Data-Science-For-Beginners/translations/th/1-Introduction/01-defining-data-science

ประเภทของข้อมูล

อย่างที่เราได้กล่าวไปแล้ว ข้อมูลมีอยู่ทุกที่ เราแค่ต้องจับมันให้ถูกวิธี! การแยกแยะระหว่าง ข้อมูลที่มีโครงสร้าง และ ข้อมูลที่ไม่มีโครงสร้าง เป็นสิ่งที่มีประโยชน์ ข้อมูลที่มีโครงสร้างมักจะถูกนำเสนอในรูปแบบที่มีโครงสร้างชัดเจน เช่น ตารางหรือหลายตาราง ในขณะที่ข้อมูลที่ไม่มีโครงสร้างเป็นเพียงชุดของไฟล์ บางครั้งเรายังสามารถพูดถึง ข้อมูลกึ่งโครงสร้าง ซึ่งมีโครงสร้างบางส่วนที่อาจแตกต่างกันไปอย่างมาก

มีโครงสร้าง	กึ่งโครงสร้าง	ไม่มีโครงสร้าง
รายชื่อคนพร้อมเบอร์โทรศัพท์ของพวกเขา	หน้าของ Wikipedia พร้อมลิงก์	ข้อความของสารานุกรม Britannica
อุณหภูมิในทุกห้องของอาคารในทุกนาทีตลอด 20 ปีที่ผ่านมา	ชุดบทความวิชาการในรูปแบบ JSON พร้อมผู้เขียน วันที่เผยแพร่ และบทคัดย่อ	ไฟล์แชร์ที่มีเอกสารขององค์กร
ข้อมูลอายุและเพศของทุกคนที่เข้ามาในอาคาร	หน้าเว็บ	วิดีโอสดจากกล้องวงจรปิด

แหล่งข้อมูล

มีแหล่งข้อมูลมากมาย และคงเป็นไปไม่ได้ที่จะระบุทั้งหมด! อย่างไรก็ตาม เรามาพูดถึงสถานที่ทั่วไปที่คุณสามารถหาข้อมูลได้:

• ข้อมูลที่มีโครงสร้าง
  • Internet of Things (IoT) รวมถึงข้อมูลจากเซ็นเซอร์ต่าง ๆ เช่น เซ็นเซอร์อุณหภูมิหรือแรงดัน ซึ่งให้ข้อมูลที่มีประโยชน์มากมาย ตัวอย่างเช่น หากอาคารสำนักงานติดตั้งเซ็นเซอร์ IoT เราสามารถควบคุมการทำความร้อนและแสงสว่างโดยอัตโนมัติเพื่อลดค่าใช้จ่าย
  • แบบสำรวจ ที่เราขอให้ผู้ใช้กรอกหลังการซื้อสินค้าหรือหลังการเยี่ยมชมเว็บไซต์
  • การวิเคราะห์พฤติกรรม เช่น การเข้าใจว่าผู้ใช้เข้าไปในเว็บไซต์ลึกแค่ไหน และเหตุผลทั่วไปที่ทำให้ผู้ใช้ออกจากเว็บไซต์
• ข้อมูลที่ไม่มีโครงสร้าง
  • ข้อความ สามารถเป็นแหล่งข้อมูลที่อุดมไปด้วยข้อมูลเชิงลึก เช่น คะแนนความรู้สึกโดยรวม หรือการดึงคำสำคัญและความหมายเชิงความหมาย
  • ภาพ หรือ วิดีโอ วิดีโอจากกล้องวงจรปิดสามารถใช้ประเมินการจราจรบนถนน และแจ้งเตือนผู้คนเกี่ยวกับการจราจรติดขัด
  • Logs ของเซิร์ฟเวอร์เว็บสามารถใช้เพื่อเข้าใจว่าหน้าใดของเว็บไซต์ที่มีการเยี่ยมชมบ่อยที่สุด และใช้เวลานานแค่ไหน
• ข้อมูลกึ่งโครงสร้าง
  • กราฟเครือข่ายสังคม สามารถเป็นแหล่งข้อมูลที่ดีเกี่ยวกับบุคลิกภาพของผู้ใช้และประสิทธิภาพในการเผยแพร่ข้อมูล
  • เมื่อเรามีภาพถ่ายจำนวนมากจากงานปาร์ตี้ เราสามารถลองดึงข้อมูล พลวัตของกลุ่ม โดยการสร้างกราฟของคนที่ถ่ายภาพร่วมกัน

เมื่อรู้แหล่งข้อมูลที่เป็นไปได้ต่าง ๆ คุณสามารถลองคิดถึงสถานการณ์ต่าง ๆ ที่เทคนิควิทยาศาสตร์ข้อมูลสามารถนำไปใช้เพื่อเข้าใจสถานการณ์ได้ดีขึ้น และปรับปรุงกระบวนการทางธุรกิจ

สิ่งที่คุณสามารถทำได้กับข้อมูล

ในวิทยาศาสตร์ข้อมูล เรามุ่งเน้นไปที่ขั้นตอนต่าง ๆ ของการเดินทางของข้อมูล:

แน่นอนว่า ขึ้นอยู่กับข้อมูลจริง บางขั้นตอนอาจหายไป (เช่น เมื่อเรามีข้อมูลอยู่ในฐานข้อมูลแล้ว หรือเมื่อเราไม่จำเป็นต้องฝึกโมเดล) หรือบางขั้นตอนอาจถูกทำซ้ำหลายครั้ง (เช่น การประมวลผลข้อมูล)

การแปลงเป็นดิจิทัลและการเปลี่ยนแปลงทางดิจิทัล

ในทศวรรษที่ผ่านมา ธุรกิจหลายแห่งเริ่มเข้าใจถึงความสำคัญของข้อมูลในการตัดสินใจทางธุรกิจ เพื่อใช้หลักการวิทยาศาสตร์ข้อมูลในการดำเนินธุรกิจ สิ่งแรกที่ต้องทำคือรวบรวมข้อมูลบางอย่าง กล่าวคือ แปลงกระบวนการทางธุรกิจให้อยู่ในรูปแบบดิจิทัล ซึ่งเรียกว่า การแปลงเป็นดิจิทัล การใช้เทคนิควิทยาศาสตร์ข้อมูลกับข้อมูลนี้เพื่อเป็นแนวทางในการตัดสินใจสามารถนำไปสู่การเพิ่มประสิทธิภาพอย่างมาก (หรือแม้กระทั่งการเปลี่ยนแปลงธุรกิจ) ซึ่งเรียกว่า การเปลี่ยนแปลงทางดิจิทัล

ลองพิจารณาตัวอย่าง สมมติว่าเรามีหลักสูตรวิทยาศาสตร์ข้อมูล (เช่นหลักสูตรนี้) ที่เราสอนออนไลน์ให้กับนักเรียน และเราต้องการใช้วิทยาศาสตร์ข้อมูลเพื่อปรับปรุงหลักสูตร เราจะทำได้อย่างไร?

เราสามารถเริ่มต้นด้วยการถามว่า "อะไรที่สามารถแปลงเป็นดิจิทัลได้?" วิธีที่ง่ายที่สุดคือการวัดเวลาที่นักเรียนแต่ละคนใช้ในการทำแต่ละโมดูลให้เสร็จ และวัดความรู้ที่ได้รับโดยการให้แบบทดสอบแบบเลือกตอบหลังจากแต่ละโมดูล โดยการเฉลี่ยเวลาที่ใช้ในการทำโมดูลให้เสร็จในหมู่นักเรียนทั้งหมด เราสามารถค้นหาได้ว่าโมดูลใดที่ทำให้นักเรียนมีความยากลำบากมากที่สุด และทำงานเพื่อทำให้มันง่ายขึ้น คุณอาจแย้งว่าวิธีนี้ไม่ใช่วิธีที่เหมาะสมที่สุด เพราะโมดูลอาจมีความยาวต่างกัน อาจจะยุติธรรมกว่าถ้าแบ่งเวลาโดยพิจารณาจากความยาวของโมดูล (ในจำนวนตัวอักษร) แล้วเปรียบเทียบค่าที่ได้แทน เมื่อเราเริ่มวิเคราะห์ผลของการทดสอบแบบปรนัย เราสามารถพยายามระบุแนวคิดที่นักเรียนมีปัญหาในการทำความเข้าใจ และใช้ข้อมูลนั้นเพื่อปรับปรุงเนื้อหาได้ ในการทำเช่นนั้น เราจำเป็นต้องออกแบบการทดสอบในลักษณะที่แต่ละคำถามเชื่อมโยงกับแนวคิดหรือส่วนความรู้เฉพาะ

หากเราต้องการวิเคราะห์ในเชิงลึกยิ่งขึ้น เราสามารถวางแผนเปรียบเทียบเวลาที่ใช้ในแต่ละโมดูลกับกลุ่มอายุของนักเรียนได้ เราอาจพบว่าในบางกลุ่มอายุใช้เวลานานเกินไปในการทำโมดูลให้เสร็จ หรือว่านักเรียนบางคนเลิกเรียนก่อนที่จะทำโมดูลเสร็จ ข้อมูลนี้สามารถช่วยให้เราแนะนำอายุที่เหมาะสมสำหรับโมดูล และลดความไม่พอใจของผู้เรียนที่เกิดจากความคาดหวังที่ไม่ตรงกัน

🚀 ความท้าทาย

ในความท้าทายนี้ เราจะพยายามค้นหาแนวคิดที่เกี่ยวข้องกับสาขาวิทยาศาสตร์ข้อมูล (Data Science) โดยการดูจากข้อความ เราจะนำบทความจาก Wikipedia เกี่ยวกับวิทยาศาสตร์ข้อมูลมาดาวน์โหลดและประมวลผลข้อความ จากนั้นสร้างแผนภาพคำ (Word Cloud) เช่นตัวอย่างนี้:

ไปที่ notebook.ipynb เพื่ออ่านโค้ด คุณยังสามารถรันโค้ดและดูว่ามันทำการแปลงข้อมูลแบบเรียลไทม์ได้อย่างไร

หากคุณไม่ทราบวิธีการรันโค้ดใน Jupyter Notebook ลองดู บทความนี้

แบบทดสอบหลังการบรรยาย

งานที่ได้รับมอบหมาย

• งานที่ 1: แก้ไขโค้ดด้านบนเพื่อค้นหาแนวคิดที่เกี่ยวข้องกับสาขา Big Data และ Machine Learning
• งานที่ 2: คิดเกี่ยวกับสถานการณ์ในวิทยาศาสตร์ข้อมูล

เครดิต

บทเรียนนี้ถูกเขียนขึ้นด้วย ♥️ โดย Dmitry Soshnikov

---

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้