Python Programming

About

Python Programming

เป็นหลักสูตรที่ดำเนินการภายใต้กลุ่มสาขาวิชาเทคโนโลยีการจัดการระบบสารสนเทศ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหิดล มีวัตถุประสงค์เพื่อจัดทำหลักสูตรที่มีเนื้อหาในการเขียนโปรแกรมภาษาไพธอน (Python) เพื่อช่วยในการทำงานทางด้านวิทยาศาสตร์ข้อมูล หรือ Data Science เพื่อที่จะนำไปใช้ในการทำงาน และประกอบอาชีพ รวมทั้งการพัฒนาธุรกิจให้สามารถรองรับการเปลี่ยนแปลงอย่างรวดเร็วในยุคดิจิทัลได้ซึ่งผู้เข้าอบรมจะได้เรียนรู้ทั้งทางทฤษฎี และทดลองปฏิบัติ ทำให้มีความเข้าใจอย่างถ่องแท้ จนสามารถนำไปประยุกต์ใช้กับการทำงานได้จริง โดยประกอบด้วย 3 หลักสูตร ดังนี้

Basic Python Programming

Data Analysis with Python

Machine Learning with Python

⁺

Happy Clients

⁺

Years Of Experience

วิธีการฝึกอบรม

การจัดการอบรมเป็นแบบออนไลน์ ประกอบด้วยการอบรมภาคทฤษฎีผ่าน Google Classroom และการอบรมภาคปฏิบัติผ่านระบบ Teleconference (Zoom) โดยในแต่ละสัปดาห์ของการอบรมจะมีการทดลองปฏิบัติตามเนื้อหาการอบรม เพื่อที่จะได้เกิดความรู้ และความเข้าใจมากยิ่งขึ้น โดยมีการวัดผล ดังนี้

คะแนนจากแบบฝึกหัด (Assignment) ในการฝึกอบรม 80%

ผู้เข้าอบรมต้องเข้าอบรมไม่น้อยกว่า 50% ของระยะเรียนทั้งหมด จึงจะผ่านการอบรม และได้รับใบประกาศนียบัตร

หัวข้อการอบรม

Basic Python Programming

Week 1

– Introduction to Python
– Basic Programming
– Variables, Operators, Built-in Functions
– Print, Precision Width

Week 2

– Lists
– Slicing
– Tuples
– Methods

Week 3

– Sets
– String
– Dictionaries
– Methods

Week 4

– Control Flow Statements- If else, if else
– for and while Loop

Week 5

– Functions
– Implicit Arguments
– Lambda Functions

Week 6

– Object-Oriented
Programming
– Inheritance
– Polymorphism
– Encapsulation
– Abstraction

Still Confused About Our Features? Get A Consultation

Lorem ipsum dolor sit amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. Ut enim ad minim veniam, quis nostrud exercitation ullamco laboris nisi ut aliquip ex ea commodo consequat

Get A Quote

⁺

Happy Clients

⁺

Years Of Experience

หัวข้อการอบรม

Data Analysis with Python

Week 1

– Review of basic Python concepts (data types, variables, control structures, functions)
– Introduction to data analysis with Python
– Installing and using Python libraries for data analysis (NumPy, Pandas, Matplotlib)
– Working with data in NumPy and Pandas
– Importing and exporting data (CSV, Excel, JSON, SQL)

Week 2

– Visualizing data with Matplotlib
– Line plots, scatter plots, bar plots, histograms
– Customizing plots (labels, titles, legends, colors, markers)
– More visualization: seaborn for statistical exploration
– Pairplot: scatter matrices
– lmplot: plotting a univariate regression
– Descriptive statistics with Pandas

Week 3

– Measures of central tendency (mean, median, mode)
– Measures of dispersion (range, variance, standard deviation)
– Grouping and aggregating data with Pandas
– Grouping by a single column or multiple columns
– Applying functions to groups (mean, sum, count, min, max)
– Statistical analysis with SciPy
– Probability Density Function
– Cumulative Distribution function
– Central Limit Theorem

Week 4

– Hypothesis testing: comparing two groups
– Student’s t-test: the simplest statistical test
– Paired tests: repeated measurements on the same individuals
– Analysis of variance (ANOVA)
– Linear/Multiple Regression

วิธีการฝึกอบรม

คะแนนจากแบบฝึกหัด (Assignment) ในการฝึกอบรม 80%

Still Confused About Our Features? Get A Consultation

Get A Quote

⁺

Happy Clients

⁺

Years Of Experience

วิธีการฝึกอบรม

คะแนนจากแบบฝึกหัด (Assignment) ในการฝึกอบรม 80%

หัวข้อการอบรม

Machine Learning with Python

Week 1

– Introduction to machine learning
– Python libraries for machine learning (NumPy, Pandas, Scikit-learn)
– Regression (linear, logistic, polynomial)
– Evaluation of Regression Models

Week 2

– Classification (KNN, decision trees, SVM)
– Evaluation of Classification Models
– Training and testing sets
– Cross-validation
– Metrics (accuracy, precision, recall, f1 score)

Week 3

– Unsupervised learning with scikit-learn
– Clustering (K-means, hierarchical)
– Dimensionality reduction
– Anamoly Detection

Week 4

– Fine-tuning machine learning models
– Hyper parameter optimization
– Case study : applying machine learning techniques to a real-world dataset (Group)
– Modeling and predicting with supervised and unsupervised learning
– Present Project