Sign in Subscribe
Narut Soontranon

Narut Soontranon

Data Science | AI | Machine Learning | Deep Learning
10 แหล่งข้อมูล ใช้ทำ Data Science

10 แหล่งข้อมูล ใช้ทำ Data Science

แหล่งข้อมูลที่เป็นไปได้สำหรับโครงการ Data Science 1) ข้อมูลภายในองค์กร * ข้อมูลธุรกรรม * ระบบ CRM * ERP Platform * ข้อมูลการบริการลูกค้า * ข้อมูลการขาย * ข้อมูลจากเว็บไซต์ * ข้อมูลจาก Mobile App * ข้อมูลจาก Marketing Email * เอกสารภายใน * ข้อมูลพนั
Narut Soontranon
Data Science Use Cases ในองค์กร

Data Science Use Cases ในองค์กร

1. วิเคราะห์ลูกค้า (Customer Analytics) * แบ่งกลุ่มลูกค้า (Customer Segmentation) * หามูลค่าที่ลูกค้าสร้างให้ (Customer Lifetime Value) * ทำลูกค้าค้าที่จะย้ายออก (Churn Prediction) * วิเคราะห์การเดินทางของลูกค้า (Customer Journey Analysis) * วิเคราะห์ความรู้สึก (Sentiment Analysis) * ระบบแนะนำสิ
Narut Soontranon
การพัฒนา AI และ Data Science Model

การพัฒนา AI และ Data Science Model

🤖 กระบวนการพัฒนา AI A. ขั้นตอนการวางแผน * กำหนดวัตถุประสงค์ * ระบุกรณีการใช้งาน * ประเมินความเป็นไปได้ * เลือกแนวทาง AI B. การเตรียมข้อมูล * การเก็บรวบรวมข้อมูล * การทำความสะอาดข้อมูล * การติดป้ายข้อมูล * การเพิ่มข้อมูล C. การพัฒนาโมเดล * การเลือกอัลกอริทึม * การออกแบบสถาปัตยกรรมโมเดล
Narut Soontranon
ความแตกต่างระหว่าง AI และ Data Science

ความแตกต่างระหว่าง AI และ Data Science

AI และ Data Science เป็นคำที่ถูกพูดถึงอยู่บ่อยครั้ง แม้ทั้ง 2 เรื่อง จะมีสิ่งที่ซ้อนทับกันอยู่มาก แต่สามารถแยกความแตกต่างได้ดังนี้ 1) คำจำกัดความและสิ่งที่มุ่งเน้น 🤖 AI (ปัญญาประดิษฐ์) * เน้นการสร้างระบบอัจฉริยะที่เลียนแบบพฤติ
Narut Soontranon
AB Test ในกระบวนการผลิต

AB Test ในกระบวนการผลิต

Data Science ถูกนำไปใช้ในหลายอุตสาหกรรม รวมถึงการเพิ่มประสิทธิภาพในกระบวนการผลิตของโรงงาน (Manufacturing) เพื่อให้แน่ใจว่าผลลัพธ์จาก Data Science Modelได้ดีกว่ากระบวนการเดิม จึงต้องมีการทดสอบเปรียบเทียบ (AB Test) การทำ AB Test สำหรับ Data Science Models ในกระบวนการผลิต 1. กำหนดสมมติฐาน: ระบุให้
Narut Soontranon
ความท้าทายของ AI Journey

ความท้าทายของ AI Journey

องค์กรต่างๆ กำลังปรับตัวไปสู่ AI-Driven Organization เพื่อใช้ประโยชน์จากความก้าวหน้าของ AI ในการสนับสนุนธุรกิจ แต่ก็มีความท้าทายหลากหลายมิติ ที่ต้องคำนึงถึง ความท้าทายหลักๆ ในการพัฒนาและใช้งาน AI ดังนี้ 1. ด้านข้อมูล * คุณภาพและปริมาณข้อมู
Narut Soontranon
LLMs มีประสิทธิภาพดีพอแล้ว?

LLMs มีประสิทธิภาพดีพอแล้ว?

เราจะรู้ได้อย่างไรว่า Large Language Models (LLMs) ที่พัฒนาขึ้น มีประสิทธิภาพดีพอแล้ว? Blog นี้ จะพูดถึงการประเมินประสิทธิภาพของ LLMs พร้อมตัวอย่างการใช้งานและ Python Code import numpy as np from sklearn.metrics import accuracy_score, precision_recall_fscore_support from
Narut Soontranon