Search
課程說明
統計資料是你想進入的行業的驅動力嗎？ 你想成為一名市場分析師、商業智慧分析師、資料分析師還是資料科學家？
那你來對地方了！
你將從這門課學到統計資料科學和商業分析並獲得相關的 Excel 樣板！
從這 5 小時的課程，你會學到
✅瞭解統計學的基本原理
✅學習如何處理不同類型的資料
✅如何繪製不同型別的資料
✅計算中心趨勢、不對稱性和可變性的度量
✅計算相關性( correlation )和共變異數( covariance )
✅區分並處理不同類型的發行版
✅估計信賴區間( confidence intervals )
✅進行假設檢驗
✅做出資料驅動的決定
✅瞭解迴歸分析的機制
✅執行迴歸分析
✅使用和理解虛擬變數( dummy variables )
✅理解資料科學所需的概念，即使使用 Python 和 R
https://softnshare.com/statistics-for-data-science-and-business-analysis/
［哲學是愛智慧］「近9成港人相信愈富有愈快樂 惟近8成人缺乏理財規劃」—前半我明又同意，但後半，其實咩叫「缺乏理財規劃」？我買三層樓層住一層炒一層收租係咪「缺乏理財規劃」？
Where Are the Customers' Yachts？理財規劃嗰個有錢過你，你唔覺得有唔妥？（但，佢窮過你，你又覺得佢冇資格教你，又係美斯理論變種）
1. TLDR：「近9成港人相信愈富有愈快樂 惟近8成人缺乏理財規劃」？前半我同意，後半，請問咩叫「理財規劃」？我個個月買金算唔算？佢一定話唔算。正如，咩叫「缺乏」？你幾時都係「缺乏」。你買咗九份人壽（貓嚟的？）十份危疾都仲係「缺乏」，屋企隻倉鼠買咗保險未？
2. 應該寫過好多次，但呢啲話題寫親都有人睇。所以我亦本住Facebook 餵你食垃圾嘅功能，個B鍾意食屎就餵屎佢食。呃收視嘛
3. 上篇（https://fbook.cc/3HUs）同你講咗啲離地嘢，哲學，語理分析，今次嚟啦。「近9成港人相信愈富有愈快樂 惟近8成人缺乏理財規劃」
4. 講前半句先，In general，我當然同意前半句。無數咁多研究做過，文我亦寫過好多。都費事貼，但真係不同研究都話你知，梗係越有錢越快樂，話唔係嘅，只係冇錢嘅人，虛偽嘅人。遠離呢啲人最好。
5. 但亦係舊文寫過，亦乎合經濟學推論（依然有人覺得係冇用），diminishing return嘛，三萬蚊人工當然開心過一萬蚊（你話唔係嘅，你下個月開始畀晒我，然後我洗咗佢影相話你知有幾快樂），三十萬都開心過十萬。但越高，分別就越唔明顯。Rule of thumb，大約講緊係一個月五六萬港紙左右，大約啦。呢個水平之上，條線變得好平，真係多一萬未必快樂好多，但減一萬就好覺！
6. 「近9成港人相信愈富有愈快樂」，9成，同港人，應該冇乜爭議。呢個context下你唔會關心咩叫香港人，計唔計賓妹食唔食酥皮蛋撻（本人唔食，牛油皮萬歲）拎乜護照唔係重點。
7. 至於「富有」，對正常人嚟講，都係well defined，當然係錢。如果有人睇呢句嘢然後同你拗「富有有好多種，心靈富有都係富有」，咁你可以叫佢get a fucking life - 唔係我話心靈富有唔重要，而係，屌你，人地個題擺明係講錢，你咁扭曲都得？呢啲人疏遠為妙。正如我討論「港女以貌取人」，就梗係講你個樣（或者包埋身材，可辯），唔通睇你賓周粗唔粗？而我唔係話賓周唔重要，但人地講樣嘛！賓周都係樣？除非你係一個撚樣（本文金句，大家間低）
8. 當然，「財富」係指人工，定資產，可辯。似乎應該係後者，否則你會落入「李嘉誠好低人工但佢好開心」之類嘅東西
9. 「快樂」，就難搞啲，真係有啲難定義。但我定義（當然你可以不同意，但我會說服你用我定義），至少在呢個句字中，好簡單，他人即地獄，快樂係主觀嘅。你覺得爽，就係爽。既然你可以覺得「人工又高健康又好晚晚食好嘢老婆又乖仔女又生性又多人尊重但心靈都可以好空虛」嘅，咁的確，快樂就係好主觀。你自己話係就係，你有最終決定權。
10. Once 同意咗呢堆嘢，就已經唔難，亦係一般呢啲調查玩嘅嘢—我咪做調查，睇下你有幾多身家，或者人工，再自評下你快樂程度。搵個圖，搞掂。亦係不同研究話「五皮嘢相當快樂再上就分別冇咁大」嘅玩法。
11. 唯獨仲要講嘅係，呢種「愈XX愈XX」嘅句式，幾危險。登登，馳名嘅「鄧小平論」又可以出場。總係有啲撚屌要講，「喂唔係喎我表姐人工高我幾倍但佢好痛若」（佢話痛苦啫，唔通大劉話你知佢有幾爽？）「喂唔係喎我幾年前人工低啲嗰時真係開心啲，都係我自己，有資格講啦？」
12. 呢啲，就係「鄧小平撚」。即係鄧小平食咁撚多煙，但好長命，所以「愈食得多煙愈短命」係錯的，我搵到例子反駁你套嘢！哈哈。 唔好笑，好多人都係咁，只係加多啲術語包裝。
13. 「愈XX愈XX」，其實好簡單，最好放到數學陳述咁，睇correlation 睇 coefficient 睇R-square睇goodness of fit，係呀，「數字唔代表一切」（呢啲叫「一切撚」，有機會再屌）。但，用呢啲陳述嘅好，係大家都講緊同樣嘅嘢。唔存在咩「有例外所以你套嘢錯」，或「車唔中又話例外咁你講晒」。
14. 係好簡單的，我話有個好強嘅正相關之嘛，冇話冇例外，甚至冇話正比例（而你老味好多人連linear同正比例都未識分，香港搞STEM有幾撚好笑又一例證），甚至唔使有causation - 係有錢嘅人先快樂？定快樂嘅人搵到錢？定根本係其他第三因素（我係靚仔靚富二代，或者我DNA超好，自然又多錢有開心）
15. 真係最後，講咗咁多上半句，「近9成港人相信愈富有愈快樂」，其實很好，證明香港人冇我想像中咁弱智—但平時明明個個唔係咁講，證明香港人虛撚偽，把口就個個話唔信（但to be fair，如果我將個問題包裝為「認唔認同錢可以買到快樂？」，結果可能就爭一截，問題設計出術，又一常見嘅套路）
16. 講埋下半句，「惟近8成人缺乏理財規劃」，我就真的醉了，而我不知道what the fuck you are talking about。下半句嘅字，比上半句含糊好多
17. 首先，咩叫「理財規劃」？為將來做打算，OK。但，你估下，在呢篇文嘅context，「我諗住活到四十歲然後燒炭」算唔算「理財規劃」？或者唔好咁極端，「我諗住買樓買樓再買樓」「我個個月出糧去買金」，你估算唔算「理財規劃」？
18. 答案，唔算。因為，係「財富管理集團St. James’s Place Wealth Management Asia發表」。再講白啲，你聽咩埃汾鳩買美股或者月供指數ETF，都唔算「理財規劃」。「只有幫襯我買基金先係！」。真係咁的。
19. 咁所以，你明了，後半句，「缺乏理財規劃」，咩叫「缺乏」？你去問你保險經紀，佢幾撚時都話你缺乏架啦！你隻倉鼠買保險未呀！你本李麗珍寫真絶版啦喎，使唔使投保呀？你幾時都係「缺乏」，直到佢搵夠。而一般，錢係唔夠。
20. 真的，「近9成港人相信愈富有愈快樂 惟近8成人缺乏理財規劃」，前半我同意，後半我就哈哈哈。
21. 不過，明嘅，都話大原則唔阻人搵食。你要明白，好多人（強調，包括我！），係靠販賣恐懼搵食的。真的，好多行業，拆穿咗，最後都係販賣恐懼。你唔幫襯買保險？你就仆街啦，靠你啲仔養你？你想得美。你第時生cancer呀知唔知標靶藥幾貴？快啲買多幾份保險，咁就退休無憂—冇錯，係個保險經紀退休無憂
22. 但留意，我唔係叫人唔好買保險。而係講返，販賣恐懼as I business．呢個本身冇乜咁可恥，我自爆，我都係靠販賣恐懼。我話你知睇我嘅文比別人知得多，本質上係同美國賣軍火畀中東佬差不多—拿，你隔離訂咗新型號啦，你唔買因住唔夠打。政客，KOL，保險地產，甚至男仔溝女，好多時都係販賣恐懼。
23. 如果反應好嘅，又寫下集，講販賣恐懼。不過講真，真係快訂Patreon，呢排啲上客慢咗好多，令我成日心緒不寧。我知係正常現象，「但即係到老咗不舉正常現象，都係會唔開心的」。所以都係支持下，（https://bit.ly/31QmYj7），等我可以安心寫文。是的，有返一千幾百人，我就可以好放心寫文。
＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝
Ivan Patreon 狼耳街華人，一星期至少三篇港美市場評點，其他免費好文推介，每日一圖，仲有FB Page post summary．一個月一舊水唔使，開張兩個月已 600人訂，仲有兩篇免費試睇：https://bit.ly/31QmYj7
＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝
Instagram @ivanliresearch．七成金融（短打）兩成嘢食一成其他嘢。
＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝＝
［收費短片第十擊］人民幣升值受惠股，美股二線科技股揭秘
課程資訊：https://homebloggerhk.com/course_detail/?code=CC010
內容:
*軟件股IPO狂潮
*買平台股好過
*人民幣強勢買咩好?
本星期內特惠售價: $80
課程編號：CC010
觀看期限：首次播放後一星期及限每影片４次
客服whatsapp: 63832145
วันนี้จะขอรีวิวหนังสือ วิทยาการคำนวณชั้นม. ปลาย
วิชาที่ดึงความรู้ป.ตรีสายไอที
มาปูพื้นฐานให้เด็กๆ ทั่วประเทศได้เรียนกัน
.
ซึ่งวิทยาการคำนวณชั้นม.4-5-6 เรียนอะไร? ....โพสต์นี้มีคำตอบ
👉 ม.4 -> ปูพื้นฐานวิทย์คอม ได้แก่ เรียนแนวคิดเชิงคำนวณ, อัลกอริทึม, การทำโครงงาน
👉 ม.5 -> เรียน data science (วิทยาการข้อมูล หรือวิทยาศาสตร์ข้อมูล)
👉 ม.6 -> จะแนวรวมยำเทคโนโลยีให้น้องๆ รู้จัก ตั้งแต่สอนเป็นบล็อกเกอร์ รู้จัก AI, คลาวด์, IoT, AR, การเป็นพลเมืองดิจิตัล , กฏหมายดิจิตัล, การประกอบอาชีพไอที และอื่นๆ (ไม่ยากนะ)
.
===========
รีวิว ม.4
===========
วิทยาการคำนวณ ม.4 มีจำนวน 3 บท
🔥 +++บทที่ 1 แนวคิดเชิงคำนวณ +++++
บทนี้จะสอนแนวคิดเชิงคำนวณ (Computational Thinking) คืออะไร?
ซึ่งใครไม่รู้จักอาจงงเล็กน้อย ถึงปานกลาง
หรือเกิดคำถามคาใจ เรียนไปใช้ทำอะไรครับคุณครู
.
สำหรับแนวคิดเรื่อง Computational Thinking
(เรียกเป็นภาษาอังกฤษดีกว่า)
มีไว้เพื่อใช้แก้ปัญหาในแวดวง “วิทยาศาสตร์คอมพิวเตอร์” 🤩 🤩
จริงๆ แล้วมันไม่ใช่เรื่องแปลกใหม่แต่อย่างใด
.
ถ้าเราได้นั่งเรียนในระดับมหาวิทยาลัย
หรือได้ฝึกเขียนโปรแกรมไปเรื่อยๆ ก็จะใช้แนวคิดนี้โดยธรรมชาติ
อย่างไม่รู้ตัวอยู่แล้วครับ ไม่ต้องไปเรียนที่ไหน
.
นิยามของ Computational Thinking หรือแนวคิดเชิงคำนวณ
จะประกอบด้วยแนวคิดย่อย 4 อย่างดังนี้
1) Algorithm
2) Decomposition
3) Pattern recognition
4) Abstract thinking
.
หลายละเอียดแต่ละหัวข้อก็ตามนี้
👉 1) Algorithm ชื่อไทย “ขั้นตอนวิธี”
Algorithm คือลำดับขั้นตอนในการแก้ปัญหาหรือการทำงานที่ชัดเจน การคิดค้น อธิบายขั้นตอนวิธีในการแก้ปัญหาต่าง ๆ
.
ถ้าเคยเรียนตอนป.ตรี คงรู้จักคำนี้ดีไม่ต้องอธิบายมาก เช่น
-จะคำนวณหาพื้นที่เส้นรอบวง ต้องมีสเตปคำนวณอย่างไรบ้าง
-จะค้นหาข้อมูลแบบ binary search ต้องมีขั้นตอน 1,2,3 อย่างไรบ้าง
-จะหาเส้นทางที่ใกล้สุดในกราฟ ด้วยวิธี Dijkstra จะมีขั้นตอน 1,2,3 อย่างไรบ้าง
.
👉 2) Decomposition ชื่อไทยคือ “การแยกส่วนประกอบ และการย่อยปัญหา”
.
Decomposition เป็นการพิจารณาเพื่อแบ่งปัญหา หรืองานออกเป็นส่วนย่อย ทำให้สามารถจัดการกับปัญหาหรืองานได้ง่ายขึ้น พูดง่ายๆ เอาปัญหามาแยกย่อยออกเป็นส่วนๆ
.
⌨ ตัวอย่างการนำไปใช้ตอนเขียนโปรแกรม
เช่น การเขียนโปรแกรมแยกเป็นส่วนๆ แยกเป็นแพ็กเกจ แยกเป็นโมดูล
หรือทำระบบเป็น services ย่อยๆ หรือมองเป็น layer เป็นต้น
.
👉 3) Pattern recognition ชื่อไทยคือ “การหารูปแบบ”
.
Pattern recognition เป็นทักษะการหาความสัมพันธ์ที่เกี่ยวข้อง แนวโน้ม และลักษณะทั่วไปของสิ่งต่าง ๆ
.
⌨ ตัวอย่างการนำไปใช้ตอนเขียนโปรแกรม
เมื่อมีการทำงานของโปรแกรมที่หลากหลายแบบ
แต่ทว่ามีรูปแบบที่แน่นอนซ้ำๆ กัน
เราสามารถยุบโค้ดมาอยู่ในฟังก์ชั่นเดียวกันได้หรือไม่
หรือเขียนเป็นโปรแกรมวนลูป ให้อยู่ในลูปเดียวกัน เป็นต้น
.
👉 4) Abstract thinking ชือไทย “การคิดเชิงนามธรรม”
.
Abstract thinking เป็นกระบวนการคัดแยกคุณลักษณะที่สำคัญออกจากรายละเอียดปลีกย่อย ในปัญหา หรืองานที่กำลังพิจารณา เพื่อให้ได้ข้อมูลที่จำเป็นและเพียงพอในการแก้ปัญหา
⌨ ตัวอย่างการนำไปใช้ตอนเขียนโปรแกรม
-ก็เช่นการใช้ฟังก์ชั่น โดยเราแค่รู้รายละเอียดว่าฟังก์ชั่นทำงานอะไร ต้องการ input/ouput อะไร แล้วได้ return อะไรกลับมา ส่วนเนื้อหาไส้ในละเอียดเรามองไม่เห็น
.
🔥 +++++ บทที่ 2 การแก้ปัญหาและขั้นตอนวิธี +++++++
บททนี้เขาจะปูพื้นฐานอัลกอริทึมให้กับเด็กครับ ได้แก่
2.1 การแก้ปัญหาด้วยคอมพิวเตอร์
2.2 สอนให้รู้จักระบุข้อมูล input, ouput และเงื่อนไขของปัญหา
2.3 สอนการนำแนวคิด Computational Thinking มาออกแบบอัลกอริทึม
มี flow chart โผล่มาเล็กน้อย
2.4 สอนเรื่องการทำซ้ำ หรือก็คือสอนให้รู้จักวนลูปนั่นเอง
2.5 สอนอัลกอริทึมได้แก่ การจัดเรียงและค้นหาข้อมูล
ภาษาอังกฤษก็คือ อัลกอริทึมสำหรับ sort & search
.
🤓 สำหรับเรื่อง sort ก็จะมี
- selection sort (ชื่อไทย การจัดเรียงแบบเลือก)
- insertion sort (ชื่อไทย การจัดเรียงแบบแทรก)
.
🤓 สำหรับเรื่อง search ก็จะมี
-sequential search (ชื่อไทย การค้นหาแบบลำดับ)
-binary search (ชื่อไทย การค้นหาแบบทวีภาค)
.
ลืมบอกไป Big-O ตอนเรียนป.ตรี ก็โผล่ออกมาแว็บๆ นิดหน่อย
เด็กอาจสงสัยมันคืออะไร เป็นญาติอะไรกับ Big-C เปล่าเนี่ย
.
🔥 ++++ บทที่ 3 การพัฒนาโครงงาน ++++
บทนี้ถ้าสรุปสั้นๆ ก็สอนให้เด็กเขียนเสนอโครงงาน
หรือก็คือเขียน proposal เหมือนตอนเรียน ป. ตรีแหละครับ
.
ถ้าใครจำไม่ได้ ก็จะประมาณว่า การเขียนโครงงานต้องมี
บทที่ 1 บทนำ
บทที่ 2 หลักการ ทฤษฏี และงานที่เกียวข้อง
บทที่ 3 วิธีการดำเนินงาน
บทที่ 4 การทดลองและผลการทดลอง
บทที่ 5 สรุปผล วิเคราะห์ และข้อเสนอแนะ
.
===========
รีวิว ม.5
===========
ในวิชา "วิทยาการคำนวณ" ระดับชั้น ม. 5
ได้ดึงวิชา data science (วิทยาศาสตร์ข้อมูล)
มาปูพื้นฐานให้เด็กๆ ได้เรียนกันแล้ว นับว่าเป็นโชคดี
เพราะวิชาพวกนี้เป็นของสูง กว่าจะสัมผัสก็คงตอนป.ตรี โท เอก
ซึ่งผมจะรีวิวเนื้อหาให้อ่านคร่าวๆ เนื้อหาแบ่งเป็น 4 บท
.
👉 ++++ บทที่ 1 - ข้อมูลมีคุณค่า +++++
.
Data science ในตำราเรียนใช้ชื่อไทยว่า "วิทยาการข้อมูล"
บทนี้จะกล่าวถึง Big Data หรือข้อมูลขนาดใหญ่ที่มีค่ามากมาย
และมีบทบาทมากในยุค 4.0 นี้ ทั้งภาครัฐและเอกชน
.
ถ้านึกไม่ออกก็นึกถึงเวลาเราเล่นเนตค้นหาใน Google จะพบข้อมูลมากมายมหาศาล ซึ่งเราสามารถนำมาใช้ในธุรกิจเราได้ ก็เพราะเหตุนี้ศาสตร์ด้านข้อมูล จึงมีบทบาทสำคัญอย่างมากอย่างยิ่งยวด
.
จึงไม่น่าแปลกใจที่ทำให้อาชีพนักวิทยาศาสตร์ด้านข้อมูล (ชื่ออังกฤษ data scientist) มันมีบทบาทสำคัญ และเป็นอาชีพที่มีเสน่ห์และน่าสนใจที่สุดยุคศตวรรษที่ 21
.
Data science ถ้าตามหนังสือเขาให้นิยามว่า
"เป็นการศึกษาถึงกระบวนการ วิธีการ หรือเทคนิค ในการนำข้อมูลจำนวนมหาศาล มาประมวลผล เพื่อให้ได้องค์ความรู้ เข้าใจปรากฏการณ์หรือตีความ ทำนายหรือพยากรณ์ ค้นหารูปแบบหรือแนวโน้มจากข้อมูล
และสามารถนำมาวิเคราะห์ต่อยอดเพื่อแนะนำทางเลือกที่เหมาะสม หรือใช้ในการตัดสินใจเพื่อประโยชน์สูงสุด"
.
สำหรับงาน Data science เขาจะมีกระบวนตามขั้นตอนดังนี้
- ตั้งคำถามที่ตนเองสนใจ
- เก็บรวบรวมข้อมูล
- การสำรวจข้อมูล
- การวิเคราะห์ข้อมูล (analyze the data)
- การสื่อสารและการทำผลลัพธ์ให้เห็นเป็นภาพ (communicate and visualize the results)
.
🤔 นอกจากนี้เขายังพูดถึง design thinking ...ว่าแต่มันคืออะไร?
ต้องบอกว่างานของนักวิทยาศาสตร์ข้อมูล
มันไม่ได้จบแค่เอาข้อมูลที่เราวิเคราะห์ได้แล้ว
มาโชว์ให้คนอื่นเข้าใจ
.
ยังต้องมีขั้นตอนการออกแบบแอพลิชั่น
ที่ต้องใช้ข้อมูลจากที่เราวิเคราะห์ไปนั่นเอง
ซึ่งคำว่า design thinking มันก็คือความคิดยิ่งนักออกแบบดีๆ นี้เอง
ซึ่งนักวิทยาศาสตร์ข้อมูลควรมีไว้เพื่อออกแบบแอพลิชั่นขั้นสุดท้าย
จะได้ตอบสนองความต้องการผู้ใช้
.
👉 ++++ บทที่ 2 การเก็บรวบรวมและสำรวจข้อมูล +++++
.
บทนี้ก็แค่จะปูพื้นฐาน
2.1 การเก็บรวบรวมข้อมูล
ในบทนี้จะพูดถึงข้อมูลที่เป็นลักษณะทุติยภูมิ
ที่หาได้เกลื่อนเน็ต และเราต้องการรวบรวมมาใช้งาน
2.2 การเตรียมข้อมูล (data preparation)
เนื้อหาก็จะมี
-การทำความสะอาดข้อมูล (data cleansing)
-การแปลงข้อมูล (data transformation)
ในม.5 ไม่มีอะไรมาก แต่ถ้าในระดับมหาลัยจะเจอเทคนิคขั้นสูง เช่น PCA
-การเชื่อมโยงข้อมูล (combining data)
2.3 การสำรวจข้อมูล (data exploration)
พูดถึงการใช้กราฟมาสำรวจข้อมูล เช่น
กราฟเส้น ฮิสโทแกรม แผนภาพกล่อง (box plot) แผนภาพแบบกระจาย (scatter plot)
พร้อมยกตัวอย่างการเขียนโปรแกรมดึงข้อมูลออกมาพล็อตเป็นกราฟจากไฟล์ csv (หรือ xls)
2.4 ข้อมูลส่วนบุคคล
สำหรับหัวข้อนี้ ถ้านักวิทยาศาสตร์ข้อมูลจะนำข้อมูลส่วนบุคคลมาใช้งาน ต้องเก็บเป็นความลับ ห้ามหลุด
.
ซึ่งประเด็นข้อมูลส่วนบุคคล ปัจจุบันมีก็มีร่างพรบ. คุ้มครองข้อมูลส่วนบุคคล ออกมาเรียบร้อยแล้ว
.
.
👉 ++++ บทที่ 3 การวิเคราะห์ข้อมูล ++++
.
แบ่งเป็น 2 ส่วน ได้แก่
.
3.1 การวิเคราะห์เชิงพรรณา (descriptive analytics)
เป็นการวิเคราะห์โดยใช้เลขที่เราร่ำเรียนมาตั้งแต่
- การหาสัดส่วนหรือร้อยละ
- การวัดค่ากลางของข้อมูล พวกค่าเฉลี่ย มัธยฐาน ฐานนิยม
- การหาความสัมพันธ์ของชุดข้อมูล (Correlation) พร้อมตัวอย่างการเขียนโปรแกรมให้ดูง่าย
.
.
3.2 การวิเคราะห์เชิงทำนาย (predictive analytics)
.
- มีการพูดถึงการทำนายเชิงตัวเลข (numeric prediction)
- พูดถึงเทคนิคอย่าง linear regression สมการเส้นตรงที่จะเอาไว้ทำนายข้อมูลในอนาคต
รวมทั้งพูดถึงเรื่อง sum of squared errors
ดูว่ากราฟเส้นตรงมันนาบฟิตไปกับข้อมูลหรือยัง (พร้อมตัวอย่างเขียนโปรแกรม)
- สุดท้ายได้กล่าวถึง K-NN (K-Nearest Neighbors: K-NN) เป็นวิธีค้นหาเพื่อนบ้านใกล้เคียงที่สุด K ตัว สำหรับงาน classification (การแบ่งหมวดหมู่)
***หมายเหตุ*****
linear regression กับ K-NN
นี้ก็คืออัลกอริทึมหนึ่งในวิชา machine learning (การเรียนรู้ของเครื่อง สาขาหนึ่งของ AI)
เด็กสมัยเนี่ยได้เรียนแหละนะ
.
.
👉 +++ บทที่ 4 การทำให้ข้อมูลเป็นภาพและสื่อสารด้วยข้อมูล +++
.
บทนี้ไม่อะไรมาก ลองนึกถึงนักวิทยาศาสตร์ หลังวิเคราะห์ข้อมูลอะไรมาเสร็จสรรพ เหลือขั้นสุดท้ายก็คือ การโชว์ให้คนอื่นดูด้วยการทำ data visualization (เรียกทับศัพท์ดีกว่า)
.
ในเนื้อหาก็จะยกตัวอย่างการใช้ แผนภูมิแท่ง,กราฟเส้น, แผนภูมิวงกลม, แผนการกระจาย
.
สุดท้ายที่ขาดไม่ได้ก็คือการเล่าเรื่องจากข้อมูล (data story telling) พร้อมข้อควระวังเวลานำเสนอข้อมูล
.
.
.
***หมายเหตุนี้ ***
😗 ภาษาโปรแกรมที่ตำราเรียน ม.5 กล่าวถึง และยกตัวอย่างมาให้ดู
ก็ได้แก่ python กับภาษา R
.
สำหรับภาษา R หลายคนอาจไม่คุ้น
คนจบไอทีอาจคุ้นกับ python มากกว่า
แต่ใครมาจากสายสถิติจะคุ้นแน่นอน
เพราะภาษา R นิยมมากในสายงานสถิติ
และสามารถนำมาใช้ในงาน data science ได้ง่ายและนิยมไม่แพ้ python
.
แต่ถ้าคนจาก data science จะขยับไปอีกสายหนึ่งของ AI
ก็คือ deep learning (การเรียนรู้เชิงลึก)
python จะนิยมแบบกินขาดครับ
.
===========
รีวิว ม.6
===========
เนื้อหาแบ่งเป็น 4 บท
👉 บทที่ 1 จะออกแนวสอนการเขียนบล็อก เพื่อเป็นบล็อกเกอร์
เนื้อหา ประกอบด้วย
1.1 องค์ประกอบและรูปแบบพื้นฐานในการสื่อสาร
1.1 เทคนิคและวิธีการแบ่งปันข้อมูล
1.1 ข้อควรระวังในการแบ่งปันข้อมูล
👉 บทที่ 2 อันนี้เด็ดดี
2.1 พูดถึงปัญญาประดิษฐ์ (AI), machine learning, deep learning
2.2 พูดถึงการประมวลผลแบบคลาวด์ (clound computing)
2.3 พูดถึง IoT (Internet of Things: IoT) อินเตอร์เน็ตของสรรพสิ่ง มียกตัวอย่าง smart city
2.4 เทคโนโลยีเสมือนจริง กลาวถึงเรื่อง AR ( Augmented Reality: AR) กับ VR (Virtual Reality: VR)
มีแถมเรื่อง block chain กับ quantum computer
.
แต่เนื้อหาเป็นการเกริ่นๆ เฉยๆ ไม่ได้ลงลึกอะไรมากแบบมหาลัยนะครับ
.
👉 บทที่ 3 พูดถึงการเป็นพลเมืองดิจิทัล
เนื้อหาประกอบไปด้วย
3.1 การเป็นพลเมืองดิจิทัล
3.2 การป้องกันตนเองและผู้อื่น
3.3 กฏหมายและมารยาทในสังคมดิจิทัล
.
👉 บทที่ 4 อาชีพในยุคดิจิทัล
เนื้อหาจะประกอบด้วย
4.1 อาชีพด้านเทคโนโลยีสารสนเทศและการสื่อสาร
4.2 การเปลี่ยนแปลงของเทคโนโลยีกับสังคมและอาชีพ
4.3 ผลกระทบของเทคโนโลยีกับอาชีพ
4.4 การทำงานร่วมกับเครื่องจักรและระบบอัตโนมัติ
สรุปแล้วเนื้อหาม.6
ตามความเห็น อ่านแล้วง่าย มันแค่เป็นการอธิบายภาพ
แต่ถ้าเป็นม.4 กับ ม.5 จะหนักกว่าหน่อย
.
ส่วนเนื้อหา ม.1 ม.2 ม.3 เดี่ยวมาเล่าให้ฟัง
แอบกระซิบบอกมี Python ด้วยแหละ
.
.
✍เขียนโดย โปรแกรมเมอร์ไทย thai programmer
👀 อ้างอิง
- วิทยาการคำนวณม.4
- วิทยาการคำนวณม. 5
- วิทยาการคำนวณม.6
.
.
++++++++++++++++++++++++++++=
ทิ้งท้ายในเมื่อ ม.6 มีพูดถึง AI หรือปัญญาประดิษฐ์
เผื่อน้องๆ สนใจอยากศึกษาเชิงลึก เป็นการปูพื้นฐานเรียนต่อมหาลัยจะได้ไม่งง
+++++ขอประชาสัมพันธ์ (ขายของ)
📔 หนังสือ "ปัญญาประดิษฐ์ (AI) ไม่ยาก" เข้าใจได้ด้วยเลขม. ปลาย (เนื้อหาภาษาไทย)
.
ถ้าสนใจสั่งซื้อเล่ม 1 ก็สั่งซื้อได้ที่ (เล่มอื่นๆ กำลังทยอยตามมา)
👉 https://www.mebmarket.com/web/index.php…
.
ขออภัยยังไม่มีเล่มกระดาษจำหน่าย มีแต่ ebook
.
ส่วนตัวอย่างหนังสือ ก็ดูได้ลิงค์นี้
👉 https://www.dropbox.com/s/fg8l38hc0k9b…/chapter_example.pdf…
ดาวน์โหลด Jupyter Notebook ที่ใช้ในคลิปได้ที่ ► http://bit.ly/2NXzDdS
เชิญสมัครเป็นสมาชิกของช่องนี้ได้ที่ ► https://www.youtube.com/subscription_center?add_user=prasertcbs
สอน Pandas ► https://www.youtube.com/playlist?list=PLoTScYm9O0GGsOHPCeufxCLt-uGU5Rsuj
สอน Jupyter Notebook ► https://www.youtube.com/playlist?list=PLoTScYm9O0GErrygsfQtDtBT4CloRkiDx
สอน Machine learning ► https://www.youtube.com/playlist?list=PLoTScYm9O0GH_3VrwwnQafwWQ6ibKnEtU
สอน Python สำหรับ data science ► https://www.youtube.com/playlist?list=PLoTScYm9O0GFVfRk_MmZt0vQXNIi36LUz
สอน Numpy ► https://www.youtube.com/playlist?list=PLoTScYm9O0GFNEpzsCBEnkUwgAwOu_PWw
สอน matplotlib ► https://www.youtube.com/playlist?list=PLoTScYm9O0GGRvUsTmO8MQUkIuM1thTCf
สอน seaborn ► https://www.youtube.com/playlist?list=PLoTScYm9O0GGC9QvLlrQGvMYatTjnOUwR
สอนภาษาไพธอน Python เบื้องต้น ► https://www.youtube.com/playlist?list=PLoTScYm9O0GH4YQs9t4tf2RIYolHt_YwW
สอนภาษาไพธอน Python OOP ► https://www.youtube.com/playlist?list=PLoTScYm9O0GEIZzlTKPUiOqkewkWmwadW
สอน Python 3 GUI ► https://www.youtube.com/playlist?list=PLoTScYm9O0GFB1Y3cCmb9aPD5xRB1T11y
สอนการใช้งานโปรแกรม R: https://www.youtube.com/playlist?list=PLoTScYm9O0GGSiUGzdWbjxIkZqEO-O6qZ
สอนภาษา R เบื้องต้น ► https://www.youtube.com/playlist?list=PLoTScYm9O0GF6qjrRuZFSHdnBXD2KVIC
#prasertcbs_datascience #prasertcbs #prasertcbs_pandas
ツイッター
https://twitter.com/BreakthroughSSK
【参考文献】
シーナ・アイエンガー（2010）,『選択の科学』, 文藝春秋.
・ Lui, K. F. H., & Wong, A. C. N. Does media multitasking always hurt? A positive correlation between multitasking and multisensory integration. Psychonomic Bulletin & Review. 2012. DOI: 10.3758/s13423-012-0245-7.
・ NPR. Multitasking may not mean higher productivity. Aug. 28 2009.
・ Ophir, E., Nass, C., & Wagner, A. D. (2009). Cognitive control in media multitaskers. Proceedings of the National Academy of Sciences for the United States of America. 2009. doi: 10.1073/pnas.0903620106.
・ Rogers, R. & Monsell, S. (1995). The costs of a predictable switch between simple cognitive tasks. Journal of Experimental Psychology: General. 1995;124:207-231.
・ Rubinstein, Joshua S.; Meyer, David E.; Evans, Jeffrey E. (2001). Executive Control of Cognitive Processes in Task Switching. Journal of Experimental Psychology: Human Perception and Performance. 2001;27(4):763-797.
- การสร้าง Pearson correlation matrix จาก DataFrame
- การแสดงเฉพาะ upper triangle หรือ lower triangle ของ correlation matrix ด้วยการ mask
- การกำหนดค่าแถบสีที่ใช้ในการสร้าง heatmap ในการแสดงข้อมูลที่มีค่าบวกและลบ เช่น ใช้สีเขียวอ่อนไปถึงสีเขียวแก่เพื่อแสดงค่าข้อมูลที่มีค่าบวก โดยใช้สีแดงแสดงค่าติดลบ
ดาวน์โหลด Jupyter Notebook ที่ใช้ในคลิปได้ที่: https://goo.gl/1DsSjT
เชิญสมัครเป็นสมาชิกของช่องนี้ได้ที่ ► https://www.youtube.com/subscription_center?add_user=prasertcbs
สอน seaborn ► https://www.youtube.com/playlist?list=PLoTScYm9O0GGC9QvLlrQGvMYatTjnOUwR
สอน Python สำหรับ data science ► https://www.youtube.com/playlist?list=PLoTScYm9O0GFVfRk_MmZt0vQXNIi36LUz
สอน Jupyter Notebook ► https://www.youtube.com/watch?v=f3CLdRl-zyQ&list=PLoTScYm9O0GErrygsfQtDtBT4CloRkiDx
สอน matplotlib ► https://www.youtube.com/playlist?list=PLoTScYm9O0GGRvUsTmO8MQUkIuM1thTCf
สอนภาษาไพธอน Python เบื้องต้น ► https://www.youtube.com/watch?v=DI7eca5Kzdc&list=PLoTScYm9O0GH4YQs9t4tf2RIYolHt_YwW
สอนภาษาไพธอน Python OOP การเขียนโปรแกรมเชิงวัตถุ ► https://www.youtube.com/watch?v=4bVBSluxJNI&list=PLoTScYm9O0GF_wbU-7layLaSuHjzhIRc9
สอน Python 3 GUI ► https://www.youtube.com/playlist?list=PLoTScYm9O0GFB1Y3cCmb9aPD5xRB1T11y
สอนการใช้งานโปรแกรม R: https://www.youtube.com/watch?v=UaEtZ5XzVeE&list=PLoTScYm9O0GGSiUGzdWbjxIkZqEO-O6qZ
สอนการเขียนโปรแกรมภาษา R: https://www.youtube.com/playlist?list=PLoTScYm9O0GF6qjrRuZFSHdnBXD2KVICp
#prasertcbs_seaborn #prasertcbs_ds #prasertcbs_pandas
Contribute to easystats/correlation development by creating an account on GitHub. ... Methods and Algorithms for Correlation Analysis in R. Journal of Open ... ... <看更多>
From equation (2), because correlation coefficient does not care which comes first, the R2 value would be the same. However, from equation (1), ... ... <看更多>
correlation r 在 Assessing Correlations - UC Business Analytics R ... 的推薦與評價
Assessing Correlations. Correlation is a bivariate analysis that measures the extent that two variables are related (“co-related”) to one another. ... <看更多>