# วิทยาศาสตร์ข้อมูลในโลกแห่งความจริง |  ](../../sketchnotes/20-DataScience-RealWorld.png) | | :--------------------------------------------------------------------------------------------------------------: | | วิทยาศาสตร์ข้อมูลในโลกแห่งความจริง - _Sketchnote โดย [@nitya](https://twitter.com/nitya)_ | เราใกล้จะถึงจุดสิ้นสุดของการเดินทางแห่งการเรียนรู้นี้แล้ว! เราเริ่มต้นด้วยการนิยามวิทยาศาสตร์ข้อมูลและจริยธรรม สำรวจเครื่องมือและเทคนิคต่าง ๆ สำหรับการวิเคราะห์และการแสดงผลข้อมูล ทบทวนวงจรชีวิตของวิทยาศาสตร์ข้อมูล และดูวิธีการขยายและทำงานอัตโนมัติของเวิร์กโฟลว์วิทยาศาสตร์ข้อมูลด้วยบริการคลาวด์ คุณอาจสงสัยว่า _"แล้วเราจะนำสิ่งที่เรียนรู้ทั้งหมดนี้ไปใช้ในบริบทของโลกแห่งความจริงได้อย่างไร?"_ ในบทเรียนนี้ เราจะสำรวจการประยุกต์ใช้วิทยาศาสตร์ข้อมูลในอุตสาหกรรมต่าง ๆ และเจาะลึกตัวอย่างเฉพาะในบริบทของการวิจัย มนุษยศาสตร์ดิจิทัล และความยั่งยืน เราจะดูโอกาสในโครงการนักศึกษาและสรุปด้วยแหล่งข้อมูลที่เป็นประโยชน์เพื่อช่วยให้คุณเดินหน้าต่อไปในเส้นทางการเรียนรู้ของคุณ! ## แบบทดสอบก่อนการบรรยาย [แบบทดสอบก่อนการบรรยาย](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/38) ## วิทยาศาสตร์ข้อมูล + อุตสาหกรรม ด้วยการทำให้ AI เข้าถึงได้ง่ายขึ้น นักพัฒนาจึงสามารถออกแบบและผสานการตัดสินใจที่ขับเคลื่อนด้วย AI และข้อมูลเชิงลึกที่ขับเคลื่อนด้วยข้อมูลเข้าสู่ประสบการณ์ผู้ใช้และเวิร์กโฟลว์การพัฒนาได้ง่ายขึ้น ต่อไปนี้คือตัวอย่างบางส่วนของการประยุกต์ใช้วิทยาศาสตร์ข้อมูลในโลกแห่งความจริงในอุตสาหกรรมต่าง ๆ: * [Google Flu Trends](https://www.wired.com/2015/10/can-learn-epic-failure-google-flu-trends/) ใช้วิทยาศาสตร์ข้อมูลเพื่อเชื่อมโยงคำค้นหากับแนวโน้มของไข้หวัด แม้ว่าวิธีการนี้จะมีข้อบกพร่อง แต่ก็ช่วยเพิ่มความตระหนักถึงความเป็นไปได้ (และความท้าทาย) ของการคาดการณ์ด้านสุขภาพที่ขับเคลื่อนด้วยข้อมูล * [UPS Routing Predictions](https://www.technologyreview.com/2018/11/21/139000/how-ups-uses-ai-to-outsmart-bad-weather/) - อธิบายว่า UPS ใช้วิทยาศาสตร์ข้อมูลและการเรียนรู้ของเครื่องเพื่อคาดการณ์เส้นทางที่เหมาะสมที่สุดสำหรับการจัดส่ง โดยคำนึงถึงสภาพอากาศ รูปแบบการจราจร กำหนดเวลาการจัดส่ง และอื่น ๆ * [NYC Taxicab Route Visualization](http://chriswhong.github.io/nyctaxi/) - ข้อมูลที่รวบรวมโดยใช้ [กฎหมายเสรีภาพในการเข้าถึงข้อมูล](https://chriswhong.com/open-data/foil_nyc_taxi/) ช่วยให้เห็นภาพหนึ่งวันในชีวิตของแท็กซี่ในนิวยอร์กซิตี้ ช่วยให้เราเข้าใจว่าพวกเขานำทางในเมืองที่วุ่นวายอย่างไร รายได้ที่พวกเขาได้รับ และระยะเวลาของการเดินทางในแต่ละช่วง 24 ชั่วโมง * [Uber Data Science Workbench](https://eng.uber.com/dsw/) - ใช้ข้อมูล (เกี่ยวกับสถานที่รับและส่ง ระยะเวลาการเดินทาง เส้นทางที่นิยม ฯลฯ) ที่รวบรวมจากการเดินทางของ Uber หลายล้านครั้ง *ต่อวัน* เพื่อสร้างเครื่องมือวิเคราะห์ข้อมูลที่ช่วยในเรื่องการกำหนดราคา ความปลอดภัย การตรวจจับการฉ้อโกง และการตัดสินใจด้านการนำทาง * [Sports Analytics](https://towardsdatascience.com/scope-of-analytics-in-sports-world-37ed09c39860) - มุ่งเน้นไปที่ _การวิเคราะห์เชิงพยากรณ์_ (การวิเคราะห์ทีมและผู้เล่น - เช่น [Moneyball](https://datasciencedegree.wisconsin.edu/blog/moneyball-proves-importance-big-data-big-ideas/) - และการจัดการแฟนคลับ) และ _การแสดงผลข้อมูล_ (แดชบอร์ดทีมและแฟน เกม ฯลฯ) ด้วยการประยุกต์ใช้ เช่น การสรรหาผู้มีความสามารถ การพนันกีฬา และการจัดการสินค้าคงคลัง/สถานที่จัดงาน * [วิทยาศาสตร์ข้อมูลในธนาคาร](https://data-flair.training/blogs/data-science-in-banking/) - เน้นคุณค่าของวิทยาศาสตร์ข้อมูลในอุตสาหกรรมการเงินด้วยการประยุกต์ใช้ตั้งแต่การสร้างแบบจำลองความเสี่ยงและการตรวจจับการฉ้อโกง ไปจนถึงการแบ่งกลุ่มลูกค้า การคาดการณ์แบบเรียลไทม์ และระบบแนะนำ การวิเคราะห์เชิงพยากรณ์ยังขับเคลื่อนมาตรการสำคัญ เช่น [คะแนนเครดิต](https://dzone.com/articles/using-big-data-and-predictive-analytics-for-credit) * [วิทยาศาสตร์ข้อมูลในด้านสุขภาพ](https://data-flair.training/blogs/data-science-in-healthcare/) - เน้นการประยุกต์ใช้ เช่น การถ่ายภาพทางการแพทย์ (เช่น MRI, X-Ray, CT-Scan) จีโนมิกส์ (การจัดลำดับ DNA) การพัฒนายา (การประเมินความเสี่ยง การคาดการณ์ความสำเร็จ) การวิเคราะห์เชิงพยากรณ์ (การดูแลผู้ป่วยและโลจิสติกส์การจัดหา) การติดตามและป้องกันโรค ฯลฯ  เครดิตภาพ: [Data Flair: 6 Amazing Data Science Applications ](https://data-flair.training/blogs/data-science-applications/) ภาพนี้แสดงโดเมนและตัวอย่างอื่น ๆ สำหรับการประยุกต์ใช้เทคนิควิทยาศาสตร์ข้อมูล ต้องการสำรวจการประยุกต์ใช้อื่น ๆ หรือไม่? ดูที่ส่วน [Review & Self Study](../../../../6-Data-Science-In-Wild/20-Real-World-Examples) ด้านล่าง ## วิทยาศาสตร์ข้อมูล + การวิจัย |  ](../../sketchnotes/20-DataScience-Research.png) | | :---------------------------------------------------------------------------------------------------------------: | | วิทยาศาสตร์ข้อมูล & การวิจัย - _Sketchnote โดย [@nitya](https://twitter.com/nitya)_ | ในขณะที่การประยุกต์ใช้ในโลกแห่งความจริงมักมุ่งเน้นไปที่กรณีการใช้งานในอุตสาหกรรมในระดับใหญ่ การประยุกต์ใช้และโครงการ _การวิจัย_ สามารถเป็นประโยชน์จากสองมุมมอง: * _โอกาสในการสร้างนวัตกรรม_ - สำรวจการสร้างต้นแบบอย่างรวดเร็วของแนวคิดขั้นสูงและการทดสอบประสบการณ์ผู้ใช้สำหรับแอปพลิเคชันรุ่นถัดไป * _ความท้าทายในการปรับใช้_ - ตรวจสอบอันตรายที่อาจเกิดขึ้นหรือผลกระทบที่ไม่ได้ตั้งใจของเทคโนโลยีวิทยาศาสตร์ข้อมูลในบริบทของโลกแห่งความจริง สำหรับนักศึกษา โครงการวิจัยเหล่านี้สามารถให้โอกาสในการเรียนรู้และการทำงานร่วมกันที่ช่วยปรับปรุงความเข้าใจในหัวข้อ และขยายความตระหนักและการมีส่วนร่วมกับบุคคลหรือทีมที่เกี่ยวข้องในพื้นที่ที่สนใจ ตัวอย่างหนึ่งคือ [MIT Gender Shades Study](http://gendershades.org/overview.html) โดย Joy Buolamwini (MIT Media Labs) พร้อม [งานวิจัยสำคัญ](http://proceedings.mlr.press/v81/buolamwini18a/buolamwini18a.pdf) ที่ร่วมเขียนโดย Timnit Gebru (ขณะนั้นอยู่ที่ Microsoft Research) ซึ่งมุ่งเน้นไปที่: * **อะไร:** วัตถุประสงค์ของโครงการวิจัยคือ _ประเมินอคติที่มีอยู่ในอัลกอริทึมและชุดข้อมูลการวิเคราะห์ใบหน้าอัตโนมัติ_ ตามเพศและประเภทผิว * **ทำไม:** การวิเคราะห์ใบหน้าใช้ในบริบทต่าง ๆ เช่น การบังคับใช้กฎหมาย ความปลอดภัยในสนามบิน ระบบการจ้างงาน และอื่น ๆ ซึ่งการจัดประเภทที่ไม่ถูกต้อง (เช่น เนื่องจากอคติ) อาจก่อให้เกิดอันตรายทางเศรษฐกิจและสังคมต่อบุคคลหรือกลุ่มที่ได้รับผลกระทบ การทำความเข้าใจ (และกำจัดหรือบรรเทา) อคติเป็นกุญแจสำคัญในความเป็นธรรมในการใช้งาน * **อย่างไร:** นักวิจัยตระหนักว่ามาตรฐานที่มีอยู่ใช้ตัวอย่างที่มีผิวสีอ่อนเป็นส่วนใหญ่ และได้รวบรวมชุดข้อมูลใหม่ (ภาพกว่า 1,000 ภาพ) ที่ _สมดุลมากขึ้น_ ตามเพศและประเภทผิว ชุดข้อมูลนี้ถูกใช้เพื่อประเมินความแม่นยำของผลิตภัณฑ์การจัดประเภทเพศสามรายการ (จาก Microsoft, IBM และ Face++) ผลลัพธ์แสดงให้เห็นว่าแม้ความแม่นยำโดยรวมจะดี แต่มีความแตกต่างที่สังเกตได้ในอัตราความผิดพลาดระหว่างกลุ่มย่อยต่าง ๆ โดย **การระบุเพศผิดพลาด** สูงกว่าในผู้หญิงหรือบุคคลที่มีผิวสีเข้ม ซึ่งบ่งชี้ถึงอคติ **ผลลัพธ์สำคัญ:** เพิ่มความตระหนักว่าวิทยาศาสตร์ข้อมูลต้องการ _ชุดข้อมูลที่เป็นตัวแทนมากขึ้น_ (กลุ่มย่อยที่สมดุล) และ _ทีมที่ครอบคลุมมากขึ้น_ (ภูมิหลังที่หลากหลาย) เพื่อรับรู้และกำจัดหรือบรรเทาอคติเหล่านี้ในโซลูชัน AI ตั้งแต่เนิ่น ๆ **ต้องการเรียนรู้เกี่ยวกับความพยายามวิจัยที่เกี่ยวข้องใน Microsoft หรือไม่?** * ดู [โครงการวิจัยของ Microsoft](https://www.microsoft.com/research/research-area/artificial-intelligence/?facet%5Btax%5D%5Bmsr-research-area%5D%5B%5D=13556&facet%5Btax%5D%5Bmsr-content-type%5D%5B%5D=msr-project) ในด้านปัญญาประดิษฐ์ * สำรวจโครงการนักศึกษาจาก [Microsoft Research Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/) * ดูโครงการ [Fairlearn](https://fairlearn.org/) และ [Responsible AI](https://www.microsoft.com/en-us/ai/responsible-ai?activetab=pivot1%3aprimaryr6) ## วิทยาศาสตร์ข้อมูล + มนุษยศาสตร์ |  ](../../sketchnotes/20-DataScience-Humanities.png) | | :---------------------------------------------------------------------------------------------------------------: | | วิทยาศาสตร์ข้อมูล & มนุษยศาสตร์ดิจิทัล - _Sketchnote โดย [@nitya](https://twitter.com/nitya)_ | มนุษยศาสตร์ดิจิทัล [ถูกนิยาม](https://digitalhumanities.stanford.edu/about-dh-stanford) ว่าเป็น "การรวบรวมแนวปฏิบัติและวิธีการที่ผสมผสานวิธีการคำนวณกับการสืบสวนทางมนุษยศาสตร์" โครงการ [Stanford](https://digitalhumanities.stanford.edu/projects) เช่น _"rebooting history"_ และ _"poetic thinking"_ แสดงให้เห็นถึงความเชื่อมโยงระหว่าง [มนุษยศาสตร์ดิจิทัลและวิทยาศาสตร์ข้อมูล](https://digitalhumanities.stanford.edu/digital-humanities-and-data-science) - โดยเน้นเทคนิค เช่น การวิเคราะห์เครือข่าย การแสดงข้อมูลเชิงพื้นที่และข้อความ ที่ช่วยให้เราทบทวนชุดข้อมูลทางประวัติศาสตร์และวรรณกรรมเพื่อค้นพบมุมมองใหม่ ๆ *ต้องการสำรวจและขยายโครงการในพื้นที่นี้หรือไม่?* ดู ["Emily Dickinson and the Meter of Mood"](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671) - ตัวอย่างที่ยอดเยี่ยมจาก [Jen Looper](https://twitter.com/jenlooper) ที่ตั้งคำถามว่าเราสามารถใช้วิทยาศาสตร์ข้อมูลเพื่อทบทวนบทกวีที่คุ้นเคยและประเมินความหมายและผลงานของผู้เขียนในบริบทใหม่ได้อย่างไร ตัวอย่างเช่น _เราสามารถคาดการณ์ฤดูกาลที่บทกวีถูกเขียนขึ้นโดยการวิเคราะห์โทนหรืออารมณ์ของมันได้หรือไม่_ - และสิ่งนี้บอกอะไรเราเกี่ยวกับสภาพจิตใจของผู้เขียนในช่วงเวลานั้น? เพื่อหาคำตอบ เราจะปฏิบัติตามขั้นตอนของวงจรชีวิตวิทยาศาสตร์ข้อมูล: * [`การเก็บรวบรวมข้อมูล`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#acquiring-the-dataset) - เพื่อรวบรวมชุดข้อมูลที่เกี่ยวข้องสำหรับการวิเคราะห์ ตัวเลือกได้แก่การใช้ API (เช่น [Poetry DB API](https://poetrydb.org/index.html)) หรือการดึงข้อมูลจากหน้าเว็บ (เช่น [Project Gutenberg](https://www.gutenberg.org/files/12242/12242-h/12242-h.htm)) โดยใช้เครื่องมืออย่าง [Scrapy](https://scrapy.org/) * [`การทำความสะอาดข้อมูล`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#clean-the-data) - อธิบายวิธีการจัดรูปแบบ ขจัดสิ่งรบกวน และทำให้ข้อความง่ายขึ้นโดยใช้เครื่องมือพื้นฐาน เช่น Visual Studio Code และ Microsoft Excel * [`การวิเคราะห์ข้อมูล`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#working-with-the-data-in-a-notebook) - อธิบายวิธีการนำเข้าชุดข้อมูลเข้าสู่ "Notebooks" เพื่อการวิเคราะห์โดยใช้แพ็กเกจ Python (เช่น pandas, numpy และ matplotlib) เพื่อจัดระเบียบและแสดงข้อมูล * [`การวิเคราะห์อารมณ์`](https://gist.github.com/jlooper/ce4d102efd057137bc000db796bfd671#sentiment-analysis-using-cognitive-services) - อธิบายวิธีการผสานบริการคลาวด์ เช่น Text Analytics โดยใช้เครื่องมือแบบ low-code เช่น [Power Automate](https://flow.microsoft.com/en-us/) สำหรับเวิร์กโฟลว์การประมวลผลข้อมูลอัตโนมัติ ด้วยเวิร์กโฟลว์นี้ เราสามารถสำรวจผลกระทบของฤดูกาลต่ออารมณ์ของบทกวี และช่วยให้เราสร้างมุมมองของเราเองเกี่ยวกับผู้เขียน ลองทำด้วยตัวคุณเอง - จากนั้นขยายโน้ตบุ๊กเพื่อถามคำถามอื่น ๆ หรือแสดงข้อมูลในรูปแบบใหม่! > คุณสามารถใช้เครื่องมือบางอย่างใน [Digital Humanities toolkit](https://github.com/Digital-Humanities-Toolkit) เพื่อดำเนินการสำรวจเหล่านี้ ## วิทยาศาสตร์ข้อมูล + ความยั่งยืน |  ](../../sketchnotes/20-DataScience-Sustainability.png) | | :---------------------------------------------------------------------------------------------------------------: | | วิทยาศาสตร์ข้อมูล & ความยั่งยืน - _Sketchnote โดย [@nitya](https://twitter.com/nitya)_ | [วาระ 2030 เพื่อการพัฒนาที่ยั่งยืน](https://sdgs.un.org/2030agenda) - ซึ่งได้รับการรับรองโดยสมาชิกสหประชาชาติทั้งหมดในปี 2015 - ระบุเป้าหมาย 17 ข้อ รวมถึงเป้าหมายที่มุ่งเน้นไปที่ **การปกป้องโลก** จากการเสื่อมโทรมและผลกระทบของการเปลี่ยนแปลงสภาพภูมิอากาศ โครงการ [Microsoft Sustainability](https://www.microsoft.com/en-us/sustainability) สนับสนุนเป้าหมายเหล่านี้โดยสำรวจวิธีที่โซลูชันเทคโนโลยีสามารถสนับสนุนและสร้างอนาคตที่ยั่งยืนมากขึ้น โดยมุ่งเน้นไปที่ [4 เป้าหมาย](https://dev.to/azure/a-visual-guide-to-sustainable-software-engineering-53hh) - การลดคาร์บอน การเพิ่มน้ำ การลดของเสียให้เป็นศูนย์ และความหลากหลายทางชีวภาพภายในปี 2030 การจัดการกับความท้าทายเหล่านี้ในลักษณะที่ปรับขยายได้และทันเวลาต้องการการคิดในระดับคลาวด์และข้อมูลขนาดใหญ่ โครงการ [Planetary Computer](https://planetarycomputer.microsoft.com/) มี 4 องค์ประกอบเพื่อช่วยนักวิทยาศาสตร์ข้อมูลและนักพัฒนาในความพยายามนี้: * [Data Catalog](https://planetarycomputer.microsoft.com/catalog) - มีข้อมูลระบบโลกในระดับเพตะไบต์ **โครงการ Planetary Computer อยู่ในช่วงพรีวิว (ณ เดือนกันยายน 2021)** - นี่คือวิธีที่คุณสามารถเริ่มต้นมีส่วนร่วมในการแก้ปัญหาด้านความยั่งยืนด้วยวิทยาศาสตร์ข้อมูล * [ขอสิทธิ์การเข้าถึง](https://planetarycomputer.microsoft.com/account/request) เพื่อเริ่มต้นการสำรวจและเชื่อมต่อกับเพื่อนร่วมงาน * [สำรวจเอกสารประกอบ](https://planetarycomputer.microsoft.com/docs/overview/about) เพื่อทำความเข้าใจชุดข้อมูลและ API ที่รองรับ * สำรวจแอปพลิเคชัน เช่น [Ecosystem Monitoring](https://analytics-lab.org/ecosystemmonitoring/) เพื่อหาแรงบันดาลใจสำหรับไอเดียแอปพลิเคชัน ลองคิดดูว่าคุณสามารถใช้การแสดงผลข้อมูลเพื่อเปิดเผยหรือขยายข้อมูลเชิงลึกที่เกี่ยวข้องในด้านต่างๆ เช่น การเปลี่ยนแปลงสภาพภูมิอากาศและการตัดไม้ทำลายป่าได้อย่างไร หรือคิดดูว่าข้อมูลเชิงลึกเหล่านี้สามารถนำไปใช้สร้างประสบการณ์ผู้ใช้ใหม่ๆ ที่กระตุ้นการเปลี่ยนแปลงพฤติกรรมเพื่อการใช้ชีวิตที่ยั่งยืนมากขึ้นได้อย่างไร ## วิทยาศาสตร์ข้อมูล + นักศึกษา เราได้พูดถึงการใช้งานในโลกจริงในอุตสาหกรรมและการวิจัย และได้สำรวจตัวอย่างการใช้งานวิทยาศาสตร์ข้อมูลในมนุษยศาสตร์ดิจิทัลและความยั่งยืน แล้วคุณจะสามารถพัฒนาทักษะและแบ่งปันความเชี่ยวชาญของคุณในฐานะผู้เริ่มต้นด้านวิทยาศาสตร์ข้อมูลได้อย่างไร? นี่คือตัวอย่างโครงการวิทยาศาสตร์ข้อมูลสำหรับนักศึกษาเพื่อสร้างแรงบันดาลใจให้คุณ * [MSR Data Science Summer School](https://www.microsoft.com/en-us/research/academic-program/data-science-summer-school/#!projects) พร้อม GitHub [projects](https://github.com/msr-ds3) ที่สำรวจหัวข้อต่างๆ เช่น: - [อคติทางเชื้อชาติในการใช้กำลังของตำรวจ](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2019-replicating-an-empirical-analysis-of-racial-differences-in-police-use-of-force/) | [Github](https://github.com/msr-ds3/stop-question-frisk) - [ความน่าเชื่อถือของระบบรถไฟใต้ดินในนิวยอร์ก](https://www.microsoft.com/en-us/research/video/data-science-summer-school-2018-exploring-the-reliability-of-the-nyc-subway-system/) | [Github](https://github.com/msr-ds3/nyctransit) * [การแปลงวัฒนธรรมวัสดุเป็นดิจิทัล: การสำรวจการกระจายทางเศรษฐกิจและสังคมใน Sirkap](https://claremont.maps.arcgis.com/apps/Cascade/index.html?appid=bdf2aef0f45a4674ba41cd373fa23afc) - จาก [Ornella Altunyan](https://twitter.com/ornelladotcom) และทีมงานที่ Claremont โดยใช้ [ArcGIS StoryMaps](https://storymaps.arcgis.com/) ## 🚀 ความท้าทาย ค้นหาบทความที่แนะนำโครงการวิทยาศาสตร์ข้อมูลที่เหมาะสำหรับผู้เริ่มต้น เช่น [50 หัวข้อ](https://www.upgrad.com/blog/data-science-project-ideas-topics-beginners/) หรือ [21 ไอเดียโครงการ](https://www.intellspot.com/data-science-project-ideas) หรือ [16 โครงการพร้อมโค้ดต้นฉบับ](https://data-flair.training/blogs/data-science-project-ideas/) ที่คุณสามารถแยกส่วนและปรับแต่งได้ และอย่าลืมเขียนบล็อกเกี่ยวกับการเรียนรู้ของคุณและแบ่งปันข้อมูลเชิงลึกกับพวกเราทุกคน ## แบบทดสอบหลังการบรรยาย [แบบทดสอบหลังการบรรยาย](https://purple-hill-04aebfb03.1.azurestaticapps.net/quiz/39) ## การทบทวนและการศึกษาด้วยตนเอง ต้องการสำรวจกรณีการใช้งานเพิ่มเติมหรือไม่? นี่คือตัวอย่างบทความที่เกี่ยวข้อง: * [17 การใช้งานและตัวอย่างวิทยาศาสตร์ข้อมูล](https://builtin.com/data-science/data-science-applications-examples) - กรกฎาคม 2021 * [11 การใช้งานวิทยาศาสตร์ข้อมูลที่น่าทึ่งในโลกจริง](https://myblindbird.com/data-science-applications-real-world/) - พฤษภาคม 2021 * [วิทยาศาสตร์ข้อมูลในโลกจริง](https://towardsdatascience.com/data-science-in-the-real-world/home) - คอลเลกชันบทความ * วิทยาศาสตร์ข้อมูลใน: [การศึกษา](https://data-flair.training/blogs/data-science-in-education/), [การเกษตร](https://data-flair.training/blogs/data-science-in-agriculture/), [การเงิน](https://data-flair.training/blogs/data-science-in-finance/), [ภาพยนตร์](https://data-flair.training/blogs/data-science-at-movies/) และอื่นๆ ## งานที่ได้รับมอบหมาย [สำรวจชุดข้อมูล Planetary Computer](assignment.md) --- **ข้อจำกัดความรับผิดชอบ**: เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI [Co-op Translator](https://github.com/Azure/co-op-translator) แม้ว่าเราจะพยายามให้การแปลมีความถูกต้อง แต่โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้