สถิติเป็นรากฐานสำคัญของ Data Science ช่วยให้เราสามารถประมาณค่าและสรุปผลจากข้อมูลตัวอย่างได้อย่างแม่นยำ ผ่านแนวคิด เช่น Point Estimation, Bayesian Estimation และ Confidence Intervals ขณะเดียวกัน Statistical Inference (กระบวนการใช้ข้อมูลตัวอย่างเพื่อสรุปหรือคาดการณ์เกี่ยวกับประชากร) เช่น Hypothesis Testing, P-value และ Effect Size ช่วยให้เราสามารถวิเคราะห์ข้อมูลและตัดสินใจได้อย่างมีหลักการในด้านการเปรียบเทียบตัวแปรและประเมินโมเดล ANOVA, Average Treatment Effect (ATE) และ Goodness-of-Fit Test มีบทบาทสำคัญในการวิเคราะห์ความสัมพันธ์ของตัวแปรและตรวจสอบความเหมาะสมของโมเดล สิ่งเหล่านี้เป็นทักษะสำคัญสำหรับการวิเคราะห์ข้อมูลเชิงลึกและพัฒนาโมเดลที่มีประสิทธิภาพ

ตัดสินใจจากข้อมูล โดยไม่ถูกตบตาด้วยสถิติแบบผิด ๆ

เชื่อว่าทุกคนเคยเรียนสถิติกันมาตั้งแต่เด็ก และทุกวันนี้ก็อาจใช้งานมันอยู่ด้วย แต่เราอาจจะใช้มันอย่างผิด ๆ เพราะไม่ได้เข้าใจจริงๆว่าสิ่งที่ทำอยู่ตอนนี้คืออะไรกันแน่ โดยเฉพาะอย่างยิ่งสำหรับคนที่อยากเป็น Data Science ที่ต้องทำงานกับข้อมูลจำนวนมาก ถ้าหากใช้งานสถิติแบบผิดๆ อาจจะนำไปสู่การตัดสินใจที่ผิดพลาดโดยไม่รู้ตัวด้วยซ้ำ

เพราะการใช้สถิติในการตัดสินใจทางธุรกิจและงานวิจัยต้องอาศัยความเข้าใจที่ถูกต้อง มิฉะนั้นอาจถูกชี้นำด้วยการตีความผิด ๆ เช่น การใช้ค่าเฉลี่ยโดยไม่พิจารณาการกระจายของข้อมูล หรือสับสนระหว่าง ความสัมพันธ์ (Correlation) กับเหตุและผล (Causation) นอกจากนี้ การเลือกใช้ P-value อย่างเคร่งครัดโดยไม่คำนึงถึง Effect Size หรือความสำคัญทางปฏิบัติ อาจทำให้ตัดสินใจผิดพลาด รวมถึงการ ใช้ข้อมูลที่มีขนาดตัวอย่างเล็กเกินไป เช่น การรับประกันปริมาณของนมกล่องที่มากเกินจริงจากการวัดเพียงไม่กี่ตัวอย่าง ดังนั้น การตัดสินใจจากข้อมูลที่น่าเชื่อถือจำเป็นต้องพิจารณาบริบทของข้อมูล วิธีการวิเคราะห์ และตรวจสอบความถูกต้องของข้อสรุปเสมอ

Statistics for Data Science เรียนรู้สถิติ ในงานด้าน Data Science

ในคอร์สนี้เราจะพาทุกคนไปเรียนรู้สถิติที่ไม่ใช่แค่เข้าใจแต่นำไปใช้ได้จริงในงานด้าน Data Science ที่จะจะพาคุณไปเข้าใจไม่ใช่แค่รู้ทฤษฎี เพื่อให้เลือกใช้เครื่องมือทางสถิติได้อย่างรู้เรื่อง และไม่ถูกตบตาด้วยสถิติแบบผิด ๆ อีกต่อไป โดยเฉพาะถ้าคุณอยากจะเป็น Data Scientist คอร์สนี้ เหมาะอย่างยิ่งสำหรับคุณ เพราะคุณจะได้เข้าใจในพื้นฐานทางสถิติที่จะถูกนำไปใช้ในการวิเคราะห์และ ทดสอบสมมติฐาน รวมไปถึงการตัดสินใจทางธุรกิจ

โดยปูพื้นฐาน สถิติที่จำเป็นสำหรับ Data Science เริ่มตั้งแต่แนวคิดเรื่องความไม่แน่นอน การสุ่มตัวอย่าง ช่วงความเชื่อมั่น และการทำ Hypothesis Testing โดยอธิบายความหมายของ Buzzword ต่าง ๆ ที่คุณอาจจะเคยได้ยินหรือเคยใช้ แต่ยังไม่แน่ใจว่าจริง ๆ แล้วมันคืออะไรกันแน่ ไม่ว่าจะเป็น MLE, p-value, Bootstrapping, Average treatment effect หรือ chi square test

ทั้งหมดนี้จะทำให้คุณกลายเป็นคนที่ “อ่าน” และ “ตีความข้อมูล”ได้อย่างถูกต้อง เข้าใจเบื้องหลังของโมเดล และการวัดผลต่าง ๆ และสามารถใช้ข้อมูลเพื่อสนับสนุนการตัดสินใจได้อย่างมั่นใจ เพื่อให้คนที่ไม่เคยเรียนเรื่องนี้มาก่อนก็ยังสามารถเข้าใจได้ ส่วนคนที่เคยเรียนมาแล้วก็เหมือนกับได้กลับมาทบทวนความรู้อีกครั้ง และช่วยเติมเต็มความเข้าใจ และเตรียมความพร้อมสำหรับงาน Data Science แบบไม่ใช่แค่ทำตามกันไป เพียงเพราะจำๆกันมา

คอร์สนี้เหมาะสําหรับ

• ผู้ที่ทํางานในตำแหน่ง Data Analyst หรือตำแหน่งงานอื่นที่คล้ายกัน เพราะความเข้าใจในสถิติและการทดสอบสมมติฐานจะช่วยให้วิเคราะห์ข้อมูล และสื่อสารผลลัพธ์ได้แม่นยำขึ้น
• Machine Learning Engineers / Data Scientists หลักการ Estimation และ Hypothesis Testing จะช่วยสร้างโมเดลที่แม่นยำ และเชื่อถือได้ในการพัฒนา AI
• Software Developers สร้างอัลกอริธึม การวิเคราะห์ข้อมูลที่มีประสิทธิภาพและเข้าใจโมเดล AI ที่นำไปใช้งานจริง
• นักวิจัยที่สนใจด้าน DATA หรือ AI ก้าวแรกที่สำคัญในการเข้าใจ แบบจำลองทางสถิติ และการวิเคราะห์ข้อมูลเชิงลึกเพื่อทำงานวิจัย
• นักเรียน นักศึกษา ปูพื้นฐานเรื่อง Estimation, P-value, และการทดสอบสมมติฐาน เพื่อเข้าใจแนวคิดทางสถิติก่อนศึกษาด้าน AI และ Data Science

หลังจบคอร์สนี้คุณจะ

• สามารถประมาณค่าพารามิเตอร์ของประชากรจากข้อมูลตัวอย่าง การเลือกตัวประมาณที่ดี การประเมินความแม่นยำ และการสร้างช่วงความเชื่อมั่น
• ตั้งสมมติฐาน การทดสอบเพื่อตรวจสอบว่าข้อมูลสนับสนุนสมมติฐานหรือไม่ การประเมินความผิดพลาด และการวัดขนาดของผลกระทบได้เอง
• วิเคราะห์ความแปรปรวนเพื่อเปรียบเทียบค่าเฉลี่ยระหว่างกลุ่ม การทดสอบความเหมาะสมของแบบจำลอง การทดสอบการแจกแจงแบบปกติ และการทดสอบความสัมพันธ์เชิงเส้น