Sign in Subscribe

Latest

3 ปัจจัยในการพิจารณาคุณภาพข้อมูล

3 ปัจจัยในการพิจารณาคุณภาพข้อมูล

1) ความถูกต้องของข้อมูล (ดูเพิ่มเติมได้ที่ -> 5 คุณลักษณะ ของ Data Quality) * ความถูกต้อง (Accuracy) * ความสมบูรณ์ (Completeness) * ความน่าเชื่อถือได้ (Reliability) * ความเกี่ยวข้อง (Relevant) * ทันต่อเวลา (Timeliness) 2) กฎหมายและจริยธรรม * การปฏิบัติตามความเป็นส่วนตัว

ETL Pipeline คืออะไร

ETL Pipeline คืออะไร

การมีข้อมูลคุณภาพดี มีความสำคัญมากสำหรับ Data Science Project แต่ข้อมูลมักมาจากหลายแหล่งและอยู่ในรูปแบบที่ไม่เป็นระเบียบ ข้อมูลบางส่วนมาจากฐานข้อมูล ในขณะที่บางส่วนมาจากไฟล์หรือเว็บไซต์ ข้อมูลดิบ (Raw data) เหล่านี้จึงไม่สามารถใช้งานในทันทีได้

10 แหล่งข้อมูล ใช้ทำ Data Science

10 แหล่งข้อมูล ใช้ทำ Data Science

แหล่งข้อมูลที่เป็นไปได้สำหรับโครงการ Data Science 1) ข้อมูลภายในองค์กร * ข้อมูลธุรกรรม * ระบบ CRM * ERP Platform * ข้อมูลการบริการลูกค้า * ข้อมูลการขาย * ข้อมูลจากเว็บไซต์ * ข้อมูลจาก Mobile App * ข้อมูลจาก Marketing Email * เอกสารภายใน * ข้อมูลพนั

Data Science Use Cases ในองค์กร

Data Science Use Cases ในองค์กร

1. วิเคราะห์ลูกค้า (Customer Analytics) * แบ่งกลุ่มลูกค้า (Customer Segmentation) * หามูลค่าที่ลูกค้าสร้างให้ (Customer Lifetime Value) * ทำลูกค้าค้าที่จะย้ายออก (Churn Prediction) * วิเคราะห์การเดินทางของลูกค้า (Customer Journey Analysis) * วิเคราะห์ความรู้สึก (Sentiment Analysis) * ระบบแนะนำสิ

การพัฒนา AI และ Data Science Model

การพัฒนา AI และ Data Science Model

🤖 กระบวนการพัฒนา AI A. ขั้นตอนการวางแผน * กำหนดวัตถุประสงค์ * ระบุกรณีการใช้งาน * ประเมินความเป็นไปได้ * เลือกแนวทาง AI B. การเตรียมข้อมูล * การเก็บรวบรวมข้อมูล * การทำความสะอาดข้อมูล * การติดป้ายข้อมูล * การเพิ่มข้อมูล C. การพัฒนาโมเดล * การเลือกอัลกอริทึม * การออกแบบสถาปัตยกรรมโมเดล

ความแตกต่างระหว่าง AI และ Data Science

ความแตกต่างระหว่าง AI และ Data Science

AI และ Data Science เป็นคำที่ถูกพูดถึงอยู่บ่อยครั้ง แม้ทั้ง 2 เรื่อง จะมีสิ่งที่ซ้อนทับกันอยู่มาก แต่สามารถแยกความแตกต่างได้ดังนี้ 1) คำจำกัดความและสิ่งที่มุ่งเน้น 🤖 AI (ปัญญาประดิษฐ์) * เน้นการสร้างระบบอัจฉริยะที่เลียนแบบพฤติ

AB Test ในกระบวนการผลิต

AB Test ในกระบวนการผลิต

Data Science ถูกนำไปใช้ในหลายอุตสาหกรรม รวมถึงการเพิ่มประสิทธิภาพในกระบวนการผลิตของโรงงาน (Manufacturing) เพื่อให้แน่ใจว่าผลลัพธ์จาก Data Science Modelได้ดีกว่ากระบวนการเดิม จึงต้องมีการทดสอบเปรียบเทียบ (AB Test) การทำ AB Test สำหรับ Data Science Models ในกระบวนการผลิต 1. กำหนดสมมติฐาน: ระบุให้