# Load the latest version
df = kagglehub.load_dataset(
KaggleDatasetAdapter.PANDAS,
"bravehart101/sample-supermarket-dataset",
file_path,
# Provide any additional arguments like
# sql_query or pandas_kwargs. See the
# documenation for more information:
# https://github.com/Kaggle/kagglehub/blob/main/README.md#kaggledatasetadapterpandas
)
## Sub-Category that make company Loss the most is.
the_most_loss = df.groupby("Sub-Category")['Profit'].sum().sort_values(ascending=True).head()
print(the_most_loss)
รัฐไหน (State) ที่เรามียอดขายเยอะ (Top 10) แต่กำไรกลับติดลบ? (ยอดขายหลอกตาให้รู้สึกว่า Sale เยอะ!)
## the most state most sale but profit less
the_most_state = df.groupby("State")[['Profit','Sales']].sum().sort_values(by='Profit', ascending=True)
print(the_most_state)
Framework สำหรับ Building AI Agents คือการสร้างสิ่งที่ไม่เคยมีมาก่อน ให้เกิดขึ้นมาโดยที่เส้นทางเหล่านั้นสะดวกกับการใช้งาน เพื่อสร้างสิ่งต่างๆได้อย่างใจคิด
Stack App
Stack App คือ Framework ที่ใช้สำหรับสำรวจการทำงานของ AI
AI App -> Model -> Azure AI Foundry
AI App
AI App คือ แอปพลิเคชันที่ผู้ใช้งานอย่างเราโต้ตอบด้วย
Model เป็น อัลกอริทึมที่ถูกฝึกฝนด้วยข้อมูลมหาศาลเพื่อให้มีความสามารถเฉพาะทาง (เช่น เข้าใจภาษา, สร้างภาพ, วิเคราะห์ข้อมูล)
โดยที่ Model พวกนี้คือจุดเริ่มต้นที่เลียนแบบเทคโนโลยีมาใช้ โดยที่จริงแล้ว AI ไม่ฉลาด แต่เลียนแบบมนุษย์ได้ เพื่อโต้ตอบของมนุษย์ได้ โดยการเลียนแบบวิธีการสังเคราะห์ ให้แต่งประโยคได้เหมือนมนุษย์ที่เป็นอุปกรณ์ชื่อ Azure AI Foundry
Azure AI Foundry
เป็น “Catelog” ที่ Microsoft รวบรวมสุดยอด AI Model เก่งๆ จากหลายค่าย (เช่น claude, gemini, OpenAI และของ Microsoft เอง) มาไว้ในที่เดียว เช่น
มี AI Agent ที่สามารถสร้าง Agent เป็น Booking Assistant, เป็น HR Position, เป็น Marketing Position และ brief งาานได้นำมา เพื่อประยุกต์ใช้ในงานต่างๆได้ มอบหมายหน้าที่ได้รับมอบหมาย
Framework of Azure AI Foundry
Framework of Azure AI Foundry
มี 3 รูปแบบ (Patterns) หลักในการสร้างแอปพลิเคชัน Generative AI ซึ่งเป็นแนวคิดพื้นฐานที่เครื่องมืออย่าง Azure AI Foundry ถูกสร้างขึ้นมาเพื่อรองรับครับ โดยมี 3 ระดับของ ความฉลาด และ ความเป็นอิสระ ของ AI จากง่ายไปยาก
Retrieval Pattern
รูปแบบการดึงข้อมูล เป็นการตอบโดยให้ AI ไปค้นหาคำตอบจากหนังสือหรือแหล่งที่มาอื่นๆ
AI “เลือกใช้เครื่องมือ” (Tool Use) ที่จำเป็น เช่น เรียก API ของเว็บจองตั๋ว, ค้นหาเว็บรีวิว, ใช้เครื่องคิดเลข
AI ทำงานเป็น “วงจร” (Loop) จนกว่าเป้าหมายจะสำเร็จ และอาจ “แก้ไข” แผนของตัวเองได้ถ้าระหว่างทางเจอปัญหา
ถ้าหากลองให้ Azure AI Foundry ทำงานดู ก็จะรู้ได้ว่า AI ทำงานผิดพลาดและ AI กำลังเติบโตไปพร้อมๆกับเรา เหมือนกับที่เราผ่าน Computer, Smartphone เพราะปัจจุบันคนต้องการคนที่สร้างและสอน AI อีกมาก
Building Graph-Baesd RAG from documents with python
โดยความเป็นจริงแล้วเบื้องหลังการทำ AI คือไปทำ Search ว่า AI สามารถค้นข้อมูลได้ยังไง
เริ่มต้นจากการได้ฟัง Ad Toy พูดถึง Productivity และฟัง Sean พูดถึงเรื่อง Problem, Solution and Target Profile แล้วตื่นเต้นมาก เพราะไม่ค่อยได้ฟัง Marketing เท่าไร เพราะ Marketing สมัยนี้มักจะพยายามโตด้วยการยิงโฆษณาเยอะ แต่พอได้ฟัง Sean พูดการสร้างเป้าหมายลูกค้าแล้วรู้สึกขนลุกในวิสัยทัศน์ ดังนั้นจึงอยากจะแบ่งปันความรู้ที่ไปฟังที่ งาน Sean & Ad Toy ที่ Co-Working พระราม 9 วันที่ 2 สิงหาคม พ.ศ. 2568
ลองให้ AI ประเมินผลตนเองเพื่อให้วัดประสิทธิภาพของตัวเราเอง
สามารถให้ AI ช่วย Guide ได้เลยว่า Resume ที่ดีหน้าตาเป็นไงยังไง
Purpose and Goals:
Evaluate candidate resumes and profiles for a junior data analyst role based ont he require skills.
Assign a score from 0 to 100, Where 100 represent a perfect match and 0 indicates no match.
Provide a brief justification for the assigned score, highlighting the strengths and weaknesses of the candidate based on the required skills.
Answer the question : ‘Should we proceed to the interview with this candidate? with a ‘yes’ or ‘no’ based on the evaluation
Behaviors and Rules:
a) Carefully review the candidate’s resume and/or professional profile (e.g., Linkedin).
b) Assess the candidate’s proficiency in each of the required skills: Spreadsheets, SQL, Programming (R or Python), Dashbaord Tools (Power BI, Looker, Tableau), Basic Statistics, Basic Machine Learning Knowledge, English and Communication skills.
c) Look for specific examples and quantifiable achievements that demonstarte these skills
Scoring
a) Assign a score out of 100 based on the overall alignment of the candidate’s skills and experience with the required skills.
b) Weigh each required skill according to its importance for a junior data analyst role (e.g. SQL and Spreadsheets might be weighted more heavily than basic machine learning knowledge).
c) Consider the level of proficiency demonstrated for each skill.
Justification:
a) Provide a concise explanation of the assigned score.
b) Highlight the Skills where the candidate demonstrates strong proficiency.
c) Identify any significant gaps or areas where the candidates’s experience is lacking.
d) Use clear and objective language, avoiding subjective opinions or biases.
Overall Tone:
Maintain a professional and objective tone.
Provide constructive feedback
Be concise and to the point in your evaluation
Section Resume
Section นี้ควร 6 Part หลักๆ ดังนี้
โดยมีไฟล์ตัวอย่าง Resume ให้ลองอ่านวิธีการเขียน Resume หรือสร้าง Link Website เพื่อให้ผู้สัมภาาณ์งานสามารถกด link เหล่านั้นได้ ตามแต่ part ได้เลยครับ
เป็นบทความที่เขียนเพื่อที่จะช่วยให้สามารถเข้าใจวิธีการของ Data Analytic เบื้องต้น, ความแตกต่างระหว่าง AGI vs ANI ที่เป็นปัญญาประดิษฐ์ที่มีความสามารถที่แตกต่างกัน รวมทั้งรู้จักความแตกต่างของ Data Engineer vs Data Analyst vs Data Scientist ว่าทำงานแตกต่างกันอย่างไรบ้าง และ Artificial Intelligence vs Machine Learning vs Deep Learning มีการทำงานจากข้อมูลแบบไหน โดยที่สิ่งเหล่านี้จะมีประโยชน์กับการเข้าใจโลกของข้อมูลมากขึ้น
AI คือโลกใหญ่ Machine Learning คือเทคนิคที่ทำให้เราไปถึง AI ได้ Deep learning คือ Algorithm ที่เก่งมาก
Another How to find Case Studies in Chatbot
โดยเราสามารถเรียนรู้เกี่ยวกับเคสเพิ่มเติมของ data science เพิ่มได้จากการพิมพ์ถามจาก ChatGPT หรือ Gemini เพื่อช่วยที่จะเรียนรู้ได้
Prompt : I want to learn more about data science case studies.
can you help me find popular case studies in data science and data analytics. at least 2 case study
Case Study
โดยสรุปแล้ว ความสำคัญของบทความนี้ได้ว่า การเข้าใจกระบวนการ Data Analytic จะช่วยให้เข้าใจเกี่ยวกับ Role อาชีพของ Data และการทำงานของ Machine Learning หรือ AI ด้วยครับ หวังว่าจะได้ผู้อ่านทุกท่านจะได้ประโยชน์จากการอ่านบทความนี้ไม่มากก็น้อยครับ ขอบคุณครับ
หวังว่าจะได้ไอเดียดีๆในการนำหลักการ Business Foundation ทั้ง 10 ข้อ เพื่อศึกษาหาไอเดียที่มีประโยชน์เต่อการการใช้ชีวิตประจำวัน เพื่อปรับปรุงเรียนรู้ธุรกิจได้เข้าใจอย่างถ่องแท้แล้วมีแนวทางใหม่ๆในปรับรูปแบบธุรกิจให้ดียิ่งขึ้น
Game Theory คือการคิดในมุมของคู่แข่งเลย ว่า คู่แข่งกำลังจะทำอะไร แล้วสามารถรับมือกับคู่แข่งยังไงได้บ้าง และ การตัดสินใจเชิงลึก ที่เราคำนึงถึงและวิเคราะห์สถานการณ์จากคู่แข่งหรือผู้อื่น
ดังนั้น P/E Ratio ก็เป็นเหมือน map ที่ Represent จากข้อมูลบริษัททั้งหมด ว่าหุ้นตัวนี้น่าซื้อมั้ย
หากดู Financial Statement ทั้งหมดของบริษัทนึง อาจจะนานไป เผลอๆ อาจไม่ได้ซื้อหุ้นตัวนี้ด้วย เพราะ Data เยอะมาก
Case 3 : Thinking Fast and Slow
Thinking Fast and Slow
Brain
Definition
Sample
First Brain
ระบบคิดเร็ว
ซื้อหุ้นตัวนั้นเพราะชอบ
Second Brain
ระบบคิดแบบวิเคราะห์
วิเคราะห์ข้อมูลเพื่อดูว่าหุ้นน่าซื้อมั้ย
การที่เราจะ Mental Model ที่ดี จะต้องมี Data เยอะเพื่อช่วยให้ตัดสินใจดีขึ้นในอนาคตได้
Model 2 : First Principles Thinking
First Principles Thinking
First principles หรือหลักการคิดขั้นต้น แบบวิธีคิดโดยการแยกแยะปัญหาหรือโจทย์ที่ซับซ้อนให้กลายเป็นองค์ประกอบพื้นฐานที่สุด แล้วทำการวิเคราะห์และสร้างทางออกใหม่จากรากฐานนั้น
First Principle Thinking เกิดมาตั้งแต่ 2500 ปีที่แล้ว
First Principle Thinking เป็นความรู้พื้นฐานบางอย่างที่เราเข้าใจสิ่งเหล่านี้แล้ว สามารถสร้างสรรค์สิ่งใหม่ได้
จะต้องมองไปยังสิ่งๆนั้นเลยว่ามีแก่นเป็นอะไร ที่เป็น Foundation พื้นฐานของมนุษย์
Case 1 : Real-Life Applications
Tesla ไม่ใช่บริษัท ผลิตรถยนต์ แต่เป็นบริษัทที่ผลิตเทคโนโลยี
สมัยก่อน Battery แพง
Battery
จึงตั้งคำถาม First principle ว่า Battery ก้อนนี้ ประกอบไปด้วยอะไรบ้าง
เราต้องใช้วัตถุดิบอะไรบ้างเช่น Carbon, Cobalt, Nickel and another resource
โลกนี้สร้างให้เห็นว่า พฤติกรรมเด็กปัจจุบันไม่สอดคล้องกับธรรมชาติ เนื่องจากเด็กเล่นอยู่ใน Social Media World มากกว่าใน Real World
การปกป้องลูกของพ่อแม่ในยุคปัจจุบัน
Protect Type
World
Overprotect
Real World
Underprotect
Social Media World
How the Great Rewiring of Childhood is Causing An Epidemic of Mental Illness
เรื่องนี้ค่อนข้างจะเกี่ยวข้องกับเด็ก และ GenZ เนื่องจากหนังสือ The Anxious Generation ได้เขียนและวิเคราะห์ว่าปัญหาที่เกิดขึ้นกับสุขภาพจิตนั้นมันเกิดขึ้นจากอะไรบ้าง
How the Great Rewiring of Childhood is Causing an Epidemic of Mental Illness คือ การที่เรามีการเปลี่ยนผ่านยุคของวัยเด็ก กลายเป็นสาเหตุของโรคติดต่อของ Mental Illness ในปัญหา Digital Era นี้เอง
เมื่อปี 2010 จากการแผร่หลายของ Iphone มีผลต่อการสื่อสารและการมีปฎิสัมพันธ์ซึ่งกันและกันในโลกของคนรุ่นใหม่ ทำให้คนรุ่นใหม่สามารถเชื่อมต่อออนไลน์ตลอดเวลา เพราะสามารถเชื่อมต่อ Social Media ได้ง่ายและสะดวกมากกว่ายุคก่อน
EffectIn Year 2016
วัยรุ่น 79% เป็นเจ้าของ SmartPhone
เด็กอายุ 8-12 ปี 28% มีสมาร์ทโฟนใช้
โดยคุณพ่อ คุณแม่ อนุญาตให้ใช้ SmartPhone
EffectIn Year 2022
ระบุ 46% ของวัยรุ่น อยู่ในโลกออนไลน์เกือบตลอดเวลา
ซึ่งเป็นการเปลี่ยนแปลงในโครงสร้างของสังคมวัยเด็กและวัยรุ่น Call The Great Rewiring of Childhood แล้วส่งผลอย่างมาก ต่อ GenZ
Chayanonboo 