สรุปคอร์ส : Machine Learning for Business Professionals จาก Coursera EP.4
มาถึง EP. สุดท้ายกันแล้วครัชชช สำหรับคอร์ส Machine Learning for Business Professional จาก Coursera ที่เค้าเปิดให้เรียนฟรี !! ในช่วง COVID-19
ใน EP.3 Discovering ML Use Cases ได้พาทุกๆ คนไปดูการนำ ML ไปปรับใช้ในแต่ละองค์กรในรูปแบบที่ต่างกัน ส่วน EP. นี้จะตบท้ายด้วย How to be successful at ML เป็นการแนะนำว่าเราจะประสบความสำเร็จในการใช้ ML ได้ยังไง โดยจะมีผู้สอน คือ คุณ Valentine Fontama ที่เป็น Global Head of AI Services ของ Google Cloud (ชุดชมพูเข้ากับชื่อมาเลยจร้าาา)
พร้อมแล้วก็ไปเริ่มกันเลยยยย (EP. สุดท้าย Alert เป็นพิเศษ)
Week 4: How to be successful at ML
ก่อนอื่นเรามาดูกราฟด้านล่างกันก่อนนนนน
กราฟนี้แสดงให้เห็นถึงความสัมพันธ์ของจำนวน Data (แกน X) กับค่า Error ที่ได้จาก ML โมเดล (แกน Y) จะเห็นว่าในขณะที่ Data ต้องเพิ่มเป็นจำนวนเท่าตัว แต่ ค่า Error ที่ลดลงจะเป็นแบบ Linear (ค่อยๆ ลด) เพราะงั้นหลายตอนที่ผ่านมา เลยพูดว่าอย่างแรกที่ต้องคำนึงถึงก็คือจำนวนข้อมูล ที่ต้องการใช้เยอะมากกกกก เพื่อให้โมเดลมีประสิทธิรูป เอ้ย ประสิทธิภาพพพพ อย่างที่ Andrew Ng ได้กล่าวไว้ว่า
It’s not who has the best algorithm who wins, it’s who has the most data.
Andrew Ng (Founder of Coursera)
Data Strategy และหลักการทั้ง 7
1. Design systems so that you will have more data next year
ออกแบบระบบที่รองรับการเพิ่มขึ้นของข้อมูลในปีต่อๆ ไป ไม่ว่าจะเป็น Hardware หรือ Software เพื่อที่ ML โมเดลจะได้อัพเกรดได้ตลอดจร้าา
2. Break down data silos
พยายามทำให้ข้อมูลต่างๆ ถูก Query ออกมาด้วยกันได้ เพื่อสร้าง Training dataset เพราะ ML โมเดล จะทรงพลังก็ต่อเมื่อมี Features และข้อมูลอธิบายคุณลักษณะ (distinctive attribute) ของข้อมูลตัวอย่างหลายๆ อัน
ถ้าข้อมูลถูกเก็บแยกอยู่ใน Database ที่ต่างกัน ก็ต้องสร้าง Culture of data sharing ในองค์กร อย่างน้อยก็เพื่อให้รู้ว่าแต่ละ Database มีข้อมูลอะไรอยู่บ้าง
3. Transition from data lakes to data warehouses
เรามารู้จัก Data lake และ Data warehouse แบบเข้าใจง่ายๆ กันก่อน ล่าสุดมีโอกาสฟังพี่ katopz แห่ง Noob Learning อธิบาย 2 คำนี้แบบเข้าใจง่าย ปนฮาอีกต่างหาก
Data คือ ฝูงปลาาาาา
Data lake คือ สระน้ำ ที่มีปลาหลากหลายชนิดว่ายอยู่ มีทั้งปลาเกรดต่ำ และเกรดดี
Data warehouse คือ โรงงานทำปลากระป๋อง มีแต่ปลาพันธุ์ดี เนื้ออร่อย แบบปลาแมคเคอเรล ที่ถูกนำมาทำปลากระป๋อง
การนำข้อมูลจาก Data lake เข้าไปที่ Data warehouse ก็เหมือนเป็นการคัดข้อมูลคุณภาพดี จากข้อมูลที่กองๆ รวมกันอยู่ ไปใช้งานต่อนั่นเอง
การมี Data sharing ในองค์กรนั้นยังไม่เพียงพอ หากข้อมูลยังคงไม่เชื่อมต่อกัน ดังนั้นจึงต้องมีการสร้าง Data warehouse ซึ่งตัว BigQuery เอง ก็เป็น Data warehouse แต่การสร้างนั้นไม่ได้ทำกันง่ายๆ ลองมาดูหลักการเบื้องต้นกัน
เริ่มจาก Concept ของ Data lake เราต้องนำข้อมูล historical และข้อมูลอื่นๆ ขึ้นไปไว้บน Google Cloud storage ซึ่งตรงนี้มีข้อดีตรงที่เราสามารถแยกส่วนของ Storage และ Compute รวมถึงทำ Machine Learning จากข้อมูลทั้งหมดได้ แต่มันก็เหมือนกับการโยนนู่นโยนนี้ขึ้นไปบน Cloud เท่านั้น ส่วนใหญ่แล้ว ข้อมูลจะยังไม่มีการจัดการที่ดี ไม่มี Schema ไม่มี Metadata เรายังใช้ประโยชน์ข้อมูลไม่ได้ ตราบเท่าที่เรายังไม่รู้ว่ามันอยู่ตรงไหน จะทำอะไรกับมัน และมันเกี่ยวข้องกันยังไง
แม้ว่า Data ที่อยู่บน Data lake จะสามารถเชื่อมกันได้แล้วก็เหอะ แต่เรายังต้องใช้เวลาอีกมากโขขขขข ในการเข้าใจแต่ละ dataset และยังต้องเขียน ETL pipeline อีก อ่าววว แล้วเจ้า ETL มันคืออะไรเนี้ยยย เคยเห็นเค้าพูดกันแต่ไม่เข้าใจเลยยย
ETL
ย่อมาจาก Extract, Transform, Load ซึ่งงานส่วนนี้เป็นงานหลักของ Data Engineer เป็นการจัดการข้อมูลต่างๆ ให้อยู่กะร่องกะรอย
เช่น การสกัดข้อมูล (Extract) ออกมาจาก Data lake เหมือนกับการเลือกปลาแมคเคอเรลที่ดูน่าหม่ำ จากนั้นจัดการข้อมูล (Transform) เหมือนกับเป็นการนำปลาที่เลือกมาไปล้วงไส้ ขอดเกล็ดออก และ (Load) นำเข้าไปใน Data warehouse นั่นก็คือเอาปลาเข้าไปโรงงานเตรียมทำปลากระป๋องต่อไป
4. Learn about your data
กลับมาสู่เนื้อหากันต่อ ก่อนที่เราจะก้าวไปทำ ML โมเดล เราจำเป็นต้องเข้าใจข้อมูลก่อน ซึ่งมีการสร้าง Dashboard เป็นหนึ่งในวิธีที่ดีที่สุดในการทำความเข้าใจข้อมูล แล้ว Dashboard มันคืออะไร
Dashboard คือ การแสดงผลข้อมูลภาพรวมของทั้งองค์กร โดยใช้สกิล Data Visualization ซึ่งถ้ามีสกิลเรื่อง Storytelling เพิ่มเข้าไปด้วย ก็จะยิ่งเรียบเรียงเรื่อง ของ Dashboard ได้ดีขึ้น
เหตุผลที่ใช้ Data Visualization นั้น ก็เพื่อทำความเข้าใจข้อมูล ชุดข้อมูลส่วนใหญ่มีขนาดใหญ่เกินไปที่จะทำความเข้าใจได้โดยมองแค่ตาราง (โดยเฉพาะถ้าข้อมูลนั้นมีเป็นล้าน Row) มนุษย์มีข้อจำกัดในการประมวลผลและเปรียบเทียบข้อมูลในหัว แต่ในทางกลับกัน มนุษย์สามารถประมวลผลข้อมูลภาพได้อย่างรวดเร็วววว งั้นก็ใช้กราฟต่างๆ เพื่อให้เราเข้าใจข้อมูลได้ง่ายขึ้นเถอะ
มี Tool เยอะมากกกก ที่ใช้ทำ Dashboard ได้ เช่น Google Data Studio (เดี๋ยวจะรีวิว เจ้า Data Studio ในบทความต่อไปจร้าาา), Tableau, Looker, Power BI และอื่นๆ อีกเพียบบบ โดยสามารถเชื่อมต่อกับ Data warehouse เพื่อดึงข้อมูลมาแสดงผลทำให้ตัดสินใจได้ว่าจะนำข้อมูลไปใช้ยังไงต่อ
โดยหลักการใช้ข้อมูลนั้น จะเริ่มจากนำข้อมูลในอดีตมาวิเคราะห์ก่อน หรือที่เรียกกันว่า Descriptive Analytics จากนั้นนำมาแสดงผลให้เห็นภาพชัดขึ้นในรูปแบบของ Dashboards และตัดสินใจเอาข้อมูลไปใช้ทำ ML ต่อไปปป
5. Integrate pilots into your tools
เอาผลลัพธ์ที่ได้จาก Pilot ML โมเดล ไปใช้กับ Tools ของผู้มีหน้าที่ในการตัดสินใจ เช่น ถ้ากำลังสร้างโมเดลเพื่อประเมินความต้องการใช้จักรยาน ก็เอาโมเดลไปใช้กับเครื่องนำทางของรถที่พนักงานใช้เติมสต๊อกจักรยาน
ถ้าเคสไหนที่ค่อนข้างซับซ้อน ก็ควรจ้าง ML Engineer มาเพื่อช่วยในการตั้งโจทย์เพื่อแก้ปัญหาได้อย่างถูกต้อง หรือเคสที่ต้องการผลลัพธ์ขั้นสูง อาจต้องสร้าง Custom model โดยใช้ TensorFlow การสร้างทีม ML ควรเริ่มจากการมี ML Engineer ที่มีประสบการณ์เป็นหลัก แต่ก็มี ML Engineer หลายๆ คนที่เติบโตจากการเป็น Data Engineer โดยการพัฒนาสกิลด้าน ML ด้วยน้าาาา
6. Run ML models on real-time data to extract the most value
โมเดลจะมี Value สูงมาก ถ้าได้ใช้กับข้อมูล Real-time และรันบนข้อมูลที่สดใหม่ (อย่างกับผลไม้) ซึ่งนั่นหมายความว่าฝั่ง IT Infrastructure ต้องทำให้เราใช้ข้อมูล Real-time ได้ หลังจากที่สามารถรวบรวมข้อมูลมาได้ทั้งองค์กรโดยปราศจาก Silos โดยขั้นต่อไปคือการทำให้มัน Real-time นั่นเอง
7. Collect more data
เก็บข้อมูลให้ได้มากที่สุด โอร่า โอร่า โอร่าาาาาา….
สองวิธีง่ายๆ ในการเก็บ data เพิ่มมมมม
- Develop IoT strategy เดี๋ยวนี้เซนเซอร์ต่างๆ มีราคาถูกแล้ว
- Build partnerships around data ลองดูว่าข้อมูลของเราสามารถเชื่อมกับธุรกิจไหนได้บ้าง เช่น การจับมือกับธุรกิจต่างๆ เพื่อขยายสเกลของข้อมูลให้มีขนาดใหญ่ขึ้น
Data Governance
Data Access (การเข้าถึงข้อมูล) และ Securiry (ความปลอดภัย) เป็นสิ่งที่เราต้องคำนึงถึงเป็นอย่างแรกในการนำข้อมูลมาใช้งาน โดยเฉพาะอย่างยิ่งข้อมูลที่เป็น Sensitive ซึ่งตอนนี้ กฎหมาย PDPA ของประเทศไทย หรือพระราชบัญญัติควบคุมข้อมูลส่วนบุคคล จะบังคับใช้ในเดือน พฤษภาคม นี้แล้ว อย่างบริษัทที่ทำงานอยู่ ก็รีบเร่งตรวจสอบและป้องกันเรื่องนี้กัน ลองมาดูตัวอย่างข้อมูล Sensitive กัน
- ชื่อ-นามสกุล
- เบอร์โทรศัพท์
- อีเมล
- ตำแหน่งที่อยู่ ตั้งแต่บ้านเลขที่ จนถึง พิกัด Latitude, Longtitude ด้วย
ยกตัวอย่าง เช่น เราต้องการนำข้อมูลความคิดเห็นของผู้ใช้งานต่อสินค้าของเรา มาทำการ Train ML โมเดล ต้องปกป้องความเป็นส่วนตัวของคนที่ส่งความคิดเห็นด้วย
แต่ปัญหาคือ ข้อมูลที่อยู่จัดส่ง และประวัติการซื้อ มีความสำคัญอย่างยิ่งสำหรับการ Train โมเดลของเรา ดังนั้นจึงเป็นสิ่งสำคัญในการปกป้องข้อมูลที่สำคัญก่อนส่งให้ทีม Data Science เพื่อทำการวิเคราะห์ต่อไป แต่ในการสร้างโมเดลที่จะระบุเฉพาะผู้ใช้แต่ละคนนั้นจำเป็นต้องเข้าถึงข้อมูลเฉพาะของผู้ใช้แต่ละคนด้วย ดังนั้นลองมาดูสิ่งที่ต้องคำนึงถึงก่อนการทำ ML กันเถอะ !!
Three goals for ML and Privacy
1. Identify sensitive data
ต้องมั่นใจว่า define ข้อมูล Sensitive ได้ครบถ้วนหมดแล้ว
2. Protect sensitive data by removing, masking or coarsening
ป้องกันข้อมูล Sensitive ด้วยวิธีการต่างๆ เช่น ลบ, ปิดบัง หรือดัดแปลงข้อมูล
3. Create public governance documentation
จัดทำแผนการกำกับดูแล และเอกสารประกอบการปฏิบัติงาน สิ่งนี้จะช่วยให้ Data Engineer และลูกค้าสามารถตัดสินใจได้อย่างเหมาะสมเกี่ยวกับ Sensitive data
Where to find sensitive data
แล้วส่วนใหญ่จะเจอข้อมูลพวกนี้ทางไหนกัน
- Structured data เช่น คอลัมน์ต่างๆ ในตารางข้อมูล
- Pattern-text เช่น เลขบัตรประชาชน หรือบัตรเครดิต
- Unstructured data เช่น ไฟล์บันทึกเสียง, วีดิโอ และรูปภาพต่างๆ
How to protect sensitive data
โชคยังดีที่ยังพอมีเทคนิคที่ป้องกันข้อมูลเหล่านี้ มาดูกันว่ามีอะไรบ้าง
1. Remove it
ลบทิ้งสิครัชชช รออะไร ก่อนที่ข้อมูลจะถูกส่งไปให้ทีม Data Science เพื่อทำการวิเคราะห์ข้อมูลต่อ เราก็ทำการลบข้อมูลส่วนที่ไม่จำเป็นออกก่อนเลย หรือ Create view ใหม่ที่มีแต่คอลัมน์ที่เราต้องการให้เห็น จากนั้นค่อยส่งให้ทีมอื่นต่อไป
2. Mask it
ใส่หน้ากากให้มัน 555 คือ การพยายามปกปิดข้อมูล โดยเปลี่ยนให้เป็นรหัส เช่น การ hash หรือ encrypt ข้อมูล แค่นี้ก็ดูไม่รู้เรื่องละ
3. Coarsen it
ดัดแปลงข้อมูลจากเดิม เพื่อป้องกันการระบุตัวตนที่ชัดเจน แล้วข้อมูลไหนบ้างที่เหมาะกับการดัดแปลง
- GPS location เช่น การปัดจุดทศนิยมของค่า Latitude ขึ้นมา 2–3 ตำแหน่ง แค่นี้ก็หาไม่เจอแล้ว
- Zipcode เช่น ลดให้เหลือแค่ 3 หลัก ซึ่งเรียกกันว่า Zip 3
- IP Address เช่น การใช้ mask เพื่อเปลี่ยนค่า IP Address
จริงๆ ยังมีวิธีการอีกเยอะเลยนะ ลองดูจากคอร์สเต็มกันได้อีกทีนึงงงง
How to build successful ML teams
2 Factors แรกที่โคตรรร สำคัญ ก่อนที่จะจ้างคนและทีม ML ขึ้นมา
1. Data Scientists must know your domain
ตำแหน่ง Data Scientist ต้องเข้าใจ และคุ้นเคยกับธุรกิจของเราก่อนนน ไม่งั้นจะไม่รู้ว่าควรตั้งโจทย์อย่างไร ใช้อะไรเป็น Features บ้าง มีวิธีไหนที่จะสร้าง Proxy features บ้าง (อยู่ใน EP.2 จ้า) และการตั้งจุดประสงค์แบบไหนบ้างที่จะมีผลกระทบตามมา
2. It’s getting easier to build common ML models
จริงอยู่ถ้าคนที่จะมาทำงานต้องมีความรู้พอสมควร แต่มันก็ไม่จำเป็นที่จะต้องจ้างคนจบ ป.เอก มาเพื่อทำ Image Classification
- มีความเข้าใจและคุ้นเคยกับธุรกิจแบบเรา
- มีความรู้หลักสถิติและโมเดล
- รู้วิธีสร้าง Training dataset ที่ดี และวิธีการ Evaluate
คุณสมบัติเท่านี้ก็เพียงพอสำหรับการทำงานในปัจจุบันแล้ว
Most common sets of use cases, you don’t really need expert researchers
ปัญหาบางอย่างไม่จำเป็นต้องจ้างคนใหม่ เราสามารถอัพสกิลของคนด้าน IT หรือ Analyst ที่เรามีอยู่แล้วได้ เช่น การให้พนักงาน IT ใช้ AutoML หรือ Analyst ใช้ BigQueryML ก็พอจะแก้ปัญหาการใช้ ML เบื้องต้นได้แล้ว
แต่พวกเค้าก็ต้องเรียนหลักการเบื้องต้นเกี่ยวกับ Machine Learning เพื่อใช้งานได้อย่างมีประสิทธิภาพ (แล้วคอร์สนี้ ก็ถือเป็นการเริ่มต้นที่ดี)
3 Most important data science roles
Data Engineer
ทำหน้าที่ควบคุมการไหลของข้อมูล รวบรวมและทำความสะอาดข้อมูลเพื่อให้ใช้งานข้อมูลได้อย่างถูกต้องและมีประสิทธิภาพ ดังนั้น Data Engineer เปรียบเหมือนกระดูกสันหลังของทีม ขาดเทอร์เหมือนขาดใจ เพราะต้องทำเองงงงงง (เขียนโค้ดก็เก่งไม่เท่าพวกเค้า) อาวุธหลักคือ C-O-D-I-N-G การเขียดโค้ดดดดด ไม่ว่าจะเป็น Bash, Javascript, SQL, Python, R, Spark และความรู้ด้าน Infrastructure ของ Database อีกเยอะเลยอะ 55555
เพื่อนๆ คนไหนสนใจเรื่อง Data Engineer สามารถติดตาม Perth Ngarmtrakulchol Data Engineer สุดโหด เจ้าของเพจ Data Science ชิลชิล ลองสอบถาม Road to Data Engineer ได้ ใจดีเวอร์
Business Analyst / Data Analyst
วิเคราะห์ข้อมูลและแสดงผลด้วยการใช้ Dashboard และ Storytelling ร้อยเรียงเรื่องราวข้อมูลในอดีตจนถึงปัจจุบัน อาวุธหลักก็คือ Spreadsheet, Dashboard หลายๆ brand และ SQL (Python และ R ได้ด้วยก็ดีอะ)
เพื่อนๆ คนไหนสนใจเรื่อง Data Analyst สามารถติดตาม Kasidis Satangmongkol Data Analyst ผู้บ้าพลัง เจ้าของเพจ DataRockie ได้ ความรู้เยอะเกิ้น
ML Engineer / Data Scientist
นำข้อมูลจากหลายๆ ด้านมาหา Pattern ที่น่าสนใจ หมุนข้อมูลไปมาเพื่อหา insights แปลกๆ ด้วยการสร้างโมเดลทางสถิติ อาวุธหลักคือ Python, R, ความรู้ด้านสถิติ, การสร้างโมเดล และที่ขาดไม่ได้เลยนั่นก็คือ ความรู้ทางธุรกิจจจจจ
Additional things
แต่ถ้าจะให้ดี สิ่งที่ทีม ML ควรจะมีไว้ คือ Programmer ที่เชียวชาญการเขียนโค้ดแบบ Framework เนื่องจากโมเดลมีการแก้ไขอยู่ตลอด จึงจำเป็นต้องมี Programmer ฝีมือฉกาจเขียนโค้ดเพื่อรองรับการเปลี่ยนแปลงของโมเดลอยู่ด้วย
อย่าลืมว่าเดี๋ยวนี้ทุกคนสามารถพัฒนาสกิล ด้วยการเรียนออนไลน์ตาม Platform ต่างๆ ย้อนกลับไปอ่านกันได้ ที่นี่ และ Google Cloud ก็มีการสอนที่เหมาะกับ Data Science ด้วย (อันนี้เหมือนจะเสียเงินนะ)
Hands-on Lab : Predicting visitor purchases with BQML model
Week สุดท้าย มีให้ลองสร้าง ML โมเดล เพื่อทำนายว่าลูกค้าแต่ละคนจะซื้อของหรือไม่ ด้วย BigQuery ML โดยใช้ชุดข้อมูลของ Google Merchandise store เป็น website E-commerce ของ Google
1. Explore the data
เริ่มจากการสร้าง Dataset ด้วยการ Query ข้อมูล และนำมาทำ Training set โดยมี Feature เป็น OS ที่ลูกค้าใช้งาน, ลูกค้าใช้มือถือหรือไม่, ประเทศ, จำนวน Pageview
2. Create a Model
จากนั้นสร้างโมเดล Logistic Regression ด้วย SQL ง่ายงี้เลยอ่าาาาาา ก็อย่างที่บอกแหละสร้างโมเดลมันง่ายยย มันยากตรง Prep Data
ซึ่งคำสั่งนี้จะสร้างโมเดล พร้อม Train data ไปพร้อมกันทีเดียวเลย
3. Evaluate Model
จากนั้นก็มา Evaluate โมเดลนี้กันเล้ยยยย โมเดลจะนำผลที่คิดจาก Confusion Matrix มาให้เรียบร้อย ซึ่งได้เขียนไว้อย่างละเอียดดดด ใน EP.2 ไปย้อนดูกันได้
หรือคลิกเข้าไปดูรายละเอียดใน Tab Evaluation ของ Sample_model ได้ด้วยน้า รายละเอียดครบ
4. Use the Model
ลอง query ข้อมูลมาใหม่ โดยการเปลี่ยนช่วงเวลา และเพิ่มคอลัมน์ fullVisitorId เพื่อที่จะแยกเป็นรายคนได้แบบ unique และ Save view เก็บไว้ในชื่อ july_data
จากนั้นนำ Data ที่ Save ไว้มาใช้กับ Sample Model ที่เราทำการ Train เสร็จเรียบร้อย โดยแยกเป็นประเทศ และดูว่ามีจำนวนลูกค้าที่มีโอกาสซื้อสินค้าในแต่ละประเทศเท่าไหร่
ยังๆ ยังไม่พอ ถ้าจะดูว่าลูกค้าคนไหนที่มีโอกาสซื้อสินค้าเราอ่ะ ก็ใช้ fullVisitorId แทนประเทศไปเลย
ทีนี้ก็รู้ละว่าใคร คือเหยื่อของทีม Marketing งั้นก็ export ข้อมูลส่งให้ Marketing ไปทำ Segment เพื่อดูพฤติกรรมลูกค้า และนำมาเป็นเหยื่อออออ ของเราาาา
Course Summary
สิ่งที่ได้เรียนรู้จาก Week 4
- Data Strategy
- Data Governance
- How to build successful ML teams
- Hands-on Lab : Predicting visitor purchases with BQML model
เย้ จบแล้ววววววววว Machine Learning for Business Professionals ครบถ้วนกระบวนความ 4 EP. เรียน 4 Week ตาม due date คอร์สเป๊ะๆ เลยอะ เราเรียนกันมาตั้งแต่ความหมายของ ML วิธีการใช้ ML ต่อกันด้วยตัวอย่างเคสขององค์กรที่ใช้ ML และจบด้วยที่วิธีการใช้ ML ให้ประสบความสำเร็จ
หวังว่าการรีวิวคอร์สนี้จะมีประโยชน์ต่อทุกคนที่สนใจในเรื่อง Machine Learning นะครัชชชช เชื่อว่าทุกคนก็สามารถเรียนคอร์สนี้ได้อย่างมีความสุขในช่วง COVID-19 นี้ เอาเป็นว่าอย่างน้อยก็ได้เพิ่มความรู้ในสิ่งที่กำลังเป็นเทรนของโลก ขอบคุณทุกคนที่ติดตาม ถ้าชอบก็ Clap ให้ด้วยจ้าาา
อีกอย่าง เรียนเสร็จก็ได้ Certificate เท่ๆ แบบเนี้ยยยย (ดูจากวันที่ ยังกรุ่นๆ อยู่เลย)
ย้อนกลับไปอ่านตอนอื่นๆ
EP.1 What is ML ?
EP.2 Employing ML
EP.3 Discovering ML Use Cases
พุดคุยติชมได้ที่ https://www.facebook.com/Malonglearn
