ชุดเครื่องมือสำหรับวิทยาการข้อมูล (Data Science Toolbox)

รหัสวิชา: 1145100

จำนวนหน่วยกิต: 3(2-2-5)

วัตถุประสงค์ของรายวิชา

  1. ใช้เครื่องมือพื้นฐานสำหรับงานด้านวิทยาการข้อมูล เช่น Git, Docker, และ Jupyter

  2. ใช้ระบบควบคุมเวอร์ชันและการบริหารโครงการร่วมกัน

  3. พัฒนาโครงงานด้วยภาษา Python และโมดูลที่เกี่ยวข้องกับวิทยาการข้อมูล

  4. ประยุกต์ใช้ Model Context Protocol (MCP) เพื่อสร้างกระบวนการทำงานร่วมกับโมเดล AI

  5. ออกแบบและพัฒนา Agent AI โดยใช้ Agent Development Kit (ADK)

  6. ประยุกต์ใช้เทคโนโลยี AI เพื่อเพิ่มประสิทธิภาพในกระบวนการทำงานด้านข้อมูล

แผนการสอนรายสัปดาห์ (15 สัปดาห์)

Table 7 แผนการสอน

สัปดาห์

หัวข้อการเรียนรู้

กิจกรรมการเรียนรู้และเครื่องมือ

การประเมินผล

1

แนะนำรายวิชาและทบทวนพื้นฐานวิทยาการข้อมูล

บรรยาย, อภิปราย, ตั้งค่า GitHub Repo

  • ใช้ ChatGPT/Copilot ช่วยตอบคำถาม

  • สไลด์

การสังเกตพฤติกรรม

2

ภาพรวมชุดเครื่องมือวิทยาการข้อมูล

ติดตั้ง Python, Jupyter, Docker

  • สาธิตการใช้ MCP ในการตั้งค่าสภาพแวดล้อม

การบ้าน

3

ระบบควบคุมเวอร์ชัน (Git, GitHub)

ฝึกใช้ branching, merging, pull requests

  • ใช้ Copilot สร้าง commit message อัตโนมัติ

แบบทดสอบ

4

การทำงานร่วมกันในโครงการ Open Source

จัดทำ repo โครงการร่วมกัน

  • ใช้ metadata จาก MCP เพื่อจัดเก็บข้อมูลโครงการ

โครงงานย่อย

5

ภาษาโปรแกรมสำหรับวิทยาการข้อมูล (Python)

ใช้ Pandas, NumPy, Matplotlib

  • ใช้ AI ช่วยในการสำรวจข้อมูล (EDA)

การบ้าน

6

แนะนำ MCP และ Agent AI

บรรยาย + สาธิตการสร้าง context ผ่าน MCP

  • สร้าง context prompt สำหรับชุดข้อมูล

แบบฝึกหัด

7

โครงงานย่อย Midterm (MCP Workflow)

ทำงานกลุ่มออกแบบ pipeline ด้วย MCP

  • ประยุกต์ใช้ context layers เพื่อจัดการข้อมูล

โครงงานกลางภาค

8

โมดูลสำหรับวิทยาการข้อมูล

พัฒนา workflow ด้วย Scikit-Learn, PyCaret

  • ใช้ Agent AI ประเมินโมเดลอัตโนมัติ

การบ้าน

9

Docker และการทำซ้ำงาน (Reproducibility)

สร้าง image สำหรับ data project

  • ฝัง metadata ของ MCP ใน Docker build

แบบฝึกหัด

10

แนะนำ Agent Development Kit (ADK)

เรียนรู้การสร้าง agent สำหรับ query ข้อมูล

  • สร้าง command-based data agent

แบบทดสอบ

11

การประยุกต์ใช้ Agent AI ในโครงงานวิทยาการข้อมูล

ใช้ ADK สร้าง agent จัดการข้อมูล

  • ออกแบบ chatbot สำหรับสอบถามชุดข้อมูล

โครงงานย่อย

12

การจัดการโครงงานวิทยาการข้อมูล

วางแผน sprint, milestone, issue tracking

  • ใช้ AI agent ช่วยตรวจโค้ดและวิเคราะห์ issue

การสังเกตพฤติกรรม

13

การพัฒนาและทดสอบโครงงาน

พัฒนาและทดสอบระบบพร้อม Agent AI

  • รวม MCP metadata ในรายงานโครงงาน

รายงาน

14

การทำงานเป็นทีมและการนำเสนอ

ซ้อมนำเสนอและแลกเปลี่ยน feedback

  • ใช้ MCP สร้างสรุปข้อมูลอัตโนมัติ

ซ้อมนำเสนอ

15

การนำเสนอผลงานและสรุปผล

นำเสนอผลงานและสะท้อนการเรียนรู้

  • ประเมินความสามารถเชิงบูรณาการ MCP + ADK

นำเสนอปลายภาค

วิธีการสอน

  • การบรรยายควบคู่การฝึกปฏิบัติ (Lecture + Lab)

  • การเรียนรู้เชิงโครงงาน (Project-based Learning)

  • ใช้ AI เป็นผู้ช่วยเรียนรู้เฉพาะบุคคล (Personalized AI Learning)

  • การเรียนรู้ร่วมกันผ่านระบบควบคุมเวอร์ชันและ agent AI

สัดส่วนการประเมินผล

  • การมีส่วนร่วมและพฤติกรรมในชั้นเรียน: 5%

  • งานบ้านและแบบฝึกหัด: 25%

  • โครงงานกลางภาค (MCP): 25%

  • โครงงานปลายภาค (MCP + Agent AI): 30%

  • การนำเสนอและรายงาน: 15%

เอกสารประกอบการเรียนรู้