รายละเอียดโมดูล รุ่นที่ 2 ปี 2563
ภาพรวมของหลักสูตร
ลำดับการเรียน
การเรียนในส่วนนี้จะเป็นการเขียนโปรแกรมภาษาไพทอนสำหรับงานวิทยาศาสตร์ข้อมูล เพื่อให้สามารถนำไปใช้เป็นเครื่องมือช่วยในการประมวลผลข้อมูล วิเคราะห์ข้อมูลเบื้องต้น การเตรียมข้อมูล รวมถึงการนำไปต่อยอดใช้ร่วมกับกระบวนการเรียนรู้ของเครื่องได้
เนื้อหา (Contents) :
- การเขียนโปรแกรมภาษา Python เบื้องต้น
- การจัดการข้อมูลด้วย Dataframe
- การทำให้เห็นภาพ (Data visualization)
เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):
- เขียนโปรแกรมภาษา python เบื้องต้นได้
- เลือกชนิดของการเก็บข้อมูลที่เหมาะสมกับข้อมูลได้
- ประยุกต์ใช้ฟังก์ชันในแพ็คเกจที่สร้างไว้สำหรับการประมวลผลข้อมูลโดยเฉพาะได้
- นำข้อมูลมาแสดงในรูปแบบกราฟฟิกที่ช่วยในการทำความเข้าใจวิเคราะห์ข้อมูลได้
ความรู้ก่อนเรียน (Prerequisite knowledge) : ไม่มี
เมื่อมีปัญหาที่ต้องการแก้ การระบุปัญหาให้ชัดเจนจะช่วยให้การเลือกวิธีการแก้ปัญหาได้อย่างเหมาะสม และที่สำคัญที่สุดคือการเลือกข้อมูลที่เหมาะสมมาช่วยในการวิเคราะห์เพื่อแก้ปัญหานั้น โมดูลนี้จะได้เรียนรู้ตั้งแต่การระบุปัญหา ขอบเขตของปัญหา การพิจารณาข้อมูลที่คิดว่าจะช่วยให้การวิเคราะห์ข้อมูลเป็นไปอย่างมีประสิทธิภาพ การสกัดคุณลักษณะที่ต้องการเพิ่มเพื่อนำมาพิจารณาความสำคัญ รวมถึงแนวทางในการประเมินความสำเร็จของการวิเคราะห์ข้อมูล
เนื้อหา (Contents) :
- ปัญหาและลักษณะข้อมูลที่ใช้วิธีการเรียนรู้ของเครื่อง
- การสกัดและการเลือกคุณลักษณะที่สำคัญ
- การวิเคราะห์ feature ของข้อมูลที่มีโอกาสมีผลต่อการวิเคราะห์ทั้งทางตรงและทางอ้อม
เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):
- กำหนดเป้าหมายของปัญหาที่จะให้กระบวนการเรียนรู้ของเครื่องเรียนรู้จากข้อมูลได้อย่างชัดเจน
- แยกแยะความแตกต่างของวิธีเรียนรู้ของเครื่องแบบไม่มีผู้สอนและแบบมีผู้สอนได้
- เลือกคุณลักษณะที่มีผลต่อการวิเคราะห์ทั้งทางตรงและทางอ้อมด้วยกระบวนการที่เหมาะสม
ความรู้ก่อนเรียน (Prerequisite knowledge): ไม่มี
โมดูลนี้เป็นการเรียนรู้และฝึกสร้างแบบจำลองการทำนายข้อมูลที่มีค่าต่อเนื่อง โดยเริ่มจากการประเมินคุณลักษณะที่สำคัญกับการทำนาย เพื่อให้ได้แบบจำลองที่มีประสิทธิภาพดีที่สุด รวมถึงวิธีการฝึก วิธีการประเมิน และวิธีการนำเสนอผลของการวิเคราะห์เพื่อให้สามารถนำไปใช้กับสถานการณ์จริงได้อย่างมั่นใจ
เนื้อหา (Contents) :
- การทำให้ข้อมูลอยู่ในมาตรฐานเดียวกัน
- แบบจำลองเพื่อทำนายข้อมูลที่มีค่าต่อเนื่อง
- วิธีการวัดประสิทธิภาพของผลการทำนาย
- ไปป์ไลน์ของการสร้างแบบจำลองเปิดทำนายข้อมูลที่มีค่าต่อเนื่อง
- การป้องกันและตรวจสอบการเกิด overfitting และ underfitting ในขณะฝึก Machine Learning model
- การแบ่งข้อมูลเพื่อใช้ในการตรวจสอบประสิทธิภาพ และจำลองการใช้งานจริง
เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):
- ประเมิน feature ที่มีความสำคัญต่อการตัดสินใจสำหรับการทำนายค่าต่อเนื่องได้
- ฝึกแบบจำลองการเรียนรู้ของเครื่องด้วยวิธีและกระบวนการที่เหมาะสมที่จะช่วยให้ผลของการฝึกใกล้เคียงกับการนำไปใช้งานจริงมากที่สุด
- เลือกตัวแบบในการทำนายโดยใช้วิธีการประเมินจากผลลัพธ์การเรียนรู้ที่เหมาะสม
- แสดงผลและตีความผลการทำนายโดยใช้วิธีการทำให้เห็นภาพและการบรรยายที่เหมาะสม
ความรู้ก่อนเรียน (Prerequisite knowledge)
Module 01: การเตรียมข้อมูล การสกัดและการเลือกคุณลักษณะ (Data Preprocessing, Feature extraction and selection)
ปัจจุบันการใช้ AI ช่วยตัดสินใจเริ่มเข้ามามีบทบาทในชีวิตประจำวันมากขึ้นเรื่อย ๆ Machine Learning เป็นหนึ่งในเบื้องหลังที่สำคัญของความสำเร็จนั้น การสร้างแบบจำลองที่มีประสิทธิภาพ อาจต้องทำหลายขั้นตอน หลายรูปแบบ เพื่อเลือกรูปแบบที่ดีที่สุด ในโมดูลนี้จะช่วยให้เข้าใจ และสามารถสร้างแบบจำลองเพื่อทำนายประเภทของข้อมูลได้อย่างมีประสิทธิภาพ มีวิธีการวัดที่ชัดเจนในแต่ละขั้นตอนไม่ว่าจะเป็นการเลือกคุณลักษณะที่สำคัญ การเลือกโมเดล การประเมินผลการทำนาย การตีความหมายของโมเดลและผลการทำนาย ซึ่งทั้งหมดนี้จะได้ฝึกปฏิบัติทั้งเครื่องมือที่ใช้กับข้อมูลทั่วไปและเครื่องมือที่ใช้สำหรับข้อมูลขนาดใหญ่
เนื้อหา (Contents) :
- การเลือก feature ที่สําคัญต่อการตัดสินใจ
- แบบจำลองการเรียนรู้ของเครื่องแบบต่าง ๆ
- การวิเคราะห์แบบจำลองเพื่อทำข้อมูลให้อยู่ในรูปมาตรฐานเดียวกัน
- การวัดประสิทธิภาพของแบบจำลองจากผลการทำนาย
- ไปป์ไลน์ของการสร้างแบบจำลองเปิดทํานายประเภทของข้อมูล
- การป้องกันเเละการตรวจสอบการเกิด overfitting และ underfitting ขณะฝึกแบบจำลอง
- การแบ่งข้อมูลเพื่อตรวจสอบประสิทธิภาพและจําลองการใช้งานจริง
- Visualization และการตีความผลการทำนายเพื่อการนำเสนอ
- การนำไปใช้กับข้อมูลใหม่ในอนาคต
เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):
- ประเมิน feature ที่มีความสำคัญต่อการตัดสินใจสำหรับการทำนายประเภทของข้อมูลได้
- ฝึกแบบจำลองการเรียนรู้ของเครื่องเพื่อทำนายประเภทของข้อมูลด้วยวิธีและกระบวนการที่จะช่วยให้ผลของการฝึกใกล้เคียงกับการนำไปใช้จริงมากที่สุด
- เรียกตัวแบบในการทำนายประเภทข้อมูลโดยใช้วิธีการประเมินที่เหมาะสมจากผลลัพธ์การเรียนรู้ได้
- แสดงผลและตีความผลการทำนายโดยใช้วิธีการทำให้เห็นภาพและการบรรยายที่เหมาะสมกับแบบจำลองต่าง ๆ ได้
ความรู้ก่อนเรียน (Prerequisite knowledge)
Module 01: การเตรียมข้อมูล การสกัดและการเลือกคุณลักษณะ (Data Preprocessing, Feature extraction and selection)
Module 05 การจัดตารางเวลา (Scheduling)
เรียนรู้เกี่ยวกับการจัดการตารางเวลาโดยใช้หลักการวางแผนงาน รวมถึงใช้หลักการทางการประมวลผลการฟ เพื่อวางแผนและจัดตารางเวลาของงานที่มีความสัมพันธ์กัน และมีเงื่อนไขที่หลากหลาย
เนื้อหา (Contents) :
- Introduction to Planning and Scheduling
- Planning Principles
- Algorithms for Planning
- Planning Graphs
- Analysis of Planning Approaches
- Scheduling Principles
- Time, Schedules, and Resources
- Scheduling Algorithms
เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):
- ประยุกต์ใช้ในการจัดตารางเวลาของงานที่เกี่ยวข้องกันได้
ความรู้ก่อนเรียน (Prerequisite knowledge)
Module 01: การเตรียมข้อมูล การสกัดและการเลือกคุณลักษณะ (Data Preprocessing, Feature extraction and selection)
เรียนรู้การตรวจหาข้อมูลผิดปกติทั้งจากข้อมูลทั่วไปและสัญญาณจากอุปกรณ์ตรวจวัดอัตโนมัติ เพื่อให้สามารถจับความผิดปกติ การรับทราบปัญหาอย่างทันท่วงที รวมถึงการวางแผนซ่อมบำรุง เพื่อป้องกันปัญหาที่อาจจะเกิดขึ้นตามมาในอนาคต ในบางกรณีข้อมูลที่บันทึกไว้อาจมีข้อมูลตัวอย่างของความผิดปกติที่เคยเกิดขึ้น แต่ในบางกรณีมีเฉพาะข้อมูลที่ปกติ ซึ่งสามารถนำมาฝึกโมเดลการเรียนรู้ของเครื่องโดยใช้โมเดลที่เหมาะสมเพื่อให้สามารถนำไปใช้ได้อย่างมีประสิทธิภาพ
เนื้อหา (Contents) :
- สำรวจข้อมูลด้วยค่าทางสถิติและใช้ Visualization
- การระบุข้อมูลผิดปกติ (Anomaly detection) แบบคุณลักษณะเดียว (Univariate) และหลายคุณลักษณะ (Multivariate)
- การระบุข้อมูลผิดปกติ (Anomaly detection) โดยใช้ Machine learning
- การแสดงผลการวิเคราะห์ด้วยการวิเคราะห์องค์ประกอบหลัก (Principle Component Analysis: PCA)
เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):
- ทำการวิเคราะห์เพื่อระบุข้อมูลผิดปกติจากข้อมูลทั่วไปได้โดยใช้หลักการทางสถิติได้
- สร้างโมเดลทางการเรียนรู้ของเครื่อง (Machine learning model) ที่สามารถนำมาใช้ตรวจจับความผิดปกติได้โดยการฝึกโมเดลทั้งจากข้อมูลที่มีเฉพาะสถานการปกติอย่างเดียว และการฝึกโมเดลจากข้อมูลที่มีทั้งข้อมูลปกติและผิดปกติอยู่ด้วยกัน
- แสดงผลการวิเคราะห์ข้อมูลที่มีหลายมิติด้วยการลดจำนวนมิติเพื่อการแสดงผลที่เหมาะสมได้
ความรู้ก่อนเรียน (Prerequisite knowledge)
Module 01: การเตรียมข้อมูล การสกัดและการเลือกคุณลักษณะ (Data Preprocessing, Feature extraction and selection)
เรียนรู้หลักการบันทึกภาพ และหลักการแทนค่าสีด้วยแบบจำลองแบบต่าง ๆ เพื่อให้สามารถนำมาประยุกต์ใช้กับการประมวลผลภาพได้อย่างเหมาะสม เรียนรู้การปรับปรุงคุณภาพของภาพไม่ว่าจะเป็นความสว่าง ความคมชัด การลดสัญญาณรบกวน การเน้นองค์ประกอบที่เป็นประโยชน์ต่อการวิเคราะห์ โดยใช้เทคนิคขั้นสูงเพื่อให้ได้ภาพที่พร้อมสำหรับการใช้งานเฉพาะทาง
เนื้อหา (Contents) :
- ภาพและการบันทึกภาพใน computer
- แบบจำลองสี (Color model)
- การประมวลผลภาพเบื้องต้น
- การประมวลผลภาพที่อยู่บนโดเมนของความถี่ (Frequency domain)
- การทำคอนโวลูชัน
- การประมวลผลภาพเพื่อเน้นองค์ประกอบที่ต้องการ
เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):
- ใช้หลักการวิเคราะห์สีเพื่อวิเคราะห์การปลอมปนของวัตถุดิบที่แยกได้ด้วยสีได้
- สามารถปรับปรุงคุณภาพของภาพให้องค์ประกอบที่สนใจเด่นชัดขึ้นมาได้
- ใช้หลักการการประมวลผลภาพเพื่อเน้นองค์ประกอบที่ต้องการเพื่อวิเคราะห์การปลอมปนของวัตถุดิบที่มีความซับซ้อนได้
ความรู้ก่อนเรียน (Prerequisite knowledge)
- ไม่มี
เรียนรู้เกี่ยวกับการแยกองค์ประกอบของภาพดิจิทัล เพื่อนำองค์ประกอบที่สนใจไม่ว่าจะเป็นวัตถุต่างชนิด หรือภาพพื้นหลัง มาใช้งานสำหรับการวิเคราะห์ต่อ ซึ่งสามารถทำได้หลากหลายวิธีขึ้นอยู่กับความซับซ้อนขององค์ประกอบในภาพ ตั้งแต่ใช้วิธีแบบไม่มีผู้สอน (Unsupervised) ไปจนถึงการเรียนรู้เชิงลึก (Deep learning)
เนื้อหา (Contents) :
- การแยกส่วนประกอบที่สนใจด้วยค่า Threshold (Thresholding image segmentation)
- การแยกส่วนประกอบโดยการใช้การเรียนรู้ของเครื่องแบบไม่มีผู้สอน (Unsupervised machine learning)
- การแยกส่วนประกอบโดยการใช้การเรียนรู้ของเครื่องแบบไม่มีผู้สอน (Supervised machine learning)
เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):
- ใช้หลักการการแยกส่วนประกอบเพื่อวิเคราะห์การปลอมปนของวัตถุดิบได้
- ใช้ตรวจหาวัตถุที่สนใจในภาพได้
ความรู้ก่อนเรียน (Prerequisite knowledge)
Module 07 การประมวลผลภาพเบื้องต้น (Basic image processing)
การตรวจจับใบหน้าเป็นหนึ่งในวิธีการตรวจจับวัตถุในภาพโดยใช้วิธีแบบมีผู้สอน สามารถใช้ได้หลายวิธีซึ่งมีประสิทธิภาพขึ้นอยู่กับสภาพแวดล้อมของการนำไปใช้ เนื้อหาส่วนนี้จะได้เรียนรู้วิธีการต่าง ๆ และสถานการณ์ที่เหมาะสมกับการใช้วิธีการเหล่านั้น
เนื้อหา (Contents) :
- การตรวจจับใบหน้าโดยใช้แม่แบบ (Template matching)
- การตรวจจับใบหน้าโดยใช้ Haarcascade
- การตรวจจับใบหน้าโดยใช้ Deep learning
เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):
- ประยุกใช้เทคนิคการตรวจจับใบหน้ากับภาพนิ่งและภาพเคลื่อนไหวได้
- สกัดใบหน้าของบุคคลที่อยู่ในภาพทั้งภาพนี่งและภาพเคลื่อนไหวได้
ความรู้ก่อนเรียน (Prerequisite knowledge)
Module 07 การประมวลผลภาพเบื้องต้น (Basic image processing)
การแยกประเภทภาพสามารถนำไปประยุกต์ใช้ได้อย่างหลากหลายในปัจจุบันตั้งแต่การแยกองค์ประกอบของภาพ การรู้จำวัตถุ การรู้จำใบหน้าและอารมณ์ ไปจนถึงการทำรถขับเคลื่อนอัตโนมัติ เนื้อหาส่วนนี้จะได้เรียนรู้การสร้างและนำโมเดลทางการเรียนรู้ของเครื่องมาใช้กับแยกประเภทภาพ ซึ่งหากนำมาใช้ร่วมกับการทำนายหรือแยกประเภทขององค์ประกอบในภาพที่แยกออกมาแล้วก็จะสามารถประยุกต์ใช้งานได้อย่างหลากหลาย
เนื้อหา (Contents) :
- การเรียนรู้จากตัวอย่าง (instance based learning)
- การเรียนรู้โดยใช้โมเดลการเรียนรู้ของเครื่องแบบมีผู้สอน (Supervised machine learning)
- การเรียนรู้โดยใช้ Deep learning
เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):
- แยกประเภทของภาพโดยใช้ข้อมูลภาพทั้งภาพหรือข้อมูลองค์ประกอบในภาพได้
- สร้างโมเดลการรู้จำใบหน้าได้
- สร้างโมเดลการแยกประเภทอารมณ์จากใบหน้าได้
ความรู้ก่อนเรียน (Prerequisite knowledge)
Module 07 การประมวลผลภาพเบื้องต้น (Basic image processing)
เมื่อข้อมูลเกิดขึ้นอย่างรวดเร็ว มีความหลากหลายขึ้นเนื่องจากเทคโนโลยีในการตรวจวัดและจัดเก็บเข้าถึงได้ง่ายขึ้น ทำให้เกิดข้อมูลปริมาณมหาศาลจนส่งผลให้เกิดปัญหาขึ้นทั้งการจัดเก็บ การประมวลผลเพื่อสรุปผลทำความเข้าใจ และการวิเคราะห์ข้อมูลโดยใช้การเรียนรู้ของเครื่อง โมดูลนี้จะเรียนรู้เกี่ยวกับเครื่องมือที่ช่วยในการจัดการกับข้อมูลมหาศาลเหล่านั้นได้อย่างง่ายดาย
เนื้อหา (Contents) :
- Hadoop และเครื่องมือที่ใช้งานร่วมกัน
- ระบบไฟล์แบบกระจายของ Hadoop (Hadoop Distributed File System: HDFS)
- เฟรมเวิร์คในการประมวลผลข้อมูลแบบ MapReduce
- การใช้งาน Hadoop as a service บน Cloud
เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):
- อธิบายการทำงานของ Hadoop และองค์ประกอบต่าง ๆ ได้พอสังเขป
- สร้าง Hadoop cluster เพื่อใช้ในการประมวลผล Big data บน cloud ได้
ความรู้ก่อนเรียน (Prerequisite knowledge) : ไม่มี
Apache Spark เป็นซอฟต์แวร์แบบโอเพ่นซอร์สที่ช่วยอำนวยความสะดวกในการประมวลผลข้อมูลขนาดใหญ่ ทำให้การทำงานในขั้นตอนต่าง ๆ ของการวิเคราะห์ข้อมูล เป็นไปอย่างราบรื่นและรวดเร็ว การเรียนรู้การใช้งาน Spark จึงเป็นประโยชน์อย่างยิ่งต่อการวิเคราะห์ข้อมูลขนาดใหญ่เพื่อให้สามารถวิเคราะห์ให้ได้ประโยชน์เชิงลึกจากข้อมูลนั้นมากที่สุดเท่าที่จะทำได้ โมเดลนี้จะได้เรียนรู้การดำเนินการกับข้อมูลในรูปแบบต่าง ๆ รวมถึงการใช้ Machine Learning Library ของ Spark เพื่อความคุ้นเคยกับการใช้เครื่องมือต่าง ๆ ช่วยในการวิเคราะห์ข้อมูล
เนื้อหา (Contents) :
- หลักการทำงานของ Spark
- Spark DataFrame
- การจัดการข้อมูลใน DataFrame
- Spark Machine learning library
เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):
- ใช้ transformation และ action ของ spark เพื่อประมวลผลข้อมูลที่เก็บอยู่บน Hadoop cluster ได้
- ประมวลผลข้อมูลโดยใช้ DataFrame API กับภาษา python ได้
- สร้างโมเดลการเรียนรู้ของเครื่องบน Big data ได้
ความรู้ก่อนเรียน (Prerequisite knowledge)
Module 11 Big data tool and integration
ภาพรวมของหลักสูตร
โมดูลกับวิชาเรียน
![](https://biganalyze.sit.kmutt.ac.th/wp-content/uploads/2019/08/course-mapping.jpg)
Advance data science tool
![](https://biganalyze.sit.kmutt.ac.th/wp-content/uploads/2020/12/Apache_Spark_logo.svg.png)
![](https://biganalyze.sit.kmutt.ac.th/wp-content/uploads/2020/12/1280px-Scikit_learn_logo_small.svg.png)
![1229px-TensorFlowLogo.svg 1229px-TensorFlowLogo.svg](https://biganalyze.sit.kmutt.ac.th/wp-content/uploads/elementor/thumbs/1229px-TensorFlowLogo.svg-ozue7nrmdyhmuc94w50usikck2frv5kjtgth61flls.png)
![](https://biganalyze.sit.kmutt.ac.th/wp-content/uploads/2020/12/1280px-Pandas_logo.svg.png)
![](https://biganalyze.sit.kmutt.ac.th/wp-content/uploads/2020/12/1280px-NumPy_logo_2020.svg.png)
![750px-OpenCV_Logo_with_text_svg_version.svg 750px-OpenCV_Logo_with_text_svg_version.svg](https://biganalyze.sit.kmutt.ac.th/wp-content/uploads/elementor/thumbs/750px-OpenCV_Logo_with_text_svg_version.svg-ozue7opgc0rv0ziqlaq8cmw53iuhuutm0mr287wr1k.png)
Visualization tool
![](https://biganalyze.sit.kmutt.ac.th/wp-content/uploads/2020/12/1BLx1p0j0zVhPf_VC-OTwCQ.png)
![](https://biganalyze.sit.kmutt.ac.th/wp-content/uploads/2020/12/1gM_WIfx7MXOO7jzsPm-Y0Q.png)
Data ingestion and ETL tools
![2500px-Hadoop_logo_new.svg 2500px-Hadoop_logo_new.svg](https://biganalyze.sit.kmutt.ac.th/wp-content/uploads/elementor/thumbs/2500px-Hadoop_logo_new.svg-ozubn2nzvx1vvi0akktfs1g7m75e6j4ku6lew0pkh4.png)
![1000px-Apache_Hive_logo.svg 1000px-Apache_Hive_logo.svg](https://biganalyze.sit.kmutt.ac.th/wp-content/uploads/elementor/thumbs/1000px-Apache_Hive_logo.svg-ozubn5hfaec8n6ypghy2bzsdj1hajpty4wfrp2dsti.png)
![](https://biganalyze.sit.kmutt.ac.th/wp-content/uploads/2021/07/django-logo-negative-1024x546.png)
Other tool
![](https://biganalyze.sit.kmutt.ac.th/wp-content/uploads/2020/12/zeppelin_classic_logo.png)
![](https://biganalyze.sit.kmutt.ac.th/wp-content/uploads/2020/12/colab_favicon_256px.png)
![883px-Jupyter_logo.svg 883px-Jupyter_logo.svg](https://biganalyze.sit.kmutt.ac.th/wp-content/uploads/elementor/thumbs/883px-Jupyter_logo.svg-ozueqdpw50hgqbtcjvoqvllcaafpydiqemuf0whnds.png)
![](https://biganalyze.sit.kmutt.ac.th/wp-content/uploads/2020/12/Anaconda_Logo.png)
ตารางการเรียนการสอนและการให้คำปรึกษา
ระยะเวลาเรียน
- ภาคทฤษฎีและปฏิบัติ ระหว่างวันที่ 11 กันยายน 2563 – 18 ธันวาคม 2563
- เรียนทุกวันศุกร์และวันเสาร์ เวลา 09.00 – 16.00 น. ห้องปฏิบัติการ คณะเทคโนโลยีสารสนเทศ มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี
- Worked Integrated Learning (WIL)
- ผู้เรียนเรียนรู้แก้ปัญหาจากโจทย์จริงของสถานประกอบการที่สังกัด ณ สถานประกอบการเต็มเวลา
- จันทร์ – พฤหัสบดี (กันยายน 2563 – ธันวาคม 2563)
- ผู้สอนให้คำปรึกษาเพื่อร่วมแก้โจทย์ปัญหาจากสถานประกอบการ ตามนัดหมาย ทั้งหลังคลาสเรียนและการให้คำปรึกษาออนไลน์ผ่านทาง Microsoft Teams
ตารางการเรียนการสอนและการให้คำปรึกษา
- วันศุกร์ เวลา 00 – 16.00 น. ณ ห้อง ณ ห้อง Classroom 4/2 ชั้น 4
- วันเสาร์ เวลา 00 – 12.00 น. ณ ห้อง Training Learning Space ชั้น 2
- วันเสาร์ เวลา 13.00 – 16.00 น. ณ ห้อง Training I และ Training II,V ชั้น 1