รายละเอียดกระบวนวิชา

1 คำอธิบายลักษณะกระบวนวิชา (Course Description)

ENG: Introduction to big data. Business problems and data science solutions. Basic tools for data mining. Predictive modelling. Clustering data. Decision analytic thinking. Visualizing model performance. Evidence and probabilities. Text mining.

TH: ความรู้เบื้องต้นเกี่ยวกับอภิมหาข้อมูล ปัญหาทางธุรกิจและการแก้ปัญหาของนักวิทยาศาสตร์ข้อมูล เครื่องมือพื้นฐานสำหรับการทำเหมืองข้อมูล แบบจำลองสำหรับการทำนาย การจัดกลุ่มข้อมูล การคิดวิเคราะห์เพื่อการตัดสินใจ การแสดงผลสมรรถนะของแบบจำลอง พยานหลักฐานและความเป็นไปได้ การทำเหมืองข้อความ

2 ผลลัพธ์การเรียนรู้รายวิชา (CLOs)

CLO คำอธิบาย วิธีการสอน
1 คิดวิเคราะห์เชิงวิพากษ์เกี่ยวกับข้อมูลและการวิเคราะห์ข้อมูล การบรรยาย, กรณีศึกษา, แบบฝึกหัด
2 ระบุโอกาสในการสร้างคุณค่าด้วยการวิเคราะห์เชิงธุรกิจ การบรรยาย, กรณีศึกษา, แบบฝึกหัด
3 ประยุกต์ใช้วิธีการที่เหมาะสมเพื่อดึงความรู้จากข้อมูลขนาดใหญ่ของธุรกิจ การบรรยาย, กรณีศึกษา, แบบฝึกหัด, การฝึกปฏิบัติในห้องแล็บ
4 ประเมินคุณค่าที่เกิดจากการใช้การวิเคราะห์เชิงธุรกิจเพื่อแก้ปัญหาและคว้าโอกาสทางธุรกิจ การบรรยาย, กรณีศึกษา, แบบฝึกหัด

3 ผลลัพธ์การเรียนรู้ของหลักสูตร (PLOs)

PLO คำอธิบาย CLO1 CLO2 CLO3 CLO4
1 สามารถระบุโอกาสและสร้างแนวคิดทางธุรกิจในระดับชาติและนานาชาติได้ โดยประยุกต์ใช้เทคโนโลยีดิจิทัลหรือองค์ความรู้ในสาขาต่าง ๆ ✅ ✅
2 สามารถทดสอบแนวคิดทางธุรกิจ สร้างต้นแบบนวัตกรรม และมีความรู้ความเข้าใจเกี่ยวกับการเริ่มต้นธุรกิจ
3 สามารถวิเคราะห์ทฤษฎีและหลักการของกฎหมายที่เกี่ยวข้องกับธุรกิจ รวมถึงวิเคราะห์และวางแผนการบริหารจัดการองค์กรและการดำเนินธุรกิจโดยใช้เทคโนโลยีดิจิทัลได้ ✅ ✅ ✅
4 สามารถวิเคราะห์ข้อมูลและใช้ผลลัพธ์เพื่อประโยชน์ทางธุรกิจได้ ✅ ✅ ✅
5 มีคุณลักษณะของผู้ประกอบการที่ดี สามารถเรียนรู้ได้ตลอดชีวิตภายใต้บริบทของการเปลี่ยนแปลงทางเทคโนโลยี เศรษฐกิจ และสังคม และมีทักษะการสื่อสารและการประสานงานทั้งภายในและภายนอกองค์กร รวมถึงในบริบททางวัฒนธรรมที่หลากหลายได้อย่างมีประสิทธิภาพ

4 🗓️ ตารางเรียน-สอบ

สัปดาห์ วันที่ เวลา ห้อง หัวข้อ (Topic)
1 จันทร์ 22 มิ.ย. 2569 09:30–11:00 ECB1403 บทที่ 1: ภาพรวมของ Big Data เพื่อธุรกิจ
1 พฤหัสบดี 25 มิ.ย. 2569 09:30–11:00 ECB1403 บทที่ 2: ข้อมูล (Data)
2 จันทร์ 29 มิ.ย. 2569 09:30–11:00 ECB1403 บทที่ 2: ข้อมูล (ต่อ)
2 พฤหัสบดี 2 ก.ค. 2569 09:30–11:00 ECB1403 พิธีไหว้ครู (ไม่มีเรียน)
3 จันทร์ 6 ก.ค. 2569 09:30–11:00 ECB1403 บทที่ 3: บทนำสู่ Big Data
3 พฤหัสบดี 9 ก.ค. 2569 09:30–11:00 ECB1403 บทที่ 4: ปัญหาทางธุรกิจและการแก้ปัญหาด้วย Data Science
4 จันทร์ 13 ก.ค. 2569 09:30–11:00 ECB1403 บทที่ 5: เครื่องมือพื้นฐานสำหรับ Data Mining
4 พฤหัสบดี 16 ก.ค. 2569 09:30–11:00 ECB1403 บทที่ 6: การเตรียมข้อมูล (Data Preparation)
5 จันทร์ 20 ก.ค. 2569 09:30–11:00 ECB1403 บทที่ 6: การเตรียมข้อมูล (ต่อ)
5 พฤหัสบดี 23 ก.ค. 2569 09:30–11:00 ECB1403 บทที่ 7: การสร้างภาพข้อมูล (Data Visualization)
6 จันทร์ 27 ก.ค. 2569 09:30–11:00 ECB1403 ไม่มีเรียน
6 พฤหัสบดี 30 ก.ค. 2569 09:30–11:00 ECB1403 วันเข้าพรรษา (ไม่มีเรียน)
7 จันทร์ 3 ส.ค. 2569 09:30–11:00 ECB1403 บทที่ 7: การสร้างภาพข้อมูล (ต่อ)
7 พฤหัสบดี 6 ส.ค. 2569 09:30–11:00 ECB1403 บทที่ 7: การสร้างภาพข้อมูล (เพิ่มเติม)
8 จันทร์ 10 ส.ค. 2569 09:30–11:00 ECB1403 บทที่ 8: สถิติและความน่าจะเป็น (Part 1)
8 พฤหัสบดี 13 ส.ค. 2569 09:30–11:00 ECB1403 บทที่ 8: สถิติและความน่าจะเป็น (Part 2)
9 17–21 ส.ค. 2569 - - Reading Week (ไม่มีเรียน)
10 24–30 ส.ค. 2569 - - Midterm Examination Week
11 จันทร์ 31 ส.ค. 2569 09:30–11:00 ECB1403 บทที่ 8: สถิติและความน่าจะเป็น (Part 3)
11 พฤหัสบดี 3 ก.ย. 2569 09:30–11:00 ECB1403 บทที่ 8: สถิติและความน่าจะเป็น (Part 4)
12 จันทร์ 7 ก.ย. 2569 09:30–11:00 ECB1403 บทที่ 9: บทนำสู่ Machine Learning
12 พฤหัสบดี 10 ก.ย. 2569 09:30–11:00 ECB1403 บทที่ 10: Supervised Learning – Regression
13 จันทร์ 14 ก.ย. 2569 09:30–11:00 ECB1403 บทที่ 10: Supervised Learning – Classification
13 พฤหัสบดี 17 ก.ย. 2569 09:30–11:00 ECB1403 บทที่ 10: Classification (ต่อ)
14 จันทร์ 21 ก.ย. 2569 09:30–11:00 ECB1403 Evaluation: Accuracy, Precision, Recall, F1-score, ROC-AUC
14 พฤหัสบดี 24 ก.ย. 2569 09:30–11:00 ECB1403 บทที่ 11: Clustering (K-Means)
15 จันทร์ 28 ก.ย. 2569 09:30–11:00 ECB1403 บทที่ 11: Hierarchical Clustering
15 พฤหัสบดี 1 ต.ค. 2569 09:30–11:00 ECB1403 บทที่ 11: DBSCAN (Density-Based Clustering)
16 จันทร์ 5 ต.ค. 2569 09:30–11:00 ECB1403 บทที่ 11: Association Rule
16 พฤหัสบดี 8 ต.ค. 2569 09:30–11:00 ECB1403 บทที่ 12: Text Mining
17 จันทร์ 12 ต.ค. 2569 09:30–11:00 ECB1403 บทที่ 12: Text Mining (ต่อ)
17 พฤหัสบดี 15 ต.ค. 2569 09:30–11:00 ECB1403 สรุปบทเรียนและทบทวนก่อนสอบปลายภาค
18 สอบปลายภาค (ตามปฏิทินมหาวิทยาลัย) - TBA Final Examination

5 หนังสือเรียน / อุปกรณ์ / วัสดุ / เทคโนโลยี หรือข้อกำหนดทางเทคนิค

  1. คอมพิวเตอร์โน้ตบุ๊กหรือคอมพิวเตอร์ตั้งโต๊ะ

  2. Introduction To Data Mining Using Orange | PDF | Cross Validation (Statistics) | Statistical Classification. (2022). From https://file.biolab.si/notes/2018-05-intro-to-datamining-notes.pdf

  3. Agresti, A., & Franklin, C. (2007). The art and science of learning from data. Upper Saddle River, New Jersey, 88. From https://www.libs.uga.edu/reserves/docs/main-spring2017/lutz-stat6220/agresti%20&%20franklin%203e.pdf

  4. Grolemund, H. (2022). Welcome | R for Data Science. From https://r4ds.had.co.nz/

  5. Downey, A. B. (2011). Think stats. ” O’Reilly Media, Inc.”. https://greenteapress.com/wp/think-stats-2e/

  6. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112, p. 18). New York: springer. https://hastie.su.domains/ISLR2/ISLRv2_website.pdf

6 วิธีการประเมินผล

วิธีการประเมินผล ร้อยละ
การเข้าเรียน 10.00
การบ้านก่อนสอบกลางภาค 5 ครั้ง 25.00
การสอบกลางภาค 20.00
การบ้านก่อนสอบหลังสอบกลางภาค 5 ครั้ง 25.00
การสอบปลายภาค 20.00
รวมทั้งหมด 100.00
Importantวิธีการคำนวณคะแนนการเข้าเรียน

ให้ \(K\) แทนจำนวนครั้งที่นักศึกษาขาดเรียนทั้งหมด

\[\text{คะแนนการเข้าเรียน (\%)} = \begin{cases} 10\%, & \text{ถ้า}~K = 0, 1, \text{หรือ } 2 \\ 12 - K\%, & \text{ถ้า}~K = 3, 4, 5, \ldots, 12 \\ 0\%, & \text{ถ้า}~ K > 12 \quad \text{(ได้เกรด F ตามระเบียบของมหาวิทยาลัยเชียงใหม่)} \end{cases}\]

ข้อยกเว้น: การขาดเรียนจะไม่ถูกนับในกรณีต่อไปนี้

  • มีเหตุผลทางการแพทย์และแสดงใบรับรองแพทย์อย่างเป็นทางการ

  • เข้าร่วมกิจกรรมที่เกี่ยวข้องกับมหาวิทยาลัย พร้อมหลักฐานยืนยันที่ถูกต้อง

  • กรณีอื่น ๆ ที่อาจารย์ผู้สอนพิจารณาเห็นสมควร

7 การคำนวณเกรด: อิงเกณฑ์ (Criterion-Referenced)

เกรด ช่วงคะแนน (คะแนนเต็ม) ค่าคะแนนเฉลี่ย (GPA) คำอธิบาย
A 80–100 4.0 ดีเยี่ยม
B+ 75–79 3.5 ดีมาก
B 70–74 3.0 ดี
C+ 65–69 2.5 ดีกว่าปานกลาง
C 60–64 2.0 ปานกลาง
D+ 55–59 1.5 ต่ำกว่าปานกลาง
D 50–54 1.0 อ่อน
F 0–49 0 ไม่ผ่าน

8 หมายเหตุ

  1. นักศึกษาต้องเข้าชั้นเรียนอย่างน้อย 80% ของเวลาเรียนทั้งหมด จึงจะถือว่า “มีสิทธิ์เข้าเรียนครบตามเกณฑ์”

  2. การทุจริตหมายถึงการกระทำที่มีเจตนา หรือพยายามหลอกลวง และ/หรือการกระทำที่ไม่ซื่อสัตย์ในงานทางวิชาการใด ๆ ของมหาวิทยาลัย ผลลัพธ์คือจะได้รับคะแนนเป็นศูนย์สำหรับรายวิชานั้น

  3. นักศึกษาต้องอ่านและปฏิบัติตาม ข้อบังคับของมหาวิทยาลัยเชียงใหม่ เพื่อให้แน่ใจว่าจะไม่กระทำการทุจริตในการสอบ