107%;font-family:"TH SarabunPSK",sans-serif;mso-fareast-font-family:"Times New Roman";
mso-fareast-theme-font:minor-fareast;mso-ansi-language:EN-US;mso-fareast-language:
EN-US;mso-bidi-language:TH" lang="TH">นักวิทยาศาสตร์ข้อมูล (mso-fareast-font-family:"Times New Roman";mso-fareast-theme-font:minor-fareast;
mso-ansi-language:EN-US;mso-fareast-language:EN-US;mso-bidi-language:TH">Data
Scientist)

N/A

(ก) ความต้องการด้านทักษะ

1. สามารถใช้วิธีการวิเคราะห์และวิธีทางสถิติเพื่อช่วยเตรียมข้อมูลและเลือกข้อมูลได้

2. สามารถใช้เทคนิคและเครื่องมือสำหรับประมวลผลข้อมูลขนาดใหญ่ได้

3. สามารถใช้เทคนิคและเครื่องมือสำหรับประมวลผล SQL หรือ NoSQL หรือที่เกี่ยวข้องได้

(ข) ความต้องการด้านความรู้

1. เข้าใจธุรกิจและวิเคราะห์ข้อมูลให้สอดคล้องกับวัตถุประสงค์ธุรกิจ

(ก) หลักฐานการปฏิบัติงาน (Performance Evidence)

    1. ใบรับรองการปฏิบัติงานจากสถานประกอบการ

 (ข) หลักฐานความรู้ (Knowledge Evidence)

    1. ใบรับรองการเข้ารับการฝึกอบรม

    2. ใบประกาศนียบัตรวุฒิการศึกษา

 (ค) คำแนะนำในการประเมิน

    1. ผู้ประเมินตรวจประเมินเกี่ยวกับการเลือกเทคนิควิธีสำหรับการเรียนรู้แบบมีผู้สอน โดยพิจารณาจากร่องรอยหลักฐานที่เกี่ยวข้องทั้งหลักฐานการปฏิบัติงาน และหลักฐานความรู้

(ง) วิธีการประเมิน

    1. พิจารณาตามหลักฐานการปฏิบัติงาน

    2. พิจารณาตามหลักฐานความรู้

(ก) คำแนะนำ

    หน่วยสมรรถนะนี้เป็นการเลือกเทคนิคต่าง ๆ ของการสร้างแบบจำลองแบบมีผู้สอนอย่างสอดคล้องกับปัญหาขององค์กรและข้อมูล รวมทั้งเครื่องมือช่วยต่าง ๆ ได้อย่างเหมาะสม

 (ข) คำอธิบายรายละเอียด

    1. การเข้าใจเทคนิคการวิเคราะห์แบบมีผู้สอน (Supervised Learning)

Supervised Learning หรือการเรียนรู้แบบมีผู้สอน เป็นศาสตร์แขนงหนึ่งใน AI หรือปัญญาประดิษฐ์ ภายใต้หัวข้อ Machine Learning คือการทำให้คอมพิวเตอร์สามารถหาคำตอบของปัญหาได้เอง ภายหลังจากเรียนรู้จากชุดข้อมูลตัวอย่างไปแล้วระยะหนึ่ง เป็นการเน้นการเรียนรู้จากข้อมูลในอดีต เพื่อสร้างเป็นแบบจำลองหรือแบบจำลองเพื่อทำนาย หรือคาดการณ์สิ่งที่จะเกิดในอนาคต โดยแบบจำลองหรือแบบจำลองอาจเป็นสมการคณิตศาสตร์ หรือกฎต่าง ๆ โดยแบ่งเป็นกลุ่มใหญ่ ๆ ดังนี้

1) การจำแนกข้อมูล (Classification) 

2) การวิเคราะห์การถดถอย (Regression)

   2. การจำแนกข้อมูล (Classification)  คือกระบวนการสร้างแบบจำลองจัดการข้อมูลให้อยู่ในกลุ่มที่กำหนดมาให้จากกลุ่มตัวอย่างข้อมูลที่เรียกว่าข้อมูลสอนระบบ (Training data) ที่แต่ละแถวของข้อมูลประกอบด้วยฟิลด์หรือแอทริบิวท์จำนวนมาก แอทริบิวท์นี้อาจเป็นค่าต่อเนื่อง (Continuous) หรือค่ากลุ่ม (Categorical) โดยจะมีแอทริบิวท์แบ่ง (Classifying attribute) ซึ่งเป็นตัวบ่งชี้คลาสของข้อมูล จุดประสงค์ของการจำแนกประเภทข้อมูลคือการสร้างแบบจำลองการแยกแอทริบิวท์หนึ่งโดยขึ้นกับแอทริบิวท์อื่น แบบจำลองที่ได้จากการจำแนกประเภทข้อมูลจะทำให้สามารถพิจารณาคลาสในข้อมูลที่ยังมิได้แบ่งกลุ่มในอนาคตได้ ตัวอย่างเทคนิคการจำแนกข้อมูลพื้นฐานมีดังนี้

    1) Decision Tree คือแบบจำลองทางคณิตศาสตร์ที่ใช้ทำนายประเภท โดยพิจารณาจากลักษณะของวัตถุ เป็นกระบวนการสร้างต้นไม้ขึ้นเพื่อใช้ในการตัดสินใจจากข้อมูลที่มีหมวดหมู่ ต้นไม้ตัดสินใจจะประกอบไปด้วยโหนดต่าง ๆ 

    2) การเข้าใจเทคนิคการวิเคราะห์ SVM

ซัพพอร์ตเวกเตอร์แมชชีน (Support Vector Machines : SVM) เป็นตัวแบบที่ใช้ในการแยกแยะข้อมูล โดยจะแบ่งข้อมูลด้วยระนาบหลายมิติ ซึ่งมีความใกล้เคียงกับ ANN 

    หลักการของ SVM คือการให้อินพุท (Input) ที่ใช้ฝึก (Train) เป็นเวคเตอร์ในสเปซ N มิติ เช่นถ้าในกรณีของ 2 มิติ และ 3 มิติ จะเป็นจุดที่อยู่ในระนาบ xy และสเปซ xyz ตามลำดับ จากนั้นทำการสร้างไฮเปอร์เพลน (Hyperplane) เพื่อแยกกลุ่มของเวคเตอร์อินพุตออกเป็นประเภทต่าง ๆ ในกรณีที่เป็น 2 มิติ และ 3 มิติ ไฮเปอร์เพลน คือเส้นตรงและระนาบตามลำดับ 

    3) การเข้าใจเทคนิคการวิเคราะห์ ANN (MLP)

Artificial Neural Networks (ANN) นับเป็นสาขาหนึ่งของปัญญาประดิษฐ์ (Artificial Intelligence, AI) มี Artificial Neurons ที่สามารถเรียนรู้ได้โดยใช้หลักการเช่นเดียวกับสมองมนุษย์ เรียนรู้โดยการปรับค่า Connection Weight เพื่อให้ได้ผลลัพธ์ที่มีความคลาดเคลื่อน (Error) น้อยที่สุด 

  3.  การวิเคราะห์ถดถอย (Regression) 

การทำนายค่าเชิงตัวเลขโดยการใช้หลักการทางสถิติที่เรียกว่า การถดถอย (regression) ซึ่ง Regression Analysis ถือเป็นเครื่องมือทางสถิติที่มีการประยุกต์ใช้ในการประมวลผลข้อมูลในงานวิจัยค่อนข้างมาก การวิเคราะห์การถดถอยจะเป็นแบบจำลองสำหรับการหาความสัมพันธ์ระหว่าง “predictor variable” ซึ่งเป็นค่าในแอทริบิวต่าง ๆที่ใช้ในการอธิบายคุณลักษณะของข้อมูลเรคคอร์ดหนึ่งๆ กับ “response variable”

   เทคนิคการวิเคราะห์ที่จัดอยู่ในกลุ่ม Regression มีหลายเทคนิค โดยมีเทคนิคที่สำคัญคือ

    1) Linear Regression 

    2) non-Linear Regression 

  4. เครื่องมือช่วยการวิเคราะห์ และการทำเหมืองข้อมูล (Data mining) มีหลากหลาย โดยมีโปรแกรมที่สำคัญดังนี้

    1) โปรแกรม Weka, RapidMiner 

    2) ภาษา R, Python, Java

1 เครื่องมือประเมินการจำแนกเทคนิคการเรียนรู้แบบมีผู้สอนแบบต่าง ๆตามข้อกำหนดมาตรฐาน

  1. ผลข้อสอบข้อเขียน

    ดูรายละเอียดจากคู่มือประเมิน

.2 เครื่องมือประเมินการเลือกใช้เทคนิคการวิเคราะห์แบบมีผู้สอนแบบการจำแนกข้อมูล (Classification) ด้วยเทคนิค Decision Tree ตามข้อกำหนดมาตรฐาน

  1. แบบฟอร์มประเมินผลการสัมภาษณ์

  2. ผลข้อสอบข้อเขียน

    ดูรายละเอียดจากคู่มือประเมิน

.3 เครื่องมือประเมินการเลือกใช้เทคนิคการวิเคราะห์แบบมีผู้สอนแบบการจำแนกข้อมูล (Classification) ด้วยเทคนิค SVM ตามข้อกำหนดมาตรฐาน

   1. แบบฟอร์มประเมินผลการสัมภาษณ์

   2. ผลข้อสอบข้อเขียน

     ดูรายละเอียดจากคู่มือประเมิน

4 เครื่องมือประเมินการเลือกใช้เทคนิคการวิเคราะห์แบบมีผู้สอนแบบการจำแนกข้อมูล (Classification) ด้วยเทคนิค ANN ตามข้อกำหนดมาตรฐาน

   1. แบบฟอร์มประเมินผลการสัมภาษณ์

   2. ผลข้อสอบข้อเขียน

     ดูรายละเอียดจากคู่มือประเมิน

5 เครื่องมือประเมินการเลือกใช้เทคนิคการวิเคราะห์แบบมีผู้สอนแบบการวิเคราะห์การถดถอย (Regression) ด้วยเทคนิค Linear Regression ตามข้อกำหนดมาตรฐาน

  1. แบบฟอร์มประเมินผลการสัมภาษณ์

  2. ผลข้อสอบข้อเขียน

   ดูรายละเอียดจากคู่มือประเมิน

6 เครื่องมือประเมินการสื่อสารในระหว่างการดำเนินงานตามข้อกำหนดมาตรฐาน

  1. แบบฟอร์มประเมินผลการสัมภาษณ์

  2. ผลข้อสอบข้อเขียน

    ดูรายละเอียดจากคู่มือประเมิน