สร้าง Machine Learning ในองค์กร รวดเร็ว และง่ายมากด้วย RapidMiner

Current Time 0:00

Duration Time 0:00

Progress: NaN%

ราคา

ซื้อคอร์สนี้ : 4,560.00 ฿

เรียนได้ทุกที่ทุกเวลา ตลอดชีพ

เนื้อหาทั้งหมด 56 วิดีโอ ความยาวรวมกัน 5 ชั่วโมง 14 นาที

เรียนรู้และเข้าใจหลักการทำงาน Operators ที่จำเป็นในการสร้าง Machine Learning ประเภทต่าง ๆ ด้วย RapidMiner

ช่วยให้คุณสามารถวิเคราะห์ข้อมูลเบื้องต้นและสร้างกราฟประเภทต่าง ๆ ได้

สอนโดย เจ้าของแฟนเพจ "Opensource Stat Data Mining" ผู้เชี่ยวชาญในการวิเคราะห์ข้อมูล สถิติ และ Data Mining มีประสบการณ์การสอนด้านการวิเคราะห์ข้อมูล มากว่า 10 ปี

เกี่ยวกับคอร์สนี้

สร้าง Machine Learning ในองค์กร รวดเร็ว และง่ายมากด้วย RapidMiner เป็นคอร์สที่จะมาสอนตั้งแต่ผู้เริ่มต้นเรียนรู้ Data Analytic Tool แบบที่ไม่ต้อง Code
- เรียนรู้การใช้ DataPrep และ AutoModel สามารถจัดเตรียมข้อมูลและสร้างโมเดลให้อัตโนมัติด้วย RapidMiner
- เรียนรู้ Workflow operators สำเร็จรูป ระดับมืออาชีพของ RapidMiner ซึ่งเป็นโปรแกรมที่ได้รับความนิยมอันดับต้น ๆ ของโลก
- เรียนรู้ง่าย ผ่านโจทย์ทางธุรกิจ ต่างๆ ที่อยู่ในคอร์ส เช่น การตลาด การขาย งานวิศวกรรม และการวิจัยข้อมูล เพียงคลิก ๆ ลากๆ ได้ผลลัพธ์ทันที

ประโยชน์ที่นักเรียนจะได้รับจากการเรียนวิชานี้
- ทำความเข้าใจหลักการทำงาน Operators ที่จำเป็นในการสร้าง Machine Learning ประเภทต่าง ๆ ด้วย RapidMiner
- เรียนรู้วิธีการนำเข้าข้อมูล การทำความสะอาดข้อมูล การปรับแต่งข้อมูลให้พร้อมสำหรับการวิเคราะห์ต่อไป
- สอนการวิเคราะห์ข้อมูลเบื้องต้นและการสร้างกราฟประเภทต่าง ๆ
- สอนการใช้งาน Auto Prep & Auto Model เพื่อสร้าง ML แบบอัตโนมัติ
- การเรียนรู้ ML แบบ Unsupervised เช่น การจัดกลุ่มและกฎความสัมพันธ์ (Clustering & Association Rule)
- การเรียนรู้ ML แบบ Supervised เช่น Classification ทำนายข้อมูลที่เป็น Target Class

คอร์สนี้เหมาะกับใคร
คอร์สนี้เหมาะสำหรับผู้ที่ต้องการทำงานด้าน Data Analytic & Machine Learning ทั้งในองค์กร และงานวิชาการ ใช้วิจัยข้อมูล หรือ อาจารย์ นักศึกษาใช้ในการเรียนการสอนเรื่อง Data Mining

ผู้สอน

ดร.อมรเทพ ทองชิว

นักวิจัยข้อมูล วิทยากรด้านการวิเคราะห์ข้อมูล ประสบการณ์มากกว่า 15 ปี

หลักสูตรของคอร์สนี้

ดาวน์โหลดเอกสารสำหรับผู้เรียน
ไฟล์ Download สำหรับผู้เรียน	0:10

Pre-Test แบบทดสอบก่อนเรียน

บทที่ 1: Overview for RapidMiner
1. บทนำคอร์ส RapidMiner ดูตัวอย่างฟรี	2:13
2. การติดตั้งโปรแกรม RapidMiner	7:13
3. แนะนำส่วน GUI ของ RapidMiner	4:32
4. แนะนำเมนูคำสั่งต่าง ๆ ของ RapidMiner	3:11
5. การเพิ่มเมนู GUI เพื่อใช้งาน และ Reset Default View	3:10
6. เริ่มสร้าง Process แรก	8:38
7. การสำรวจดู Pattern / Missing Value ข้อมูลผลลัพธ์	7:15
8. แนะนำสภาพแวดล้อมของโปรแกรม RapidMiner	5:19
9. การติดตั้ง Extension ให้ RapidMiner	5:14
10. ถอนการติดตั้ง Extension ออกจาก RapidMiner	3:18

บทที่ 2: Data Access and Preparation
11. การเปิดไฟล์ Excel และบันทึกด้วย RapidMiner	9:02
12. การใช้งาน Turbo Prep & AutoModel (เตรียมข้อมูลและสร้าง Model อัตโนมัติ)	15:16
13. การใช้เครื่องมือ Pivot Table ใน Turbo Prep	5:02
14. การ Merge Table ด้วย Turbo Prep	6:15

บทที่ 3: Machine Learning Basic
15. การสร้าง Workflow Decision Tree แบบง่าย	5:59
16. การสร้าง Workflow ทำ Cross-validation	6:21
17. การเปรียบเทียบ ROCs ในแต่ละ ML	9:42

บทที่ 4: Workshop Data Management
18. แนะนำการจัดการข้อมูลใน RapidMiner ดูตัวอย่างฟรี	2:19
19. สร้าง Repository	1:09
20. เปิดไฟล์ CSV, Excel ด้วย RapidMiner	3:47
21. แนะนำการทำ Data Visualization ใน RapidMiner	3:08
22. การทำ Data Viz ที่จำเป็นสำหรับงาน Machine Learning	8:23
23. การใช้ Operators แทนค่า Missing Value แบบต่าง ๆ	4:03
24. การแบ่งกลุ่มข้อมูล Discretize by Size	3:50
25. การแบ่งกลุ่มข้อมูล Discretize by Binning	2:23
26. การแบ่งกลุ่มข้อมูล Discretize by Frequency	2:04
27. การแบ่งกลุ่มข้อมูล Discretize by User Specification	2:51
28. การแบ่งกลุ่มข้อมูล Discretize by User Entropy	3:15
29. แนะนำ Operators ด้านการสุ่มข้อมูล	1:28
30. การสุ่มแบบ Simple Random	3:54
31. การสุ่มสมดุล (Balance Class) ตามที่ผู้ใช้กำหนด	3:10
32. การสุ่มแบบแบ่งชั้นตาม Target Class	2:57
33. การสุ่มแบบหยิบซ้ำ Bootstrapping	2:46
34. แนะนำการคัดเลือกตัวแปรด้วย Feature Selection	4:19
35. การคัดเลือกตัวแปรด้วย Info Gain	6:33
36. การคัดเลือกตัวแปรดัวย Chi-Square Based	2:59
37. การตรวจสอบข้อมูล Outlier ด้วยการวัดระยะ (Distance)	6:52
38. การตรวจสอบข้อมูล Outlier ด้วยความหนาแน่น (Density)	3:41
39. การตรวจสอบข้อมูล Outlier แบบ Auto Model	5:34

บทที่ 5: Unsupervised Learning (Clustering & Association Rule)
40. แนะนำการใช้งาน Clustering เบื้องต้น ดูตัวอย่างฟรี	6:26
41. การจัดกลุ่มด้วย K-mean และวัดประสิทธิภาพด้วย Anova	4:53
42. การจัดกลุ่มแบบ Auto Model	10:52
43. การจัดกลุ่มลูกค้าแบบ RFM	11:49
44. แนะนำพื้นฐานการใช้กฎความสัมพันธ์ (Association Rule)	9:54
45. การใช้กฎความสัมพันธ์ FP Growth กับข้อมูล Transaction	11:12
46. การใช้กฎความสัมพันธ์กับรูปแบบข้อมูล Dummy ใด ๆ	6:49

บทที่ 6: Supervised Learning (Classification Model)
47. ความรู้เบื้องต้นเกี่ยวกับโมเดลจำแนกประเภท	6:08
48. เปรียบเทียบการทำ Classification 3 Models	10:22
49. เปรียบเทียบ ROCs Curve	6:05
50. การใช้ตัวแบบ Ensemble ช่วยกัน Vote จากหลาย ML	4:43
51. แนะนำประโยชน์ของการใช้ Meta cost ใน Classification	6:25
52. การใช้ Meta Cost กับ Classification ด้วย RapidMiner	4:33
53. การใช้ Auto Model กับ Classification เช่น Fraud Detect หรือ Preventive Maintenance	13:49
54. ปูพื้นฐานการทำ Text Mining	4:37
55. การทำ Text Mining ด้วย RapidMiner	6:14

Post-Test แบบทดสอบหลังเรียน