Latest

Evaluation Metrics for Classification Model

Evaluation Metrics for Classification Model

การประเมิน (Evaluate) Model  เป็นส่วนสำคัญในการสร้าง Machine Learning models ที่มีประสิทธิภาพ * ในการประเมินการ Classification ตัวชี้วัดที่ใช้บ่อยที่สุด ควรจะเป็น “Accuracy” * เมื่อ Model มี Accuracy = 99% เราเชื่อว่า มันน่าจะดี แต่มันไม่จริงเสมอไป และในบางสถานการณ์
Narut Soontranon
NumPy & Pandas สำหรับผู้เริ่มต้นงาน Data Science (Ep.2/2)

NumPy & Pandas สำหรับผู้เริ่มต้นงาน Data Science (Ep.2/2)

อ่าน Ep.1/2 ที่นี่ -> https://www.nerd-data.com/numpy-pandas-ep1/ ****** Pandas คือ อะไร? Pandas สร้างขึ้นบน NumPy และมีประโยชน์สำหรับการจัดการชุดข้อมูล มีโครงสร้างข้อมูลหลักอยู่ 2 โครงสร้าง คือ Series และ Dataframe โดยที่ Series จะเป็นลำดับของค่
Narut Soontranon
NumPy & Pandas สำหรับผู้เริ่มต้นงาน Data Science (Ep.1/2)

NumPy & Pandas สำหรับผู้เริ่มต้นงาน Data Science (Ep.1/2)

Python เป็นภาษาที่ได้รับความนิยมมาก ในงาน Data Science เนื่องจากความง่าย รวมไปถึง มี Community ขนาดใหญ่ และ Open Source Libraries ที่พร้อมใช้งานจำนวนมาก เช่น การจัดการข้อมูล การประยุกต์ใช้ Machine Learning & Deep Learning Models สำหรับผู้เริ่มต้นในงานด้าน Data Science มี
Narut Soontranon
5 Skills สำหรับ Marketing Analytics และ Data Scientist

5 Skills สำหรับ Marketing Analytics และ Data Scientist

บางอย่างเร็ว 🐇 บางอย่างช้า 🐢 ผู้เชี่ยวชาญด้าน Marketing Analytics และ Data Scientist ต้องเผชิญกับความท้าทายที่เหมือนจะไม่เข้ากันนี้ กล่าวคือ ต้องปรับตัวให้เข้ากับการเปลี่ยนแปลงที่รวดเร็วของเทคโนโลยี AI และ Machine Learning / Deep Learning แต่ยังคงต้องคำนึงถึง
Narut Soontranon
RFM Model โดยใช้ Python

RFM Model โดยใช้ Python

RFM ย่อจาก Recency, Frequency, Monetary ใช้เพื่อแบ่ง Segment ลูกค้า ถือเป็น Behavioral Segmentation มี 3 Features ที่สำคัญ คือ 1. Recency - จำนวนวัน ตั้งแต่การซื้อครั้งสุดท้าย 2. Frequency - จำนวน Transactions ในช่วงเวลาที่กำหนด 3. Monetary -
Narut Soontranon
ความแตกต่างระหว่าง Normalization และ Standardization

ความแตกต่างระหว่าง Normalization และ Standardization

โดยปกติ เราจะทำงานกับ Features ที่หลากหลาย ใน Scale ที่แตกต่างกัน ซึ่งต้องมีการทำ Data Processing ใน Blog นี้ จะพูดถึง เทคนิคในการทำ Feature Scaling คือ Normalization และ Standardization Data Normalization คือ อะไร * วิธีการทำ Data Preparation ที่นิยมวิธีหนึ่ง คื
Narut Soontranon
Data Scientist ทำงานอย่างไร?

Data Scientist ทำงานอย่างไร?

เพื่อที่จะรู้ว่า Data Scientist ทำงานอย่างไร? สามารถทำความเข้าใจได้จาก Data Science Workflow ดังนี้ 1. กำหนดปัญหา (Problem Statement) 2. รวบรวมข้อมูล (Data Collection) 3. ทำความสะอาดข้อมูล (Data Cleaning) 4. วิเคราะห์ข้อมูลเชิงสำรวจ (Exploratory Data Analysis, EDA) 5. สร้าง Model (Modeling)
Narut Soontranon