Course syllabus

  1. Learning outcome
  2. Course syllabus

010513116-63 สถิติสำหรับวิทยาศาสตร์ข้อมูล (Statistics for Data Science)

Course Syllabus

Data entry : Asst.Prof. Dr.Wanida Laoraksakiat
1. Course number and name

010513116-63 สถิติสำหรับวิทยาศาสตร์ข้อมูล (Statistics for Data Science)

2. Credits and contact hours

3(3-0-6)

3. Instructor’s or course coordinator’s name

Asst.Prof. Dr.Wanida Laoraksakiat

4. Text book, title, author, and year

  1. เอกสารประกอบการสอน “Statistics for Data Science”, 2568

5. Specific course information

  1. brief description of the content of the course (catalog description)
    การจําแนกและการวิเคราะห์ถดถอยเชิงเส้นแบบอิงพารามิเตอร์และไม่อิงพารามิเตอร์ การวิเคราะห์ถดถอยอย่างง่าย การวิเคราะห์ถดถอยแบบพหุคูณ การวิเคราะห์ถดถอยโลจิสติกส์ทวิ การวิเคราะห์ถดถอยโลจิสติกส์พหุกลุ่ม การจําแนกและการวิเคราะห์ถดถอยแบบไม่อิงพารามิเตอร์ หลักการการจัดกลุ่มของตัวแปร และการลดจํานวนมิติเพื่อบีบอัดข้อมูล อนุกรมเวลา การฝึกใช้งานซอฟแวร์ ตัวอย่างกรณีศึกษาของนักวิทยาศาสตร์ข้อมูล
  2. prerequisites or co-requisites
    010523105-63 Computer Programming
    040503011-63 Statistics for Engineers and Scientists
  3. indicate whether a required, elective, or selected elective (as per Table 5-1) course in the program
    Required :

6. Specific goals for the course

  1. specific outcomes of instruction (e.g. The student will be able to explain the significance of current research about a particular topic.)
    1. CLO1 นักศึกษามีความรู้ความเข้าใจทฤษฎีทางสถิติที่เกี่ยวข้องกับ หลัการวิทยาศาสตร์ข้อมูล
    2. CLO2 นักศึกษาสามารถวิเคราะห์ข้อมูลและเลือกใช้วิธีการทางสถิติ เพื่อแก้ปัญหาทางด้านวิศวกรรม
    3. CLO3 นักศึกษาสามารถนําเสนอผลลัพธ์โดยใช้ทฤษฎี ทางสถิติทางด้านวิทยาศาสตร์ข้อมูลเพื่อแก้ปัญหาทางด้านวิศวกรรม
    4. CLO4 นักศึกษาสามารถใช้ซอฟท์แวร์ทางสถิติในการวิเคราะห์ข้อมูลทางวิศวกรรมและนําเสนอผลลัพธ์
  2. explicitly indicate which of the student outcomes listed in Criterion 3 or any other outcomes are addressed by the course.
    ABET Student Outcome (SO) Listed in Criterion 3 Course learning outcome (CLO)
    PO1 : ความรู้ทางด้านวิศวกรรม และพื้นฐานทางด้านคณิตศาสตร์ และวิทยาศาสตร์ ความรู้ทางด้านวิศวกรรม และพื้นฐานทางด้านคณิตศาสตร์ และวิทยาศาสตร์
    • CLO1 นักศึกษามีความรู้ความเข้าใจทฤษฎีทางสถิติที่เกี่ยวข้องกับ หลัการวิทยาศาสตร์ข้อมูล
    PO2 : การวิเคราะห์ปัญหาทางวิศวกรรม การวิเคราะห์ปัญหาทางวิศวกรรม
    • CLO2 นักศึกษาสามารถวิเคราะห์ข้อมูลและเลือกใช้วิธีการทางสถิติ เพื่อแก้ปัญหาทางด้านวิศวกรรม

7. Brief list of topics to be covered
Week Topic Details Activities
Week 1 Introduction to Statistics and Data Science
Week 2 The Basics of Python
Week 3 Statistics Basic
Week 4 Data Preparation
Week 5 Simple Linear Regression
Week 6 Multiple Linear Regression
Week 7 Non-parametric Methods of Regression
Week 8 Binary Logistic Regression
Week 9 Multinomial Logistic Regression
Week 10 Multinomial Logistic Regression (Con’t)
Week 11 Discriminant Analysis
Week 12 Non-parametric Classification Methods
Week 13 Principal Components Analysis and Dimension Reduction
Week 14 Time Series
Week 15 กิจกรรมจากกรณีศึกษา
8. Course Assessment
Course assessment Weight score (%) Assessment tools Date
Midterm Exam 35 midterm examination
Final Exam 40 final examination
Assignment and Homework 25 assignment
The grading table
Grading Rank
>= 80% A
75% - 79.99% B+
70% - 74.99% B
58% - 69.99% C+
50% - 57.99% C
45% - 49.99% D+
40% - 44.99% D
0% - 39.99% F

หมายเหตุ - ลำดับเนื้อหาจะมีการปรับเปลี่ยนตามความเหมาะสม