Data Scientist

จัดการกับ Outliers

จัดการกับ Outliers

Garbage in, garbage out. ค่าผิดปกติ (Outliers) จำเป็นต้องถูกจัดการ ก่อนนำข้อมูลไปสร้าง Machine Learning Model ตัวอย่างการจัดการกับค่า Outliers โดยใช้ Python code ดังนี้ import numpy as np import pandas as pd from scipy import stats # ข้อมูลตัวอย่าง
Narut Soontranon
Data Scientist in 2030

Data Scientist in 2030

การคาดการณ์บทบาทของนักวิทยาศาสตร์ข้อมูลในปี 2030 อาจเป็นเรื่องที่ยาก เนื่องจากเทคโนโลยีมีการพัฒนาอย่างรวดเร็ว อย่างไรก็ตาม แนวโน้มและทักษะที่ต้องการอาจจะเป็น 1. การทำงานร่วมกับ AI ขั้นสูง * การพัฒนาและปรับแต่งโมเดล AI ที่ซับซ้อนมากขึ้น * การตีความและอธิบายผลลัพธ์
Narut Soontranon
DevOps และ DataOps

DevOps และ DataOps

ความหมายและความแตกต่างระหว่าง DevOps และ DataOps DevOps DevOps คือแนวทางปฏิบัติที่รวมการพัฒนาซอฟต์แวร์ (Dev - Development) และการปฏิบัติการด้านไอที (Ops - Operations) เข้าด้วยกัน เป้าหมายหลักของ DevOps คือ 1. การส่งมอบซอฟต์แวร์ที่เร็วขึ้น 2. การปรับปรุงการทำงานร่วมกั
Narut Soontranon
โอกาสในงาน Data Analytics

โอกาสในงาน Data Analytics

อาชีพด้านการวิเคราะห์ข้อมูลเกี่ยวข้องกับการใช้ข้อมูลเพื่อประกอบการตัดสินใจและกำหนดกลยุทธ์ทางธุรกิจ ภาพรวม: นักวิเคราะห์ข้อมูล (Data Analyst) ทำหน้าที่ รวบรวม ประมวลผล และวิเคราะห์ชุดข้อมูลขนาดใหญ่เพื่อระบุ trends, pattern, และ business insights โดยใช้เครื่องมือและเทคนิ
Narut Soontranon
Skills for Data Citizen

Skills for Data Citizen

Data Citizen คือบุคคลในองค์กรที่ใช้ข้อมูลเป็นส่วนหนึ่งของงานประจำวัน โดยไม่คำนึงถึงบทบาทหรือความเชี่ยวชาญทางเทคนิคเฉพาะ เพื่อให้เป็น Data Citizen ที่มีประสิทธิภาพ จำเป็นต้องเรียนรู้ทักษะเหล่านี้ 1) ความรู้เรื่องข้อมูล: เข้าใจแนวคิด ประเภท และรู
Narut Soontranon
DA / BA / DS ต่างกันอย่างไร

DA / BA / DS ต่างกันอย่างไร

นักวิเคราะห์ข้อมูล (Data Analyst หรือ DA): * มุ่งเน้นการรวบรวม ประมวลผล และวิเคราะห์ข้อมูล * ใช้วิธีการทางสถิติในการตีความชุดข้อมูล * สร้าง Dashboards และ Reports * โดยทั่วไปทำงานกับข้อมูลที่มีโครงสร้าง (Structured data) * ใช้เครื่องมือเช่น
Narut Soontranon
อยากเป็น Data Scientist (2/2)

อยากเป็น Data Scientist (2/2)

7 Soft Skills ที่ Data Scientist ต้องรู้ 1. Communication & Storytelling การสื่อสารเป็นสิ่งสำคัญ โดยเฉพาะอย่างยิ่งเมื่อทำงานในด้านเทคนิค Data Scientist ต้องสามารถสื่อสารแนวคิดทางเทคนิคเหล่านี้กับ Stakeholders กลุ่มที่เป็น Non-technical Skills เพื่ออธิบายข้อมูลเชิงลึก (Insights) สิ่งที
Narut Soontranon