หลักสูตรนี้สร้างขึ้นเพื่ออะไร
เพื่อพัฒนาคนที่เชื่อมข้อมูล เทคโนโลยี และความรู้เฉพาะทางเข้าด้วยกันได้ ตั้งแต่การตั้งปัญหา การเตรียมข้อมูล การวิเคราะห์ การสร้าง AI ไปจนถึงการประเมินผลและสื่อสารเพื่อการตัดสินใจ
เกี่ยวกับ DIAI
เปลี่ยนข้อมูลและ AI ให้เป็นระบบที่สร้างผลลัพธ์จริง
DIAI คือหลักสูตรวิทยาศาสตรมหาบัณฑิต 36 หน่วยกิตของภาควิชาคณิตศาสตร์ คณะวิทยาศาสตร์ มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี
หลักสูตรบูรณาการ Data Science, Artificial Intelligence, Data Engineering, applied mathematics, statistics, research และ domain knowledge เพื่อแก้ปัญหาที่มีบริบทจริง
- วุฒิ
- วิทยาศาสตรมหาบัณฑิต
- หน่วยกิต
- 36
- รูปแบบ
- Hybrid + OBE
- แผน
- วิทยานิพนธ์ / ค้นคว้าอิสระ
การเรียนรู้ที่ออกแบบอย่างมีเหตุผล
เราออกแบบหลักสูตรอย่างรอบคอบ เพื่อเชื่อมสิ่งที่เรียนกับโจทย์จริง
ต่างจากการเรียนเครื่องมือระยะสั้นอย่างไร
หลักสูตรระดับปริญญาโทเน้นทั้งหลักการ วิธีวิจัย การทดลอง ความน่าเชื่อถือ จริยธรรม และการบูรณาการระบบ ไม่ผูกความรู้ไว้กับ software หรือ model รุ่นใดรุ่นหนึ่ง
เรียนอย่างไร
ใช้ Hybrid Learning ร่วมกับ case-based, project-based และ outcome-based education ผู้เรียนต้องอธิบายเหตุผล ลงมือทำ ประเมินข้อจำกัด และปรับปรุงผลงานจาก feedback
เหมาะกับใคร
ผู้จบจากสายคอมพิวเตอร์ คณิตศาสตร์ สถิติ วิทยาศาสตร์ วิศวกรรม ธุรกิจ การเงิน หรือสาขาอื่นที่ต้องการใช้ข้อมูลและ AI อย่างจริงจัง รวมถึงคนทำงานที่ต้องการต่อยอดหรือเปลี่ยนบทบาท
ต้องมีพื้นฐานอะไร
ความพร้อมด้านการคิดเชิงตรรกะ การเรียนรู้ programming และการทบทวน mathematics กับ statistics จะช่วยให้เรียนได้ดีขึ้น ระดับที่ต้องทบทวนขึ้นกับพื้นฐานและเส้นทางที่เลือก
เมื่อจบแล้วควรทำอะไรได้
กำหนดปัญหา เลือกข้อมูลและวิธีที่เหมาะสม พัฒนาการวิเคราะห์หรือระบบ AI ประเมินผลอย่างมีหลักฐาน สื่อสารกับผู้เกี่ยวข้อง และทำงานโดยคำนึงถึงจริยธรรมกับผลกระทบ
หลักการออกแบบหลักสูตร
แม่นยำในหลักการ พร้อมปรับตัวเมื่อเครื่องมือเปลี่ยน
คิดเป็นระบบ
มองวงจรข้อมูลตั้งแต่ต้นทางถึงการใช้งาน และเห็นความสัมพันธ์ระหว่างเทคนิค คน กระบวนการ และผลกระทบ
เชื่อมทฤษฎีกับการปฏิบัติ
ใช้หลักการเพื่ออธิบายว่าเหตุใดวิธีหนึ่งจึงเหมาะ ไม่ใช่เพียงทำตามขั้นตอนของเครื่องมือ
สร้างหลักฐานก่อนสร้างความมั่นใจ
ใช้ baseline, experiment, validation และการวิเคราะห์ข้อผิดพลาดเพื่อรองรับข้อสรุป
รับผิดชอบต่อข้อมูลและสังคม
คำนึงถึง privacy, governance, transparency, fairness และขอบเขตการใช้งาน
เข้มข้นอย่างมีระบบ
ความยืดหยุ่นสำหรับคนทำงาน พร้อมมาตรฐานที่พาคุณเติบโต
การจัดเวลาให้เหมาะกับคนทำงานช่วยให้เข้าถึงการเรียนได้มากขึ้น แต่คุณภาพของผลลัพธ์ยังต้องมาจากการอ่าน การทดลอง การเขียนโค้ด การทำงานกลุ่ม และการพัฒนางานอย่างต่อเนื่อง
- ตารางตัวอย่างอังคาร–พฤหัสบดีภาคค่ำ และเสาร์เต็มวัน ต้องตรวจสอบกับประกาศจริงของแต่ละภาค
- รายวิชาเลือกไม่ได้เปิดครบทุกวิชาในทุกภาคการศึกษา
- ผู้เรียนต่างพื้นฐานอาจต้องใช้เวลาเตรียม programming, mathematics หรือ statistics ต่างกัน
- Thesis และ Independent Study ต้องมีขอบเขต หลักฐาน การประเมิน และการสื่อสารที่ตรวจสอบได้
ผลลัพธ์และทิศทางอาชีพ
ไม่ได้จบด้วยชื่อตำแหน่งเดียว แต่จบด้วยความสามารถที่ต่อยอดได้
บทบาทขึ้นอยู่กับประสบการณ์เดิม ผลงาน และความลึกที่เลือกเรียน ตัวอย่างทิศทางที่สอดคล้องกับหลักสูตร ได้แก่
Analytics & Decision
Data Analyst, Business Intelligence และงานที่เชื่อมข้อมูลกับการตัดสินใจ
AI & Applied Research
Data Scientist, Applied AI Researcher และงานทดลองที่ต้องประเมินผลอย่างเป็นระบบ
Data Systems
Data Engineer, AI Solution Developer และงานออกแบบระบบข้อมูลที่พร้อมใช้งาน
สำรวจต่อ