Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Data Preparation และ Feature Engineering

เตรียมข้อมูลให้พร้อมสำหรับ AI


"ในปี 2020 Netflix ประหยัดค่าใช้จ่าย 1 พันล้านดอลลาร์/ปี
เพียงเพราะปรับปรุงวิธีการเตรียมข้อมูลผู้ใช้งาน"


AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Data Preparation และ Feature Engineering (ต่อ)

เตรียมข้อมูลให้พร้อมสำหรับ AI (ต่อ)


🎯 Key Insight

Data Scientists/AI Engineer ใช้เวลา 80% ในการ "ทำความสะอาด" ข้อมูล
และแค่ 20% ในการสร้างโมเดล

AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

📚 Agenda

  1. ทำไมต้องเตรียมข้อมูล? - The Why
  2. ประเภทข้อมูลและปัญหา - Know Your Enemy
  3. เทคนิคการจัดการข้อมูล - The Arsenal
  4. Feature Engineering - The Art
  5. Best Practices - The Wisdom
  6. Workshop & Case Studies - The Practice
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

🎯 Learning Objectives

หลังเรียนจบ นักศึกษาจะสามารถ

✅ อธิบายความสำคัญ ของ Data Preparation ต่อ AI Models
✅ จำแนกประเภท ของข้อมูลและปัญหาที่พบบ่อย
✅ เลือกใช้เทคนิค ที่เหมาะสมกับปัญหาแต่ละประเภท
✅ สร้าง Features ใหม่ เพื่อเพิ่มประสิทธิภาพ Model
✅ เขียน Code เพื่อแก้ปัญหาจริงได้ด้วยตนเอง

AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Chapter 1 ทำไมต้องเตรียมข้อมูล? 🤔

The Kitchen Analogy 👨‍🍳

  • วัตถุดิบ = Raw Data
  • การเตรียมวัตถุดิบ = Data Preparation
  • การปรุงรส = Feature Engineering
  • อาหารจานเด็ด = Successful AI Model

The Truth 💡

"ข้อมูลดี + อัลกอริทึมธรรมดา
ดีกว่า
ข้อมูลแย่ + อัลกอริทึมเทพ"

Google ใช้อัลกอริทึมไม่ซับซ้อน
แต่ชนะด้วยข้อมูลที่จัดระเบียบดี

AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Use Case ร้านกาแฟมหาวิทยาลัย ☕

ปัญหาที่พบในข้อมูล

วันที่          เมนู          ราคา    จำนวน    ลูกค้า
1/1/2024     ลาเต้ร้อน      60      3        นศ.ปี1
01-01-2024   ร้อนลาเต้      60      2        อาจารย์
1 ม.ค.       Latte(Hot)   60      -        นักศึกษา
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Use Case ร้านกาแฟมหาวิทยาลัย (ต่อ) ☕

🚨 ผลกระทบ

  • AI คิดว่า "ลาเต้ร้อน" กับ "ร้อนลาเต้" เป็น คนละเมนู
  • ไม่สามารถคำนวณ ยอดขายรวม ได้ถูกต้อง
  • ไม่สามารถวิเคราะห์ แนวโน้มตามเวลา ได้
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Chapter 2 ประเภทของข้อมูล 📊

ประเภท ลักษณะ ตัวอย่าง การจัดการ
Numerical ต่อเนื่อง/ไม่ต่อเนื่อง อุณหภูมิ, จำนวนคน Mean, Median
Categorical มีลำดับ/ไม่มีลำดับ ระดับการศึกษา, สี Mode, One-Hot
Text ข้อความอิสระ ชื่อ, ความคิดเห็น Standardize
DateTime วันเวลา วันที่, timestamp Parse, Extract
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

ปัญหาที่พบบ่อย 🔍

1. Missing Values ❌

  • ข้อมูลหาย/ไม่สมบูรณ์
  • None, NaN, Null, ""
  • Impact Model ไม่สามารถทำงานได้
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

ปัญหาที่พบบ่อย (ต่อ) 🔍

2. Inconsistent Data 🔀

  • รูปแบบไม่เหมือนกัน
  • "วิทย์" vs "Science" vs "วิทยาศาสตร์"
  • Impact ข้อมูลเดียวกันถูกมองเป็นคนละอย่าง
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

ปัญหาที่พบบ่อย (ต่อ) 🔍

3. Outliers 📈

  • ค่าผิดปกติ/เกินจริง
  • อายุ 150 ปี, GPA = -1
  • Impact บิดเบือนการเรียนรู้ของ Model
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

ปัญหาที่พบบ่อย (ต่อ) 🔍

4. Wrong Data Types ⚠️

  • ประเภทข้อมูลผิด
  • เลขรหัสเป็น String "001" ≠ 1
  • Impact คำนวณผิด/เปรียบเทียบไม่ได้
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Chapter 3 เทคนิคการจัดการข้อมูล 🛠️

AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

การเลือกวิธีจัดการ Missing Values

วิธี เมื่อไหร่ใช้ ข้อดี ข้อเสีย
ลบแถว ข้อมูลหาย < 5% ง่าย, ไม่บิดเบือน สูญเสียข้อมูล
Mean Numerical + Normal Distribution รักษาค่าเฉลี่ย ลด variance
Median Numerical + Skewed Robust to outliers อาจไม่แทนกลุ่ม
Mode Categorical ใช้ค่าที่พบมาก Bias ไปที่ majority
Domain Knowledge มีความรู้เฉพาะ แม่นยำ ต้องใช้เวลา
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

การทำให้ข้อมูลเป็นมาตรฐาน 📏

The Problem

คณะ : ['วิทย์', 'วิทยาศาสตร์', 'Science', 'คณะวิทยาศาสตร์']
เพศ : ['ช', 'ชาย', 'Male', 'M']
เวลา: ['08:00', '8.00', '08.00 น.', 'แปดโมงเช้า']

The Solution Framework

  1. สร้าง Mapping Dictionary - กำหนดค่ามาตรฐาน
  2. Apply Transformation - แปลงทุกค่าให้ตรงกัน
  3. Validate Results - ตรวจสอบว่าไม่มีค่าแปลกปลอม
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

การจัดการ Outliers 🎯

IQR Method (Interquartile Range)

หลักการ

  • Q1 = Percentile ที่ 25
  • Q3 = Percentile ที่ 75
  • IQR = Q3 - Q1
  • Lower Bound = Q1 - 1.5×IQR
  • Upper Bound = Q3 + 1.5×IQR

ตัวอย่าง: อายุนักศึกษา

Data: [18, 19, 20, 21, 22, 150]
Q1 = 19, Q3 = 21.5
IQR = 2.5
Lower = 15.25
Upper = 25.25
→ 150 คือ Outlier ✓
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Chapter 4 Feature Engineering 🎨

"การเปลี่ยนแร่ธรรมดาให้เป็นเพชร"

What is Feature Engineering?

  • สร้างตัวแปรใหม่จากข้อมูลเดิม
  • เพิ่มมิติการมองข้อมูล
  • ช่วย Model เห็น patterns
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Chapter 4 Feature Engineering (ต่อ) 🎨

"การเปลี่ยนแร่ธรรมดาให้เป็นเพชร" (ต่อ)

Why Important?

  • 70% ของความสำเร็จมาจาก Features ที่ดี
  • ช่วยลดความซับซ้อนของ Model
  • เพิ่มความแม่นยำโดยไม่ต้องเพิ่ม Data
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Chapter 4 Feature Engineering (ต่อ) 🎨

"การเปลี่ยนแร่ธรรมดาให้เป็นเพชร" (ต่อ)

Common Techniques

  1. One-Hot Encoding
  2. DateTime Extraction
  3. Feature Combination
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Chapter 4 Feature Engineering (ต่อ) 🎨

"การเปลี่ยนแร่ธรรมดาให้เป็นเพชร" (ต่อ)

  1. Binning/Discretization
  2. Polynomial Features
  3. Domain-Specific Features
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

One-Hot Encoding 🔄

ปัญหา AI ไม่เข้าใจภาษามนุษย์

❌ วิธีผิด (Label Encoding)

แดง   = 1
เขียว  = 2  
น้ำเงิน = 3

ปัญหา AI คิดว่า น้ำเงิน > แดง 3 เท่า!

✅ วิธีถูก (One-Hot)

     สีแดง  สีเขียว  สีน้ำเงิน
แดง    1      0        0
เขียว   0      1        0
น้ำเงิน  0      0        1

ดี ไม่มีลำดับความสำคัญ

AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

ML Models & One-Hot Encoding 🤖

Model Type ต้องใช้ One-Hot? เหตุผล
Linear/Logistic Regression ✅ จำเป็น ไม่เข้าใจ categorical โดยตรง
Neural Networks ✅ จำเป็น ต้องการ input เป็นตัวเลข
SVM ✅ จำเป็น ต้องคำนวณ distance
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

ML Models & One-Hot Encoding (ต่อ) 🤖

Model Type ต้องใช้ One-Hot? เหตุผล
Decision Trees ❌ ไม่จำเป็น Split ตาม categories ได้โดยตรง
Random Forest ❌ ไม่จำเป็น Tree-based ไม่ต้องแปลง
XGBoost/LightGBM ❌ ไม่จำเป็น Handle categories natively

⚠️ Warning: ถ้ามี categories > 100 → ใช้ Target Encoding แทน

AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

DateTime Feature Engineering

จาก 1 วันเวลา → Features มากมาย

Basic Extraction

  • Hour → ชั่วโมง (0-23)
  • Day → วันที่ (1-31)
  • Month → เดือน (1-12)
  • Year → ปี
  • DayOfWeek → วันในสัปดาห์ (0-6)
  • Quarter → ไตรมาส (1-4)

Advanced Features

  • IsWeekend → วันหยุด? (True/False)
  • TimeOfDay → ช่วงเวลา (เช้า/บ่าย/เย็น)
  • DaysSinceEvent → ห่างจากเหตุการณ์กี่วัน
  • Season → ฤดูกาล
  • IsHoliday → วันหยุดนักขัตฤกษ์?
  • Sin/Cos(Hour) → Cyclical encoding
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Feature Combination 🔗

1+1 > 2 - เมื่อ Features รวมกันแล้วมีค่ามากขึ้น

ตัวอย่างที่ 1 BMI

ส่วนสูง + น้ำหนัก → BMI = น้ำหนัก/(ส่วนสูง²)
  • จาก 2 features ธรรมดา → 1 feature ที่มีความหมายทางการแพทย์

ตัวอย่างที่ 2 Revenue per User

ยอดขายรวม ÷ จำนวนลูกค้า → Average Revenue per User (ARPU)
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Feature Combination (ต่อ) 🔗

  • Metric สำคัญในธุรกิจ

ตัวอย่างที่ 3 Click-Through Rate

จำนวนคลิก ÷ จำนวนแสดง → CTR
  • วัดประสิทธิภาพโฆษณา
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Feature Engineering by Model Type 🎯

Linear Models

ต้องการ Feature interactions

  • Polynomial features (x², xy)
  • Log transformations
  • Scaling/Normalization
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Feature Engineering by Model Type (ต่อ) 🎯

Tree-based Models

ต้องการ Rich features

  • ไม่ต้อง scale
  • ไม่ต้อง one-hot
  • Focus on creating meaningful splits
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Feature Engineering by Model Type (ต่อ) 🎯

Neural Networks

ต้องการ Normalized inputs

  • Standardization (μ=0, σ=1)
  • One-hot encoding
  • Embeddings for high cardinality
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Feature Engineering by Model Type (ต่อ) 🎯

Time Series Models

ต้องการ Temporal features

  • Lag features
  • Rolling statistics
  • Seasonal decomposition
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Best Practices ✅

The DO's

  1. 📊 Always EDA First - สำรวจก่อนแก้ไข
  2. 💾 Keep Original Data - df_clean = df.copy()
  3. 📝 Document Changes - บันทึกทุกขั้นตอน
  4. ✔️ Validate Results - ตรวจสอบหลังแก้ไข
  5. 🎯 Domain Knowledge - ใช้ความรู้เฉพาะด้าน
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Best Practices (ต่อ) ✅

The DON'Ts

  1. ❌ Don't Over-Delete - อย่าลบข้อมูลมากเกิน
  2. ❌ Don't Modify Original - อย่าแก้ข้อมูลต้นฉบับ
  3. ❌ Don't Over-Engineer - Features มากเกิน = Overfitting
  4. ❌ Don't Ignore Business Logic - คิดถึง use case จริง
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Data Preparation Pipeline 🔄

The 5-Step Formula

📊 Raw Data ->

🔍 [1] EXPLORE - สำรวจและทำความเข้าใจ

  • df.info(), df.describe(), df.head()
  • ดู missing values, data types, distributions
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Data Preparation Pipeline (ต่อ) 🔄

The 5-Step Formula (ต่อ)

🧹 [2] CLEAN - ทำความสะอาด

  • จัดการ Missing Values, Outliers
  • แก้ไขข้อมูลผิดพลาด
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Data Preparation Pipeline (ต่อ) 🔄

The 5-Step Formula (ต่อ)

🔄 [3] TRANSFORM - แปลงรูปแบบ

  • Standardize formats, Fix data types
  • Normalize/Scale ถ้าจำเป็น
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Data Preparation Pipeline (ต่อ) 🔄

The 5-Step Formula (ต่อ)

🎨 [4] ENGINEER - สร้าง Features

  • One-hot encoding, DateTime extraction
  • Feature combinations, Domain-specific features
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Data Preparation Pipeline (ต่อ) 🔄

The 5-Step Formula (ต่อ)

✅ [5] VALIDATE - ตรวจสอบคุณภาพ

  • assert checks, Data quality metrics
  • Business logic validation

🚀 ** Ready for ML!**

AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Common Pitfalls & Solutions ⚠️

Pitfall Impact Solution
Data Leakage Model ดีเกินจริง Split ก่อน preprocess
Wrong Imputation Bias in model ใช้ domain knowledge
Too Many Features Overfitting Feature selection
Ignoring Time Poor generalization Time-based split
Not Scaling Model ไม่ converge StandardScaler
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Workshop Challenge 🏆

Mission Clean Coffee Shop Data

วันที่          เมนู          ขนาด      ราคา    เวลา
1/1/24       Latte        M         60      08:30
01-01-2024   ลาเต้         กลาง      60      12.00
2024-01-01   Latte Hot    Medium    None    14:30
1 มค 24      ลาเต้ร้อน      M         60      9:00
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Workshop Challenge (ต่อ) 🏆

Mission Clean Coffee Shop Data (ต่อ)

Your Tasks

  1. ✅ Standardize date format
  2. ✅ Unify menu names
  3. ✅ Standardize sizes
  4. ✅ Handle missing prices
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Workshop Challenge (ต่อ) 🏆

Mission Clean Coffee Shop Data (ต่อ)

  1. ✅ Fix time format
  2. ✅ Create 3 new features
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Real-World Impact 💼

Netflix (2020)

  • Improved: User data preparation
  • Result: Saved $1B/year
  • How: Better content recommendations
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Real-World Impact (ต่อ) 💼

Airbnb (2019)

  • Improved: Price feature engineering
  • Result: 12% booking increase
  • How: Dynamic pricing features
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Real-World Impact (ต่อ) 💼

Spotify (2021)

  • Improved: Audio feature extraction
  • Result: 30% better recommendations
  • How: Advanced audio features
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Real-World Impact (ต่อ) 💼

Amazon (2022)

  • Improved: Product categorization
  • Result: 8% sales increase
  • How: Better category features
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Tools & Resources 🛠️

Essential Libraries

  • pandas - Data manipulation
  • numpy - Numerical operations
  • scikit-learn - Preprocessing tools
  • featuretools - Automated FE
  • category_encoders - Advanced encoding
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Tools & Resources (ต่อ) 🛠️

Learning Platforms

  • Kaggle Learn - Free courses
  • Google Colab - Free GPU
  • GitHub - Code examples
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Tools & Resources (ต่อ) 🛠️

Practice Datasets

  • Titanic - Classic starter
  • House Prices - Regression
  • Credit Card Fraud - Imbalanced
  • Customer Churn - Business case
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Tools & Resources (ต่อ) 🛠️

Checklist Before Model

  • [ ] No missing values
  • [ ] No outliers (or handled)
  • [ ] Correct data types
  • [ ] Scaled if needed
  • [ ] Features engineered
  • [ ] Data validated
AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Key Takeaways 🎯

Remember These!

  1. 80/20 Rule - 80% เวลาเตรียมข้อมูล, 20% สร้าง model

  2. Garbage In, Garbage Out - ข้อมูลดี = Model ดี

  3. Domain Knowledge is Power - ความรู้เฉพาะด้านสร้าง features ที่ดี

  4. Start Simple - เริ่มจากง่าย → ค่อยซับซ้อน

  5. Document Everything - บันทึกทุกการเปลี่ยนแปลง

AI Course | IT, Department of Computing, Science, Silpakorn University
Data Preparation & Feature Engineering | ผศ.ดร.ณัฐโชติ พรหมฤทธิ์

Q&A

Questions? 🤔

Contact

📧 Email: [email protected]


Remember

"ข้อมูลที่ดีกับอัลกอริทึมธรรมดา ดีกว่า ข้อมูลแย่ๆ กับอัลกอริทึมเทพ"

AI Course | IT, Department of Computing, Science, Silpakorn University