขา Informatics

Sirindhorn International Institute of Technology ( SIIT ) มหาวิทยาลัยธรรมศาสตร์

(ทุนการศึกษานักเรียนที่มีผลการเรียนดีและประพฤติดี จาก Sirindhorn International Institute of Technology และ Keidanren Scholarship Fund)

ผลงานที่ภาคภูมิใจของชีวิต :

มีวารสารตีพิมพ์ใน Nature, Scientific Reports

2 ฉบับ ได้แก่

- Thepsoonthorn, C., Ogawa, K. I., & Miyake, Y. (2018). The Relationship between Robot’s Nonverbal Behaviour and Human’s Likability Based on Human’s Personality. Scientific reports, 8

.- Thepsoonthorn, C., Yokozuka, T., Miura, S., Ogawa, K., & Miyake, Y. (2016). Prior Knowledge Facilitates Mutual Gaze Convergence and Head Nodding Synchrony in Face-to-face Communication. Scientific reports, 6, 38261.

ประสบการณ์ทำงานที่ผ่านมา:

- บรรยาย Class พิเศษ วิชา Law and Technology หัวข้อ AI Vs. Law (When Lawyers Gotta Meet AI) มหาวิทยาลัยศรีประทุม

- Python Project: Interactive Robots in Human-robot Interaction (Ph.D. Thesis)

- Python Project: Mandarin-to-Thai Machine Translation ร่วมกับ NECTEC

ประวัติการศึกษา:

- 2558-2561: ปริญญาเอก

Doctor of Philosophy (Ph.D.)

ด้าน Computational Intelligence and Systems Science

สาขา Human-robot Interaction

จาก Tokyo Institute of Technology (ทุน ก.พ.)

- 2554-2555: ปริญญาโท

Master of Science (MSc)

ด้าน Artificial Intelligence

สาขา Intelligent Robotics

จาก University of Edinburgh (ทุน ก.พ.)

- 2550-2554: ปริญญาตรี

Bachelor of Science (BSc) เกียรตินิยมอันดับ 1 ด้าน Computer Science สาขา Informatics

จาก Sirindhorn International Institute of Technology ( SIIT ) มหาวิทยาลัยธรรมศาสตร์

อาชีพที่เกี่ยวข้องกับ Machine Learning
มีเงินเดือนที่สูงเเละมีสวัสดิการที่ดี

หากคุณมีความสามารถเเละประสบการณ์มากพอ

หากคุณมีความสามารถเเละประสบการณ์มากพอ

เริ่มต้นที่ 35,000 ฿ ซึ่งสามารถสูงได้ถึง 150,000 ฿

เริ่มต้นที่ 35,000 ฿
ซึ่งสามารถสูงได้ถึง 150,000 ฿

หลักสูตร Machine Learning สอนอะไรบ้าง

9 บทเรียน
4 ชั่วโมง 10 นาที

หลักสูตร Machine Learning
สอนอะไรบ้าง

11 บทเรียน
2 ชั่วโมง 32 นาที

หลักสูตร UpSkill Python Programming

หลักสูตร UpSkill
Python Programming

ทำไมต้องเรียนภาษา Python ??

ทำไมต้องเรียนภาษา Python ??

ทำไมต้องเรียนภาษา Python ??

รับใบ Certificateถึง 2 ใบ หลังเรียนจบ
เพื่อสร้างโอกาสให้กับตัวคุณ

อาชีพที่เกี่ยวข้องกับ Machine Learning มีเงินเดือนที่สูงเเละมีสวัสดิการที่ดี

หากคุณมีความสามารถเเละประสบการณ์มากพอ

หากคุณมีความสามารถเเละประสบการณ์มากพอ

เริ่มต้นที่ 35,000 ฿ ซึ่งสามารถสูงได้ถึง 150,000 ฿

เริ่มต้นที่ 35,000 ฿ ซึ่งสามารถสูงได้ถึง 150,000 ฿

หลักสูตร Machine Learning สอนอะไรบ้าง

9 บทเรียน 4 ชั่วโมง 10 นาที

หลักสูตร Machine Learning สอนอะไรบ้าง

11 บทเรียน2 ชั่วโมง 32 นาที

หลักสูตร UpSkill Python Programming

หลักสูตร UpSkill Python Programming

ทำไมต้องเรียนภาษา Python ??

ทำไมต้องเรียนภาษา Python ??

ทำไมต้องเรียนภาษา Python ??

รับใบ Certificateถึง 2 ใบ หลังเรียนจบเพื่อสร้างโอกาสให้กับตัวคุณ

อาชีพที่เกี่ยวข้องกับ Machine Learning
มีเงินเดือนที่สูงเเละมีสวัสดิการที่ดี

เริ่มต้นที่ 35,000 ฿
ซึ่งสามารถสูงได้ถึง 150,000 ฿

9 บทเรียน
4 ชั่วโมง 10 นาที

หลักสูตร Machine Learning
สอนอะไรบ้าง

11 บทเรียน
2 ชั่วโมง 32 นาที

หลักสูตร UpSkill
Python Programming

รับใบ Certificateถึง 2 ใบ หลังเรียนจบ
เพื่อสร้างโอกาสให้กับตัวคุณ