เมื่อมีปัญหาที่ต้องการแก้ การระบุปัญหาให้ชัดเจนจะช่วยให้การเลือกวิธีการแก้ปัญหาได้อย่างเหมาะสม และที่สำคัญที่สุดคือการเลือกข้อมูลที่เหมาะสมมาช่วยในการวิเคราะห์เพื่อแก้ปัญหานั้น โมดูลนี้จะได้เรียนรู้ตั้งแต่การระบุปัญหา ขอบเขตของปัญหา การพิจารณาข้อมูลที่คิดว่าจะช่วยให้การวิเคราะห์ข้อมูลเป็นไปอย่างมีประสิทธิภาพ การสกัดคุณลักษณะที่ต้องการเพิ่มเพื่อนำมาพิจารณาความสำคัญ รวมถึงแนวทางในการประเมินความสำเร็จของการวิเคราะห์ข้อมูล 

เนื้อหา (Contents) : 

• ปัญหาและลักษณะข้อมูลที่ใช้วิธีการเรียนรู้ของเครื่อง
• การสกัดและการเลือกคุณลักษณะที่สำคัญ
• การวิเคราะห์ feature ของข้อมูลที่มีโอกาสมีผลต่อการวิเคราะห์ทั้งทางตรงและทางอ้อม

เมื่อจบโมดูลแล้วผู้เรียนสามารถ (Learning Outcome):

1. กำหนดเป้าหมายของปัญหาที่จะให้กระบวนการเรียนรู้ของเครื่องเรียนรู้จากข้อมูลได้อย่างชัดเจน
2. แยกแยะความแตกต่างของวิธีเรียนรู้ของเครื่องแบบไม่มีผู้สอนและแบบมีผู้สอนได้
3. 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)

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