บทที่ 2 ความรู้พื้นฐานของเหมืองข้อมูล

ภาพรวมบทที่ 2

บทที่ 2 เรื่อง ความรู้พื้นฐานของเหมืองข้อมูล เป็นบทที่เชื่อมจากแนวคิดเบื้องต้นไปสู่การลงมือวิเคราะห์ข้อมูลจริง โดยครอบคลุมหัวข้อสำคัญตั้งแต่ความหมาย วัตถุประสงค์ องค์ประกอบ เทคนิค ประโยชน์ ประเภทของเหมืองข้อมูล การประยุกต์ใช้งาน ขั้นตอนการทำเหมืองข้อมูล การรู้จักข้อมูล การเตรียมข้อมูล และการเตรียมข้อมูลด้วยภาษา Python

ผลลัพธ์การเรียนรู้ของบทที่ 2

2.1 เหมืองข้อมูลคืออะไร

เหมืองข้อมูล (Data Mining) คือกระบวนการวิเคราะห์ข้อมูลจำนวนมาก เพื่อค้นหารูปแบบ ความสัมพันธ์ แนวโน้ม หรือความรู้ที่ซ่อนอยู่ภายในข้อมูล โดยอาศัยเทคนิคจากหลายสาขา เช่น สถิติ การเรียนรู้ของเครื่อง การรู้จำแบบ และระบบฐานข้อมูล

แนวคิดสำคัญคือการเปลี่ยนข้อมูลดิบให้เป็นสารสนเทศหรือความรู้ที่นำไปใช้ได้จริง เช่น การพยากรณ์ การจำแนกประเภท การจัดกลุ่มข้อมูล และการค้นหากฎความสัมพันธ์

2.2 วัตถุประสงค์ของเหมืองข้อมูล

วัตถุประสงค์ของ Data Mining คือการใช้ข้อมูลเชิงลึกเพื่อแก้ปัญหา สนับสนุนการตัดสินใจ และสร้างมูลค่าจากข้อมูล โดยมีเป้าหมายสำคัญหลายด้าน

• Discover Hidden Patterns: ค้นหารูปแบบ แนวโน้ม หรือความสัมพันธ์ที่ซ่อนอยู่ในข้อมูล
• Prediction: ใช้ข้อมูลในอดีตเพื่อคาดการณ์อนาคต เช่น ยอดขาย ความเสี่ยง หรือพฤติกรรมลูกค้า
• Clustering: จัดกลุ่มข้อมูลตามความคล้ายคลึง เช่น กลุ่มลูกค้าหรือกลุ่มผู้เรียน
• Classification: จำแนกข้อมูลใหม่ให้อยู่ในประเภทที่เหมาะสม เช่น ลูกค้าดี/ลูกค้าเสี่ยง
• Association Rule Discovery: ค้นหาความสัมพันธ์ เช่น สินค้าที่มักถูกซื้อร่วมกัน
• Anomaly Detection: ตรวจจับความผิดปกติ เช่น ธุรกรรมทุจริตหรือข้อมูลเซ็นเซอร์ที่ผิดปกติ

2.3 องค์ประกอบของเหมืองข้อมูล

ระบบเหมืองข้อมูลประกอบด้วยหลายส่วนที่ทำงานร่วมกัน ตั้งแต่แหล่งข้อมูลไปจนถึงการแสดงผลและการนำไปใช้จริง

2.4 ระบบคลังข้อมูลและปัญหาของ Database

Data Warehouse คือระบบจัดเก็บและรวบรวมข้อมูลจากระบบปฏิบัติการต่าง ๆ ขององค์กรให้มาอยู่ในศูนย์กลางเดียว สามารถเก็บข้อมูลย้อนหลังหลายปี เพื่อใช้สนับสนุนการตัดสินใจ วิเคราะห์ข้อมูลหลายมิติ และทำ Data Mining

Data Warehouse จึงมักออกแบบด้วย Dimensional Modeling เช่น Star Schema เพื่อให้ Query ง่ายขึ้น ลดความซับซ้อน และเหมาะสำหรับการวิเคราะห์ข้อมูลเพื่อการตัดสินใจ

2.5 เทคนิคและอัลกอริทึมที่ใช้ในเหมืองข้อมูล

เทคนิค Data Mining สามารถแบ่งได้หลายกลุ่มตามวัตถุประสงค์การวิเคราะห์ เช่น การจำแนก การจัดกลุ่ม การหาความสัมพันธ์ การทำนาย การตรวจจับความผิดปกติ และการลดมิติข้อมูล

Descriptive Modeling: Unsupervised Learning

เป็นการเรียนรู้แบบไม่มี Label หรือไม่มีคำตอบที่ถูกกำหนดไว้ล่วงหน้า เหมาะกับงานค้นหารูปแบบ เช่น Association Algorithm, Clustering Algorithm และ Time Series Algorithm

• Association Algorithm: ใช้กับ Market Basket Analysis เพื่อค้นหาว่าสินค้าใดมักถูกซื้อคู่กัน
• Clustering Algorithm: จัดกลุ่มข้อมูลตามความคล้ายคลึง เช่น รายได้ อายุ พฤติกรรมการซื้อ
• Time Series Algorithm: วิเคราะห์ข้อมูลตามเวลา เช่น การพยากรณ์ยอดขาย

Predictive Modeling: Supervised Learning

เป็นการเรียนรู้แบบมีผู้สอน โดยใช้ข้อมูลฝึกที่มีคำตอบหรือ Label อยู่แล้ว จากนั้นสร้างโมเดลเพื่อทำนายข้อมูลใหม่ที่ไม่เคยเห็นมาก่อน

• Classification: Decision Tree, Naïve Bayes, Neural Network
• Regression: Linear Regression, Logistic Regression

2.6 การประยุกต์ใช้งานเหมืองข้อมูล

Data Mining ถูกนำไปใช้ในหลายอุตสาหกรรมเพื่อสร้างความได้เปรียบในการแข่งขัน ช่วยเข้าใจลูกค้า ลดความเสี่ยง และเพิ่มประสิทธิภาพการตัดสินใจ

2.7 ขั้นตอนในการทำเหมืองข้อมูล

กระบวนการทำเหมืองข้อมูลมักประกอบด้วยขั้นตอนที่ต่อเนื่องกัน ตั้งแต่เตรียมข้อมูลจนถึงนำเสนอความรู้ที่ค้นพบ

2.8 รู้จักข้อมูล: Structured และ Unstructured Data

ข้อมูลมีได้หลายรูปแบบ เช่น ตัวเลข ข้อความ รูปภาพ เสียง หรือข้อมูลจากระบบต่าง ๆ ในงาน Data Mining เรามักต้องเข้าใจชนิดและรูปแบบของข้อมูลก่อนเลือกวิธีเตรียมและวิเคราะห์

ข้อมูลแบบไม่มีโครงสร้างอาจต้องแปลงให้อยู่ในรูปแบบตารางก่อน เช่น แปลงข้อความเป็นคำสำคัญ แล้วสร้างคอลัมน์เพื่อระบุว่าเอกสารนั้นมีคำใดปรากฏหรือไม่

2.9 การเตรียมข้อมูลและ Data Cleaning ด้วย Python

ก่อนสร้างโมเดลต้องทำให้ข้อมูลสมบูรณ์มากที่สุด เช่น เลือกคอลัมน์ที่เกี่ยวข้อง ตัดคอลัมน์ที่ไม่มีประโยชน์ แก้ไขค่าว่าง ลดการกระจายของข้อมูล และแปลงข้อมูลให้อยู่ในรูปแบบที่โมเดลใช้งานได้

ตัวอย่างโค้ด Data Cleaning ด้วย Pandas

import pandas as pd
import numpy as np

data = {
    'ชื่อ': ['John', 'Jane', 'Bob', 'Alice', 'Charlie'],
    'อายุ': [25, 28, np.nan, 22, 30],
    'เงินเดือน': [50000, 60000, 75000, np.nan, 90000],
    'เพศ': ['ชาย', 'หญิง', 'ชาย', 'หญิง', 'ชาย']
}

df = pd.DataFrame(data)

# ตรวจสอบข้อมูลที่หายไป
print(df.isnull())

# เติมค่าเฉลี่ยให้ข้อมูลตัวเลขที่หายไป
df['อายุ'] = df['อายุ'].fillna(df['อายุ'].mean())
df['เงินเดือน'] = df['เงินเดือน'].fillna(df['เงินเดือน'].mean())

# ตรวจสอบและลบข้อมูลซ้ำ
print(df.duplicated())
df.drop_duplicates(inplace=True)

print(df)

ตัวอย่างนี้ใช้ Pandas ซึ่งเป็นไลบรารีสำคัญของ Python สำหรับจัดการข้อมูลแบบตาราง โดยสามารถอ่านไฟล์ CSV, Excel, SQL, JSON จัดการ Missing Data ลบข้อมูลซ้ำ และคำนวณสถิติพื้นฐานได้

2.10 Checklist ก่อนเข้าสู่บทที่ 3

หลังจากเรียนบทที่ 2 ผู้เรียนควรมองเห็นความเชื่อมโยงระหว่างโจทย์ ข้อมูล เทคนิค และเครื่องมือ เพราะบทที่ 3 จะลงลึกเรื่องการเตรียมข้อมูล ซึ่งเป็นขั้นตอนที่ใช้เวลามากและมีผลโดยตรงต่อคุณภาพของโมเดล

2.11 แบบฝึกหัดท้ายบท

แบบฝึกหัดนี้เหมาะสำหรับฝึกทบทวน SQL และการคิดเชิงข้อมูลก่อนเข้าสู่การทำ Data Mining จริง

1. แสดงข้อมูลทั้งหมดของนักศึกษาจากตาราง Student
2. แสดงข้อมูลชื่อ First ของนักศึกษาจากตาราง Student
3. แสดงข้อมูลนามสกุล Last ของนักศึกษาจากตาราง Student
4. แสดงข้อมูลชื่อ First และนามสกุล Last ของนักศึกษาจากตาราง Student
5. แสดงข้อมูลนามสกุล Last ของนักศึกษาที่แตกต่างกัน
6. แสดงข้อมูลนักศึกษาที่มีชื่อว่า John
7. แสดงข้อมูลนักศึกษาทั้งหมด ยกเว้นนักศึกษาที่ชื่อ John
8. แสดงข้อมูลจากตาราง Grade ที่มีคะแนนมากกว่าหรือเท่ากับ 60 คะแนน
9. แสดงข้อมูล First, Last และ Mark จากตาราง Grade ที่มีคะแนนน้อยกว่าหรือเท่ากับ 60 คะแนน