Open Source Statistical Software
1.R on The Mac
2.Datasets; SAS, R, and JMP programs; Output
Open Source Data Mining.
1.Tanagra - Data Mining Tutorials
2.AI Computer Vision
3.
วันอาทิตย์ที่ 25 ธันวาคม พ.ศ. 2554
วันจันทร์ที่ 19 ธันวาคม พ.ศ. 2554
In House Training Service. 2012 (Reinforce BI Training Center)
อัตราค่าบริการฝึกอบรมแบบ In House Training. สำหรับเอกชน
(กรณีจากหน่วยงานราชการ โปรดติดต่อเรื่องงบประมาณ ที่ info@reinforcebi.com)
กลุ่มโปรแกรมสถิติ และงานวิจัย
- หลักสูตร OpenStat (2 วัน) 16,000 บาท [คลิ๊กที่นี่ ดูโครงสร้างหลักสูตร]
- หลักสูตร PSPP (1 วัน) 8,000 บาท [คลิ๊กที่นี่ ดูโครงสร้างหลักสูตร]
- หลักสูตร R Gui (Rcmdr) (2 วัน) 18,000 บาท [คลิ๊กที่นี่ ดูโครงสร้างหลักสูตร]
- หลักสูตร R (Command-Line) (2 วัน) 22,000 บาท [คลิ๊กที่นี่ ดูโครงสร้างหลักสูตร]
- หลักสูตร R for Experiment research1 (1 วัน) 12,000 บาท [คลิ๊กที่นี่ ดูโครงสร้างหลักสูตร]
- หลักสูตร R Graphic (2 วัน) 25,000 บาท [คลิ๊กที่นี่ ดูโครงสร้างหลักสูตร]
โปรโมชั่น Stat:PACK 1 --> OpenStat (2วัน) + PSPP (1วัน) รวม 3 วัน เดิม 24,000 บาท ลด 15% เหลือ 20,400 บาท
โปรโมชั่น Stat:PACK 2 --> R Command-Line(2วัน) + R Experiment research(1วัน) + R Graphic (2วัน) รวม 5 วัน
เดิม 59,000 บาท ลด 20% เหลือ 47,200 บาท สุดค้ม....
กลุ่มโปรแกรม Data mining.
- หลักสูตร WEKA (Starter) (2 วัน) 18,000 บาท [คลิ๊กที่นี่ ดูโครงสร้างหลักสูตร]
- หลักสูตร WEKA (KnowledgeFlow) (1 วัน) 12,000 บาท [คลิ๊กที่นี่ ดูโครงสร้างหลักสูตร]
- หลักสูตร WEKA (Evaluation) (1 วัน) 15,000 บาท [คลิ๊กที่นี่ ดูโครงสร้างหลักสูตร]
-
หลักสูตร R Data Miner :Rattle package (2 วัน) 30,000 บาท [คลิ๊กที่นี่ ดูโครงสร้างหลักสูตร]
-
หลักสูตร RapidMiner (เบื้องต้น) (1 วัน) 18,000 บาท [คลิ๊กที่นี่ ดูโครงสร้างหลักสูตร]
โปรโมชั่น WEKA:PACK --> WEKA Starter(2วัน) + WEKA KnowledgeFlow(1วัน) + WEKA Evaluation (1วัน) รวม 4 วัน
เดิม 45,000 บาท ลด 20% เหลือ 36,000 บาท สุดค้ม....
* ยังมีหลักสูตรเพื่อต่อยอดนักวิเคราะห์ข้อมูลมืออาชีพอีกหลายหลักสูตร โปรดติดตามต่อไป ที่นี่ เร็วๆ นี้
* สำหรับหน่วยงานราชการ หน่วยงานสาธารณสุข หน่วยงานเกษตรกรรม และสถาบันการศึกษา/โรงเรียน จะมีส่วนลดพิเศษ หรือจัดตามงบประมาณประจำปี
รายละเอียดเพิ่มเติม โทร 08 1491 0909 หรือ info@reinforcebi.com 
หมายเหตุ
** อัตราค่าบริการนี้ใช้เฉพาะบริษัทที่มีการจัดฝึกอบรมในเดือน ธ.ค.54 - มิ.ย.55 เท่านั้น
** ราคาโปรโมชั่นรวมเอกสารสำหรับฝึกอบรม 15 ท่านแล้ว (เพิ่มชุดละ 200 บาท)
** ไม่รวมภาษีมูลค่าเพิ่ม 7% ค่าอาหารว่าง และค่าเดินทางวิทยากร
Publice Course ของศูนย์อบรมรีอินฟอร์ส (ปี 2555)
รวมรายชื่อหลักสูตรที่เปิดอบรมแบบ Publice Course ของศูนย์อบรม 
1.โปรแกรม Open Source ด้านสถิติและการทำวิจัย
OpenStat คลิ๊กดูรายละเอียด
PSPP คลิ๊กดูรายละเอียด
R Gui (rcmdr) คลิ๊กดูรายละเอียด
R (Command-Line) คลิ๊กดูรายละเอียด
R for Experiment research 1 คลิ๊กดูรายละเอียด
R Graphic คลิ๊กดูรายละเอียด
2.โปรแกรม Open Source ด้านวิเคราห์ข้อมูล Data Mining.
R Data Miner (Rattle) คลิ๊กดูรายละเอียด
WEKA (Starter) คลิ๊กดูรายละเอียด
WEKA (KnowledgeFlow) คลิ๊กดูรายละเอียด
WEKA (Evaluation) คลิ๊กดูรายละเอีย
RapidMiner (เบื้องต้น) คลิ๊กดูรายละเอียด
3.โปรแกรม Open Source ด้านการสร้าง MindMap และบริหารโครงการ.
การสร้าง MindMap ด้วย FreeMind คลิ๊กดูรายละเอียด
การสร้าง MindMap ด้วย XMind คลิ๊กดูรายละเอียด
การบริหารโครงการด้วย OpenProject คลิ๊กดูรายละเอียด4. เครื่องมือสำหรับฝ่ายขายและซีอาร์เอ็ม (Selling & CRM tools.)
หลักสูตร คุณขายเก่งแค่ไหน มาวัดกัน (Selling Rating) คลิ๊กดูรายละเอียด
วันศุกร์ที่ 7 ตุลาคม พ.ศ. 2554
ประกาศ เรื่องปรับปรุงเว็บ www.reinforcebi.com
เว็บไซต์ www.reinforcebi.com จะดำเนินการปิดปรับปรุงในช่วงวันที่ 7 - 11 ตุลาคม 2554 จึงไม่สามารถเข้าชมเว็บได้ (และเจ้าหน้าที่บริษัทรีอินฟอร์สฯ ติดสัมมนาต่างจังหวัด) ทางทีมงานจึงขออภัยในความไม่สะดวก ไว้ ณ ที่นี้ด้วย โดยเว็บไซต์ www.reinforcebi.com จะเริ่มดำเนินการเปิดให้เข้าชมได้ตามปกติในวันที่ 12 ตุลาคม 2554
อมรเทพ ทองชิว
ผู้จัดการฝึกอบรม บ.รีอินฟอร์ส บิสซิแนส อินเทลลิเจนซ์ จำกัด
E-mail: reinforcebi@gmail.com
อมรเทพ ทองชิว
ผู้จัดการฝึกอบรม บ.รีอินฟอร์ส บิสซิแนส อินเทลลิเจนซ์ จำกัด
E-mail: reinforcebi@gmail.com
วันอาทิตย์ที่ 3 เมษายน พ.ศ. 2554
Neural Networks คือ?
เป็นแนวคิดที่เทียบเคียงกันระหว่างโครงสร้างข้อมูล กับการเรียนรู้ของระบบประสาทในสมอง
สมองมนุษย์มีเซลล์ประสาทจำนวนมาก ที่รับสัญญาณกระตุ้นแล้วตัดสินใจส่งสัญญาณแปรผลออกไป คล้ายๆ กับมามองดูว่าลักษณะเชิงประชากรศาสตร์ของลูกค้าเป็นแบบใด ก็จะมี model มาตัดสินใจให้ทราบว่า สินค้าที่ต้องการซื้อคืออะไร....
ข้อดี
- การทำนายให้ผลแม่นยำกว่าวิธีทั่วไป
- Model ที่ได้ยังคงใช้ได้ดี แม้ว่าข้อมูลที่ใช้มี error อยู่ด้วย
- ผลลัพธ์ที่ต้องการเป็นได้ทั้ง ค่าต่อเนื่องหรือค่าไม่ต่อเนื่องก็ได้
- การหาผลลัพธ์ทำได้รวดเร็ว หลังจากผ่านกรรมวิธีการเรียนรู้แล้ว
ข้อเสีย
- ใช้เวลา training นาน (หาค่าถ่วงน้ำหนักที่ดีที่สุดในการเรียนรู้)
- ยากที่จะทำความเข้าใจเกี่ยวกับการเลือกพารามิเตอร์ที่เหมาะสม (best topology)
- ยากที่จะทำความเข้าใจเกี่ยวกับ learned function
Classification คือ?
วัตถุประสงค์ของ classification คือการสร้างโมเดล เพื่อสรุปข้อมูล และข้อค้นพบที่ได้มักเป็นข้อมูลที่ไม่เคยเห็นมาก่อน
Classification เป็นการเรียนรู้แบบ supervised
- นอกจาก decision tree แล้วยังมี neural networks ; logistic regression : support vector machines เป็นประเภทเดียวกัน
- สิ่งที่ได้ของ decision tree คือ flow-chart
- มี node จุดยอดภายใน แทนลักษณะประจำที่ไม่ใช่ class
- มีกิ่งก้านแทนผลลัพธ์ของการทดสอบ
- และใบแทน class labels หรือ class distribution
ข้อสรุปของ Classification
- เป็นวิธีการแยกข้อมูลออกเป็นกลุ่มตามลักษณะประจำเป้าหมาย หรือ class โดยมากใช้กับลักษณะประจำที่มีค่าไม่ต่อเนื่อง
- ผลลัพธ์ที่ได้คือ ตัวแบบ classifier เพื่อนำไปใช้แยกประเภทของระเบียนข้อมูล ที่ไม่ทราบ class
Association Rule คือ?
การทำเหมืองข้อมูลแบบกฎเชื่อมโยง คือ การหารูปแบบที่เกิดบ่อย (frequent pattern) ความเชื่อมโยงที่เกิดขึ้น (association) หรือสหสัมพันธ์ (correlation) ของกลุ่ม item จากข้อมูลที่อยู่ในรูป transaction
นำไปใช้กับ
การวิเคราะห์ตะกร้าการซื้อ (Market basket analysis) การทำตลาดข้ามสายผลิตภัณฑ์ (cross-marketing) การวางรูปแบบและออกแบบ catalog การทำรายการส่งเสริมการขาย การวางแผนผังภายในร้าน เป็นต้น
คำถามของนักการตลาดในเรื่อง Association Rule.
- ผู้ซื้อปฏิเสธหรือยอมรับการพยายามขายสินค้าต่างลักษณะหรือไม่?
- สินค้าใดที่ปรากฎร่วมกันบ่อยในหนึ่งใบเสร็จ?
- สินค้าใดที่ปรากฎร่วมกันบ่อยในกลุ่มสินค้าที่กำหนด?
- อะไรคือสินค้าที่พบว่าถูกขายบ่อยให้กับลูกค้าที่มารับบริการซ้ำๆ ?
- ลักษณะการขายของสินค้ามีการเปลี่ยนไปตามเวลาหรือไม่?
- ลักษณะการขายของสินค้ามีการเปลี่ยนไปตามที่อยู่ของลูกค้าหรือไม่ อย่างไร?
สรุป Associate rule
- Associate rule คือจุดเริ่มต้นการเกิดขึ้นของ data mining algorithm!
- ปรากฎในหมู่ของนักวิจัย KDD และมีการนำเสนองานส่วนนี้จำนวนมากที่สุด
- มีประโยชน์ในการหาความเชื่อมโยง บอกพฤติกรรมที่มีค่า ในฐานข้อมูลลูกค้าขนาดใหญ่
- ปกติใช้กับฐานข้อมูลเชิงสัมพันธ์ที่บันทึกเป็น Transaction โดยที่แต่ละระเบียนคือการซื้อสินค้าในหนึ่งครั้ง
- ผลลัพธ์ที่ได้คือกฎ กฎแสดงความสัมพันธ์ของการซื้อสินค้าต่างชนิดกันโดยไม่ขึ้นกับลูกค้าคนใดคนหนึ่ง
Clustering คือ?
โลกของเรามักจะแบ่งกลุ่มไว้ในธรรมชาติ อยู่ที่เราจะมองออกหรือไม่?
ถ้ามองไม่ออกเราก็สามารถใช้โปรแกรมด้าน Data mining เข้าช่วย
Cluster : คือการหาวิธีการแบ่งข้อมูลออกเป็นกลุ่มตามลักษณะประจำที่มีของแต่ละระเบียน โดยไม่มีลักษณะกลุ่ม แต่ใช้ระยะในการบ่งบอกความคล้ายและความแตกต่างของระเบียน
สามารถนำมาประยุกต์ใช้ในวงการต่างๆ ได้มากมาย
สามารถนำมาประยุกต์ใช้ในวงการต่างๆ ได้มากมาย
ในโลกความเป็นจริงเรานิยามแบ่งกลุ่มคนเป็น {คนชั่ว-คนดี} {คนรวย-คนจน}
ในทางธุรกิจเราแบ่งกลุ่มลูกค้าเป็น {คนที่ซื้อ-คนที่ไม่ซื้อ} {พึงพอใจ-ไม่พึงพอใจ}
อื่น ๆ เช่น {เครดิตดี-เครดิตแย่} {โกง-ไม่โกง} {เลือกพรรค ก.-เลือกพรรค ข.} เป็นต้น
ตัวอย่างการประยุกต์ใช้ เช่น
ด้านการตลาด : clustering สามารถช่วยนักการตลาดค้นพบกลุ่มของลูกค้าใหม่ๆ แล้วนำความรู้นี้ไปพัฒนาสินค้ามาตอบสนองให้ตรงตามกลุ่ม อาจจะมองในแง่ของการบริหาร คือ จัดหน่วยงานขึ้นมาบริการกลุ่มลูกค้าแต่ละกลุ่ม ได้อย่างโดนใจก็ได้
ด้านประกันภัย : clustering ช่วยระบุกลุ่มของผู้ถือกรมธรรม์ที่มีความเสี่ยงสูง หรือกลุ่มที่มีการเคลมประกันบ่อย (เอาไว้ออกกฎเกณฑ์หรือแนวปฏิบัติ)
ด้านการวางผังเมือง : clustering ช่วยระบุกลุ่มของที่อยู่อาศัย ที่แบ่งตามลักษณะของบ้าน ,ราคา และที่ตั้งทางภูมิศาสตร์
ด้านวิทยาศาสตร์ : clustering ช่วยให้นักวิทยาศาสตร์จัดกลุ่มของดอกไม้ ,ต้นไม้ สัตว์ โปรตีน ดีเอ็นเอ ตามลักษณะประจำของแต่ละระเบียนได้
ตัวอย่างการใช้งานใน Weka เช่น
สมัครสมาชิก:
บทความ (Atom)