Data Analytics

 

หลักสูตรวิทยาศาสตรมหาบัณฑิต สาขาวิชาเทคโนโลยีสารสนเทศ เเขนงการวิเคราะห์ข้อมูล (Data Analytics) 

ปัจจุบันการทำการตลาดในยุคดิจิตอลสามารถช่วยให้ Startup Company เข้าถึงกลุ่มลูกค้าได้หลากหลายสะดวกมากขึ้น แต่ในขณะเดียวกันการมีช่องทางที่มากขึ้นอาจส่งผลต่อการทำตลาดที่ไม่มีทิศทาง ยังผลให้การตลาดมุ่งเน้นกลุ่มลูกคาที่ไม่ใช่กลุ่มเป้าหมายที่แท้จริงหรือสามารถเข้าถึงกลุ่มลูกคาเป้าหมายได้แต่ในช่องทางที่ไม่เหมาะสม ซึ่งทำให้บริษัทต้องสูญเสียค่าใช่จ่ายที่ไม่ก่อใหเกิดผลกำไร ในยุคดิจิตอลข้อมูลดิบเกี่ยวกับลูกค้าเกิดขึ้นอย่างต่อเนื่อง และจำนวนมาก ความสามารถในการนำข้อมูลดังกล่าวจากหลายๆที่มาวิเคราะห์จึงจำเป็นอย่างมากในการกำหนดทิศทางการทำการตลาดของบริษัทเพื่อต่อยอดและแข่งกันทางธุรกิจได้ หลักสูตรวิทยาศาสตรมหาบัณฑิต สาขาวิชาเทคโนโลยีสารสนเทศ แขนงการวิเคราะห์ข้อมูล (Data Analytics) มุ่งเน้นการวิเคราะห์ข้อมูลที่มีจำนวนมหาศาล ที่มีหลากหลายรูปแบบ มาเป็นสารสนเทศที่มีคุณค่าทางธุรกิจสามารถนำไปประยุกต์ใช้ในการขับเคลื่อนองค์กร สร้างโอกาสทางการตลาดเเละเเข่งขันทางธุรกิจได้ บัณฑิตที่จบการศึกษาจะมีทักษะที่จำเป็นในการวิเคราะห์ข้อมูล เช่น กระบวนการการรวบรวมและจัดการช้อมูล (Data Preparation)โดยเฉพาะข้อมูลจาก Social media ที่มีความต่อเนื่องสูงเเบบ unstructured data, วิธีการ (Algorithms)ในการวิเคราะห์ข้อมูล เช่น Machine Learning ตลอดจนวิธีการนำเสนอสารสนเทศที่ได้จากการวิเคราะห์ในรูปเเบบที่ชัดเจน มีประสิทธิภาพ

Top 11 Skills ที่ Data Scientist ต้องรู้

 

1. Computer Science Background –  องค์ความรู้ทาง computer science ถือเป็นพื้นฐานที่สำคํญมาก เช่นความรู้ในเรื่องของ storage สำหรับ data เช่น ฐานข้อมูล ไม่ว่าจะเป็น Relation หรือ NoSQL และ basic programming ในการเขียน script ต่างๆเพื่อเชื่อมต่อกับ library เป็นต้น

2. Hacker Mindset – ความกระตือลือร้น อยากรู้ อยากค้นหา ข้อมูลเชิงลึกที่ถูกซ้อนอยู่ในกองข้อมูล ยิ่งเป็นคนอยากรู้อยากเห็น นักวิเคราะห์ นักตั้งคำถามมากเท่าไหร่ คุณก็มีเเนวโน้มที่จะทำอาชีพนี้ได้ดี เรียกว่ามีชัยไปกว่าตรึ่งเเล้ว

3. Scientific method – การทำโปรเจคทาง data science ส่วนใหญ่จะมีกระบวนการที่ชัดเจนในการทำ เช่น CRISP-DM (Cross Industry Process for Data Mining), Experimental Design, หรือ Hypothesis Testing เคยได้ยินบ้างไหม

4. Modeling – เป็นความรู้ความสามารถในเข้าใจและประยุกต์ใช้ Algorithms ต่างๆ ไม่ว่าจะเป็น Machine Learning หรือ Data Mining สามารถสร้าง Model ให้ตอบโจทย์ปัญหาได้ เปรียบเหมือนสมองในการทำ data science เลยทีเดียว

5. Statistics & Math –คณิตศาสตร์เป็นพื้นฐานที่สำคัญในหลายๆทฤษฎีทาง data science อาทิเช่น linear algebra ที่ใช้สำหรับการคำนวณต่างๆ ใน Algorithms ที่ซับซ้อน มีหลายมิติ, Probability and Statistics ที่เป็นรากฐานของ Machine Learning หรือแม้กระทัง Calculus ที่จะมีในบาง Algorithms ของ Machine Learning โดยเฉพาะในเรื่องเกี่ยวกับ parameter optimization

6. Programming – ทุก application ของ data science ต้องการ coding ทั้งนั้น ไม่ว่าจะใช้ภาษาที่เป็นที่นิยมเช่น R หรือ Python หรือภาษทั่วไปก็ตาม ถ้าจะไปทำการจัดการ data ไม่ว่าจะเป็นการรวมรวมและการเตรียม data (Data Management) ไปจนถึงการเรียกใช้ library สำหรับ Machine Learning ต่างๆ ก็ต้องมี skill ทางด้านนี้ทั้งนั้น 

8.Advance Computing – สำหรับข้อมูลที่มีขนาดใหญ่ (Big Data) skill ต่าๆที่เกี่ยวข้องกับการทำ parallel computing, algorithms สำหรับ process ข้อมูลขนาดใหญ่ เช่น MapReduce จำเป็นจะต้องมี 

9. Technology – ความเชี่ยวชาญใน tools หรือ technology ปัจจุบันจะช่วยให้การทำโปรเจคทาง data science รวดเร็วและมีประสิทธิภาพมากขึ้น เช่น การใช้ Apache Spark ในการ process Big Data หรือ การใช้ SAS ในการช่วยตัดสินใจใน level ของ Business Intelligent ได้ดีขี้น

10. Visualization – ความสามารถในการนำเสนอข้อมูลที่ค้นพบในรูปแบบที่เข้าใจง่าย มีประสิทธิภาพ ถ้าขาดความสามารถด้านนี้ไป ทำทุกอย่างมาดี เสียของเเน่ๆเลย ถ้าสื่อสารข้อมูลเชิงลึกที่ค้นพบออกมาไม่ได้

11. Domain Knowledge  - การทำโปรเจคทาง data science สามารถประยุกต์ไปยัง domain ต่างๆได้หลากหลาย เพราะฉะนั้นปฏิเสธไม่ได้เลยว่า ความเข้าใจใน domain ที่นำ data science ไปแก้ปัญหามีความสำคัญต่อการออกแบบ model ต่างๆ เป็นอย่างมาก

ความสอดคล้องของหลักสูตรในการพัฒนา Skills ด้านต่างๆให้กับ Data Scientist  

โครงสร้างหลักสูตร MSIT เเขนงระบบการวิเคราะห์ข้อมูล (Data Analytics) หลักสูตรปรับปรุงปี พ.ศ. 2559 
 
แผน ข (ไม่ทำวิจัย)

1. จำนวนหน่วยกิต   39 หน่วยกิต
2. องค์ประกอบของหลักสูตร 
          ก.  หมวดวิชาบังคับ   15 หน่วยกิต
          ข.  หมวดวิชาเเขนง  18 หน่วยกิต
          ค.  หมวดวิชาการศึกษาค้นคว้าอิสระ  6 หน่วยกิต

แผน ก (ทำวิจัย)

1. จำนวนหน่วยกิต   39 หน่วยกิต
2. องค์ประกอบของหลักสูตร 
          ก.  หมวดวิชาบังคับ   15 หน่วยกิต
          ข.  หมวดวิชาสัมมนา   4 หน่วยกิต
          ค.  หมวดวิชาวิทยานิพนธ์  6 หน่วยกิต
หมายเหตุ: การเรียนในเเผน ก. จะต้องมีผลงานวิจัยตีพิมพ์ในระดับชาติหรือนานาชาติตามเกณฑ์ที่มหาวิทยาลัยยอมรับจึงจะสามารถสำเร็จการศึกษาได้
  
เเผนการศึกษา
  
รายวิชาในหลักสูตรวิทยาศาสตรมหาบัณฑิต สาขาวิชาวิศวกรรมเครือข่ายและความมั่นคงปลอดภัย สารสนเทศ มีดังต่อไปนี้
 - รายวิชาเเผน ข
    • ITEC 0706 เครือข่ายคอมพิวเตอร์ (Computer Networks) *
    • ITEC 0707 เทคโนโลยีสารสนเทศสําหรับการบริหารจัดการองค์กร (Information Technology for Organization Management)
    • ITEC 0708 การออกแบบและจัดการฐานข้อมูล (Database Design and Management)*
    • ITEC 0709 การประมวลผลบนคลาวด์และการใช้งาน (Cloud Computing and Implementation)
    • ITEC 0710 มาตรฐานที่เกี่ยวข้องการจัดการระบบสารสนเทศ (Information System Management Related Standards)
    • ITEC 0760 หลักเบื้องต้นของวิทยาการข้อมูล (Fundamental of Data Science)
    • ITEC 0761 การเรียนรู้ของเครื่อง (Machine Learning)*
    • ITEC 0762 การทำเหมืองข้อมูล (Data Mining)*
    • ITEC 0763 ข้อมูลขนาดใหญ่และการวิเคราะห์ (Big Data and Analysis)
    • ITEC 0764 เครื่องมือและการเขียนโปรแกรมสำหรับการวิเคราะห์ข้อมูล (Tools and Programming for Data Analytics)*
    • ITEC 0766 การจัดการข้อมูลและการแสดงภาพนามธรรม (Data Management and Visualization)*
    • ITEC 0767 หัวข้อเฉพาะทางด้านการวิเคราะห์ข้อมูล (Selected Topics in Data Analytics )
    • ITEC 0774 ธุรกิจอิเล็กทรอนิกส์และการตลาดดิจิทัล (E-Business and Digital Marketing)
    • ITEC 0712 การศึกษาค้นคว้าอิสระ 1 (Independent Study I)
    • ITEC 0713 การศึกษาค้นคว้าอิสระ 2 (Independent Study II)

 - รายวิชาเเผน ก

    • ITEC 0700 ระเบียบวิธีการวิจัย (Research Methodology)
    • ITEC 0701 คณิตศาสตร์สำหรับงานวิจัย (Mathematics for Research)
    • ITEC 0702 สัมมนา 1 (Seminar I)
    • ITEC 0703 สัมมนา 2 (Seminar-II)
    • ITEC 0704 วิทยานิพนธ์ 1 (Thesis-I)
    • ITEC 0705 วิทยานิพนธ์ 2 (Thesis-II)
    • ITEC 0706 เครือข่ายคอมพิวเตอร์ (Computer Networks) *
    • ITEC 0707 เทคโนโลยีสารสนเทศสําหรับการบริหารจัดการองค์กร (Information Technology for Organization Management)
    • ITEC 0708 การออกแบบและจัดการฐานข้อมูล (Database Design and Management)*

 

หมายเหตุ: วิชาที่มีเครื่องหมาย * เป็นวิชาที่มีคาบปฏิบัติการ 
 

รายละเอียดวิชาดังนี้

ITEC0706 Computer Networks (เครือข่ายคอมพิวเตอร์)

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

Computer Network เป็นวิชาพื้นฐานสำหรับทุกสาขาวิชา โดยจะเน้นความรู้ความการเข้าใจพื้นฐาน ตลอดจนทฤษฎีทางด้าน Network รวมถึงการ config อุปกรณ์เบื้องต้น เช่น router หรือ switch การแบ่ง subnet เป็นต้นนักศึกษาที่ผ่านวิชานี้สามารถจะนำความรู้ในวิชาไปต่อยอดวิชาต่างๆในหลักสูตรได้ เช่น นักศึกษาที่จะไปต่อยอดทางสาย Security สามารถที่จะเข้าใจในส่วน Infrastructure ส่วนนักศึกษาที่จะไปต่อยอดทางสาย IT วิชานี้จะให้ความรู้ความใจในส่วนการเชื่อมโยงภาพการทำงานของระบบ และองค์กร เป็นต้น

วิชานี้ครอบคลุมหัวข้อที่เกี่ยวข้องกับ ภาพรวมการทำงานเครือข่ายคอมพิวเตอร์ แบบจำลองการทำงานระบบเครือข่ายแบบ ทีซีพี/ไอพี การทำงานของโปรโตคอลชั้นแอพลิเคชั่น การทำงานโปรโตคอลชั้นเครือข่าย การทำงานโปรโตคอลชั้นลิงค์ การทำงานเครือข่ายท้องถิ่นแบบไร้สาย



Instructor: ผศ.ดร.วรพล ลีลาเกียรติสกุล
PhD. (Telecommunication Engineering) , University of New South Wales, Australia
คณบดี คณะวิทยาการและเทคโนโลยีสารสนเทศ
ครั้งที่  เรื่อง 
Introduction to Computer Network (1)
Introduction to Computer Network (2)
Application Layer Protocol (1) - HTTP
Application Layer Protocol (1) - SMTP/DNS/FTP/P2P
Transport Layer Protocol (1) -UDP/Reliable Transport
Transport Layer Protocol (1) -Pipeline Protocol
Transport Layer Protocol (1) - TCP
Network Layer Protocol (1) - IP
Network Layer Protocol (1) - Addressing and Subnetting
10  Network Layer Protocol (1) - ICMP/NAT
11  Network Layer Protocol (1) - Routing Protocol
12  Network Layer Protocol (1) - RIP/OSPF
13  Data Link Layer (1) - Services
14  Data Link Layer (2) - Ethernet
15  Data Link Layer (3) - Switch Operation
ครั้งที่  เรื่อง 
Register CCNA & Introduction to CCNA resource & Tool
Analysis application based on TCP/IP
TCP/IP configuration & basic trobershooting
Enterprise networking with packet tracer (1)
Enterprise networking with packet tracer (2)
Cisco router password Recovery
Cisco basic configuration
IP addressing design
Static route (1)
10  Static route (2)
11  RIP version 1
12  RIP version 2
13  OSPF
14  PreTest & Free Lab
15  Final Exam (hands-on)
Computer Networks, "A Top-down Approach", James F. Kurose
next
prev

ITEC0707 Information Technology for Organization Management(เทคโนโลยีสารสนเทศสําหรับการบริหารจัดการ)

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

วิชานี้ครอบคลุมหัวข้อที่เกี่ยวข้องกับ การจัดการข้อมูลเพื่อปรับปรุงประสิทธิภาพของการดำเนินธุรกิจ เครือข่ายและการร่วมมือกันทำงานก่อให้เกิดแนวทางต่าง ๆ ทางธุรกิจ ความปลอดภัยของวิสาหกิจและความต่อเนื่องในการดำเนินธุรกิจ พาณิชย์อิเล็กทรอนิคส์ พาณิชย์บนโทรศัพท์เคลื่อนที่ เครือข่ายสังคมในสภาพแวดล้อมของเว็บ 2.0 กระบวนการดำเนินธุรกรรมการค้าแบบออนไลน์ โปแกรมประยุกต์ตามหน้าที่งานและการควบรวม ระบบที่ใช้ในวิสาหกิจขนาดใหญ่ เช่น เอสซีเอ็ม ซีอาร์เอ็ม อีอาร์พี เป็นต้น



Instructor: ผศ.ดร.พนม เพชรจตุพร
วศ.ด. (วิศวกรรมคอมพิวเตอร์) มหาวิทยาลัยเทคโนโลยีมหานคร
วศ.ม. (วิศวกรรมอิเล็กทรอนิกส์) สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง
วศ.บ. (วิศวกรรมอิเล็กทรอนิกส์) สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง
ครั้งที่  เรื่อง 
Core concept of Information system and information technology, Competitive model  
Type of IS and supports, Supply chain and Logistics supports, IT infrastructure and Cloud Computing 
Data Text Document Management, Data Warehouse, Data Mart and Data Center, Enterprise Content Management 
Business network, Network management and portal, Collaboration, Legal and Ethical issues 
Protecting data and Business operations, IS vulnerability and Threats, Fraud crime and violation, Network security and controls 
E Business, E Commerce, M Commerce and Collaborative Commerce 
Mobile computing technologies, Mobile shopping Entertainment Advertising and Entertainment 
Social media and Mobile Enterprise Application, Connected Economy, Digital Ecosystem 
Management Level, Functions and Operational Systems, Manufacturing and Production Systems  
10  Sale and Marketing System, Accounting and Finance System, Human Resources System 
11  Enterprise Systems, ERP, SCM, CPFR and CRM 
12  Business Intelligence (BI) and Decision Support System (DSS), Mobile intelligence 
13  IT Strategies, Aligning IT with Business Strategy, IT Strategic Planning Process 
14  Business Process Management and Service – Oriented Architecture, IT Outsorcing 
15  IT Project Management, Knowledge Management 
Information Technology for Management, Improving Strategies and Operation Performance, Turban and Volonino, Wiley
next
prev

ITEC0708 Database Design and Management (การออกแบบและจัดการฐานข้อมูล)

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

วิชานี้ครอบคลุมหัวข้อที่เกี่ยวข้องกับ หลักการระบบฐานข้อมูลและสถาปัตยกรรม การจำลองแบบฐานข้อมูลโดยใช้อีอาร์/อีอีอาร์ ทฤษฎีการจำลองแบบเชิงความสัมพันธ์ การออกแบบฐานข้อมูลเชิงลอจิก คำสั่งเอสคิวแอล อัลกอริทึ่มการออกแบบฐานข้อมูลเชิงความสัมพันธ์



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)
ครั้งที่  เรื่อง 
แนะนำเนื้อหาวิชาในภาพรวมและการบูรณาการกับเนื้อหาวิชาอื่นๆ
ความเป็นมาของเทคโนโลยีฐานข้อมูลและบริบทของฐานข้อมูล
สถาปัตยกรรมและแนวความคิดของระบบฐานข้อมูล
กระบวนการในการพัฒนาระบบฐานข้อมูลและแนวความคิดของแบบจำลองข้อมูล ER
การสร้างแบบจำลองข้อมูล ER
การสร้างแบบจำลองข้อมูล ER/EER และแนวความคิดเบื้องต้นของ Class Diagram
แบบจำลองข้อมูลเชิงสัมพันธ์
การออกแบบฐานข้อมูลเชิง logic (การแปลงแบบจำลองข้อมูล ER/EER เป็นแบบจำลองข้อมูลเชิงสัมพันธ์)
ทฤษฎีการนอร์มัลไลซ์เซชัน (Normalization) – แนวความคิดเบื้องต้น และFunctional Dependency
10  ทฤษฎีการนอร์มัลไลซ์เซชัน (Normalization) – 1NF, 2NF, 3NF และ BCNF
11  พีชคณิตเชิงสัมพันธ์ ตอนที่ 1
12  พีชคณิตเชิงสัมพันธ์ ตอนที่ 2
13  ภาษา SQL – ตอนที่ 1
14  ภาษา SQL – ตอนที่ 1
15  ประมวลเนื้อหาทั้งหมดและเนื้อหาที่เกี่ยวข้องกับเทคโนโลยีของฐานข้อมูล
ครั้งที่  เรื่อง 
Retrieving Data Using the SQL SELECT Statement
Restricting and Sorting Data
Using Single-Row Functions to Customize Output
Using Conversion Functions and Conditional Expressions
Reporting Aggregated Data Using the Group Functions
Displaying Data from Multiple Tables
Displaying Data from Multiple Tables เเละ Using the Set Operators
Using Subqueries to Solve Queries
Retrieving Data Using Subqueries (Fundamentals II)
10  Manipulating Data
11  Using DDL Statements to Create and Manage Tables
12  Creating Other Schema Objects
13  Controlling User Access
14  Managing Schema Objects (Fundamentals II)
15  Test Lab
Fundamentals of Database Systems, 4th Edition, Etmasri & Navathe, 2004
Modern Database Management, 8th Edition, Hoffer, Prescott and McFadden, 2007
Software: Oracle 11g
next
prev

ITEC0709 Cloud Computing and Implementation (การประมวลผลบนคลาวด์และการใช้งาน)

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

วิชานี้ครอบคลุมหัวข้อที่เกี่ยวข้องกับ สถาปัตยกรรมต่างๆบนคลาวด์ เช่น เอสเอเอเอส พีเอเอเอส ไอเอเอเอส คลาวด์ส่วนตัว ชุมชนคลาวด์ คลาวด์สาธารณะ เทคโนโลยีที่ใช้งานกับคลาวด์ เช่น เวอร์ชัวลไลเซชั่น คลาวด์สตอเรจ ตัวกระจายโหลด ความมั่นคงปลอดภัยบนคลาวด์ เช่น ข้อกำหนดและกฏเณฑ์ รวมถึงมาตรฐานต่างๆทางด้านความมั่นคงปลอดภัยสารสนเทศ การป้องกันข้อมูล การตอบสนองต่อเหตุการณ์ผิดปกติ วิธีการเคลื่อนย้ายข้อมูลไปสู่คลาวด์ โดยจะเน้นให้นักศึกษาเข้าใจพื้นฐานของ Cloud Computing อะไรเรียกว่า “Cloud” และ “Cloud” คืออะไร มีองค์ประกอบอะไรบ้าง ข้อดีข้อเสียของการใช้ “Cloud” รวมถึงถ้าต้องการใช้ “Cloud” จะต้องรู้จักเทคโนโลยีอะไรบ้าง เครื่องมืออะไรบ้าง ฯ นักศึกษาที่ผ่านวิชานี้จะเห็นภาพรวมของ “Cloud” ว่าคืออะไร ถ้าองค์กรหรือบริษัทต้องการใช้ “Cloud” นั้นต้องมีจุดเริ่มต้นที่ตรงไหน รวมถึงสามารถวิเคราะห์ และพิจารณาเบื้องต้นได้ว่ามีอะไรที่เป็นองค์ประกอบในการนำไปสู่หรือใช้  “Cloud" นักศึกษาจะได้ปฏิบัติการ โดยใช้ OpenStack ในการทดลองทำ “Private Cloud และ Public Cloud เบื้องต้น” และการใช้ Software Container Platform อย่าง Docker (เบื้องต้น)



Instructor: อาจารย์เชาวริน สกุลวรากลาง
ผู้อำนวยการสำนักนวัตกรรมด้านซอฟต์แวร์ มหาวิทยาลัยเทคโนโลยีมหานคร
ครั้งที่  เรื่อง 
Cloud computing concepts, model, and terminology (1)
Cloud computing concepts, model, and terminology (2)
Disk storage system
Storage networking
Network infrastructure
Virtualization components
Virtualization and the cloud
Network management
Performance tuning
10  Systems management
11  Testing and troubleshooting
12  Security in cloud
13  Business continuity and disaster recovery
14  Cloud workshop
15  Project presentation
Cloud Security, "A Comprehensive Guide", Wiley.
Cloud Computing, " A Practical Approach", McGraw Hill
Cloud Architecture, Wiley

Software: OpenStack
next
prev

ITEC0710 Information System Management Related Standards  (มาตรฐานที่เกี่ยวข้องกับการจัดการระบบสารฯ)

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

วิชานี้ครอบคลุมหัวข้อที่เกี่ยวข้องกับ มาตรฐาน และการปฏิบัติที่ดี ในการจัดการสารสนเทศ มาตรฐานการจัดการความมั่นคงสารสนเทศ มาตรฐานการบริหารความต่อเนื่องธุรกิจ มาตรฐานการจัดการความเสี่ยง เช่น ITIL ISO 22301 ISO27001 ISO 31000

This course includes: Best Practice and Information Management Standards; information security standards; business continuity standard; risk management standard such as Information technology infrastructure library (ITIL); ISO/IEC 27001; ITIL ISO 22301; ISO 27001; ISO 31000



Instructor: ดร.บรรจง หะรังสี
IT security adviser บริษัท ทีเน็ต จำกัด
ISO/IEC 27001, ISO/IEC 20000, CMMI
ครั้งที่  เรื่อง 
Risk Management
Information Security Standards (ISO/IEC 27001) (1/3)
Information Security Standards (ISO/IEC 27001) (2/3) and Project Discussion of how to do
Information Technology Infrastructure Library (ITIL) (1/2) and Project Discussion of how to do
Business Continuity Management (ISO 22301) (1/2) and Project Discussion of how to do
Enterprise Architecture (TOGAF) (1/2) and Project Discussion of how to do
Project Progress and Review & Midterm Presentation Preparation
Midterm Group Project Presentation
Information Security Standards (ISO/IEC 27001) (3/3) and Project Discussion of how to do
10  Information Technology Infrastructure Library (ITIL) (2/2) and Project Discussion of how to do
11  Business Continuity Management (ISO 22301) (2/2) and Project Discussion of how to do
12  Enterprise Architecture (TOGAF) (2/2) and Project Discussion of how to do
13  Project Progress and Review & Final Presentation Preparation
14  Project Progress and Review & Final Presentation Preparation
15  Final Group Project Presentation
Information Technology for Management, Improving Strategies and Operation Performance, Turban and Volonino, Wiley
next
prev

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

ITEC0762 Data Mining (การทำเหมืองข้อมูล)

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

วิชานี้ครอบคลุมหัวข้อที่เกี่ยวข้องกับ ดาต้าออปเจ็คและชนิดของแอตตริบิวท์ ดาด้าวิชวลไลเซชั่น ความคล้ายและความไม่คล้ายของข้อมูล การประมวลผลข้อมูลก่อน การทำคลังข้อมูล การประมวลผลวิเคราะห์ออนไลน์ เทคโนโลยีดาต้าคิวบ์ การทำเหมืองรูปแบบที่เกิดชึ้นบ่อย การทำเหมืองรูปแบบขั้นสูง การทำเหมืองตัวอักษร เอ็นแอลพี



Instructor: อาจารย์พัชวรัทย์ พิพัฒน์ธนอุดมดี
SAS Thailand Specialist
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

ITEC0774 E-Business and Digital Marketing  (ธุรกิจอิเล็กทรอนิกส์และการตลาดดิจิทัล)

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

วิชานี้ครอบคลุมการทำความเข้าใจเกี่ยวกับการทำธุรกิจโดยใช้ประโยชน์จากสื่อ Online ศึกษาช่องทางในการสร้างรายได้ และการประชาสัมพันธ์ โดยเน้นการประยุกต์ทฤษฎีทางการตลาดมาสู่การนำเสนอบนสังคม Online ผ่านการสร้างอัตลักษณ์ขององค์กร เพื่อการเป็นที่จดจำ นักศึกษที่ผ่านวิชานี้จะเข้าใจถึงช่องทางในการประกอบธุรกิจ Online การมองเห็นโอกาสในการสร้างรายได้ รวมถึงการได้พบปะพูดคุยกับผู้ที่ได้รับความนิยม และมีตัวตนในสื่อ Social media

This course includes: Concept and component of E-business; infrastructure of E-Business; E-commerce; M-commerce; strategy of E-Business; logistic management; supply chain management; E-procurement; digital marketing; social media marketing; customer relationship management



Instructor: อาจารย์จิรายุ ตระกูลเขียว
รองคณบดีฝ่ายกิจกรรมนักศึกษาเเละประชาสัมพันธ์ คณะวิทยาการเเละเทคโนโลยีสารสนเทศ
ครั้งที่  เรื่อง 
Connected to Customer
The Paradoxes of Marketing to Connected Customers
The Influential Subcultures
Meeting with Special Guest I
Marketing 4.0 in the Digital Economy
Marketing Productivity Metric
Meeting with Special Guest II
Industry Archetypes and Best Practices
Human-Centric Marketing for Brand Attraction
10  Content Marketing for Brand Curiosity
11  Content Marketing for Brand Curiosity
12  Meeting with Special Guest III
13  Omnichannel Marketing for Brand Commitment
14  Engagement Marketing for Brand Affinity
15  Meeting with Special Guest IIII
next
prev