Data Analytics

Data Analytics Certificate

หลักสูตร Certificate Program จัดทำขึ้นในปีการศึกษา 2560 เป็นปีเเรก เพื่อผลิตนักศึกษาที่มีความรู้ในเทคโนโลยีสารสนเทศเฉพาะด้านทั้งทางด้านทฤษฎีและทางปฏิบัติได้มาตรฐานเทียบเท่าสากล เพื่อตอบโจทย์บุคลากรที่มีพื้นฐานทางด้าน IT อยู่เเล้ว ให้สามารถต่อยอดความรู้ทางเทคโนโลยีสารสนเทศขั้นสูงในระยะเวลาอันสั้นได้ โดย Certificate Program (Data Analytics) มุ่งเน้นการวิเคราะห์ข้อมูลที่มีจำนวนมหาศาล ทีมีหลากหลายรูปแบบ มาเป็นสารสนเทศที่มีคุณค่าทางธุรกิจสามารถนำไปประยุคต์ใช้ในการขับเคลื่อนองค์กร สร้างโอกาสทางการตลาดเเละเเข่งขันทางธุรกิจได้ บัณฑิตที่จบการศึกษาจะมีทักษะที่จำเป็นในการวิเคราะห์ข้อมูล เช่น กระบวนการการรวบรวมและจัดการช้อมูล (Data Preparation)โดยเฉพาะข้อมูลจาก Social media ที่มีความต่อเนื่องสูงเเบบ unstructured data, วิธีการ (Algorithms)ในการวิเคราะห์ข้อมูล เช่น Machine Learning ตลอดจนวิธีการนำเสนอสารสนเทศที่ได้จากการวิเคราะห์ในรูปเเบบที่ชัดเจน มีประสิทธิภาพ 

คุณสมบัติของผู้เข้าศึกษา 

(1) สำเร็จการศึกษาระดับปริญญาตรีหรือเทียบเท่าจากสถาบันที่ ก.พ. รับรอง ในสาขาที่มีการเรียนวิชาทางด้านเทคโนโลยีสารสนเทศหรือสาขาที่เกี่ยวข้อง หรือได้รับความเห็นชอบจากคณะกรรมการบัณฑิตศึกษา
(2) ไม่เป็นโรคติดต่อร้ายแรงและแพทย์มีความเห็นว่ามีสุขภาพเหมาะสมที่จะเข้าเรียนได้
(3) ไม่มีความประพฤติที่สังคมรังเกียจและไม่บกพร่องในศีลธรรมอันดี 

เกณฑ์การได้ใบ Certificate

นักศึกษาต้องลงทะเบียนเรียนอย่างน้อย 4 รายวิชาจาก 5 รายวิชาที่เปิดในสาขาที่สมัครเรียน เเละต้องสอบผ่านอย่างน้อย 4 รายวิชาโดยมีหน่วยกิต สะสมเฉลี่ยไม่ต่ำกว่า 3.0

ใบ Certificate

ใบ Certificate ที่ได้จะออกโดยคณะวิทยาการเเละเทคโนโลยีสารสนเทศ 
ใบรับรองการลงรายวิชาพร้อมผลการเรียน ออกโดยสำนักทะเบียน 

ระบบการจัดการศึกษา 

การจัดการศึกษาเป็นแบบทวิภาค  (ไม่มีการจัดการศึกษาภาคการศึกษาฤดูร้อน)
ภาคการศึกษาที่ 2 เดือนมกราคม - พฤษภาคม
ภาคการศึกษาที่ 1 เดือนสิงหาคม - ธันวาคม
*** นักศึกษาที่เข้า Program จะเริ่มเรียน ในภาคการศึกษาที่ 2 (2/2560) วันที่ 6 มกราคม 2561 
 
เวลาเรียน 

วันเสาร์-อาทิตย์ 9.00-18.30 น.  
 
 

รายวิชาหลักสูตร Certificate Program (Data Analytics)

[เครื่องหมาย ที่ต่อท้ายรายวิชาหมายถึงเป็นรายวิชาที่มี Lab (3 ชั่วโมง)]

Data Analytics Certificate Program  

ภาคการศึกษาที่ 2 ปีการศึกษาที่ 2560  
     
รหัสวิชา ชื่อวิชา หน่วยกิต
ITEC0777 หลักเบื้องต้นของวิทยาการข้อมูล 
(Fundamental of Data Science)
3(3-0-6)
ITEC0761 การเรียนรู้ของเครื่อง *
(Machine Learning)
3(2-2-5)
รวมจำนวนหน่วยกิต 6(5-2-11)
     
ภาคการศึกษาที่ 1 ปีการศึกษาที่ 2561  
     
รหัสวิชา ชื่อวิชา หน่วยกิต
ITEC0766 การจัดการข้อมูลและการแสดงภาพนามธรรม *
(Data Management and Visualization)
3(2-2-5)
ITEC0764 เครื่องมือและการเขียนโปรแกรมสำหรับการวิเคราะห์ข้อมูล *
(Tools and Programming for Data Analytics)
3(2-2-5)
ITEC0762 ข้อมูลขนาดใหญ่และการวิเคราะห์ 
(Big Data and Analysis )
3(3-0-6)
รวมจำนวนหน่วยกิต 9(7-4-16)
      

 

ภาคการศึกษาที่ 2 ปีการศึกษาที่ 2561 (Option)  
     
รหัสวิชา ชื่อวิชา หน่วยกิต
ITEC0762 ข้อมูลขนาดใหญ่และการวิเคราะห์ 
(Big Data and Analysis )
3(3-0-6)
รวมจำนวนหน่วยกิต 9(7-4-16)
     
 

ITEC0760 Fundamental of Data Science (หลักเบื้องต้นของวิทยาการข้อมูล)

  1. Course Description
  2. Topics by Week
  3. Course Materials

วิชานี้ครอบคลุมหัวข้อที่เกี่ยวข้องกับ ความน่าจะเป็นและสถิติ การจัดกลุ่มและการจำแนก แบบจำลองคณิตศาสตร์ การจำลองข้อมูลสปาเชี่ยด้วยวิธีทางสถิติ การออกแบบดาต้าวิชัลไลซ์ โครงสร้างพื้นฐานและไปป์ไลน์ของวิศวกรรมข้อมูล การประยุกต์ใช้วิทยการข้อมูลไปยังธุรกิจและอุตสาหกรรม

This course includes: Probability and statistics; clustering and classification; mathematical modeling; modeling spatial data with statistics; data visualize design; data engineering pipeline and infrastructure; applying data science to business and industry



Instructor: รศ.ดร.วีระศักดิ์ คุรุธัช
PhD. (Computer Science and Engineering), University of New South Wales, Australia
รองอธิการบดีฝ่ายเทคโนโลยีสารสนเทศ (CIO) มหาวิทยาลัยเทคโนโลยีมหานคร
อดีตคณบดี คณะวิทยาการและเทคโนโลยีสารสนเทศ มหาวิทยาลัยเทคโนโลยีมหานคร (พ.ศ. 2545-2559)
อดีตประธานคณะกรรมการก่อตั้งสภาคณบดีคณะเทคโนโลยีสารสนเทศแห่งประเทศไทย (พ.ศ. 2554)

Instructor: อาจารย์ ศศิวิมล ฮงมา
หัวหน้าภาคเทคโนโลยีสารสนเทศ คณะวิทยาการเเละเทคโนโลยีสารสนเทศ
ครั้งที่  เรื่อง 
Introduction to Data Science
- What is data science?, History of Data Science, and How to Apply Data Science
- Data-Analytic Thinking
- Other Analytics Techniques and Technologies
Business Problems and Data Science Solutions
- Role, Characteristics, and skills of data scientist
- Data Science Life Cycles & Process
- Component Parts of Data Science and Engineering a Data Science Solution
Data Science for Organization
Basic Probability and Statistics for Data Science
Data Mining Concept and Process
- Correlation (Statistics)
- Association Rules, Decision Trees
Introduction to Predictive Modeling
- Statistical Experiments and Estimation (i.e., Hypothesis test, Chi-Square test, t-test ANOVA, P-value, cross validation)
- statistical Machine Learning and its predictive model- Supervised vs Unsupervised Learning
Supervised Learning – Regression problems
- Regression Analysis (Statistics)
- Linear Regression
- Non Linear Regression
Supervised Learning – Classification problems
- Classification (Statistics)
- Logistic regression (Classification via Class Probability Estimation)
- Other Classifications (Classification via Mathematical Function)
Suoervised – Naïve Bayes
- Probability Theory
- Bayesian Classification
10  Overfitting and Its Avoidance Common Model Evaluation
- Precision versus Accuracy
- Evaluation metrics - Precision/ Recall, F- measure, Sensitivity
11  Optimization Problems
- convex/non-convex
- constrain/ unconstrain
- Common Optimization Techniques (e.g., Accelerated Gradient, Stochastic Gradient, Coordinate Descent)
12  Unsupervised Learning
- Similarity, Neighbors, and Clusters
13  Understanding the data
- Exploratory Data Analysis (EDA)
- Representing and Mining Text (e.g., Bag of words N-grams, Named entity extraction)
14  Data Visualization
- Visualization techniques such as ROC
- Basic Plot, Box Plot, Histogram Plot and Scatter Plot
15  Data Science and Business Strategy
- Data Science for Business. What you need to Know about Data Mining and Data Analytic Thinking by Foster Provost & Tom Fawcett.
- Fundamental Data Science for Data Scientist by Software Park, Thailand.
next
prev

ITEC0764 Tools and Programming for Data Analytics (เครื่องมือและการเขียนโปรแกรมสำหรับการวิเคราะห์)

  1. Course Description
  2. Topics by Week (Lecture)
  3. Topics by Week (Lab)
  4. Course Materials

วิชานี้ครอบคลุมหัวข้อที่เกี่ยวข้องกับ หลักการออกแบบโปรแกรม ขั้นตอนและวิธีการเขียนโปรแกรมโดยใช้ภาษาสคริปต์ โดยจะเน้นการเขียนโปรแกรมเชื่อมต่อฐานข้อมูลสำหรับการทำ Analytics ผู้เรียนจะได้เขียนโปรแกรมด้วย ภาษาไพทอน เเละวิเคราะห์ข้อมูลด้วยโปรแกรมเอ็กซ์เซล(Excel) เพื่อใช้ในการจัดการข้อมูลตั้งแต่การรวบรวมข้อมูล ปรับแต่งข้อมูลที่ได้จากการอ่านจากเท็กซ์ไฟล์และฐานข้อมูล รวมถึงมีการนำเสนอผลการวิเคราะห์ข้อมูลในรูปกราฟแบบที่ต้องการ



Instructor: อาจารย์อุไรพร เจตตนชัย
Master of Science Program in Applied Statistics, NIDA
วท.บ. (คอมพิวเตอร์), มหาวิทยาลัยขอนเเก่น
ครั้งที่  เรื่อง 
Excel (Function)
Excel (Function, Import data)
Excel (Sort and Filter Data, Charting, Pivot Table)
Excel (What if Analysis)
Python (Introduction, Variable)
Python (Variable, Operator)
Python (Flow Controls)
Python (Flow Controls, Variable2)
Python Function
10  Python File Management (1)
11  Python File Management (2)
12  Python Regular Expression
13  Python Connect Database
14  Python Connect Database
15  Python Graph
ครั้งที่  เรื่อง 
Excel (Function)
Excel (Function, Import data)
Excel (Sort and Filter Data, Charting, Pivot Table)
Excel (What if Analysis)
Python (Introduction, Variable)
Python (Variable, Operator)
Python (Flow Controls)
Python (Flow Controls, Variable2)
Python Function
10  Python File Management (1)
11  Python File Management (2)
12  Python Regular Expression
13  Python Connect Database
14  Python Connect Database
15  Python Graph
Learning Python 5th Edition, Mark Lutz สำนักพิมพ์ O’REILLY
next
prev

ITEC0766 Data Management and Visualization (การจัดการข้อมูลและการแสดงภาพนามธรรม)

  1. Course Description
  2. Topics by Week (Lecture)
  3. Topics by Week (Lab)
  4. Course Materials

วิชานี้ครอบคลุมหัวข้อที่เกี่ยวข้องกับ การเตรียมข้อมูลเพื่อการวิเคราะห์อย่างมีประสิทธิภาพ กระบวนการขั้นพื้นฐานในการจัดการข้อมูล เช่น การเก็บรวบรวมข้อมูล การคลีนข้อมูล การบูรณาการข้อมูล การสื่อสารข้อมูลที่ผ่านการวิเคราะห์อย่างถูกต้องเพื่อให้ผู้บริหารสามารถใช้ในการเพิ่มประสิทธิภาพในการตัดสินใจต่างๆในการดำเนินธุรกิจ รวมถึงปัญหาและประเด็นต่างๆรวมถึงความท้าทายที่เกี่ยวข้องกับการจัดการข้อมูล



Instructor: ดร.เอกรัฐ รัฐกาญจน์
Ph.D. (Electrical Engineering and Computer Science), National Chiao Tung University, Taiwan
วท.ม.(เทคโนโลยีสารสนเทศ), มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี
สถ.บ.(สถาปัตยกรรม) จุฬาลงกรณ์มหาวิทยาลัย
ครั้งที่  เรื่อง 
Introduction to Data & R
Review R programming
Reading data & Variable & Table
Data cleaning
Data operation I: sorting, merging
Data operation II: agregating, reshaping
Data operation III: subseting
Introduction to data visualization ggplot2
Ploting data I (Graph)
10  Ploting data II (Graph)
11  3D ploting I, plot3D
12  3D ploting II
13  Spatial visualization: map
14  Realtime streaming visualization, Dash board
15  Real world case study, Airbnb, Agoda, Uber
ครั้งที่  เรื่อง 
Introduction to Data & R
Review R programming
Reading data & Variable & Table
Data cleaning
Data operation I: sorting, merging
Data operation II: agregating, reshaping
Data operation III: subseting
Introduction to data visualization ggplot2
Ploting data I (Graph)
10  Ploting data II (Graph)
11  3D ploting I, plot3D
12  3D ploting II
13  Spatial visualization: map
14  Realtime streaming visualization, Dash board
15  Real world case study, Airbnb, Agoda, Uber
The Book of R: A First Course in Programming and Statistics
https://cran.r-project.org/doc/contrib/usingR.pdf

Software: ใช้ R + ggplot2 และ package อื่นๆ ที่เกี่ยวข้อง
next
prev

ITEC0761 Machine Learning (การเรียนรู้ของเครื่อง)

  1. Course Description
  2. Topics by Week (Lecture)
  3. Topics by Week (Lab)
  4. Course Materials

วิชานี้ครอบคลุมหัวข้อที่เกี่ยวข้องกับ หลักการสำคัญของการเรียนรู้ของเครื่อง ตัวแปรเช่น ตัวแปรเชิงเลข ตัวแปรเชิงกลุ่ม วิธีการเรียนรู้ เช่น การเรียนรู้แบบซุปเปอร์ไวซ์ และการเรียนรู้แบบไม่ซุปเปอร์ไวซ์ การฝึกฝนและทดสอบข้อมูล รีเกรสชั่น เช่น รีเกรสชั่นเชิงเส้น รีเกรสชั่นแบบลอจิสติก การจำแนก เช่น การจำแนกแบบนาอีฟ-เบย์ การจำแนกแบบเคเนียเรสเนเบอร์ การจำแนกแบบดิซิชั่นทรี  การจัดกลุ่ม เช่น การจัดกลุ่มแบบเค-มีน การจัดกลุ่มแบบลำดับชั้น เครือข่ายประสาท



Instructor: ผศ.ดร.สุรณพีร์ ภูมิวุฒิสาร
ผู้อำนวยการบัณฑิตศึกษา คณะวิทยาการเเละเทคโนโลยีสารสนเทศ
PhD. (Computer Science and Engineering), University of New South Wales, Australia
M.Sc., Information Science, University of Pittsburgh, USA
B.Eng., Computer Engineering, Chulalongkorn University, Thailand.
ครั้งที่  เรื่อง 
Introduction to Machine Learning
- What is Machine Learning?, How Machine learns? Types of Machine Learning
- Linear Algebra Overview
Linear Regression
- Linear Regression with One Variable
- Parameter Learning – Gradient Descent and Normal Equation
Linear Regression with Multiple Variable
Non Linear Regression
- Polynomial Regression
- Step Functions/ Basis Functions
- Regression Splines
Logistic Regression
- Binary Classification
- Multiclass Classification
Overfittiing/ Regularization
Advance Classification
- Linear Discriminant Analysis
- Nearest Neighbor
Resampling Methods
- cross validation and bootstrap
Support Vector Machine
Evaluate Learning Algorithms
- Evaluate Hypothesis
- Train/Validation/Test Sets
Bias and Variance
- Regularization/ Learning Curves
10  Neural Network (1)
- Model Representation
11  Neural Network (2)
- Parameter Learning
12  Unsupervised Learning
- K-means
- Hierarchy
13  Dimensionality Reduction and PCA
14  Ensemble Methods
- Bagging, Boosting, Random Forests
15  Special Topics - Anomaly Detection/Deep Learning
Course Wrapped Up
ครั้งที่  เรื่อง 
Introduction to R Programming
- R data structures
- Managing data with R (i.e., save, load, remove, import)
Introduction to R Programming
- Statistical measuring with R
- Visualizing with R
Regression Problems (1)
- predicting medical expenses using linear regression
Regression Problems (2)
- estimating the quality of wines with regression trees and model trees
Association Rules
- identifying frequently purchased groceries with association rules
Decision Trees
- identifying risky bank loans using C5.0 decision trees
Classification using Nearest Neighbor
- diagnosing breast cancer with the k-NN algorithm
Resampling Example
Support Vector Machine
- performing OCR with SVMs
Classification Using Naive Bayes
- filtering mobile phone spam with the Naive Bayes algorithm
10  Evaluating Model Performance
11  Neural Network
- Modeling the strength of concrete with ANNs
12  Clustering with k-means
- finding teen market segments using k-means clustering
13  Dimensionality Reduction and PCA
14  Ensemble Methods
- Bagging, Boosting, Random Forests
15  Lab Test
An Introduction to Statistical Learning with Applications in R, Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani
Machine Learning A Probabilistic Perspective, Kevin P. Murphy
Machine Learning with R, Brett Lantz
Software: R Studiio
next
prev

ITEC0763 Big Data and Analysis (ข้อมูลขนาดใหญ่และการวิเคราะห์)

  1. Course Description
  2. Topics by Week
  3. Course Materials

วิชานี้ครอบคลุมหัวข้อที่เกี่ยวข้องกับ องค์ประกอบข้อมูลขนาดใหญ่ การคำรวณแบบกระจาย คลาวด์และข้อมูลขนาดใหญ่ การจัดการข้อมูลขนาดใหญ่ ฐานข้อมูลการปฏิบัติการ รากฐานของฮาดูป หลักการพื้นฐานการทำซ้ำข้อมูล การวิเคราะห์ข้อมูลขนาดใหญ่ การนำข้อมูลขนาดใหญ่ไปใช้งาน โซลูชั่นของข้อมูลขนาดใหญ่



Instructor: TBA
next
prev

ค่าใช้จ่าย 

นักศึกษาชำระค่าหน่วยกิตเป็นรายวิชา ตามที่ลงเรียน 

- ค่าใช้จ่ายสำหรับรายวิชาที่ไม่มี Lab เท่ากับ 8,500 บาท (7,500 (2,500 บาท ต่อ 1 หน่วยกิต) + ค่าบำรุงการศึกษา 1,000 บาท)  

- ค่าใช้จ่ายสำหรับรายวิชาที่มี Lab เท่ากับ 11,500 บาท (7,500 (2,500 บาท ต่อ 1 หน่วยกิต) + ค่า Lab 3,000 + ค่าบำรุงการศึกษา 1,000 บาท)   

ขั้นตอนการรับสมัคร 

- สมัคร online ได้ที่  https://goo.gl/9wLQGy    

- สอบสัมภาษณ์ วันเสาร์ อาทิตย์ที่ 23 - 24 ธันวาคม 2560 เวลา 09:00 - 12:00 น. ณ ห้อง Q307 อาคาร Q คณะวิทยาการและเทคโนโลยีสารสนเทศ มหาวิทยาลัยเทคโนโลยีมหานคร เอกสารที่ต้องนำมาคือ หลักฐานการจบการศึกษา (สำเนา transcript ) ปริญญาตรี หรือเทียบเท่า *ในกรณีที่ผู้สมัครจบการศึกษาหลักสูตรปริญญาโทเเล้ว จะใช้หลักฐานการจบการศึกษาปริญญาโทเเเทนก็ได้ (ขอให้เเสดงปริญญาที่เกี่ยวข้องกับสาขาเทคโนโลยีสารสนเทศเป็นใช้ได้)

* เจ้าหน้าที่จะติดต่อผู้สมัครเพื่อยืนยันการสมัครเเละวันสอบสัมภาษณ์ ทางเบอร์โทรศัพท์เเละทาง Email

* เเจ้งผลการสอบสัมภาษณ์วันจันทร์ที่ 25 ธันวาคม 2560

- ลงทะเบียนได้ตั้งเเต่วันจันทร์ที่ 25 ธันวาคม เวลา 09:00 - 17:00 น. เป็นต้นไป บัณฑิตศึกษา คณะวิทยาการและเทคโนโลยีสารสนเทศ เอกสารที่ต้องใช้ในการลงทะเบียน มีดังนี้

1) หลักฐานการจบการศึกษา (สำเนา transcript ) ปริญญาตรี หรือเทียบเท่า ฉบับสมบูรณ์ 2 ชุด

2) รูปถ่าย 1 นิ้ว 1 รูป

3) สำเนาบัตรประชาชน 1 ชุด

4) สำเนาทะเบียนบ้าน 1 ชุด

5) ใบรับรองแพทย์ แค่รับรองว่าไม่เป็นโรคร้ายแรงที่เป็นปัญหาต่อการเรียน  

ติดต่อสอบถาม 

บัณฑิตศึกษา คณะวิทยาการและเทคโนโลยีสารสนเทศ
ห้อง Q307 คณะวิทยาการเเละเทคโนโลยีสารสนเทศ มหาวิทยาลัยเทคโนโลยีมหานคร อาคาร Q 140 ถ.เชื่อมสัมพันธ์ หนองจอก กรุงเทพฯ 10530 โทร 02-988 3666 ต่อ 4111
Email: msitgrad@gmail.com   
Website: www.msit.mut.ac.th