ページ3:

บ
AI
Artificial Intelligence
+ Machine Learning + Deep Learning - Generative AI
Machine Lemming
- Supervised
: นา
To Regression
: พาตะ ช้อมูลเป็นตัวเลย clabel)
จริง
Dimensionality Reduction: Ani
+ Unsupervised : KALYA
•Reinforcement aliunayno
Clustering: 4/11/1 srม - AI แทนเอง/ไม่เคย
• Audictive Al : 09มูลเก่า ! ข้อมูลนั้น
Generative AI :
ตรงอะไรใหม่ๆ
Data
Aining :
Basic Orange
Visual Programming
Interactive Data Visualization
Extensions
• Data Souree
anuntitative
Qualitative
Qualitative-
1. Questionary: INILIT
2. Web Servers
Hardware/Software
3. Web services panens
ท่านเจอมูลที่ถูกการเป
4. Cotabase
๒. 10 ง
: นัทท
6. Online Prepositionaries:
Attributes
1 (Quantitative Data)
- อาบ ด้วยตัวเอง
②188a/Jemma (Qualitative Data).
- อธิบายได้ด้วยตัวเลข/การคนงาน ไม่ได้
1. Numeric Attributes: M
ก, หยาด
- Discrete Cisco เอง) : ตาก / พันธ์แบบพับได้ Ex. 1000 จำนวน จำนานวัตถุ
Continuous (dess) : เป็นภาพวาด, ได้ Ex. 038
Interval - scaled (นารา) : นอนได้เฉพาะผล (3)
Alio - scaled (non-u) : นอนได้ทั้งผลต่าง (5) และ
2. Categorical Attributes:
พรางกา
- Nominal (unsuwan) : 03 A ในโดรนไปกับ เปรียบเทียบได้เพิ่มทาน กัน (1) Ex, เพศ, ประเทues
- ordinal (อันดับ) : ทาง A กัน เปรียบเทียนได้ต้องทานเท่ากัน และมายากล (2) Ex. Hum
พรี

ページ4:

สิ่งที่สามารถทําได้/คุณสมบัติ
กราบลำดับของค่า
สามารถนับความถี่ของข้อมูลได้
หาค่าฐานนิยม (Mode) ได้
หาค่ามัธยฐาน (Median) ได้
หาค่าเฉลี่ย (Mean) ใ
วัดความแตกต่างระหว่างค่าได้
สามารถบวกหรือลบค่าใ
สามารถคูณและหารได้
มีศูนย์แท้ (True Zero)
✓
✓
นามบัญญัติ
(Nominal)
อันดับ
(Ordinal)
อันตรภาค
อัตราส่วน
(Interval) (Ratio)
✓
✓
✓
√
✓
V
✓
✓
✓
V
✓
✓
✓
✓
✓
✓
✓
.
Data Preparation : 1/MAIN/IMMIAN
แนบแน่นหามนัส (Nomination variable)
ซึ่งแน่นอนกัน (Ordinal variable) :
:
แนน One Hot
Coding
แนน
.
Normalization: Euxin fin and 1
.
Online Colding กำแพด เป็นวาลงตั้งแต่ 1 ถึง 1
Min-Max Normalization
X normalized = X - Xmin
Standardization : itsson ให้เฉลี่ย (open) = 0 และส่วนเบี้ยอาบนฝา : 1
Xmax-Tymin
Z-Score Standardization
standardization
S.D.
Data Quality A114:112/1969/7 (Accurate & Precise)
T
Anurai (Complete)
en namenied (Consistency)
BAMAsoming (Valid)
เป็นมาตรฐานเดียวกัน (Uniform)
ไม่ซ้ำต้น (Unique)
Exploratory Data Analysis (EDA)
.
3. เจาะ : เกาะตามสัมพันธ์ของข้อมูล
4. pngon : สงกราฟเพื่อแสดงข้อมูล
6. รูปผล : สรุปเพื่อเข้าใจกามสัมพันธ์ของ มูล
Data Cleaning & Preparation
1.
-
• Merial (Identifying)
2. Augovinian (Removing Errors)
3.
@Data Tremsformation: la
②Data Analysis: Tinn
③Data Visualization: aingnmal, elew
• mmmmmmmutal (Filling in Missing Value)
4. meanmechurning (Dealing with Outliers)

ページ5:

.
.
- ปัญหาที่พบบ่อย เวลา Clean มูล
1.
Inconsistant Datatypes)
MN Datatypes (eliminacial 1921 Boolean - (true/false), (1/0)
2. VOHANAN (Missing Data)
วิธีจัด
Numeric avian
Date
ว
-
- รูปแบบ ท ห มก
Category Text -
- 1.mcกง) (Single, Impetchjion)
ประกัน
2. Mannion (Arithmitic Mean Imputation)
3. Mama
Minnow Chegression Imputation)
4. ทาแบบซองเกิด (Hey - dacy Impalaion) : กล้ามการน
3. 40A (Duplicate Data)
-
4. VONALinglom (Outlier Data)
งาน
9
Outlier - ค่าที่แตกต่างจากขอนานใหญ่มาก
font - Auroraut 03 ผัดปกติออก
:
room หรือ รวมค่าเอียง (0)
Data Gathering Biases
จอนะเน ม มูล
mean = ค่าเลย เจ )
mode : งาน (130903)
medienin
=
Data Analysis Biases
Selection Blas
อคติในการเลือกข้อมูล
Confirmation Blas
ค จากความมั่นใจ
Confounding Variables
การพัตต์วแปรที่ทำให้ลับสบ
Neglecting Outliers
การละเลยค่า อุปก
Normality Blas
ค จากความปก
Overfitting
การเกิดไอเวอร์ฟิต
Dunning
kruger
Effect
Survivor Bias
อคติ รอดชีวิต
Causation Blas
อคติเกี่ยวกับเหตุและผล
Curse Of Knowledge
ความรู้ อจ ป
Data Application biases
ดะมูล

ページ6:

(4)
.
.
.
- pranuines Plachine Learning เพื่อน
-
-
จุดข้อมูล (Data Set) : เป็นงานจมูกจะใช้ข้อมูลที่กลักษณะ
คนฝน โผน (Train Model) : 30%ใช้ระบบเริ่มหนาด ความงง, การ์ด
Algorithm : ขั้นตอน ทะนานเทศกาหนดให้อากาอน เพื่อใช้คอมจะเรียนรู้จากข้อมูล
maiona (Split Dataset) : 1410ms trian 118: test I
Train Set: inletheles
75 : 95 70 : 30
80:20
2 รก
.
•
Tat Set : ค่าไปทางอบ
ชุดข้อมูล (Dataset)
Training set
Split Data
Input X train, y train
Train
Model
Test set
y_test
y_predict
ประเมินผลโมเดล
(Evaluate Model)
พิจารณาผลลัพ
THE
-
- ใช้เป็นห่วงอก หลงตัวของโมเด
ใช้ทาในหลอดโมเดลที่ดีที่สุด
Confusion Matrix : เครื่องใน เป็นผลกันต์ของ /ทำนายทางจาก model ที่วาง น
โมเดลตามวงได้ กับสั่งก่อนจองส่วนเป็นอย่างไ
-
Accuracy Store : Aneuve Inteที่สุดเองต่อใจมูลทั้งหมด สามา1000w on hour and tou
Accuracy
กมฺมพฑถที่กูด
พาน จมูกท้อ หมด
TPITN
or
ท
ของโพเทสในสองหั
แต่ใจไม่ดีมากหากสภาพ: 9
Imbalance class

ページ7:

.
.
Arecision Score :
Precision
High Precision)
(Low Accuracy)
(High Precision)
คาน่า (High Accuracy
od (Low Precision)
(Low Accuracy)
nofeadh (Low Precision)
noushe (High Accuracy)
Accuracy
Real Score : Anouvo, Inna feritive stonesome ว่าเป็น Positive ทั้งหมด
Precision
True Ponlive
ค่าดามจริง
TP
TP+FP
younger false positive
เ ด เ น กษ
• F1 Score: MIYILI Harmonic Meam
.
Precision Pecul
F1 » 9 ×
Precision + Recall
Overfitting & Underfitting
-
&ining Precision 117. Recall
F1 Ninhenn: Precision 117. Recall mennin
FA Natior: Precision 117. Recall winner
Overfitting: man model on train men
หอไปใช้ทำงานข้อมูล model ไม่เกฯจอมาก่อน ปรากฏว่า
ผลลัพท์คามแผ่หรา หรือประสิทธิภาพไม่ค่อยดี
Under fitting: mr model ga
นมเย
Regression
Classification
ทํากค่าย เสาฟ้อง
Underfitting
High training error
Traning emer clos
eto test error
High bios
Fit/Robust
Training or
Overfitting
Very low training en
Training error much!
ower than test error.
High variance
A นก พ บ มูลมาให
Deep learning
summ
i
(Complexity)
Alu 1
ain longer)
il.co
autoyam
Get more datol
Cross - Validation (mm) คลองข้าม) : (นี่หายากหักใช้เพื่อประเมินการมากของโมเดลในท่าทาง
อมูลใหม่ โดยแบ่งทุกข้อมูลออกมาเหงา, กลุ่ม และท่วงทดสอบโมเดลในกระทั่งว่างกัน
จะได้ข้อมูลที่ท่าง คือ

ページ8:

.
Data Mining คืออะไร ?
-
- เป็น กระเทยอมูลจากผมผม 08
- argiepan ในรูปแบบที่มีประโยชน์
ข้อมูลที่ได้สามากทำไปใช้เพื่อเพิ่มรายได้มาหรือทำได้ทั้งสองอย่างหรือยกัน
Data Mining ซึ่งให้นักวิเคราะห์ก็หลบข้อมูลสำคัญ ข้อเท็จจริง ความสัมพ์ตรง ข้อมูลเทวโน้ม (Trends)
รูปแบบ Lens) การขอยกเว้น (Anomalies) ที่อาจไม่สามารสังเกตเห็นได้ด้วยวิธีปกติ
manos Data Mining
- แขกประเภท (Classification) : ข้อมูลในกลุ่มใด
meim won (Clustering) : การพากลุ่มของข้อมูลที่มีลักษณะคล้ายกัน
การจับความผิดปกติ (Deviation Detection) : ค้นหาตามปรับแปลงหรือข้อมูลที่ผิดปกติ
จากรณ์ (Forecasting) : กอนจบของตัวแปร
mt089904A (Description) : meeนางลักษ: ขอรถส่งข้อมูล
- การจัดการสมด (Link Analysis) : การคมนาคมสัมพันธ์และความเชื่อมโขงของข้อมูล
อุตสาหกรรมเด็กใช้ Costa Mining
ค้าปลีก Cretail)
Main (finance)
การศึกษา (education)
สาธารสุข Chealthcare)
ทำไมต้องใช้ Orange
InMini Lagriculture)
MAM (manufacturing)
MINING (transportation)
ฯลฯ
sater software 119191 Visual Programming
Machine Learning NA: mrdsAnya (Data Analysis)
: Component-based sinni 10771 Data Mining
และผู้เชี่ยวชาญในayaphy, (Domain Experts)
สนทนงานร่วมกันระหว่างนักวิทยาศาสตร์ ข้อมูล (Data Scientists)
12th Open Source Program
9119721/20/2/112121 Component-based
ไม่ เช่น เขียนโปรแกร
TOTUMMAHA Data Visualization)
Tagiumann Clustering 11: Classification
Tosiumon Data Mining the Visual Programming 11A: Python Scripting

ページ9:

Meaningful
Compression
Structure
Discovery
Big Data Ectation
Visualization Reduction
Feature
ระบบบ า น ก
การ าหนด หนา กากs
Clustering
จ่าหอมูลกา
การรักกลานลูกร
soumsdele Classification modelsn
Unsupervised
Learning
Machine
Learning
Supervised
Learning
Skill
minun
Acquisition
Learning
Tasks
Reinforcement L
earning
Robot Navigation
dineshnod
รับความนิยม
พยากร การเดินใต
ass
Regression
Real-Time
Decisions
มากบา
ทํานาย
คาดการณ์ การต
GameA
Algorithm
• KNN (K-Nearest Neighbor)
-
-
-
KNN me Non-Parametric
ใช้งานการจ่ายหกประเภท (Classification) และกรมกรา thegression)
จององค์ประกอบ 3 อง
(The set of stored records)
กระบะ, Loistance Metric) เพื่อใช้ภาษาหางระหว่างข้อมูล
ทาง
dep'q)=√2481-915
ค
File
Data
Data Table
SX INN - Orange
×
Name
KNN
KNN
Neighbors
Number of neighbors
Metric
Weight:
0
S:
Euclidean
Uniform
Apply Automatically
= 7 8 9303 - Co1B

ページ10:

-
mrหงาณ (Audiolions)
-
-
file
Data Table
KNN
Prediction
-
1
20
simena (Decision Tree)
4 x 1.9 ฟ (Decision Making) Phy คนใน au
♥xim (Statistic)
ons (Predictive Modeling Approcher) | M746
- เป็นข้อมูล (Data Mining)
Machine Learning)
me
1941
=
Expy(0)--
,
คะ
File
Data
Tree
Data Table
Model - Tree
Tree Viewer

ページ11:

-
-
-
-
(mpler)
D
MMARDUKA:M:119tal (Test and Store)
File
Tree
Data Sampler
Test and Score
miเมิน trine (Evaluation)
File
Data
Tree
Data Sampler
Data Sample Data
Test and Score
เพตก ต คราม ลน CComHuion Matrix)
Confusion Mars-Orange
Output
Apply Automatically
Evaluation Results
Data Sample Data
Show Number of ances
0
I
31
41
62
100
Clear Selection
Confusion Matrix
Scatter Plot

ページ12:

.
4909/1919 (Naïve Bayes)
-
Naive Bayes Classifiers
Conan: (Attributes) lima: do: Monogation (Statistically Independent)
- แตกต่างจากตัว แหนบท (Classifiers) แผนงานในการเกากัน
- อาจมีกามสัมพันธ์กัน (Cerealation) ระหว่างคุณลักษณะ
โมเกม แต่ให้คุณลักษณะต่างๆ เป็นอิสระต่อกันแน่นอน (Conditionalty Independent) เพื่อแuncen)
PCHIX)='
PEKIH) PLH)
POS)
Test and Some Orange
O C
Number of Y
M
AUCCA MCC
Naive Bayes
Random sampling
Sealant 1
%
Set on van s
Move m
0 1 0 1 0 90 I
0
File
Data Sampler
Nave Beves
Data Sample
Confusion Max-Dange
Leamer
Output
Predictions
Probabilit
and Sco
-
Confusion Matrix
Data Table
0
Show Number of instances
1
1
.
$1
10
"
$3
47
100
Select Comet
Select Mclassifies
Clear Selection
0
Apply Automatical
71-1-100
.
ปาก ใจแนน (Bondom forest)
-
เป็นวัดอม มีความเละใช้หว่าง
- Canon Random forest frymaniam Overfitting
- ใช้สำหรับคนทา คลัง (Features) ที่สำคัญที่สุดจากทุกข้อมูลกรรม (Training Datase)
สามารถใช้ได้งานจำแนกประเภท (Classification) และมาตราค่า (Regression)
D
File
Data
Data Sampler
Data Sample-Dua
Random Forest
Selected Dine
Training set
Test and Score
Testing set
Predictions-D
Confusion Matrix
Predictions

ページ13:

.
MrLigona (Split Dataset)
Data Sampler
Duta Sample De
Taining set
Testing set
Malignoria (Split Dataset)
Double Click ที่เส้นเชื่อม
tins-Orange
Test and Score-Dunge
O Cevadation
Ce M
Sample
Data
Data Sampler
bation for target one show age o
Testing
Number of SY
Model
AUC CA 1 Pc Recall MCC
Random Forest
6 778 776 782
Predi
Random sampling
Repeat
10
Compare mosty Are
Negligible t
aining set size 66%
Randos For
Random Forest
Test and Score
Leave one out
Ot on train dea
-
201
D
x
Cance
Mannnovlagimin (Logistic Regression)
-
-
-
in (Clauses) 1011 (Discrete Set of Classes)
Logistic Regression annonallers Binomial, Ordinal anto Multinomial
* HUL Binary (d/74/701721)
14 Multi (14, ...)
- แบบ Ordinal tต่า, ปานกลาง, 38)
mening hamesha inte (Probability Sore) virtuľku náo mein vanalı:1 novo murálá
File
Data
Data Sampler
Sample-ta
Logistic Regression
Selected Die
Training set
Test and Scores
Testing set
Predictions-Data
Confusion Matrix
Predictions

ページ14:

.
Tanganyar.xing (Neural Network)
- nina matung (Learning Algorithm)
-
- ใช้ความข้อมูลทับมา (Sensory Drain)
Code (Machine Perception) miminthu in (labeling)
Woman (Clustering Raw Input)
dr.noบด้วยลายชั้น (Layers) ทนการการและเรียนรู้ข้อมูล
lcnx) = b + 2 4;h
File
Da
Data Sampler
Data Sample-Data
Neural Network
Confusion Matri
Training set
Test and Score
Predictions
Testing set
- Sensitivity & Specificity
mmmerdorim (sensitivity) : in 184786749177217a (True Positive)
TP
Sensitivity - (TP+FN)
Sensitivity = Recall
คำ ความจำเพาะ (Specificity) : สัดส่วนการถูกลองของ และทางเราไม่สนใจ (True Mathe)
.
Regression คืออะไร 9
-
TN
Specificity (T+FP)
- ปาย (0ependent Variable) : สิ่งที่เราต้องเทคดน่าจะกาการเปลี่ยนแปลง
* เจแปน (Independent Variable) : ปัจจัยที่อาจมีผลต่อเปลี่ยนแปลงของ ms
Correlation : ศาสนสัมพันธ์ เป็นการทิศทาง ความสัมพันระหว่าง 2 หัว โดย Correlation Coefficient)
อ า พ : ทธิ์ สมพันธ์ เป็นหน่วยกิจกามสัมพันธ์ท
r =
--
-
มีค่าอยู่ระหว่าง -1.0 ถึง +1.0
+ 1.0 : ตัวแปรจงมีความสัมพันธ์กันโดยคอมาก (Positive Correlate)
- 1.0 : แปรงสองมีความสัมพันธ์อย่างมากเลยขาย (Negative Correlate)
0 : ตัวแปรทั้งสองไป มีความสัมพันธ์ต่อกัน (No Correlate)
m กคามสัมพัน เบี้องต้นในการกิติ

ページ15:

ฐานเงินเดือน
y
ฐานเงินเดือน
y
Positive Correlate
( กา เคียวกันในเชิงบวก)
CI
1
Perfect
Positive Correlation
0.9
High
ประสบการณ์การทำงาน
-1
Perfect
Negative Correlation
-0.9
จ
G:
High
K!
Positive Correlation
Negative Correlation
0
0.5
Low
Positive Correlation
No
Correlation
-0.5
Low
Negative Correlation
Linear Regression
y = bx + a
น
" เป็นทากทางสถิติที่จะขายมูลที่เก็บไว้ในอดีตมาทำงานแทนโซมข้อมูลที่จะพ
ในขนาดโดยใช้แบบสองเส้น (ฟังทากาวผสมน้าของตัวแปร 2 ท่านไป
- โดยจะตัวให้ชัดเจนว่ากับเปาใดคือตัวแปร at: / แปะ แปะม
- แปรง 1 (ปราม 1, แปลง) (ปราม 3
* เปรม ต้องขอ ผลต่อเนื่องเชิงปริมาณเท่านั้น
ประสบการณ์การทํางาน
x
MALIYINAHAN99 Regression
• Mist (Mean Square Barter) : ใช้วัดความลาดเคลื่อนของโมเดล (อัครามสาคัญกับความผิดพลาดที่มีค่ามาก
• AMSE (Aoon Moon Seuare Error) : เป็นการแปลงจาก MISS เพื่อใช้เข่า และ การได้ง่ายขึ้น (un มีหน่วยเดียว ข้อมูล
• MAE Cream Absolute Gror) : ข้อความนักพลาดเฉลี่ยของโลกแบนไปมา ว่าโครงการความเคลื่อนเท่าใด
ซึ่งฟอง - RAPE Leton Absolute Percentage Emer) : จัดความนกหลากในรูปแบบเปอร์เซ็นต์ ให้ขันว่าโมเกมกลากเกลื่อน
ที่เปอร์เซ่นจากค่าจริง
♥ & MAPE (Symmetric Mean Absolute Percentage Error): Aǎ14 MAPE Avantamannibal
ทําให้ ดผลได้เสด็จมาก
* A (A-Squared.) : วัดความสามารถของโมเกมในสายจรินทร ข้อมูล โมเดลเซียในความสัมพันธ์ของข้อมูลได้มากแ
เ ง า ง ง
1

ページ16:

.
Clustering คือe:ไร ?
mran
-
การแบ่งประชากรหรือจุกพังผลออกเป็นกลุ่ม เพื่อให้คุกขอพูดในกลุ่มเดียวก็พอได้ตามคาดกันจุดข้อมูลในกลุ่มเก็บเป็น
และไม่กล้ากลิงกันทุกข้อมูลอื่นในกาฝรั่งโดยทั่วไปแล้ว จักกลุ่มกิจการนามวัตถุมกรมการกง และกามแตกต่า
ระหว่างเทÀหัน
(Dimensionality Reduction)
37.J
- ลดานาน และใช้ตัวของ โดยทำการแปลงตกร่วนที่ไม่เกี่ยวข้องเกี่ยวข้องห่วงว่านาน ร่านที่ไม่ดียว
ลูกมีข้อมูลทำให้ใช้หลังจากที่ต้องลง ใช้ melissa sales Ex. บาท ไม่มามิติ ต้องใช้เวลานานโด มาพ
แสงแดดมิติ ใช้เวลาห์ คง
กระจกประกอบหลัก Principal Component Analysis CPCA)
-
with Featured extraction 11914 Chupervised learning Algorithm in 174A
ข้อมูลที่ยังไม่ได้ผ่านการแปลง
ผ่านการ คุณลักษณ
aninão 3 00 (Component)
ทอด
File
Selected Data-
Data
Datal
Before data
Before data
PCA
ข้อมูล ผ่านการแปลคุณลักษณะ
anino 200 (Component)
**
Preprocess
Preprocessed Data
-Data
"
After data
After data

ページ17:

• K-Means
-
-
Algorithm Unsupervised Learning ritualsy
กำหนดการวง กลุ่มและงานกรม Centroid) คอมแต่ละกลุ่มก่อน จาก พระบบจะคำนวนระยะห่างข้อมูลกับจุดผาง
0.0
0.0
A Centroids
mm Centroid : Educational
-Means
Predictions
Interactive-Means
Silhouette Plot
Interactive Mans-Orange
Recompute Centro Sp
Random Simulation
STAD Ge
จริยธรรมในเทล Data Mining
D
-
.
0 คน วิกรานต์ และให้ข้อมูลอย่างเหมาะสม เช่น กรรมและกาหลี รองเท้าของข้อมูล
- ไม่ละเมิดความเป็นส่วนตัว
- ไม่สร้างความสั่งขายต่อบุคคลหรือกลุ่มคน
- ไม่ใช้ข้อมูลเพื่อเปรียบหรือเอกปฏิบัติ
ข้อจำกัดของ AI และการเลี้ยงจากข้อมูล
4. ภาพ ลอนดอน น
11.
Garbage in - Garbage Out CGIGO)"
2. อกของข้อมูล (Core Bias)

ページ18:

3. การ จากกาม ก
.
กด ด ด
m กปฏิ
โก จ ง ใ ห ร โ
me::IS ทามาปั่นส่วน
* ถ้า me in : ข้อมูล / มูลฝies /homมไป
Oil หลักการใช้ Data Mining อย่างรับผิดชอบ
1) ใช้ข้อมูลอย่างโปร่งใส 2) เคารพความเป็นส่วนตัว 3) ตรวจสอบยอง อมูล (4) Desญาณร่วมกับผลวิเคราะห์
น
ก่อนสร้างโมเดล คนเอนว่า
ข้อมูลครอบคลุมทุกกลุ่ม
Han Dita Mining ไม่ก
พัท
การปฏิบัติห
ประสบการณ์
เส้นเลือมูลอะไร
ใช้ทีละโร
ใช้ อมูลเท่าที่จําเป็น
ลา
โคราชัอมูลได้
ปกป้ อมูลคัญ
บร
ว
เกินไปหรือไม่
มีข้อมูลบางกลุ่มน้อย
ความเป็นไปได้ทางธุรกิจ
svo
ความ
8
sls Data Mining อย่างรับผิดชอบ ไม่เพียงช่วยให้ได้ผลที่แม่นยำและน่าเชื่อถือ
เด่นสร้างความ วาจา ก อ ค เ น่าไปสู่การตัดสินใจ นั่งยืน