คลิปวิดีโอ  

📺 ความหมายของวิทยาการข้อมูล (6.03 นาที)

ใบกิจกรรม

📄 ใบกิจกรรมที่ 1.1  ใคร ๆ ก็สามารถใช้ข้อมูลได้

คลิปวิดีโอ  

📺  กระบวนการทางวิทยาการข้อมูล (6.05 นาที)

ใบกิจกรรม

📄 ใบกิจกรรมที่ 2.1  ข้อมูลเปลี่ยนมุมมอง

📄 ใบกิจกรรมที่ 2.2  ข้อมูลช่วยชุมชนและโลกอย่างไร

📄 ใบกิจกรรมที่ 2.3 (ก) เวลาของฉัน

📄 ใบกิจกรรมที่ 2.3 (ข)  Surprise

📄 ใบกิจกรรมที่ 2.3 (ค) ฝน

📄 ใบกิจกรรมที่ 2.3 (ง) ไดโนเสาร์

คลิปวิดีโอ  

📺  วิทยาการคำนวณ ม.5 - บทที่ 1 ข้อมูลมีคุณค่า (เนื้อหา)

ใบกิจกรรม

📄 ใบกิจกรรมที่ 3.1 คิดแบบนักออกแบบ

📄 ใบกิจกรรมที่ 3.2 โครงงานวิทยาการข้อมูลของฉัน

คลิปวิดีโอ  

 📺  วิทยาการคำนวณ ม.5 - บทที่  2  การเก็บรวบรวมและสำรวจข้อมูล (เนื้อหา)  (1.22.00 นาที)

00:00  เกริ่นและทบทวนข้อมูลปฐมภูมิทุติยภูมิ

04:13  ภาพรวมบทที่ 2

04:36  2.1 การเก็บรวบรวมข้อมูล

08:46  เสริม - API คืออะไร (Concept)

13:58  2.1.1 แหล่งข้อมูลทุติยภูมิ

16:01  2.1.2 ความเหมาะสมของแหล่งข้อมูล

24:20  2.2 การเตรียมข้อมูล (Data Preparation)

24:54  2.2.1 การทำความสะอาดข้อมูล (Data Cleansing)

36:04  2.2.2 การแปลงข้อมูล (Data Transformation)

53:42  2.2.3 การเชื่อมโยงข้อมูล (Combining Data)

55:47  2.3 การสำรวจข้อมูล (Data Exploration)

1:01:02  เสริม - แผนภาพกล่อง (Box Plot)

1:06:54  Demo - ดูข้อมูลและสร้างแผนภาพการกระจาย (Scatter Plot) โดยใช้ภาษา Python ผ่าน Google Colab

1:16:09 2.4  ข้อมูลส่วนบุคคล

1:21:39  ปิดท้าย

ใบกิจกรรม

📄 ใบกิจกรรมที่ 4.1 ข้อมูลตอบโจทย์

คลิปวิดีโอ  

📺  วิทยาการคำนวณ ม.5 - บทที่  2  การเก็บรวบรวมและสำรวจข้อมูล (เนื้อหา)  (1.22.00 นาที)

00:00  เกริ่นและทบทวนข้อมูลปฐมภูมิทุติยภูมิ

04:13  ภาพรวมบทที่ 2

04:36  2.1 การเก็บรวบรวมข้อมูล

08:46  เสริม - API คืออะไร (Concept)

13:58  2.1.1 แหล่งข้อมูลทุติยภูมิ

16:01  2.1.2 ความเหมาะสมของแหล่งข้อมูล

24:20  2.2 การเตรียมข้อมูล (Data Preparation)

24:54  2.2.1 การทำความสะอาดข้อมูล (Data Cleansing)

36:04  2.2.2 การแปลงข้อมูล (Data Transformation)

53:42  2.2.3 การเชื่อมโยงข้อมูล (Combining Data)

55:47  2.3 การสำรวจข้อมูล (Data Exploration)

1:01:02  เสริม - แผนภาพกล่อง (Box Plot)

1:06:54  Demo - ดูข้อมูลและสร้างแผนภาพการกระจาย (Scatter Plot) โดยใช้ภาษา Python ผ่าน Google Colab

1:16:09 2.4  ข้อมูลส่วนบุคคล

1:21:39  ปิดท้าย

ใบกิจกรรม

📄 ใบกิจกรรมที่ 4.2 ผู้จัดการข้อมูล

คลิปวิดีโอ  

 📺  วิทยาการคำนวณ ม.5 - บทที่  2  การเก็บรวบรวมและสำรวจข้อมูล (เนื้อหา)  (1.22.00 นาที)

00:00  เกริ่นและทบทวนข้อมูลปฐมภูมิทุติยภูมิ

04:13  ภาพรวมบทที่ 2

04:36  2.1 การเก็บรวบรวมข้อมูล

08:46  เสริม - API คืออะไร (Concept)

13:58  2.1.1 แหล่งข้อมูลทุติยภูมิ

16:01  2.1.2 ความเหมาะสมของแหล่งข้อมูล

24:20  2.2 การเตรียมข้อมูล (Data Preparation)

24:54  2.2.1 การทำความสะอาดข้อมูล (Data Cleansing)

36:04  2.2.2 การแปลงข้อมูล (Data Transformation)

53:42  2.2.3 การเชื่อมโยงข้อมูล (Combining Data)

55:47  2.3 การสำรวจข้อมูล (Data Exploration)

1:01:02  เสริม - แผนภาพกล่อง (Box Plot)

1:06:54  Demo - ดูข้อมูลและสร้างแผนภาพการกระจาย (Scatter Plot) โดยใช้ภาษา Python ผ่าน Google Colab

1:16:09 2.4  ข้อมูลส่วนบุคคล

1:21:39  ปิดท้าย

ใบกิจกรรม

📄 -

คลิปวิดีโอ  

📺  วิทยาการคำนวณ ม.5 - บทที่  2  การเก็บรวบรวมและสำรวจข้อมูล (เนื้อหา)  (1.22.00 นาที)

00:00  เกริ่นและทบทวนข้อมูลปฐมภูมิทุติยภูมิ

04:13  ภาพรวมบทที่ 2

04:36  2.1 การเก็บรวบรวมข้อมูล

08:46  เสริม - API คืออะไร (Concept)

13:58  2.1.1 แหล่งข้อมูลทุติยภูมิ

16:01  2.1.2 ความเหมาะสมของแหล่งข้อมูล

24:20  2.2 การเตรียมข้อมูล (Data Preparation)

24:54  2.2.1 การทำความสะอาดข้อมูล (Data Cleansing)

36:04  2.2.2 การแปลงข้อมูล (Data Transformation)

53:42  2.2.3 การเชื่อมโยงข้อมูล (Combining Data)

55:47  2.3 การสำรวจข้อมูล (Data Exploration)

1:01:02  เสริม - แผนภาพกล่อง (Box Plot)

1:06:54  Demo - ดูข้อมูลและสร้างแผนภาพการกระจาย (Scatter Plot) โดยใช้ภาษา Python ผ่าน Google Colab

1:16:09 2.4  ข้อมูลส่วนบุคคล

1:21:39  ปิดท้าย

ใบกิจกรรม

📄 -

คลิปวิดีโอ  

 📺  วิทยาการคำนวณ ม.5 - บทที่  2  การเก็บรวบรวมและสำรวจข้อมูล (เนื้อหา)  (1.22.00 นาที)

00:00  เกริ่นและทบทวนข้อมูลปฐมภูมิทุติยภูมิ

04:13  ภาพรวมบทที่ 2

04:36  2.1 การเก็บรวบรวมข้อมูล

08:46  เสริม - API คืออะไร (Concept)

13:58  2.1.1 แหล่งข้อมูลทุติยภูมิ

16:01  2.1.2 ความเหมาะสมของแหล่งข้อมูล

24:20  2.2 การเตรียมข้อมูล (Data Preparation)

24:54  2.2.1 การทำความสะอาดข้อมูล (Data Cleansing)

36:04  2.2.2 การแปลงข้อมูล (Data Transformation)

53:42  2.2.3 การเชื่อมโยงข้อมูล (Combining Data)

55:47  2.3 การสำรวจข้อมูล (Data Exploration)

1:01:02  เสริม - แผนภาพกล่อง (Box Plot)

1:06:54  Demo - ดูข้อมูลและสร้างแผนภาพการกระจาย (Scatter Plot) โดยใช้ภาษา Python ผ่าน Google Colab

1:16:09 2.4  ข้อมูลส่วนบุคคล

1:21:39  ปิดท้าย

ใบกิจกรรม

📄 -  

คลิปวิดีโอ  

📺  วิทยาการคำนวณ ม.5 - บทที่  2  การเก็บรวบรวมและสำรวจข้อมูล (เนื้อหา)  (1.22.00 นาที)

00:00  เกริ่นและทบทวนข้อมูลปฐมภูมิทุติยภูมิ

04:13  ภาพรวมบทที่ 2

04:36  2.1 การเก็บรวบรวมข้อมูล

08:46  เสริม - API คืออะไร (Concept)

13:58  2.1.1 แหล่งข้อมูลทุติยภูมิ

16:01  2.1.2 ความเหมาะสมของแหล่งข้อมูล

24:20  2.2 การเตรียมข้อมูล (Data Preparation)

24:54  2.2.1 การทำความสะอาดข้อมูล (Data Cleansing)

36:04  2.2.2 การแปลงข้อมูล (Data Transformation)

53:42  2.2.3 การเชื่อมโยงข้อมูล (Combining Data)

55:47  2.3 การสำรวจข้อมูล (Data Exploration)

1:01:02  เสริม - แผนภาพกล่อง (Box Plot)

1:06:54  Demo - ดูข้อมูลและสร้างแผนภาพการกระจาย (Scatter Plot) โดยใช้ภาษา Python ผ่าน Google Colab

1:16:09 2.4  ข้อมูลส่วนบุคคล

1:21:39  ปิดท้าย

ใบกิจกรรม

📄 ใบกิจกรรมที่ 5.1 นักสำรวจ

คลิปวิดีโอ  

📺 วิทยาการคำนวณ ม.5 - บทที่ 3 การวิเคราะห์ข้อมูล (เนื้อหา)

00:00 เกริ่นนำและประเภทการวิเคราะห์ข้อมูล

03:57 เสริม - ประเภทการวิเคราะห์ข้อมูล (เพิ่มเติมจากหนังสือเรียน) และการนำไปใช้ในภาพรวม

06:59 3.1 การวิเคราะห์เชิงพรรณา (Descriptive Analyics)

08:03 3.1.1 การหาสัดส่วนหรือร้อยละ (%)

08:56 3.1.2 การวัดค่ากลางของข้อมูล

13:01 3.1.3 การหาความสัมพันธ์ของชุดข้อมูล

18:32 การหาค่าความสัมพันธ์ผ่านโปรแกรม Microsoft Excel

20:13 การอธิบายค่าความสัมพันธ์

21:29 เสริม - Correlation does not imply causation

23:06 3.2 การวิเคราะห์เชิงทำนาย (Predictive Analytics)

24:09 3.2.1 การทำนายเชิงตัวเลข (Numeric Prediction)

26:52 เส้นแนวโน้ม

28:52 ทำนายค่าจากเส้นแนวโน้ม ใช้การประมาณค่าจากกราฟ

31:38 หมายเหตุ - ภาพกราฟในหนังสือเรียนไม่ตรงกับตอนทำจริงในโปรแกรม

32:48 เสริม - ทบทวนภาพรวมสมการเส้นตรง

34:29 ทำนายค่าจากเส้นแนวโน้ม ใช้การสมการเส้นตรง y=mx+c

39:13 การตรวจสอบความคลาดเคลื่อนของเส้นแนวโน้มผ่านการหาค่า sum of squared errors

45:50 การตรวจสอบความคลาดเคลื่อนด้วยโปรแกรม Excel

49:17 การหาสมการเส้นแนวโน้มโดยใช้ภาษา Python ผ่าน Google Colab

51:53 ภาพรวมสั้นๆของ 3.2.1 การทำนายเชิงตัวเลข (Numeric Prediction)

52:25 3.2.2 การทำนายเชิงหมวดหมู่ (Classification)

54:42 วิธีการค้นหาเพื่อนบ้านใกล้เคียงที่สุด K ตัว (K-Nearest Neighbors / K-NN)

1:00:19 การนำ K-NN ไปใช้ในการทำนายไฟป่า

1:05:04 การประเมินความถูกต้องในการจำแนกข้อมูล

1:06:20 สรุปภาพรวมบทที่ 3 และปิดท้าย

ใบกิจกรรม

📄 ใบกิจกรรมที่ 6.1 ข้อมูลนี้มีอะไร

คลิปวิดีโอ  

📺 วิทยาการคำนวณ ม.5 - บทที่ 3 การวิเคราะห์ข้อมูล (เนื้อหา)

00:00 เกริ่นนำและประเภทการวิเคราะห์ข้อมูล

03:57 เสริม - ประเภทการวิเคราะห์ข้อมูล (เพิ่มเติมจากหนังสือเรียน) และการนำไปใช้ในภาพรวม

06:59 3.1 การวิเคราะห์เชิงพรรณา (Descriptive Analyics)

08:03 3.1.1 การหาสัดส่วนหรือร้อยละ (%)

08:56 3.1.2 การวัดค่ากลางของข้อมูล

13:01 3.1.3 การหาความสัมพันธ์ของชุดข้อมูล

18:32 การหาค่าความสัมพันธ์ผ่านโปรแกรม Microsoft Excel

20:13 การอธิบายค่าความสัมพันธ์

21:29 เสริม - Correlation does not imply causation

23:06 3.2 การวิเคราะห์เชิงทำนาย (Predictive Analytics)

24:09 3.2.1 การทำนายเชิงตัวเลข (Numeric Prediction)

26:52 เส้นแนวโน้ม

28:52 ทำนายค่าจากเส้นแนวโน้ม ใช้การประมาณค่าจากกราฟ

31:38 หมายเหตุ - ภาพกราฟในหนังสือเรียนไม่ตรงกับตอนทำจริงในโปรแกรม

32:48 เสริม - ทบทวนภาพรวมสมการเส้นตรง

34:29 ทำนายค่าจากเส้นแนวโน้ม ใช้การสมการเส้นตรง y=mx+c

39:13 การตรวจสอบความคลาดเคลื่อนของเส้นแนวโน้มผ่านการหาค่า sum of squared errors

45:50 การตรวจสอบความคลาดเคลื่อนด้วยโปรแกรม Excel

49:17 การหาสมการเส้นแนวโน้มโดยใช้ภาษา Python ผ่าน Google Colab

51:53 ภาพรวมสั้นๆของ 3.2.1 การทำนายเชิงตัวเลข (Numeric Prediction)

52:25 3.2.2 การทำนายเชิงหมวดหมู่ (Classification)

54:42 วิธีการค้นหาเพื่อนบ้านใกล้เคียงที่สุด K ตัว (K-Nearest Neighbors / K-NN)

1:00:19 การนำ K-NN ไปใช้ในการทำนายไฟป่า

1:05:04 การประเมินความถูกต้องในการจำแนกข้อมูล

1:06:20 สรุปภาพรวมบทที่ 3 และปิดท้าย

ใบกิจกรรม

📄 ใบกิจกรรมที่ 6.2 สัมพันธ์กันหรือไม่

คลิปวิดีโอ  

📺 วิทยาการคำนวณ ม.5 - บทที่ 3 การวิเคราะห์ข้อมูล (เนื้อหา)

00:00 เกริ่นนำและประเภทการวิเคราะห์ข้อมูล

03:57 เสริม - ประเภทการวิเคราะห์ข้อมูล (เพิ่มเติมจากหนังสือเรียน) และการนำไปใช้ในภาพรวม

06:59 3.1 การวิเคราะห์เชิงพรรณา (Descriptive Analyics)

08:03 3.1.1 การหาสัดส่วนหรือร้อยละ (%)

08:56 3.1.2 การวัดค่ากลางของข้อมูล

13:01 3.1.3 การหาความสัมพันธ์ของชุดข้อมูล

18:32 การหาค่าความสัมพันธ์ผ่านโปรแกรม Microsoft Excel

20:13 การอธิบายค่าความสัมพันธ์

21:29 เสริม - Correlation does not imply causation

23:06 3.2 การวิเคราะห์เชิงทำนาย (Predictive Analytics)

24:09 3.2.1 การทำนายเชิงตัวเลข (Numeric Prediction)

26:52 เส้นแนวโน้ม

28:52 ทำนายค่าจากเส้นแนวโน้ม ใช้การประมาณค่าจากกราฟ

31:38 หมายเหตุ - ภาพกราฟในหนังสือเรียนไม่ตรงกับตอนทำจริงในโปรแกรม

32:48 เสริม - ทบทวนภาพรวมสมการเส้นตรง

34:29 ทำนายค่าจากเส้นแนวโน้ม ใช้การสมการเส้นตรง y=mx+c

39:13 การตรวจสอบความคลาดเคลื่อนของเส้นแนวโน้มผ่านการหาค่า sum of squared errors

45:50 การตรวจสอบความคลาดเคลื่อนด้วยโปรแกรม Excel

49:17 การหาสมการเส้นแนวโน้มโดยใช้ภาษา Python ผ่าน Google Colab

51:53 ภาพรวมสั้นๆของ 3.2.1 การทำนายเชิงตัวเลข (Numeric Prediction)

52:25 3.2.2 การทำนายเชิงหมวดหมู่ (Classification)

54:42 วิธีการค้นหาเพื่อนบ้านใกล้เคียงที่สุด K ตัว (K-Nearest Neighbors / K-NN)

1:00:19 การนำ K-NN ไปใช้ในการทำนายไฟป่า

1:05:04 การประเมินความถูกต้องในการจำแนกข้อมูล

1:06:20 สรุปภาพรวมบทที่ 3 และปิดท้าย

ใบกิจกรรม

📄 ใบกิจกรรมที่ 7.1 ยอดวิว

📄 ใบกิจกรรมที่ 7.2 ผลทำนายใครแม่น

คลิปวิดีโอ  

📺 วิทยาการคำนวณ ม.5 - บทที่ 3 การวิเคราะห์ข้อมูล (เนื้อหา)

00:00 เกริ่นนำและประเภทการวิเคราะห์ข้อมูล

03:57 เสริม - ประเภทการวิเคราะห์ข้อมูล (เพิ่มเติมจากหนังสือเรียน) และการนำไปใช้ในภาพรวม

06:59 3.1 การวิเคราะห์เชิงพรรณา (Descriptive Analyics)

08:03 3.1.1 การหาสัดส่วนหรือร้อยละ (%)

08:56 3.1.2 การวัดค่ากลางของข้อมูล

13:01 3.1.3 การหาความสัมพันธ์ของชุดข้อมูล

18:32 การหาค่าความสัมพันธ์ผ่านโปรแกรม Microsoft Excel

20:13 การอธิบายค่าความสัมพันธ์

21:29 เสริม - Correlation does not imply causation

23:06 3.2 การวิเคราะห์เชิงทำนาย (Predictive Analytics)

24:09 3.2.1 การทำนายเชิงตัวเลข (Numeric Prediction)

26:52 เส้นแนวโน้ม

28:52 ทำนายค่าจากเส้นแนวโน้ม ใช้การประมาณค่าจากกราฟ

31:38 หมายเหตุ - ภาพกราฟในหนังสือเรียนไม่ตรงกับตอนทำจริงในโปรแกรม

32:48 เสริม - ทบทวนภาพรวมสมการเส้นตรง

34:29 ทำนายค่าจากเส้นแนวโน้ม ใช้การสมการเส้นตรง y=mx+c

39:13 การตรวจสอบความคลาดเคลื่อนของเส้นแนวโน้มผ่านการหาค่า sum of squared errors

45:50 การตรวจสอบความคลาดเคลื่อนด้วยโปรแกรม Excel

49:17 การหาสมการเส้นแนวโน้มโดยใช้ภาษา Python ผ่าน Google Colab

51:53 ภาพรวมสั้นๆของ 3.2.1 การทำนายเชิงตัวเลข (Numeric Prediction)

52:25 3.2.2 การทำนายเชิงหมวดหมู่ (Classification)

54:42 วิธีการค้นหาเพื่อนบ้านใกล้เคียงที่สุด K ตัว (K-Nearest Neighbors / K-NN)

1:00:19 การนำ K-NN ไปใช้ในการทำนายไฟป่า

1:05:04 การประเมินความถูกต้องในการจำแนกข้อมูล

1:06:20 สรุปภาพรวมบทที่ 3 และปิดท้าย

ใบกิจกรรม

📄 ใบกิจกรรมที่ 7.3 รู้แล้วรวย

คลิปวิดีโอ  

📺 วิทยาการคำนวณ ม.5 - บทที่ 3 การวิเคราะห์ข้อมูล (เนื้อหา)

00:00 เกริ่นนำและประเภทการวิเคราะห์ข้อมูล

03:57 เสริม - ประเภทการวิเคราะห์ข้อมูล (เพิ่มเติมจากหนังสือเรียน) และการนำไปใช้ในภาพรวม

06:59 3.1 การวิเคราะห์เชิงพรรณา (Descriptive Analyics)

08:03 3.1.1 การหาสัดส่วนหรือร้อยละ (%)

08:56 3.1.2 การวัดค่ากลางของข้อมูล

13:01 3.1.3 การหาความสัมพันธ์ของชุดข้อมูล

18:32 การหาค่าความสัมพันธ์ผ่านโปรแกรม Microsoft Excel

20:13 การอธิบายค่าความสัมพันธ์

21:29 เสริม - Correlation does not imply causation

23:06 3.2 การวิเคราะห์เชิงทำนาย (Predictive Analytics)

24:09 3.2.1 การทำนายเชิงตัวเลข (Numeric Prediction)

26:52 เส้นแนวโน้ม

28:52 ทำนายค่าจากเส้นแนวโน้ม ใช้การประมาณค่าจากกราฟ

31:38 หมายเหตุ - ภาพกราฟในหนังสือเรียนไม่ตรงกับตอนทำจริงในโปรแกรม

32:48 เสริม - ทบทวนภาพรวมสมการเส้นตรง

34:29 ทำนายค่าจากเส้นแนวโน้ม ใช้การสมการเส้นตรง y=mx+c

39:13 การตรวจสอบความคลาดเคลื่อนของเส้นแนวโน้มผ่านการหาค่า sum of squared errors

45:50 การตรวจสอบความคลาดเคลื่อนด้วยโปรแกรม Excel

49:17 การหาสมการเส้นแนวโน้มโดยใช้ภาษา Python ผ่าน Google Colab

51:53 ภาพรวมสั้นๆของ 3.2.1 การทำนายเชิงตัวเลข (Numeric Prediction)

52:25 3.2.2 การทำนายเชิงหมวดหมู่ (Classification)

54:42 วิธีการค้นหาเพื่อนบ้านใกล้เคียงที่สุด K ตัว (K-Nearest Neighbors / K-NN)

1:00:19 การนำ K-NN ไปใช้ในการทำนายไฟป่า

1:05:04 การประเมินความถูกต้องในการจำแนกข้อมูล

1:06:20 สรุปภาพรวมบทที่ 3 และปิดท้าย

ใบกิจกรรม

📄 ใบกิจกรรมที่ 8.1 ชีวิตฉันคล้ายใคร

📄 ใบกิจกรรมที่ 8.2 ตัวนี้ พวกไหนดี

คลิปวิดีโอ  

📺 วิทยาการคำนวณ ม.5 - บทที่ 3 การวิเคราะห์ข้อมูล (เนื้อหา)

00:00 เกริ่นนำและประเภทการวิเคราะห์ข้อมูล

03:57 เสริม - ประเภทการวิเคราะห์ข้อมูล (เพิ่มเติมจากหนังสือเรียน) และการนำไปใช้ในภาพรวม

06:59 3.1 การวิเคราะห์เชิงพรรณา (Descriptive Analyics)

08:03 3.1.1 การหาสัดส่วนหรือร้อยละ (%)

08:56 3.1.2 การวัดค่ากลางของข้อมูล

13:01 3.1.3 การหาความสัมพันธ์ของชุดข้อมูล

18:32 การหาค่าความสัมพันธ์ผ่านโปรแกรม Microsoft Excel

20:13 การอธิบายค่าความสัมพันธ์

21:29 เสริม - Correlation does not imply causation

23:06 3.2 การวิเคราะห์เชิงทำนาย (Predictive Analytics)

24:09 3.2.1 การทำนายเชิงตัวเลข (Numeric Prediction)

26:52 เส้นแนวโน้ม

28:52 ทำนายค่าจากเส้นแนวโน้ม ใช้การประมาณค่าจากกราฟ

31:38 หมายเหตุ - ภาพกราฟในหนังสือเรียนไม่ตรงกับตอนทำจริงในโปรแกรม

32:48 เสริม - ทบทวนภาพรวมสมการเส้นตรง

34:29 ทำนายค่าจากเส้นแนวโน้ม ใช้การสมการเส้นตรง y=mx+c

39:13 การตรวจสอบความคลาดเคลื่อนของเส้นแนวโน้มผ่านการหาค่า sum of squared errors

45:50 การตรวจสอบความคลาดเคลื่อนด้วยโปรแกรม Excel

49:17 การหาสมการเส้นแนวโน้มโดยใช้ภาษา Python ผ่าน Google Colab

51:53 ภาพรวมสั้นๆของ 3.2.1 การทำนายเชิงตัวเลข (Numeric Prediction)

52:25 3.2.2 การทำนายเชิงหมวดหมู่ (Classification)

54:42 วิธีการค้นหาเพื่อนบ้านใกล้เคียงที่สุด K ตัว (K-Nearest Neighbors / K-NN)

1:00:19 การนำ K-NN ไปใช้ในการทำนายไฟป่า

1:05:04 การประเมินความถูกต้องในการจำแนกข้อมูล

1:06:20 สรุปภาพรวมบทที่ 3 และปิดท้าย

ใบกิจกรรม

📄 ใบกิจกรรมที่ 8.3 K ใครแม่นกว่ากัน

คลิปวิดีโอ  

📺 วิทยาการคำนวณ ม.5 - บทที่ 4 การทำข้อมูลให้เป็นภาพ และการสื่อสารด้วยข้อมูล (เนื้อหา)

00:00 เกริ่นนำ การทำข้อมูลให้เป็นภาพ และการสื่อสารด้วยข้อมูล

01:50 4.1 การสื่อสารด้วยข้อมูล

03:58 4.2 การทำข้อมูลให้เป็นภาพ (Data Visualization)

04:47 4.2.1 แผนภูมิวงกลม (Pie Chart)

06:41 แผนภูมิโดนัท (Donut Chart)

08:38 4.2.2 แผนภูมิแท่ง (Bar Chart)

09:30 4.2.3 กราฟเส้น (Line Graph)

10:28 4.2.4 แผนภาพการกระจาย (Scatter Plot)

11:24 4.2.5 การเลือกใช้แผนภาพ

12:24 4.3 การทำข้อมูลให้เป็นภาพอย่างเหมาะสม

13:22 ตัวแปรในการมองเห็นของจาคส์ เบอร์ติน (Jacques Bertin's Visual Variables) 

21:50 ลักษณะเฉพาะ (Characteristics) จากตัวแปรในการมองเห็นของจาคส์ เบอร์ติน

27:52 เสริม - ตัวแปรในการมองเห็น และลักษณะเฉพาะ (Characteristics) มีผลต่อการออกแบบ

30:20 เสริม - Gutenberg Diagram/Principle/Theory

33:04 แบบฝึกหัดพิจารณาการสื่อสาร

39:06 4.4 การเล่าเรื่องราวจากข้อมูล (Data Story Telling)

40:22 การนำเสนอเนื้อหาแบบตู้กดน้ำ (The Water Cooler)

40:48 การนำเสนอเนื้อหาแบบร้านกาแฟ/Storytelling (The Cafe)

42:01 การนำเสนอเนื้อหาแบบห้องสมุด (The Research Library)

42:26 การนำเสนอเนื้อหาแบบห้องทดลอง (The Lab)

43:01 เสริม - ความรู้สึกและคำถามที่พบ วิธีการหาคำตอบ

44:29 เสริม -  4x4 Model for Knowledge Content 

46:05 เสริม - ความลึกของเนื้อหาความรู้แบบตู้กดน้ำ (The Water Cooler)

47:11 เสริม - ความลึกของเนื้อหาความรู้แบบร้านกาแฟ (The Cafe)

48:28 เสริม - ความลึกของเนื้อหาความรู้แบบห้องสมุด (The Research Library)

50:02 เสริม - ความลึกของเนื้อหาความรู้แบบห้องทดลอง (The Lab)

50:45 เสริม - องค์ประกอบหรือวิธีในการสื่อสาร 4 รูปแบบ 

53:27 เสริม - สรุป 4x4 Model for Knowledge Content และความรู้สึก

55:47 4.5 ข้อควรระวังในการนำเสนอข้อมูล

59:31 สรุปภาพรวมบทที่ 4 

01:00:13 สรุปหนังสือวิทยาการคำนวณ ม.5

01:02:26 ปิดท้าย 

ใบกิจกรรม

📄 ใบกิจกรรมที่ 9.1 นำเสนออย่างมืออาชีพ

คลิปวิดีโอ  

📺 วิทยาการคำนวณ ม.5 - บทที่ 4 การทำข้อมูลให้เป็นภาพ และการสื่อสารด้วยข้อมูล (เนื้อหา)

00:00 เกริ่นนำ การทำข้อมูลให้เป็นภาพ และการสื่อสารด้วยข้อมูล

01:50 4.1 การสื่อสารด้วยข้อมูล

03:58 4.2 การทำข้อมูลให้เป็นภาพ (Data Visualization)

04:47 4.2.1 แผนภูมิวงกลม (Pie Chart)

06:41 แผนภูมิโดนัท (Donut Chart)

08:38 4.2.2 แผนภูมิแท่ง (Bar Chart)

09:30 4.2.3 กราฟเส้น (Line Graph)

10:28 4.2.4 แผนภาพการกระจาย (Scatter Plot)

11:24 4.2.5 การเลือกใช้แผนภาพ

12:24 4.3 การทำข้อมูลให้เป็นภาพอย่างเหมาะสม

13:22 ตัวแปรในการมองเห็นของจาคส์ เบอร์ติน (Jacques Bertin's Visual Variables) 

21:50 ลักษณะเฉพาะ (Characteristics) จากตัวแปรในการมองเห็นของจาคส์ เบอร์ติน

27:52 เสริม - ตัวแปรในการมองเห็น และลักษณะเฉพาะ (Characteristics) มีผลต่อการออกแบบ

30:20 เสริม - Gutenberg Diagram/Principle/Theory

33:04 แบบฝึกหัดพิจารณาการสื่อสาร

39:06 4.4 การเล่าเรื่องราวจากข้อมูล (Data Story Telling)

40:22 การนำเสนอเนื้อหาแบบตู้กดน้ำ (The Water Cooler)

40:48 การนำเสนอเนื้อหาแบบร้านกาแฟ/Storytelling (The Cafe)

42:01 การนำเสนอเนื้อหาแบบห้องสมุด (The Research Library)

42:26 การนำเสนอเนื้อหาแบบห้องทดลอง (The Lab)

43:01 เสริม - ความรู้สึกและคำถามที่พบ วิธีการหาคำตอบ

44:29 เสริม -  4x4 Model for Knowledge Content 

46:05 เสริม - ความลึกของเนื้อหาความรู้แบบตู้กดน้ำ (The Water Cooler)

47:11 เสริม - ความลึกของเนื้อหาความรู้แบบร้านกาแฟ (The Cafe)

48:28 เสริม - ความลึกของเนื้อหาความรู้แบบห้องสมุด (The Research Library)

50:02 เสริม - ความลึกของเนื้อหาความรู้แบบห้องทดลอง (The Lab)

50:45 เสริม - องค์ประกอบหรือวิธีในการสื่อสาร 4 รูปแบบ 

53:27 เสริม - สรุป 4x4 Model for Knowledge Content และความรู้สึก

55:47 4.5 ข้อควรระวังในการนำเสนอข้อมูล

59:31 สรุปภาพรวมบทที่ 4 

01:00:13 สรุปหนังสือวิทยาการคำนวณ ม.5

01:02:26 ปิดท้าย 

ใบกิจกรรม

📄 ใบกิจกรรมที่ 9.2 แบบนี้ใช่รึเปล่า

คลิปวิดีโอ  

📺 วิทยาการคำนวณ ม.5 - บทที่ 4 การทำข้อมูลให้เป็นภาพ และการสื่อสารด้วยข้อมูล (เนื้อหา)

00:00 เกริ่นนำ การทำข้อมูลให้เป็นภาพ และการสื่อสารด้วยข้อมูล

01:50 4.1 การสื่อสารด้วยข้อมูล

03:58 4.2 การทำข้อมูลให้เป็นภาพ (Data Visualization)

04:47 4.2.1 แผนภูมิวงกลม (Pie Chart)

06:41 แผนภูมิโดนัท (Donut Chart)

08:38 4.2.2 แผนภูมิแท่ง (Bar Chart)

09:30 4.2.3 กราฟเส้น (Line Graph)

10:28 4.2.4 แผนภาพการกระจาย (Scatter Plot)

11:24 4.2.5 การเลือกใช้แผนภาพ

12:24 4.3 การทำข้อมูลให้เป็นภาพอย่างเหมาะสม

13:22 ตัวแปรในการมองเห็นของจาคส์ เบอร์ติน (Jacques Bertin's Visual Variables) 

21:50 ลักษณะเฉพาะ (Characteristics) จากตัวแปรในการมองเห็นของจาคส์ เบอร์ติน

27:52 เสริม - ตัวแปรในการมองเห็น และลักษณะเฉพาะ (Characteristics) มีผลต่อการออกแบบ

30:20 เสริม - Gutenberg Diagram/Principle/Theory

33:04 แบบฝึกหัดพิจารณาการสื่อสาร

39:06 4.4 การเล่าเรื่องราวจากข้อมูล (Data Story Telling)

40:22 การนำเสนอเนื้อหาแบบตู้กดน้ำ (The Water Cooler)

40:48 การนำเสนอเนื้อหาแบบร้านกาแฟ/Storytelling (The Cafe)

42:01 การนำเสนอเนื้อหาแบบห้องสมุด (The Research Library)

42:26 การนำเสนอเนื้อหาแบบห้องทดลอง (The Lab)

43:01 เสริม - ความรู้สึกและคำถามที่พบ วิธีการหาคำตอบ

44:29 เสริม -  4x4 Model for Knowledge Content 

46:05 เสริม - ความลึกของเนื้อหาความรู้แบบตู้กดน้ำ (The Water Cooler)

47:11 เสริม - ความลึกของเนื้อหาความรู้แบบร้านกาแฟ (The Cafe)

48:28 เสริม - ความลึกของเนื้อหาความรู้แบบห้องสมุด (The Research Library)

50:02 เสริม - ความลึกของเนื้อหาความรู้แบบห้องทดลอง (The Lab)

50:45 เสริม - องค์ประกอบหรือวิธีในการสื่อสาร 4 รูปแบบ 

53:27 เสริม - สรุป 4x4 Model for Knowledge Content และความรู้สึก

55:47 4.5 ข้อควรระวังในการนำเสนอข้อมูล

59:31 สรุปภาพรวมบทที่ 4 

01:00:13 สรุปหนังสือวิทยาการคำนวณ ม.5

01:02:26 ปิดท้าย 

ใบกิจกรรม

📄 ใบกิจกรรมที่ 10.1 ร้อยเรียงเรื่องราวสู่สังคม