Data Science & ML

Python: ประเภท, โครงสร้างข้อมูล, OOP, decorator, generator, context manager

NumPy: อาร์เรย์, broadcasting, indexing, การดำเนินการแบบ vector, พีชคณิตเชิงเส้น

Pandas: DataFrame, Series, indexing, groupby, merge, pivot, อนุกรมเวลา

SQL: SELECT, JOIN, GROUP BY, window function, CTE, การเพิ่มประสิทธิภาพคิวรี

การแสดงผล: Matplotlib (figure, axes, subplot), Seaborn (แผนภูมิสถิติ), Plotly (แบบโต้ตอบ)

สถิติ: การแจกแจง, การทดสอบสมมติฐาน, ช่วงความเชื่อมั่น, การถดถอย

Feature Engineering: การเข้ารหัส, การปรับสเกล, การเลือกฟีเจอร์, การสร้างฟีเจอร์

ML แบบมีผู้ดูแล: การถดถอยเชิงเส้น/โลจิสติก, ต้นไม้, Random Forest, XGBoost, เมตริก

ML แบบไม่มีผู้ดูแล: K-Means, การจัดกลุ่มแบบลำดับชั้น, PCA, t-SNE

ML Pipeline: การแบ่ง train/test, cross-validation, การปรับ hyperparameter, overfitting

Deep Learning: perceptron, backpropagation, ฟังก์ชันกระตุ้น, optimizer, ฟังก์ชันสูญเสีย

CNN: convolution, pooling, สถาปัตยกรรม (ResNet, VGG), transfer learning

RNN/LSTM: ลำดับ, vanishing gradient, กลไก attention, Transformer

NLP: tokenization, embedding, word2vec, BERT, การ fine-tune LLM

MLOps: การจัดการเวอร์ชัน (MLflow), การทำ container (Docker), API (FastAPI), การติดตาม

Cloud: Google Cloud (Compute, Storage, BigQuery), การเทรนด้วย GPU, Vertex AI

จริยธรรม AI: อคติ, ความสามารถในการอธิบาย (SHAP, LIME), ความเป็นธรรม, GDPR