The First NIDA Business Analytics and Data Sciences Contest Conference 1- 2 September 2016

Career Track: Statistics @NIDA
The First NIDA Business Analytics and Data Sciences Contest/Conference
วันที่ 1-2 กันยายน 2559 ณ อาคารนวมินทราธิราช สถาบันบัณฑิตพัฒนบริหารศาสตร์
-เรียนสถิติอย่างไร
–เรียนจบสถิติแล้วทางานอะไร
-เรียนสถิติแล้วมีงานและรายได้ดีหรือไม่
-เรียนสถิติต้องเก่งคณิตศาสตร์และนั่งพิสูจน์ทั้งวันหรือไม่
https://businessanalyticsnida.wordpress.com
https://www.facebook.com/BusinessAnalyticsNIDA/
รศ. ดร. จิราวัลย์ จิตรถเวช
หัวหน้าสาขาวิชาสถิติ
คณะสถิติประยุกต์ NIDA
นวมินทราธิราช ห้อง 4001, 1 กันยายน 2559 เวลา 9.00-9.30 น.

Electricity Load Forecasting in Thailand
-ประเทศไทยต้องการกาลังไฟฟ้าเท่าไหร่
-จะต้องสร้างโรงงานไฟฟ้าหรือเขื่อนแค่ไหน
-แบบจาลอง Autoregressive Integrated Moving Average Model (ARIMA) และ
Cointegration ที่ประเทศไทยใช้ในการพยากรณ์กาลังไฟฟ้าของประเทศไทยหน้าตาเป็น
อย่างไร สร้างแบบจาลองดังกล่าวได้อย่างไร
-แบบจาลองดังกล่าวเกี่ยวข้องกับค่า FT หรือไม่ และส่งผลอย่างไรกับค่าไฟฟ้าที่เราต้องจ่าย?
รศ. ดร.วิชิต หล่อจีระชุณห์กุล
สาขาวิชา สถิติ คณะสถิติประยุกต์ NIDA
วิศวกรไฟฟ้า นักวิชาการสถิติ
นวมินทราธิราช ห้อง 4001,
1 กันยายน 2559 เวลา 10.15-11.15 น.

เรียนสถิติประยุกต์อย่างไรจะให้รุ่ง?
-เรียนสถิติประยุกต์อย่างไรจะให้รุ่ง
–เรียนสถิติอย่างไรให้ได้ดีและเข้าใจ
-จบสถิติไปทางานอะไรได้บ้าง
-จบสถิติไปแล้วรายได้ดีแค่ไหน อย่างไร
นางสาวเพียรจิต สิงหโทราช
กรรมการผู้จัดการ CA International Information Co., Ltd.
วทม. (NIDA)
นวมินทราธิราช ห้อง 4001 ,
1 กันยายน 2559 เวลา 9.30-10.00 น.

สถิติทางการกับการพัฒนาประเทศ บทบาทของสานักงานสถิติแห่งชาติ
-Official Statistics สาคัญอย่างไรกับการพัฒนาประเทศ
-จะพัฒนาระบบ Official Statistics ของประเทศได้อย่างไร
-บทบาทของสานักงานสถิติแห่งชาติกับระบบ Official Statistics
-บทบาทของ Official Statistics กับการกาหนดนโยบายของประเทศไทย
ดร. บงกช วิบูลย์ธนานันต์ Ph.D.(NIDA)
สานักงานสถิติแห่งชาติ
นางหทัยชนก พรรคเจริญ
วทม. (NIDA)
นวมินทราธิราช ห้อง 4001 , 1 กันยายน 2559 เวลา 11.30-12.000 น.

วิชาการสถิติเกี่ยวข้องกับงานวิจัยเกษตรอย่างไร
โดย พุฒนา รุ่งระวี วทม. (NIDA)
ผู้อานวยการกลุ่มวิจัยและวิเคราะห์ทางสถิติงานวิจัยเกษตร
กองแผนงานและวิชาการ กรมวิชาการเกษตร
-การเตรียมแปลงปลูกในระดับไร่นา
-การใช้เมล็ดพันธุ์ การดูแลรักษา การป้องกันกาจัดศัตรูพืช
-การเก็บเกี่ยว การบรรจุ เพื่อส่งขายใน และต่างประเทศ
-วิชาการสถิติมีส่วนช่วยตัดสินใจอย่างไรบ้าง
นวมินทราธิราช ห้อง 4001 , 1 กันยายน 2559 เวลา 12.00-12.30 น.

Drawing your career for business analytics and data scientists
-อยากเป็น Data Scientist/Business Analyst ต้องเรียนรู้อะไรบ้าง
-Data Scientist/Business Analyst มีความก้าวหน้าในอาชีพและผลตอบแทนเป็นอย่างไร
- Data Scientist/Business Analyst มีความท้าทายและสาคัญสาหรับธุรกิจและโลกใน
อนาคตอย่างไร
-จะทราบได้อย่างไรว่าตนเองเหมาะสมกับการเป็น Data Scientist/Business Analyst
โกเมษ จันทวิมล และ Data sciences Thailand
นวมินทราธิราช 3001 วันที่ 1 กันยายน 2559 9.00-10.00 น.

Analytics of Hospital Clustering & Profiling as a Tool for
Evidence-based Organization Development
รศ.ดร.จิรประภา อัครบวร อาจารย์ ดร.อานนท์ ศักดิ์วรวิชญ์
นายสมยศ ประจันบาล นายรัตนศักดิ์ เจริญทรัพย์
นายขรรค์ชัย บุญมาศ นางจารุวรรณ ยอดระฆัง
นางสาวเยาวนุช สุมน
-จะพัฒนาองค์การต้องประเมินและวินิจฉัยหรือไม่? อย่างไร? ทาไปเพื่ออะไร?
-บทบาทของ Analytics ในการพัฒนาองค์การ?
-Engagement ของโรงพยาบาลในประเทศไทยเป็นอย่างไร?
-โรงพยาบาลในประเทศไทยแบ่งกลุ่มตาม Engagement ได้กี่กลุ่ม แต่ละกลุ่มมีโปรไฟล์อย่างไร

Conjoint analysis for job design and HR analytics
-ปกติเราใช้ Conjoint Analysis ศึกษา Marketing Mix ไม่ใช่หรือ?
-ว่าแต่ว่า Conjoint Analysis นี่วิเคราะห์ยังไง ต้องถามยังไง?
- แล้วจะเอา Conjoint Analysis มาใช้ใน HR Analytics ได้หรือ?
- Conjoint Analysis เอามาใช้ในการออกแบบงานได้จริงหรือ ปกติใช้แต่การออกแบบ
ผลิตภัณฑ์ไม่ใช่หรือ? - ตกลงจะทา Marketing Analytics หรือ HR Analytics เอาไงกันแน่?
Arnond Sakworawich, PhD.
Business Analytics and Intelligence Program
Actuarial Sciences and Risk Management Program
Graduate School of Applied Statistics, NIDA
ธณศพร พันธุ์มณี วทม. (NIDA)

Factors Affecting The Engagement of LINE Customers in Bangkok:
Structural Equation Modeling
-Structural Equation Model คืออะไร สร้างได้อย่างไร ทาไปเพื่ออะไร
-Engagement เกิดได้อย่างไร ทาไมจึงเกิด Engagement
-ผู้ใช้ไลน์ในกรุงเทพ มี engagement กับการใช้ Line หรือไม่ อย่างไร เพราะอะไร
นายวงศกร ยุกิจภูติ
นักศึกษาปริญญาโท
สาขาวิชาการวิเคราะห์ธุรกิจและการวิจัย
นักวิจัยอาวุโส บริษัท เอ็มโอแค็ป จากัด

Introduction to Big Data & Analytics
ดร.เอกสิทธิ์ พัชรวงศ์ศักดา
อาจารย์ประจาหลักสูตรวิศวกรรมข้อมูลขนาดใหญ่ (Big
Data Engineering) วิทยาลัยนวัตกรรมเทคโนโลยีและ
วิศวกรรมศาสตร์ มหาวิทยาลัยธุรกิจบัณฑิตย์
ผู้ร่วมก่อตั้งห้างหุ้นส่วนสามัญ ดาต้า คิวบ์ (Data Cube)
แนะนา Big Data และตัวอย่างต่างๆ
แนะนา Internet of Things (IoT)
แนะนาเทคนิคการวิเคราะห์ข้อมูลด้วย Data Mining
แนะนาการ Big Data Analytics เช่น stream mining, text mining

Big Data Technologies
Big Data คืออะไร
สถาปัตยกรรมสาหรับข้อมูลขนาดใหญ่เป็นเช่นไร
จะจัดการกับข้อมูลขนาดใหญ่ได้อย่างไร
การประมวลผลข้อมูลขนาดใหญ่จะทาเช่นไร
Unstructured data ต่างจาก Relational Database Management System หรือไม่
เทคโนโลยีล่าสุดของข้อมูลขนาดใหญ่มีอะไรบ้าง
ทีมงาน Data Science Thailand

Big Data Analytics to Enhance Security
Anapat Pipatkitibodee
Technical Manager
ใช้ Big Data มาเพิ่มความปลอดภัยได้อย่างไร
Big Data Analytics
Security Trends
Example Security Attack
Integrated Security Analytics with Open Source
How to apply?

How data science connect to innovation!
ดร. นพันษกรณ์ ไวยวุฒิธนาภูม
open innovation specialist
โกเมษ จันทวิมล
Data Science Thailand
สร้างนวัตกรรมจาก Data Science ได้อย่างไร
นวัตกรรมที่เกิดจาก Data Sciences มีกี่รูปแบบ
ใช้ Open Data สร้างนวัตกรรมและจะมีอัตลักษณ์ได้จริงหรือ
ตัวอย่างนวัตกรรมที่เกิดจาก Data Sciences

Career Track: Computer Sciences @NIDA
ประเทศไทยต้องการนักคอมพิวเตอร์หรือโปรแกรมเมอร์หรือไม่?
ตกลงเราขาดแคลนนักคอมพิวเตอร์หรือโปรแกรมเมอร์หรือไม่?
เราเรียนวิทยาการคอมพิวเตอร์ไปเพื่ออะไร?
เรียนวิทยาการคอมพิวเตอร์จบแล้วจะมีงานรอเราหรือไม่?
เรียนวิทยาการคอมพิวเตอร์ไม่เป็นโปรแกรมเมอร์ได้หรือไม่?
ผศ.ดร.สุเทพ ทองงาม
หัวหน้าสาขาวิชาวิทยาการคอมพิวเตอร์ คณะสถิติประยุกต์
สถาบันบัณฑิตพัฒนบริหารศาสตร์

Multi-Touch Authentication:
New Method of Biometric Authentication
การยืนยันตัวตน ด้วยวิธี Multi-Touch และ Rhythm
บนอุปกรณ์ประเภท Laptop และ Smartphone
ทาไมต้องยืนยันตัวตน? ทาไมต้องใช้ Multi-touch?
ทาไม Biometric จึงเป็นวิธีที่ดีสาหรับ Security? ปลอดภัยสักแค่ไหน?
นคินทร วงษ์นฤเคนทร์
Senior Head Developer at Hi-Q Food & Roza Food
Doctoral student in Computer Science, NIDA

Cybersecurity Regulation for Thai Capital Market.
ดร.กาพล ศรธนะรัตน์ วทม. (NIDA) Ph.D.
ผู้อานวยการฝ่ายเทคโนโลยีสารสนเทศ
สานักงานคณะกรรมการกากับหลักทรัพย์และตลาดหลักทรัพย์

ระบบการเรียนการสอนระยะไกลโดยใช้เทคโนโลยีคลาวด์
-ระยะทางไม่เป็นอุปสรรคต่อการเรียนรู้
-เทคโนโลยีทาให้โต้ตอบกันได้โดยตรงทั้งออนไลน์และออฟไลน์
-พรมแดนแห่งความรู้กว้างขวางและสะดวกกว่าเดิม มีทั้ง
ระบบลงทะเบียน ระบบจ่ายเงิน ระบบการเรียนการสอน การทดสอบและประเมิน
-สถาบันการศึกษา โรงเรียนกวดวิชามีระบบบัญชี ระบบลูกค้าสัมพันธ์ ไม่ต้องลงทุนฮารด์แวร์
ไม่ต้องพัฒนาโปรแกรมเอง รศ. ดร. พิพัฒน์ หิรัณย์วณิชชากร
สาขาวิชาวิทยาการคอมพิวเตอร์
คณะสถิติประยุกต์ สถาบันบัณฑิตพัฒนบริหารศาสต
คงฤทธิ์ บุญหนัก
ภัทรพล อรุณ

Career Track: Software Architecture @NIDA
-สถาปัตยกรรมซอฟท์แวร์เรียนอะไร -เวลาออกแบบต้องคานึงถึงอะไรบ้าง
-ทาไมต้องเรียนสถาปัตยกรรมซอฟท์แวร์ เรียนแล้วได้อะไร
-เรียนเขียนโปรแกรมเป็นหลักใช่หรือไม่?
-เรียนแล้วพัฒนาซอฟท์แวร์เอง เป็น Startup เองได้หรือไม่?
ผศ.ดร.รัฐกร พูลทรัพย์
สาขาวิชาวิทยาการคอมพิวเตอร์ คณะสถิติประยุกต์ สถาบันบัณฑิตพัฒนบริหาร
ศาสตร์

Agile Development for Startup
-Agile development คืออะไร?
-มีข้อดีอะไรบ้างที่เหนือกว่าการพัฒนาซอฟท์แวร์แบบดั้งเดิม
-ทาไม Agile development เหมาะสมกับ Startup
ผศ.ดร.รัฐกร พูลทรัพย์
สาขาวิชาวิทยาการคอมพิวเตอร์
คณะสถิติประยุกต์ สถาบันบัณฑิตพัฒนบริหารศาสตร์

DevOps : Integrate, Deliver and Deploy continuously
with Visual Studio Team Services
-การดูแลเรื่องประสิทธิภาพและการควบคุมคุณภาพโปรแกรม
- การควบคุมการทางานร่วมกันและการจัดการ Source Code สาหรับ Team
Collaboration and Development)
- การควบคุมคุณภาพ และทดสอบโปรแกรมแบบต่างๆ (Software Quality and Testing)
- Measure and Analyze Application Performance and Load Testing
- Build Automation and Release Management
เฉลิมวงศ์ วิจิตรปิยะกุล
ศิษย์เก่าสาขาวิทยาการคอมพิวเตอร์ คณะสถิติประยุกต์ NIDA
Microsoft Most Valuable Professional (MVP)

นาเสนอขาย RMF อย่างไรให้ได้ผล: การศึกษาเชิงทดลอง
โดย ดนุพล ทองคา วทม. (NIDA), นพพล อัตต์สินทอง วทม. (NIDA),
อาจารย์ ดร. อานนท์ ศักดิ์วรวิชญ์
-เวลาขาย RMF ต้องทาให้ลูกค้ารู้สึกมั่นใจว่าตนเองมีความรู้หรือไม่
-เวลาขาย RMF ต้องทาให้ลูกค้ามีความรู้จริงๆ ในเรื่องของ RMF หรือไม่
- รู้สึกว่าตัวเองรู้ กับ รู้จริง อย่างไหนจะทาให้อยากลงทุน
-มีตัวเลือกเยอะๆ ดีหรือไม่ในการนาเสนอขาย RMF
-บอกข้อมูลให้ครบถ้วนหรือไม่ครบถ้วน แบบไหนจะทาให้ขายได้ง่ายกว่ากัน
-ทั้งหมดนี้หาคาตอบได้ด้วยศาสตร์ Behavioral Finance และ Experiment

ออกแบบกรมธรรมประกันชีวิตให้เข้าใจง่ายและดึงดูดใจคนซื้อ:
การศึกษาตัวแปรส่งผ่านด้วย Bootstrapping
โดย ตรัยคุณ โชประการ บุญชัย สุนทรวุฒิไกร อาจารย์ ดร. อานนท์ ศักดิ์วรวิชญ์
-ถ้าสัญญากรมธรรม์ใช้ภาษาชาวบ้านอ่านเข้าใจได้ง่ายหมดจดจะทาให้ลูกค้าเป้าหมายรู้สึกว่า
ตนเองมีความรู้เพิ่มขึ้นหรือไม่ และจะมีความรู้เพิ่มขึ้นจริงหรือไม่
-กรมธรรม์ใส่รายละเอียดครบกับการย่อกรมธรรม์ให้สั้น มีรายละเอียดน้อยลงอย่างไหนจะทาให้
ขายได้ง่ายกว่ากัน
-การคิดว่าตัวเองรู้เป็นตัวแปรสื่อส่งผ่านระหว่างความรู้จริง กับความตั้งใจจะซื้อหรือไม่
-จะทดสอบตัวแปรสื่อได้อย่างไร?

Actuarial Sciences and Risk Management @NIDA
-วิทยาการประกันภัยและการบริหารความเสี่ยงเรียนอะไรกันแน่?
-ต้องเก่งคณิตศาสตร์เท่านั้นใช่หรือไม่จึงเรียนได้ดี
-เรียนวิชาอะไรบ้าง -จบไปต้องสอบ license เช่น SOA หรือ CAS หรือไม่?
-จบไปแล้วทางานอะไรได้บ้าง
-รายได้และความก้าวหน้าดีมากเพียงใด
หั
ผศ.ดร.ปรีชา วิจิตรธรรมรส
หัวหน้าสาขาวิชาวิทยาการประกันภัยและการบริหารความเสี่ยง

Proportional Hazard Model for Predicting Stroke Mortality
พิมพ์ชนก พุฒขาว วทม. (NIDA)
นักศึกษาปริญญาเอก สาขาวิชาประชากรกับการพัฒนา
นักวิชาการสถิติชานาญการ ศูนย์วิจัยสถาบันประสาทวิทยา สถาบันประสาทวิทยา
กรมการแพทย์ กระทรวงสาธารณสุขรศ.ดร.เดือนเพ็ญ ธีรวรรณวิวัฒน์
สาขาวิชาประชากรกับการพัฒนา
คณะสถิติประยุกต์
การนา Proportional Hazards Model มาใช้ในวิเคราะห์ข้อมูลปัจจัยที่มีผลต่อภาวะการตายด้วยโรคหลอด
เลือดสมองในประเทศไทย ภายใต้การดาเนินโครงการวิจัยขนาดใหญ่ ที่มีอาสาสมัครประชากรไทย อายุ 45-80
ปี จากทั่วทุกภูมิภาค ของประเทศไทย เข้าร่วมโครงการ จานวน 20,347 คน และมีลักษณะเป็นการศึกษา
ชนิดติดตามไปข้างหน้าระยะยาวในชุมชน (community-based cohort study) เพื่อให้ได้มาซึ่งข้อมูล
ทางด้านระบาดวิทยาที่สาคัญสาหรับใช้ในการวางแผนทางการแพทย์และสาธารณสุขเพื่อป้องกันและควบคุม
โรคหลอดเลือดสมอง ซึ่งในประเทศไทยยังไม่เคยมีข้อมูลที่เชื่อถือได้ จากการศึกษาวิจัยในลักษณะนี้มาก่อน

การประกันภัยรถภาคบังคับและการคานวณค่าสินไหมสมบูรณ์
-ความรู้เกี่ยวกับการประกันภัยรถภาคบังคับ (พรบ.)
-ความรู้ด้านคณิตศาสตร์ประกันภัย (Actuarial Science)
-การคานวณค่าสินไหมสมบูรณ์ (Ultimate Loss) เพื่อหาอัตราความสูญเสีย (Loss Ratio)
ดวงพร ศรีว่องไทย วทบ. (พยาบาลศาสตร์ เกียรตินิยมอันดับหนึ่ง ม. มหิดล)
MBA (Monash University, Australia)
วทม. (NIDA) เกียรตินิยม
ผู้อานวยการสานักบริหารอัตราและการรักษาพยาบาล
บริษัทกลางคุ้มครองผู้ประสบภัยจากรถจากัด

โดย อาจารย์ ดร. อานนท์ ศักดิ์วรวิชญ์ รศ.ดร.เดือนเพ็ญ ธีรวรรณวิวัฒน์
ผศ. ดร. ปรีชา วิจิตรธรรมรส ผศ. วีณา ฉายศิลปรุ่งเรือง รศ. ดร. โอม ศรนิล
รศ. ดร. พาชิตชนัต ศิริพานิช วศิน แก้วชาญค้า วทม. (NIDA)
-สร้างตารางชีพได้อย่างไร -นาตารางชีพไปใช้อะไรได้บ้าง
-การฉายภาพประชากร (Demographic Projection) ทาอย่างไร
-รู้หรือไม่ว่าอีก 30 ปีข้างหน้า อายุเฉลี่ยข้าราชการไทยจะสูงถึง 55 ปี
-รู้หรือไม่ว่าอีก 30 ปีข้างหน้า รัฐบาลต้องดูแลข้าราชเกษียณและผู้มีสิทธิ์เบิกจ่ายค่า
รักษาพยาบาลกี่คนต่อข้าราชการที่ยังรับราชการหนึ่งคน
-สังคมข้าราชการไทยกาลังจะเป็นสังคมผู้สูงอายุอย่างเต็มวัย?
การฉายภาพประชากรข้าราชการไทยใน 30 ปีข้างหน้า

เสถียรภาพและความมั่นคงของกองทุนการออมแห่งชาติ:
การประเมินทางคณิตศาสตร์ประกันภัย
• สังคมไทยกาลังจะเข้าสู่สังคมผู้สูงวัย กองทุนบานาญที่มีภาระผูกพันต้องชาระผลประโยชน์
ให้แก่ผู้เกษียณอายุ อาจเกิดสถานะขาดสภาพคล่อง หรือเงินทุนไม่เพียงพอ
•รายละเอียดผลประโยชน์ของกองทุน •ความมั่นคงของกองทุน •อัตราผลตอบแทนของกองทุน
•ศึกษาและเปรียบเทียบปัจจัยสาคัญที่มีผลต่อสถานภาพกองทุน
รัฐรักษ์ สวัสดิเกียรติ วทม. (NIDA)
ฝ่ายคณิตศาสตร์ประกันภัย(Corporate Actuarial)
บริษัท เอฟดับบลิวดี ประกันชีวิต จากัด(มหาชน)
ผศ. วีณา ฉายศิลปะรุ่งเรือง, ASA
อาจารย์พิเศษ สาขาวิทยาการประกันภัยและการบริหารความเสี่ยง
NIDA

Introduction to Financial Time Series Analysis with R
-ข้อมูลอนุกรมเวลาทางการเงิน เช่น SET index จากตลาดหลักทรัพย์แห่งประเทศไทย
-การวิเคราะห์ข้อมูลอนุกรมเวลาทางการเงินขั้นสูง ทั้งที่ใช้ในการพยากรณ์และการประมาณค่า
Volatility ได้แก่ -autoregressive moving average model (ARMA model)
-Autoregressive conditional heteroskedasticity (ARCH)
-Generalized autoregressive conditional heteroscedasticity(GARCH)
อ.ดร.ชัยณรงค์ เกษามูล
ภาควิชาคณิตศาสตร์และสถิติ
คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยธรรมศาสตร์
และ Data Science Thailand
นวมินทราธิราช ห้อง 4001 เวลา 16.00-17.00.

Anomaly detection and anti-money laundering
อาจารย์ ดร.อานนท์ ศักดิ์วรวิชญ์
สาขาวิชา Business Analytics and Intelligence
สาขาวิชาวิทยาการประกันภัยและการบริหารความเสี่ยง
ปัณณวิชญ์ วิศัลยาวัฒน์ วทม. (NIDA)
-หลักการในการตรวจสอบความผิดปกติ -การตรวจจับ pattern ของความผิดปกติ
-การตรวจจับ Outlier ตัวแปรเดียว สองตัวแปร และหลายตัวแปร
-การวิเคราะห์ส่วนเหลือ (Residual) สาหรับการตรวจสอบความผิดปกติ
-การวิเคราะห์ outlier เพื่อตรวจจับการฟอกเงินในการซื้อประกันภัย
-เราจะเชื่อได้แค่ไหนว่าหลักสถิติใช้ในการตรวจสอบการทุจริตได้จริง

Fraud detection in gas station
-การตรวจสอบการทุจริตบัตรสมาชิกในปั้มน้ามัน
-เราจะรู้ได้อย่างไรเมื่อเราถูกพนักงานโกง?
-เราใช้หลักสถิติอะไรในการตรวจจับการทุจริตบัตร
สมาชิกในปั้มน้ามัน
ขจรศักดิ์ พิชญานุรักษ์ วทม. (NIDA)
MIS Manager
PTG Energy Group

From fraudulence to adversarial learning
-- Fraudulent detection (ID Theft) approach & process
- Evolution of fraudulence to sophisticated actor - adversarial learning
จรัล งามวิโรจน์เจริญ
Current chief data scientist and VP of Data Innovation Lab at Sertis,
Former lead data scientist of Booz Allen Hamilton

Credit scoring model
-การพัฒนาแบบจาลองความเสี่ยงด้านเครดิต (Credit
Scoring) สาหรับการพิจารณาอนุมัติสินเชื่อ เพื่อ
จัดการความเสี่ยงในการให้บริการสินเชื่อ
-A-Score, B-Score, C-Score
?
สมสวัสดิ์ เตชพลฤทธินันท์ วทม. (NIDA)
ฝ่ายบริหารความเสี่ยง (Scoring Team)
อยุธยาแคปปิตอลเซอร์วิสเซส (Krungsri Consumer)

Career Track: Data Sciences @NIDA
โดย รศ. ดร. โอม ศรนิล
สาขาวิชาวิทยาการข้อมูล
Data Sciences เรียนอะไร
ต้องมีความรู้ทางสถิติและคณิตศาสตร์ดีมากก่อนเรียนหรือไม่?
ต้องเขียนโปรแกรมคอมพิวเตอร์เก่งไหม
จบไปทางานอะไรได้บ้าง มีความก้าวหน้าได้ดีแค่ไหน
เรียนแบบ Computer Sciences หรือเรียนแบบสถิติประยุกต์
เนื้อหาเน้นหนักไปด้านใด
อาจารย์มีความเชี่ยวชาญด้านใดบ้าง

โดย รศ. ดร. โอม ศรนิล
Text Mining in Business Intelligence
การทาเหมืองข้อความทาได้อย่างไร มีหลักการอย่างไร
ทาเหมืองข้อความภาษาไทยได้หรือไม่
เราจะประยุกต์ใช้การทาเหมืองข้อความกับธุรกิจได้อย่างไร
ต้องเขียนโปรแกรมเป็นหรือไม่หากจะทาเหมืองข้อความ
ทาเหมืองข้อความแล้วจะได้ความรู้อะไรบ้าง

โดย รศ.ดร.สุรพงค์ เอื้อวัฒนามงคล
Machine Learning: An introduction
เครื่องจักรเรียนรู้ได้อย่างไร?
เครื่องจักรเรียนรู้อะไรได้บ้าง
การเรียนรู้ของเครื่องจักรเอาไปประยุกต์ใช้งานใดได้บ้าง
ต้องใช้คณิตศาสตร์ขั้นสูงในการเรียนรู้เรื่องการเรียนรู้ของเครื่องจักร?
มี software อะไรบ้างที่ใช้สาหรับการเรียนรู้ของเครื่องจักร
ประเภทของการเรียนรู้ของเครื่องจักรมีกี่ประเภท แต่ละประเภทเอาไปประยุกต์ใช้อะไร

Connected cities: Unlocking Innovation from Open Data
โดย ดร.พณชิต กิตติปัญญางาม
ผู้อานวยการฝ่ายนวัตกรรม (นว.) สานักงานรัฐบาล
อิเล็กทรอนิกส์ (องค์การมหาชน)(สรอ.)
เมืองเชื่อมโยงกันได้ด้วยเทคโนโลยีอะไร
เมืองเชื่อมโยงกันทาให้เกิดข้อมูลมากขนาดไหน
ภาครัฐส่งเสริมการเข้าถึงข้อมูลเปิดเพียงใด
นวัตกรรมเกิดขึ้นได้จากข้อมูลเปิดจริงหรือ
ภาครัฐส่งเสริมการเข้าถึงและการใช้งานข้อมูลเปิดสักแค่ไหน
ภาครัฐส่งเสริมนวัตกรรมจากข้อมูลเปิดด้วยนโยบายใด

Data Analytics in your IoT Solution
Fukiat Julnual, Technical Evangelist, Microsoft (Thailand) Limited
How we can feed our data stores from IoT Data for Data Analytic?
นวมินทราธิราช 3003
1 กันยายน 2559
14.45-15.45 น.

Career Track: Information Technology Management @NIDA
โดย ผศ. ดร. ปราโมทย์ ลือนาม
ผู้อานวนการหลักสูตร Information Technology Management
-ITM เป็นสาขาวิชาทาง Information Technology หรือทางการจัดการ
-จะเป็น Chief Information Officer ต้องเรียน ITM ใช่หรือไม่
-การเรียน ITM จะเอาไปประยุกต์ใช้ในการทางานได้อย่างไรบ้าง
-Information Technology Management ต่างจาก Information System
Management และ Computer Sciences อย่างไรบ้าง

Internet of Things and Complex event processing (CEP)/Data fusion
โดย ปริญญา หิรัญปัณฑาพร
Data Analytics/Advanced Analytics ที่ Allianz Ayudhya
วทม (NIDA)
-Internet of Things (IoT)
-เทคนิค data fusion เช่น Joint Directors of Laboratories (JDL)
-ตัวอย่าง Spatial-temporal analysis เช่น Population movement
นวมินทราธิราช 3003 วันที่ 1 กันยายน 2559 16.-0-17.00 น.

Microsoft R server for distributed computing
-แนะนา Microsoft R Server
-Distributed Computing มีวิธีการอย่างไร และมีประโยชน์อย่างไร
-แนะนาวิธีการ Configuration สาหรับ Distributed Computing
กฤษฏิ์ คาตื้อ,
Technical Evangelist,
Microsoft (Thailand)
-Distributed computing กับ Big Data
-Analytics บน R server
-สาธิตและสอนในลักษณะ workshop
Computer Lab 2 ชั้น 10 อาคารสยามบรมราชกุมารี
1 กันยายน 2559 เวลา 9.00-12.30

R Tool for Visual Studio และการทางานร่วมกันเป็นทีม
-ทาความรู้จักกับ R Technologies จาก Microsoft ทั้ง
แบบส่วนบุคคลหรือเป็นทีม ได้อย่างมีประสิทธิภาพ
- เครื่องมือทางานกับ R
-การจัดการและทางานเป็นทีมของ R
- R Version Control
- จัดการแผนงาน และการติดตามงานบน R
เฉลิมวงศ์ วิจิตรปิยะกุล
ศิษย์เก่าสาขาวิทยาการคอมพิวเตอร์ คณะสถิติประยุกต์ NIDA
Microsoft Most Valuable Professional (MVP)
1 กันยายน 2559 เวลา 13.30-14.30

Analytics in Modern Times: Powered by SAS
1. Introduction and Data Preparation using SAS Enterprise Guide
2. Introduction to Statistical Analysis using SAS Enterprise Guide
3. Advanced Machine Learning Models using SAS Enterprise Miner (Neural Networks, Decision Trees etc.)
4. Know more about “Advanced tools by SAS”
5. SAS Global Certification, Invest in yourself today and reap the benefits tomorrow
6. SAS Academy for Data Science, sharpen your skills and validate your expertise
Dr. Peerapon Vateekul SAS Certified Base Programmer for SAS 9
SAS Certified Predictive Modeler using SAS Enterprise Miner 13 Credential
§ A Deputy Head of Department in Academic Affairs
§ Department of Computer Engineering, Faculty of Engineering, Chulalongkorn University
§ Special Instructor at SAS Software Thailand
Computer Lab คณะสถิติประยุกต์ ชั้น 12 อาคารนวมินทราธิราช
1 กันยายน 2559 เวลา 13.30-17.00

ARENA for Simulation
- ทาไมต้อง Simulation
- ใช้ Simulation ตอบโจทย์อะไรได้บ้าง
- ทา Simulation ด้วย ARENA เพราะอะไร
- รัน Simulation บน ARENA ได้อย่างไร
1 กันยายน 2559 เวลา 14.45-17.00

Implementing Virtual Private Network (VPN) workshop
-Virtual Private Network คืออะไร
-VPN มีประโยชน์อย่างไร
-สอนการ implement VPN
ผศ. ดร. ปราโมทย์ กั่วเจริญ
สาขาวิชา Information Security
1 กันยายน 2559 เวลา 9.00-11.15

Tableau for statistical graphic and data visualization
-Introduction for Data Visualization
-Tableau use cases
-Product Demonstration
Somkiat Kraikriangsri – Enterprise Sales
Marut Veerawatyotin – Sales Consultant
1 กันยายน 2559 เวลา 11.30-12.30

วิทยากรจาก ORACLE ที่ Singapore แต่บรรยายภาษาไทย
ORACLE and Enterprise Resource Planning
Business Intelligence with ORACLE
Analytics through ORACLE
ORACLE for Analytics
1 กันยายน 2559 เวลา 13.30-17.00 น.

Microsoft R Open (MRO): Open platform for data scientists
กฤษฏิ์ คาตื้อ
Technical Evangelist
Microsoft (Thailand)
-MRO แก้ปัญหา single core processing ได้หรือไม่
-MRO ต่างจาก R อย่างไร
-สามารถใช้ MRO กับ Visual Studio ได้หรือไม่
-MRO เหมาะกับ Data Scientists เพราะเหตุใด
-ทาไมต้องเรียนภาษา R -ทดลองเขียนโปรแกรมด้วยภาษา R
2 กันยายน 2559 เวลา 9.00-12.30 น.

1. Introduction and Data Preparation using SAS Enterprise Guide
2. Business analysis by using SAS Visual Statistics & Business reporting by using SAS Visual Analytics
3. Advanced Machine Learning Models using SAS Enterprise Miner
4. SAS Academy for Data Science, sharpen your skills and validate your expertise
1) Dr. Thanapat Kangkachit
§ Special Instructor at SAS Software Thailand
§ PhD. Computer Engineering, Kasetsart University
2) Khun Pichamon Varnodyana
§ Analytics Presales, SAS Software Thailand
Business Analytics, practice sharing by SAS,
2 กันยายน 2559 เวลา 9.00-12.30 น.

The First Business Analytics and Data Sciences Contest
The best seven presentation
การนาเสนอผลการวิเคราะห์ธุรกิจและแผนธุรกิจ
ของเจ็ดทีม ที่ผ่านการคัดเลือกจาก 20 ทีม
ทีมละ 15 นาที
พร้อมความคิดเห็นจาก Commentator
ร่วมกันสร้าง Future Business Analysts and Young Data Scientists
สาหรับ Thailand 4.0 เพื่ออนาคตของประเทศไทย
ห้อง 3001 ชั้น 3 อาคารนวมินทราธิราช 2 กันยายน 2559 เวลา 15.00-17.00 น.

7.00-8.00 ลงทะเบียนเข้าร่วมการแข่งขัน
8.00-11.30 รับมอบโจทย์/กติกา วิเคราะห์ข้อมูล
ทา powerpoint เพื่อนาเสนอผลการวิเคราะห์ข้อมูล
11.30-13.00 นาเสนอผลการวิเคราะห์ ทีมละไม่เกิน 5 นาที/ รับประทานอาหารกลางวัน
11.30-14.30 นาผลการวิเคราะห์มาเขียนแผนธุรกิจ
จัดทา powerpoint เพื่อนาเสนอแผนธุรกิจ ส่งแผนธุรกิจ
14.30-15.00 Coffee break/ กรรมการคัดเลือกทีมที่เข้ารอบ 7 ทีม
15.00-17.00 ทีม 7 ทีมที่ เข้ารอบนาเสนอผลการวิเคราะห์และแผนธุรกิจ ไม่เกิน 15 นาที
17.00-17.30 ประกาศผลการแข่งขัน รับมองรางวัล พิธีปิด
ห้อง 1303 ชั้น 12A อาคารนวมินทราธิราช 2 กันยายน 2559 เวลา 7.00-17.30 น.

กติกาการแข่งขัน
1. ให้นา laptop มาเองทีมละ 3 เครื่อง และให้ติดตั้ง Software ที่ต้องการใช้งานมาให้
ครบถ้วนและพร้อมใช้งาน ไม่จากัด Software ที่ต้องการใช้งาน แต่จะไม่สามารถอัพเดทหรือ
เรียกขอความช่วยเหลือด้าน Software ใดๆ ได้อีกในระหว่างการแข่งขัน
2. Software ที่ควรติดตั้งให้เรียบร้อยไว้บนเครื่องเพื่อให้พร้อมแข่งขันได้แก่ Microsoft
Powerpoint (เนื่องจากต้องใช้ทา presentation) Microsoft Excel (เนื่องจากข้อมูลจะส่ง
ให้เป็น Excel) และโปรแกรมสาเร็จรูปทางสถิติ/Data Mining/ Machine Learning ที่ถนัด
และต้องการใช้งาน

3. ห้ามนาอุปกรณ์สื่อสารและอุปกรณ์อีเล็คโทรนิคส์ใดๆ ไปใช้ในระหว่างการแข่งขันโดย
เด็ดขาด มิฉะนั้นจะปรับตกถือว่าทุจริต กรรมการจะหาถุงพลาสติกสีขาวไว้ให้ผู้เข้าร่วมแข่งขัน
ใส่อุปกรณ์ดังกล่าวที่ปิดเครื่องเรียบร้อยแล้วพร้อมใส่ป้ายชื่อกระดาษลงไป วางไว้หน้าห้อง
แข่งขัน หากมีการพบว่าผู้เข้าแข่งขันคนใดในกลุ่มก็ตามใช้อุปกรณ์สื่อสารอีเล็คทรอนิคส์ใดๆ ก็
ตามนอกเหนือไปจาก laptop ที่ใช้ในระหว่างการแข่งขันจะปรับตกทั้งกลุ่มทันที โดยถือว่า
ทุจริตทั้งกลุ่ม
4. ผู้เข้าร่วมการแข่งขันสามารถนาตาราหนังสือ หรือวัสดุการศึกษาอื่นๆ เข้าห้องแข่งขันได้ แต่
ห้ามหยิบยืมหรือส่งให้กันข้ามกลุ่มโดยเด็ดขาดไม่ว่าจะด้วยวิธีการใดก็ตาม มิฉะนั้นจะปรับตก
ถือว่าทุจริตทั้งสองกลุ่ม

5. ผู้เข้าร่วมแข่งขันทุกคนต้อง Disable WIFI และ Blue Tooth connection ในระหว่าง
การแข่งขันให้เรียบร้อย กรรมการจะเดินตรวจเครื่องคอมพิวเตอร์ทีละเครื่อง และเดิน
ตรวจสอบเป็นระยะๆ ทั้งนี้หากเครื่อง laptop เครื่องใดเครื่องหนึ่ง ต่อเข้ากับ internet ไม่ว่า
จะด้วยเหตุผลใดก็ตาม กรรมการจะปรับทั้งกลุ่มตกรอบทันที โดยถือว่าทุจริตทั้งกลุ่ม
6. ห้ามปรึกษาหารือ/ส่งสัญญาณ/รหัส ข้ามกลุ่มโดยเด็ดขาด หากกรรมการพบเห็นจะปรับตก
ถือว่าทุจริตทั้งสองกลุ่ม เช่นเดียวกันกับการสอบโดยทั่วไป ทั้งนี้วินิจฉัยของประธาน (ผศ. ดร.
ปราโมทย์ ลือนาม) ให้ถือว่าเป็นที่สิ้นสุด

7. หากผู้เข้าร่วมการแข่งขันต้องการเข้าห้องน้า ให้แจ้งประธาน และประธานจะให้เจ้าหน้าที่
พาไปเข้าห้องน้าทีละหนึ่งคนเท่านั้น
6. ผู้เข้าร่วมการแข่งขันสามารถรับประทานอาหาร/ขนม/น้า/เครื่องดื่ม ที่จัดไว้ให้ได้อย่างเต็มที่
ตลอดระยะเวลาที่แข่งขัน
8. การ backup ข้อมูลและงานระหว่างทาเป็นภาระของผู้เข้าแข่งขัน หากเกิดอุบัติเหตุ เช่น
ไฟดับ หรือ เครื่องคอมพิวเตอร์เสียกลางคัน ให้ถือว่าเป็นความรับผิดชอบของผู้เข้าแข่งขันและ
ถือว่าเป็นที่สิ้นสุด

9. แต่ละทีมจะได้รับ USB flash drive ให้ใช้ Flash Drive ดังกล่าวส่งงาน เช่น ผลการ
วิเคราะห์ในรูปแบบของ Powerpoint และ แผนธุรกิจ ในรูปแบบ Powerpoint ให้กับ
กรรมการ ให้ตั้งชื่อไฟล์เป็นชื่อ ทีม เช่น ทีม baiผลวิเคราะห์.ppt
10. ห้ามส่ง Flash drive ข้ามกลุ่ม ห้ามหยิบยืม Flash drive ข้ามกลุ่ม มิเช่นนั้นจะถือว่า
ทุจริตทั้งสองกลุ่ม และปรับตกรอบทั้งสองกลุ่ม
11. การนาเสนอให้รักษาเวลา กรรมการรักษาเวลาอย่างเคร่งครัด และไม่อนุญาตให้นาเสนอ
ต่อทันทีหลังจากหมดเวลาในทุกรอบ

12. หลังจากรับมอบโจทย์และข้อมูลเพื่อการวิเคราะห์ในเวลา 8.00 น. ผู้เข้าแข่งขันแต่ละทีม
จะต้องจับฉลากว่าจะได้นาเสนอผมการวิเคราะห์ต่อคณะกรรมการทีละทีมเป็นลาดับที่เท่าใด
โดยเริ่มนาเสนอผลการวิเคราะห์ตั้งแต่ เวลา 11.30 น. และทุกทีมต้องส่ง powerpoint
สาหรับการนาเสนอภายในเวลา 11.30 น. เท่านั้น หากส่งหลังจากนี้คณะกรรมการจะถือว่า
ท่านสละสิทธิ์ในการแข่งขัน
13. แต่ละทีมจะมีเวลาในการนาเสนอผลการวิเคราะห์ทีมละไม่เกิน 5 นาที กรรมการจะรับฟัง
อย่างเดียว ไม่ให้ feedback ใดๆ และไม่แจ้งคะแนนให้ทราบ โดยเจ้าหน้าที่จะมาเรียกทีมไป
นาเสนอตามลาดับที่ได้จากการจับสลากในข้อ 11 ทีละทีม และนาเสนอในห้องติดกัน

14. นาผลการวิเคราะห์มาเขียนแผนธุรกิจ จัดทา powerpoint เพื่อนาเสนอแผนธุรกิจ ส่ง
powerpoint เพื่อนาเสนอ แผนธุรกิจภายในเวลา 14.30 น.
15. คณะกรรมการตัดสินจะคัดเลือกทีมที่เข้ารอบจานวน 7 ทีม จากผลคะแนนการนาเสนอผล
การวิเคราะห์รวมกับคะแนน powerpoint แผนธุรกิจ และประกาศผลในเวลา 15.00 ว่าทีมใด
ที่ผ่านเข้ารอบบ้าง ผลการตัดสินของคณะกรรมการให้ถือว่าเป็นที่สิ้นสุด
16. ทีมทั้งเจ็ดที่ผ่านการคัดเลือกมีเวลานาเสนอผลการวิเคราะห์และแผนธุรกิจทีมละ 15 นาที
และ Commentators อาจจะให้ feedback ได้ตามสมควร แต่ Commentator ไม่มีสิทธิ์ให้
คะแนนใดๆ ทั้งสิ้น

17. คณะกรรมการจะให้คะแนนจากการนาเสนอรอบหลังทีมละ 15 นาทีนี้ และใช้นาคะแนน
รวมจาก (1 ใน 3 จากการนาเสนอผลการวิเคราะห์ในรอบแรก+1 ใน 3 จาก powerpoint
แผนธุรกิจ+1 ใน 3 จากการนาเสนอผลการวิเคราะห์และแผนธุรกิจรอบสุดท้าย) เพื่อตัดสินว่า
ทีมใดจะได้รับรางวัลชนะเลิศ รางวัลรองชนะเลิศอันดับหนึ่ง รางวัลรองชนะเลิศอันดับสอง ผล
การตัดสินของคณะกรรมการให้ถือว่าเป็นที่สิ้นสุดเช่นกัน

Career Track: Information Security @NIDA
-Information Security เรียนอะไรบ้าง
-งานสาหรับคนที่จบด้าน information security
-ประเภทของ Information security

Current trends in information security
แนวโน้มปัจจุบันของ information security จะไปทางใด

Cyber Security
- สถานการณ์การใช้งานและทิศทางอินเทอร์เน็ต สื่อสังคมออนไลน์ ของประเทศไทย
- ลักษณะภัยคุกคามทางไซเบอร์ สิ่งที่อาจไม่คาดคิด
- สื่อสังคมออนไลน์กับความปลอดภัย
- กรณีศึกษาด้านภัยคุกคามทางไซเบอร์
ณัฐ พยงค์ศรี นักวิชาการคอมพิวเตอร์ชานาญการ
พนักงานเจ้าหน้าที่ตามพระราชบัญญัติว่าด้วยการกระทาความผิดเกี่ยวกับ
คอมพิวเตอร์ พ.ศ. 2550

-จัดกลุ่มครัวเรือนไทยตามรายได้ ค่าใช้จ่าย หนี้สิน การออม
และความเป็นอยู่ของครัวเรือน ได้กี่กลุ่ม?
-การจัดกลุ่มตัวแปรที่เป็นทั้งตัวแปรต่อเนื่องและตัวแปรจัดประเภททาได้อย่างไร?
-ระดับการศึกษาและอาชีพมีความสัมพันธ์กับกลุ่มครัวเรือนและความเหลื่อมล้าหรือไม่?
ความเหลื่อมล้าระหว่างกลุ่มครัวเรือนไทยตามสถานะทางเศรษฐกิจ: การวิเคราะห์จัดกลุ่ม
ประภาศรี เลิศเลอเกียรติ วทม (NIDA)
ส่วนงานเทคนิคพัฒนาและสนับสนุนระบบปฏิบัติการรับประกัน
บริษัท ไทยประกันชีวิต จากัด
อาจารย์ ดร.อานนท์ ศักดิ์วรวิชญ์
สาขาวิชาวิทยาการประกันภัยและการบริหารความเสี่ยง

-การใช้จ่ายของครัวเรือนเป็นข้อมูลพื้นฐานที่สาคัญสุดของธุรกิจและการตลาด
-ในรอบหลายปีที่ผ่านมาครัวเรือนไทยมีการเปลี่ยนแปลงค่าใช้จ่ายอย่างไรบ้าง
-ปัจจัยในที่มีอิทธิพลต่อการเปลี่ยนแปลงการใช้จ่ายของครัวเรือนไทย
ปัจจัยที่มีอิทธิพลต่อการเปลี่ยนแปลงการใช้จ่ายของครัวเรือนไทย
สมยศ ประจันบาล วทม. (NIDA) เกียรตินิยม
รศ.ดร.เดือนเพ็ญ ธีรวรรณวิวัฒน์

-ผลเลือกตั้งจะออกมาเป็นเช่นไร หากรัฐธรรมนูญผ่าน
-ทานายผลการเลือกตั้งด้วย Data Sciences ได้หรือไม่
-ปัจจัยด้านสังคมเศรษฐกิจ ภูมิศาสตร์ ประชากรศาสตร์
พฤติกรรมศาสตร์ ปัจจัยใดที่ทานายผลการเลือกตั้งได้ดี
-พื้นที่เขตเลือกตั้งแบบใดมีแนวโน้มที่จะมีบัตรเสีย
Vote No และ No Vote เพื่อไทย หรือประชาธิปัตย์
-แบบจาลองแบบไหนที่ใช้ทานายผลเลือกตั้ง สร้างได้อย่างไร
Spatial regression model predicting Thailand’s election
อาจารย์ ดร. อานนท์ ศักดิ์วรวิชญ์
นางสาวรัชนีพร จันทร์สา คณะสถิติประยุกต์ NIDA

การเกื้อหนุนบิดามารดาสูงอายุวัยปลายจากบุตรวัยผู้ใหญ่
รศ.ดร.เดือนเพ็ญ ธีรวรรณวิวัฒน์
คณะสถิติประยุกต์ร.ท.กนกกร ศักดิ์แหลมเงิน วทม (NIDA)
นายทหารกรรมวิธีข้อมูล กองสถิติและประเมินผล
โรงเรียนนายเรืออากาศนวมินทกษัตริยาธิราช
ผู้สูงอายุวัยปลายในสังคมไทยมีมากแค่ไหน มีลักษณะเช่นไรบ้าง
ผู้สูงอายุวัยปลายต้องการการเกื้อกูลในลักษณะใด
ความรู้ด้าน analytics ช่วยตอบโจทย์สังคมได้หรือไม่

1.คุณวัชรงค์ แป้นปลื้ม
บริษัท เอไอจี ประกันภัย (ประเทศไทย) จากัด (มหาชน)
2. คุณกมลลักษณ์ พรประสงค์สุข
บริษัท อาคเนย์ประกันภัย จากัด (มหาชน) ธุรกิจประกันวินาศภัย
3. Weeraphun Phooyaphat
บริษัท ไทยอินเตอร์แมท จากัด
Information System Management: The Practical Stories
เรียน Information System Management แล้วนาไปใช้งานอะไรได้บ้าง?

Image analytics and its application
1. อะไรคือ Image (and Video) Analytics
2. Image Analytics เรื่องง่าย ๆ ที่ไม่ง่ายสาหรับคอมพิวเตอร์
3. ทาไม Image Analytics ถึงสาคัญกับ Business และ Data Science
4. แอปพลิเคชันที่น่าสนใจทางด้าน Image Analytics
ผศ.ดร.ฐิติรัตน์ ศิริบวรรัตนกุล
อาจารย์ประจาสาขาวิชา Interactive Media Sciences

Career Track: Interactive Media Sciences @NIDA
I-AM ชื่อนี้มั่นใจมาก ตกลง I-AM เรียนอะไร
เรียนเพื่อไปวาดรูปกราฟฟิค? เรียนเพื่อทา ANIMATION?
เรียนสร้าง 3D? เรียนสร้าง Game? เรียนสร้าง Virtual Reality?
เรียนสร้าง Augmented Reality?
ตกลงเรียนศิลปะหรือเรียนวิทยาศาสตร์?
ผศ. ดร.ธนาสัย สุคนธ์พันธุ์
สาขาวิชา Interactive Media Sciences

Facial Recognition and Modeling
การสร้างหน้าคน เช่น ใช้ในการสร้างหน้าคน 3 มิติ พร้อม Texture จากภาพวาด sketch
ที่เป็น 2 มิติ รวมทั้งงานที่เน้นการสร้างหน้าการ์ตูน 3 มิติ โดยให้มีอัตลักษณ์ของคนที่
ต้องการไปผสมในหน้าการ์ตูน
-เทคนิค Facial Recognition โดยทั่วไป
-เทคนิค การสร้างหน้า 3 มิติ
-เทคนิคการนา Facial Recognition มาใช้รวมกัน
ผศ. ดร.ธนาสัย สุคนธ์พันธุ์
อาจารย์ประจาสาขาวิชา Interactive Media Sciences

Face recognition and deep learning
ดร.สรรพฤทธิ์ มฤคทัต
นักวิจัย ห้องปฏิบัติการเทคโนโลยีภาพหรือ IMG
ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ (NECTEC)
การรู้จาใบหน้านับเป็นเทคโนโลยีพื้นฐานในหลายๆ
งานที่เกี่ยวข้องกับการรักษาความปลอดภัย ในการ
บรรยายนี้เราจะกล่าวถึงพื้นฐานของงานวิจัยต่างๆ
ที่เกี่ยวข้องโดยเฉพาะการประยุกต์ใช้เทคนิค deep
learning กับงานนี้ ซึ่งนาไปสู่ระบบที่มี
ประสิทธิภาพเทียบเคียงกับมนุษย์ได้

The First NIDA Business Analytics and Data Sciences Contest Conference 1- 2 September 2016

The First NIDA Business Analytics and Data Sciences Contest Conference 1- 2 September 2016

Recommended

Recommended

More Related Content

Viewers also liked

Viewers also liked (16)

Similar to The First NIDA Business Analytics and Data Sciences Contest Conference 1- 2 September 2016

Similar to The First NIDA Business Analytics and Data Sciences Contest Conference 1- 2 September 2016 (20)

More from BAINIDA

More from BAINIDA (20)

The First NIDA Business Analytics and Data Sciences Contest Conference 1- 2 September 2016