สรุปงาน Data Science Talk Chill #1

สำหรับวันนี ผมมาแบบ + 1 ครับ ตอนที่พี่ที่บริษัทชวนมา ไอ้เราก็บอกว่าไปด้วย แถมลืมจ่ายตังค์ให้พี่เค้าอีก ดองค่างานข้ามปีกันเลยทีเดียวครับ สำหรับงานวันที่สถานที่จัดงาน คือ ที่ LINK Collaboration Space @ MRT หัวลำโพง มันอยู่แถวอุทยานจุฬาผป 100 ปีครับ ฝั่งถนนบรรทัดทองครับ ทางเข้าก็ซ่อนแอบอยู่ข้างโรงเรียนครับ เดินหลงไปเหมือนกัน

สำหรับงานในวันนี้เป็น Flash Talk ลั้นๆ ประมาณ 15 นาที โดยมี Session ดังนี้

NLP - Natural Language of Passion โดย ดร.อาร์ม [ NECTEC ]

• ทุกปัญหา ทุกเรื่อง มันมี Pattern อย่าง ดร. อาร์ม สนใจความแปลกในภาษาเขียนของชนชาติต่างๆ Math และองค์ความรู้ของฝั่ง IT มันมีความหลงไหล(Passion) ที่พยายามหา Pattern ของมัน
• Passion มาจากไหน ลองมาดู Pattern Finder Process
  • เกลียด - เจอปัญหา อยากรู้คำตอบ
  • สำรวจ Data - มันมีอะไรบ้าง ?
  • สกัด information และ เบาะแส จาก Data
  • หา Abstract pattern
  • แก้ปัญหา โดยเริ่มจาก Abstract Pattern
  • ทบทวนดูว่าเราได้อะไร จากการแก้ปัญหา ตาม Abstract Pattern นั้น
• Language of passion
  • ตัวเอง- อะไรที่ตัวเองตื่นเต้น Wow เราเองก็ไม่ต้องฝืนไปกับมัน และมันมีความท้าทาย ให้สู้
  • สร้างตัวตน - make a plan 》 strive for execellence ต้องสุ้สิ 》 Continuous Improvement & Contribute
  • ช่วยสังคม - ทำเอง 》 สอน 》 สร้างแรงบันดาลใจให้ผู้อื่น(Inspiration)
• สุดท้ายแล้ว ทำอะไรตาม Passion แล้ว อย่าลืมทำเพื่อสังคม ^__^

People With Passion Can Change The World, Steve Jobs

DS แบบไม่ต้องโค้ด โดย ดร.เอกสิทธิ์ [ DATA CUBE ]

• Text Mining ข้อมูลทั่วๆไปมี 2 แบบ
  • Structure - พวก XML
  • Unstructure
• Application
  • Classify
  • Sentimental Analysis
• ถ้าวิเคราะห์ทำ Text Mining กับ Twitter เรามีขั้นตอน อย่างไร
  • เอา Emoticon ออก
  • ทำ Tokenization ตัด stop word ทำ Tf (Term Frequency) IDF- คำไหนสำคัญ
  • มันจัดกลุ่มคำว่าคำไหนเป็น + หรือ -
• สำหรับ Tools ที่ใช้ โดยไม่ต้อง Code คือ โปรแกรม Rapid Miner
  • Rapid Miner เป็นลักษณะของ Process ลาก แต่ละ Operator มาต่อกัน ซึ่งตัว Twitter เอง มี Operator ของ Search Twitter นะ
  • ใน Rapid Miner เวอร์ชัน 8.x ตัว Tools เองมี Feature ใหม่อย่าง Auto Model ใช้ Run Model Machine Learing หลายๆ Model พร้อมๆ และเลือก Model ที่เหมาะสมมาให้ แต่มันมีข้อจำกัดว่าต้องใช้ในเวอร์ชันเสียเงิน หรือ Educational License(ใช้ได้ 1 ปี) ต้องใช้ E-mail ของมหาวิทยาลัยสมัย

From Good to Great DS โดย ดร.ศิษฎพงศ์ [ G-ABLE ]

• ผมชอบ Quote นี้นะ
  

  Good is enemy of great - Jame C. Colins จะทำอะไรให้ดีง่าย แต่ถ้าต้องการเป็นที่หนึ่งมันยาก

• โลกมันหมุนไปเร็วมาก จากเดิมการจัดการองค์ความรู้ มันมี 4 ระดับ ได้แก่ Data(ข้อมูลดิบ), Information(สารสนเทศ - ผมมองว่าเป็นข้อมูลที่ผ่าน Preprocess มาแล้ว สะอาด), Knowledge(ความรู้-เชี่ยวชาญ) และ Wisdom(ปัญญา-เอามาปรับใช้ได้จริง) แต่ในปัจจุบันความต้องของฝั่งธุรกิจเปลี่ยนไปเร็วมาก จนบางทีการพัฒนา Information ขึ้นมา มันไม่ทันกับธุรกิจ จนบางครั้งต้องคุยที่ Data ดิบ ซึ่งถ้าสามารถทำที่สามารถสร้าง Wisdom ก็ถือว่าเป็นผู้นำ
  
• Organisational Maturity - ผมชอบคำนี้นะ บอกว่า เราพร้อมมีวุฒิภาวะมากเพียงไหน จริงพอลองมาดูกับ SDLC เออช่าย
  
  • Fundamental - ตระหนักถึง เช่น AI ทำอะไรได้ ยังไม่มีการเตรียมข้อมูล
  • Approaching - มีการจัดการข้อมูล และบอกได้ว่ามันสร้างประโยชน์อะไรได้
  • Aspirational - เอาข้อมูลที่จัดการแล้ว มาคิดต่างได้ สร้าง Product & Service พวก Startup จัดในกลุ่มนี้ คือ มี Experiment & Apply
  • Mature - เอาไปใช้งานจริงแล้ว มีการ MA ดูแลต่อไปได้
• 3D
  • Data Scientist - ทำให้ได้ Insight
  • Data Engineer - ทำให้ Data มันสะอาด
  • Data Analyst - ทำให้มันเห็นภาพ
• ทุกองค์กร สมัยนี้ต้องมี R&D สร้าง Insight ใหม่ๆ มา (อธิบายได้ด้วยนะ ว่ามันมีที่มาอย่างไร ให้ Business เอาไปใช้) และ Factory ทำให้มันตอบโจทย์ Busimess
• Data Science = Processing >> Insight >> Action (บอกได้ว่า Fact ที่ได้ Insight ที่ได้ เกิดจากอะไร มาจากไหน)
• ถ้าถามผม Session นี้
  • R&D = Data Science
  • ส่วน Factory = Software Engineering มี Process / Coding ดี รวมถึง Product ที่ออกมามีคุณภาพ(Quality)

Data Science Pipeline โดย ดร.กานต์ [ PRONTO MARKETING ]

• ทุกวันนี้ Data มีขยะเพิ่มมากกว่าข้อมูลที่พร้อมใช้หา Insight เช่น ทำ 5 วัน ใช้ 5 วิ
• Data Pipeline - Process การประมวลผลข้อมุล แบ่งเป็น Block / Debug รับ Stream และ Automate
• มาดู Stack ของ Pronto บ้าง
  

Master of Data Science โดย แอดเพิร์ธ [ Data Science ชิลชิล ]

• หลายมหาวิทยาลัย Top ของโลกมีปริญญาโทด้าน Data Science กันแล้วครับ Google ได้เลย *เท่าที่ผมทราบมาของไทยมีที่ NIDA กับที่ CHULA(ออกแนว Technical เยอะ)
• ตอนนี้ แอดเพิร์ธเรียนที่ ที่ Australia ที่มหาวิทยาลัย Monash สำหรับหลักสุตร Master of Data Science จะเรียนกัน 2 ปี 4 เทอม ซึ่งใน 1 เทอม(12 week) เรียน 16 หน่วย ตีง่ายๆลงได้มากสุด 4 วิชา ซึ่งใน 1 คาบ 4 ชั่วโมงแบ่งเป็น
  • Lecture 2 ชั่วโมง
  • Lab 2 ชั่วโมง โดย Lab เป็น Workshop และ Lab ที่นี่ ทำแล้วลองตรวจผลลัพธ์ได้เลยครับ (อันนี้ ผมคิด น่าจะเหมือนระบบของตัว Edx นะครับ)
• แต่ละเทอมเรียนอะไรบ้าง
  • เทอม 1 - Foundation Unit ปูพื้นฐาน Data Science
  • เทอม 2 - เรียนลึกเรื่อง Data Science
  • เทอม 3 - เรียน + ติดต่ออาจารย์ทำ Thesis
  • เทอม 4 - เรียน + ทำ Thesis ให้จบ และ Speaker บอกว่า ป.โท ที่ต่างประเทศ มันเรียนข้ามสายได้ด้วย อย่างตัว speaker เองไปลงวิชาทาง Business
• จุดเด่น - มันมี Course ปูพื้นฐานให้ ถ้าไม่จบสายคอมก็เรียนได้ Data Sciecne ของที่ Monash - รู้ภาพกว้างๆ 3 มุมมอง
  
  • IT - Programming / Algorithm / Data Structure / Database / BI / Big Data
  • Math - Stat / Data Model/ Data Analysis / Machine Learning / etc.
  • Business - Minor Thesis หรือ Industry Experience (ผมเข้าใจว่าเป็นพวกสหกิจนะ)
• นอกจากเรียนมีกิจกรรมอื่นๆมากมาย
  • ท่องเที่ยว
  • Meetup - งาน Tech ต่างๆ หรืองานอื่นๆ
  • ศัพท์ใหม่สำหรับผมนะ Datathon vs. Hackathon
    • Datathon - หา insight จาก Data
    • Hackathon - ทำ Product ตอบโจทย์กับปัญหา

 ชีวิตดราม่าของคนทำ Social โดย @leafsway [ Thoth Zocial ]

• Social Media Research มีแบบไหนบ้างนะ Speaker ได้แบ่งเองนะตามรูป
  
  • Note: Social Listening - เป็นการดูแบบ Passive ผมเข้าใจว่ามองทางอ้อม อยากรู้ว่าสังคมพูดถึงเราอย่างไร !!!!
• ชีวิตดราม่าของคนทำ Social 5 เรื่อง
  • #เราไม่เข้าใจนาย - ภาษาที่มันซับซ้อนทุกวัน ทุกวันนี้ มีศัพท์แปลกๆ เกิดขึ้นทุกวัน เช่น นก, ตะใตะมิ หรือ ประโยคนี้มันตีความได้อย่างไรนะ หรือ caption กับภาพคนละแบบ คำผวน ประชดความเพี้ยนของภาษา เกิดการใช้คำที่ง่าย ชิมิ - ช่ายไหม / เหตุการณ์ / พิมพ์ผิด เช่น เมพ - เทพ
    • ข้อความกลุ่มนี้ เราตีความได้อย่างไร ? - คิดยังตีความยาก ระบบยิ่งยากกว่า
      
    • ดร.อาร์ม [ NECTEC ] เสริมตรงส่วนนี้เข้าไป ว่าทำไม ภาษาไทยถึงทำงานพวกนี้ยาก ตาม Slide อ แก เลยครับ
      

      This slideshow requires JavaScript.
  • #คุณเก็บความลับได้ไหม - API ที่เปลี่ยนไปตาม Policy ของ Platform ข้อมูลบางอย่างเมื่อก่อนเก็บได้ แต่ตอนนี้เก็บไม่ได้แล้วนะ อันนี้จริงของผมเองก็โดนมากับตัวตอนทำ Term Project ตอนเรียน SNA เหมือนกัน เปลี่ยน API ปุ๊บชีวิตพัง จากเดิมเคยดูข้อมูล FB Page ต่างๆมาได้ พอจะทำโปรเจคอ้าวต้องเป็นเจ้าของเพจซะงั้นถึงจะดูข้อมูลได้
  • #แล้วจะเก็บยังไง - ตอนนี้มี 3 แบบ
    • Keyword
    • Page tacking - เก็บทั้ง Page เลย ไม่สนใจ Keyword ทั้ง Post จาก Page และจาก User ได้ความเห็นที่มีต่อ Brand แต่เอาข้อมูลมาเปรียบเทียบยาก เพราะ จำนวนที่ Follow / Like ก็แตกต่างกันแล้ว จริงๆ ถ้าไม่ชอบ Page ก็คงไม่ Like
    • Collect by post tracking -ดึง Comment จาก Post ที่สนใจมาวิเคราะห์
    • Note: เราจะเก็บข้อมุลบน Assumption อะไร ตกลงกันให้ได้ก่อน ทั้งทีมพัฒนา และลูกค้า
      
  • #Mr. Report - Presentation มันง่าย จริงเหรอออ !!!! กว่า 1 Report ออกมาใช้ยลโฉมได้ มันต้องใช้เวลา และทีมงาน Data Team (Collecting / Process / Deliver & Visualization)
  • #ทำไมไม่บอกกัน !! - วิเคราะห์ข้อมูล เราจะรู้ได้ยังไง ว่ามาจาก Brand จ้างมา (ต้องเขียนดีอยู่แล้ว) หรือ มาจากใจ(ใช้แล้วดี แย่ มาแชร์กัน) ปัญหานี้มันทำให้ผลลัพธืมัน Bias
• สำหรับผมเองนะ ดราม่าพวกนี้ มันก็คล้ายกับปัญหาของการทำ Software ขอบ่นบ้าง ดึกมาหลายคืนแล้ว
  

  Requirement !!!
  Requirement !!!
  Requirement !!!

DS Learning Path 2018 โดย แอดทอย [ DataRockie ]

• ตอนนี้ Chat Bot ที่เป็น AI ตอนยังไม่ผ่าน Turing Test - Concept ของ AI เบื้องต้น Blade Runner การตรวจสอบว่าเป็น Repitance ปัจจุบัน ยังไม่มี Chat Bot ตัวไหน ผ่าน Turing Test แต่ทุกอย่างโตขึ้น ดีขึ้นเหมือน Moore's Law
• การเรียนรู้ มันเป็นการ Connecting the dot เมื่อถึงเวลาสิ่งที่เราได้เรียน มันจะมี Pattern ความสัมพันธ์ และก่อให้เกิดประโยชน์ได้
  

  Live as if you were to die tomorrow. Learn as if you were to live forever. – Mahatma Gandhi

• Stick with it - ทำยังไงให้มันสำเร็จ
  • Step Ladder - ค่อยๆก้าวไปทีนะนืด ตั้งเป้าให้ได้ที่ละนิด เพิ่มทีละหน่อย
  • Community - Share & Contribute
  • Important - มี priority ของชีวิต เติมคุณค่าให้ตัวเอง
  • Easy - ทำจากเล็กไปใหญ่
  • Neurohack - เรียนรุ้จากการ ลงมือทำ (Try & Error)
  • Captivating - ให้รางวัลกับชีวิต (Gamenification)l
  • Engrained - พัฒนาอย่างต่อเนื่อง Continuous Improvement
• สนใจอะไรแล้ว เราลุยไปเลย และไม่ต้องแคร์เรื่องชื่อตำแหน่ง จะเป็น Data Scientist หรือป่าว ขอแค่ทำงานได้ก็พอ ^__^

ปิดที่ด้วยของกิน ถ่ายมาฝาก แต่กินไม่ได้ ผมลดนำหนักอยู่ครับ 555

สุดท้าย

• วันนี้ผมเพิ่มรู้ว่า แอดเพิร์ธ [ Data Science ชิลชิล ] กับ แอดทอย [ DataRockie ] ไม่ได้จบสายคอมมาทั้งคู่ แต่เก่งมากๆ ทำ FB Page สอนความรู้ทางด้านนี้ ให้รูปแบบที่เข้าใจได้ง่าย
• ฺBlog นี้น่าจะเป็นสรุปงานที่กลับมาเขียนอีกครั้งหลังจากที่ห่างหายไปนานเลยครับ