ก้าวแรกสู่สาย Data: เครื่องมือไหนใช้ทำอะไร?
เทคโนโลยีและเครื่องมือสำหรับ Data Scientist สำหรับผู้เริ่มต้น
1. การเก็บข้อมูล (Data Collection)
- SQL / Excel / APIs: ใช้ดึงข้อมูลจากฐานข้อมูลหรือเว็บไซต์
- ตัวอย่าง: ดึงข้อมูลยอดขายจากระบบร้านค้า หรือเว็บราคาหุ้น
2. การเตรียมข้อมูล (Data Preparation)
- Pandas / Excel / Python: ใช้ล้างข้อมูล เช่น ลบค่าว่าง แปลงตัวเลข
- ตัวอย่าง: ลบข้อมูลซ้ำ, แก้ชื่อจังหวัดให้สะกดเหมือนกัน
3. การวิเคราะห์ข้อมูลเบื้องต้น (EDA)
- Matplotlib / Seaborn / Power BI / Tableau: ใช้ทำกราฟเพื่อดูแนวโน้ม
- ตัวอย่าง: กราฟเส้นแสดงยอดขายแต่ละเดือน
4. การสร้างโมเดล (Modeling)
- Scikit-learn / TensorFlow / PyTorch: ใช้สร้างโมเดลทำนาย เช่น ทายยอดขาย, จัดกลุ่มลูกค้า
- ตัวอย่าง: โมเดลบอกว่าใครมีโอกาสซื้อสินค้า
5. การนำไปใช้ (Deployment)
- Flask / FastAPI / Streamlit: ทำให้คนอื่นใช้งานโมเดลผ่านเว็บแอป
- ตัวอย่าง: เว็บที่ให้พนักงานกรอกข้อมูลลูกค้า แล้วบอกว่าควรเสนอสินค้าหรือไม่
6. การจัดการเวอร์ชันและทำงานร่วมกัน
- Git / Jupyter Notebook / Google Colab: บันทึกโค้ด แบ่งปันงานกับทีม
- ตัวอย่าง: แชร์โค้ด Python ให้เพื่อนตรวจสอบ
สำหรับผู้เริ่มต้น แนะนำให้เริ่มจาก Python + Pandas + Matplotlib + Jupyter Notebook ก่อนครับ เพราะเป็นพื้นฐานที่ใช้บ่อยที่สุดในการทำ Data Science
Blog นี้ เขียน ✍🏼 ร่วมกับ ChatGPT โดยใช้ Prompt
ช่วยสรุปเทคโนโลยีและเครื่องมือสำหรับ Data Scientist สำหผู้เริ่มต้นด้วยครับ
หนึ่งในเครื่องมือทรงพลังของ Data Scientist คือ ภาษา Python ผู้สนใจสามารถ Up skill ได้ที่ -> คอร์สเรียน Python ภาษาไทย
Data Analysis with Python การวิเคราะห์ข้อมูลธุรกิจโดยใช้ Python | คอร์สออนไลน์ | SkillLane
เรียนรู้วิธีการวิเคราะห์ข้อมูลด้วย Python ตั้งแต่การนำเข้าข้อมูล ทำความสะอาด วิเคราะห์ข้อมูลเชิงสำรวจ แสดงผลด้วยภาพ เพื่อต่อยอดสู่การสร้าง Predictive Model โดยใช้ Machine Learning หรือ AI ได้
