1. 28 มิย.    2 กค.

  2. 5 กค.ม   9 กค.

  3. 12กค.   16 กค.

  4. 19 กค.  23 กค.

  5. 26 กค.    30 สค.

  6.  2  สค.    6 สค.

  7.  9  สค.  13 สค.

  8. 16 สค.   20 สค.

  9. 23 สค.  27 สค.

  10. 30 สค.    3 กย.

  11.  6 กย.   10 กย.

  12. 13 กย.  17 กย.

  13. 20 กย.  24 กย.

  14. 27 กย.     1 ตค.

  15.  4 ตค.      8 ตค.

  16.      12 ตค. 

Content: Programming Languages

​​ลิงค์แนะนำ-Markup Languages 

Contents&Lessons

Learning Activities

บทที่2  Modern Programming Languages

2.1 Object-oriented Paradigm

      2.1.1 Class, Instance and Method

      2.1.2 Call Reference

      2.1.3 Inheritance and Method Calling

      2.1.4 Overloading

2.2 Virtual Machine

2.3 Functional Languages

2.4 Markup Languages
      2.4.1 HTML
      2.4.2 XML

Weeks-Dates

ขอให้นศ. ทุกคนอดทน ขยัน และพยายามให้สุดความสามารถ  ความสำเร็จ ความภูมิใจในตัวเองคือรางวัล....สู้ๆค่ะ

​อย่าสบประมาทความสามารถตัวเอง  อนาคตที่สดใสรอคอยอยู่  ความสำเร็จมาจากความเพียรพยาม

3.1 Data Analytics Lifecycle (วงจรชีิวิตการวิเคราะห์ข้อมูล) 

      3.1.1 Describing Problem (กำหนดปัญหา)

      3.1.2 Identifying Data Sources  (ระบุแหล่งข้อมูล)  

      3.1.3 Preparing Data (การเตรียมความพร้อมข้อมูล)

      3.1.4 Planing Model  (วางแผนโมเดล)

      3.1.5 Building Model  (สร้างโมเดล)

      3.1.6 Visaulising Results (นำเสนอข้อมูลวิเคราะห์)

3.2 Big Data Concepts  (แนวความคิดในเรื่อง big data)

3.3 Introductory Hadoop and Its Ecosystem (บทนำและวงชีวิตของฮาดูพ)


บทที่5  Programming for Solving Problems

Copyright © thidawan klaysri. All rights reserved.

แนะนำเรียนวิชานี้ให้ประสบความสำเร็จ

เกณฑ์วัดผล 100%

บทที่1  Fundamentals of Computer Programming

แสดงปฎิทินเรียนรายเดือน

  • The Object-Oriented Thought Process  (Developer's Library)  by Matt Weisfeld
  • *Java For Everyone: Late Objectsby Cay S. Horstmann
  • *Big Java Late Object  by Cay S. Horstmann
  • หมายเหตุ หนังสือที่นักศึกษาสามารถดาวน์โหลดได้นั้น อ .ได้ Mark แถบสีเหลืองเป็น Highlight ไว้ให้ที่หน้า สารบัญ หมายถึงเนื้อหาที่มุ่งเน้นให้ศึกษาด้วยตัวเอง ล่วงหน้า
  • *Data Science and Big Data Analytics: Discovering, Analyzing, Visualizing and Presenting Databy EMC
  • Hadoop 24 Hours by Jeffrey Aven
  • R Machine Learning By Example Written by Raghav Bali and Dipanjan Sarkar
  • *A User's Guide to Network Analysis in R by Douglas Luke

​​ลิงค์แนะนำ- Java Programming            

1.1 An Introduction to Programming  (บทนำการเขียนโปรแกรม)

1.2 Traditional Programming Languages (ภาษาการเขียนโปรแกรมแบบดั้งเดิม)

1.3 Syntax of the Programming Languages (ไวยกรณ์ของภาษาเขียนโปรแกรม)

      1.3.1 Control Block (การควบคุมบล็อค)
      1.3.2 Block Structure (โครงสร้างบล็อค)
      1.3.3 Recursive (การทำงานแบบเรียกซ้ำ)

1.4 Data Structure (โครงสร้างข้อมูล)

      1.4.1 Array

      1.4.2 Array List

      1.4.3 Hash Map

1.5 Sorting and Searching Algorithms (อัลกอริธึ่มจัดลำดับและสืบค้นข้อมูล)

1.6 Testing Programs (การทดสอบความถูกต้องของโค้ด)
       1.6.1 Complier

      1.6.2 Running Time and Debugging

      1.6.3 Creating Test Cases


เอกสารตำราประกอบการเรียนการสอน Textbooks

THIDAWAN.NET
Thidawan Klaysri Roberts-ธิดาวรร   คล้ายศรี

บทที่4  R Programming for Data Analytics

  • ศึกษาล่วงหน้าก่อนเรียนเสมอ
  • กล้าซักถาม  ตอบ  แสดงความคิดเห็น แลกเปลี่ยนความคิดเห็น
  • ตอนปฏิบัติการโปรแกรมจะเข้าใจมากขึ้น "เรียนรู้ด้วยการปฎิบัติ"
  • ทบทวนสิ่งที่ได้เรียน ศึกษาเพิ่มเติม "practice makes perfect"
  • ฝึกเขียนโปรแกรมให้มากๆ ให้เข้าเส้นเลือด สนุกกับการแก้ปัญหา 

บทที่3  Big Data Analytics

จิตพิสัย: 10% การมาเรียน/พฤติกรรมการเรียน การปฏิบัติงาน labs
ปฏิบัติการLab: 10%  1 ครั้ง งานการบ้านเขียนโปรแกรมส่งสอบหน้าจอ
สอบกลางภาค: 30% (ทฤษฎี20% ปฎิบัติ10%)

งานที่มอบหมาย: 30%  2 ชิ้นงานเขียนโปรแกรมวิเคราะห์ข้อมูลกลุ่ม/เดี่ยว
สอบปลายภาค: 20% (ทฤษฎี10% ปฎิบัติ10%) 

4.1 Introductory R Programming  (การเขียนโปรแกรม R เบื้องต้น)

      4.1.1 R Commands (คำสั่งต่างๆ ของ R)

      4.1.2 Functions  (ฟังก์ชั่นต่างๆ ของ R)

      4.1.3 Loops (การวนซ้ำ)

      4.1.4 Writing R Scripts (เขียน R สคริปท์)

4.2 Data's Description (อธิบาย/นิยาม-จำกัดความข้อมูล)

4.3 Preparing Data (การเตรียมความพร้อมข้อมูล)

4.4 Predictive Modelling (โมเดลพยากรณ์) With R          

4.5 Result Visualisation  (นำเสนอข้อมูลวิเคราะห์)



5.1 Introductory Social Network Analysis (SNA)

      5.1.1 Social Network Data

      5.1.2 Representation of SNA

      5.1.3 Network Structural Properties

5.2 Detection Communities in SNs

5.3 Visualization of the SNs with R

5.4 Tools for Social Network Analysis

​​ลิงค์แนะนำ-Social Network Analysis(SNA)

รายละเอียดวิชาภาษาการเขียนโปรแกรม

syllabus of Programming LANGUAGE

​​ลิงค์แนะนำ-R  Programming


  1. ตกลง-วัดความรู้ก่อนเรียน
  2. Lab
  3. Lab
  4. Lab
  5. แบบฝึกหัด-งานชิ้นที่1-ปฎิบัติเดี่ยว
  6. Lab

  7. Lab
  8. สอบกลางภาค
  9. Lab
  10. Lab
  11. Lab-งานชิ้นที่2-งานกลุ่มวิเคราะห์ข้อมูล
  12. Lab
  13. Lab
  14. Lab-งานชิ้นที่3-MiniProj. เดี่ยว
  15. Lab 
  16. สอบปลายภาค

      

  1. บทนำภาษาการเขียนโปรแกรม: แนะนำรายวิชา ข้อตกลง

  2. บทที่1 พื้นฐานของภาษาการเขียนโปรแกรม (1.1-1.2) 

  3. (ต่อบทที่1) พื้นฐานของภาษาการเขียนโปรแกรม (1.3-1.4)

  4. (ต่อบทที่1) พื้นฐานของภาษาการเขียนโปรแกรม  (1.5-1.6)

  5. Testing programs (การทดสอบโค้ด)   Download CODE

  6. บทที่2 HashMap-VMOOP&Functional programming languages

  7. (ต่อบทที่2) Markup languages

  8. สอบกลางภาค  ทฤษฎี 20% ปฎิบัติ 10%        Download แบบฝึกหัดแก้ตัวกลางภาค

  9. บทที่3 Data analytic life cycle

  10. (ต่อบทที่3) Big data concepts and Hadoop ecosystem

  11. บทที่4 Data Analytics with R    Download DataSets   

  12. (ต่อบทที่4) R-Visualising data & Predictive modeling               

  13. (ต่อบทที่4) Predictive modelings       Checklistคะแนน       R-scripts

  14. Social Network Analysis (SNA)  

  15. (ต่อ) SNA Tools Miniproject in practice          แบบฝึกหัดทบทวนก่อนสอบ

  16. สอบปลายภาค  ทฤษฎี 10% ปฎิบัติ 10%