ปริญญาโทสำหรับโลกที่ขับเคลื่อนด้วยข้อมูล
หลักสูตรวิทยาศาสตรมหาบัณฑิต 36 หน่วยกิต ที่เชื่อม Data Science, Artificial Intelligence และ Data Engineering เข้ากับโจทย์จริง ออกแบบรูปแบบการเรียนให้สอดคล้องกับชีวิตของคนทำงาน
โจทย์ที่องค์กรกำลังเผชิญ
หลายองค์กรมี dashboard, cloud และ AI tools แล้ว แต่ยังขาดคนที่เชื่อมคำถามทางธุรกิจ คุณภาพข้อมูล แบบจำลอง และระบบที่นำไปใช้จริงเข้าด้วยกัน
ตั้งโจทย์ให้ชัด ก่อนเลือกข้อมูลหรือโมเดล
02สร้างหลักฐานที่ตรวจสอบได้ ไม่ใช่เพียงผลลัพธ์ที่ดูดี
03ออกแบบระบบที่ผู้อื่นนำไปใช้ ดูแล และพัฒนาต่อได้
เรียนเพื่อทำได้จริง
DIAI ใช้ Outcome-Based Education, case-based learning, project-based learning และการประเมินจากผลงานจริง เพื่อพัฒนาความสามารถตั้งแต่การตั้งคำถาม ไปจนถึงการส่งมอบระบบหรือผลวิจัยที่ตรวจสอบได้
จากข้อมูลกระจัดกระจาย สู่ข้อเสนอที่คนในองค์กรเข้าใจและนำไปตัดสินใจได้
เรียนรู้การกำหนดคำถามทางธุรกิจ ตรวจคุณภาพข้อมูล วิเคราะห์ด้วยสถิติ ออกแบบ metric และ visualization และเล่าเรื่องโดยไม่ซ่อน uncertainty หรือข้อจำกัด
จาก predictive model สู่การทดลองที่พิสูจน์ได้ว่าโมเดลมีคุณค่าและใช้ในขอบเขตใด
สร้าง baseline, feature และ model อย่างเป็นระบบ ตรวจ leakage, imbalance, calibration และ error pattern เปรียบเทียบวิธี และสื่อสารผลอย่างรับผิดชอบ
จากข้อมูลที่ “รันได้บนเครื่องเรา” สู่ระบบข้อมูลที่ทีมอื่นเชื่อถือ ดูแล และขยายต่อได้
ออกแบบ data contract และ architecture สร้าง pipeline เพิ่ม validation, test, version control, orchestration, CI/CD, observability และการจัดการ failure
Credit Banking · เรียนเป็นโมดูล
แต่ละ pathway ประกอบด้วยโมดูล OBEM 1 หน่วยกิตจำนวน 9 วิชา เริ่มจากรากฐานข้อมูลร่วม แล้วต่อยอดไปสู่ analytics, machine learning หรือ data operations การแบ่งเป็นโมดูลช่วยให้ผลลัพธ์การเรียนรู้ชัดเจนและจัดลำดับได้
การสะสม โอน หรือเทียบโอนหน่วยกิตต้องเป็นไปตามเงื่อนไขการรับเข้า การประเมินผล ระยะเวลา และข้อบังคับของมหาวิทยาลัย โปรดตรวจสอบประกาศอย่างเป็นทางการก่อนวางแผน
DIA 60401 · 60402 · 60403
DIA 60501 · 60502 · 60503
DIA 61201 · 61202 · 61203
DIA 60401 · 60402 · 60403
DIA 60501 · 60502 · 60503
DIA 60601 · 60602 · 60603
DIA 60401 · 60402 · 60403
DIA 60601 · 60602 · 60603
DIA 62101 · 62102 · 62103
ตัวอย่าง Coursework
ตัวอย่างต่อไปนี้อธิบายลักษณะงานที่สอดคล้องกับผลลัพธ์การเรียนรู้ ไม่ใช่การรับรองว่าโจทย์เดียวกันจะเปิดสอนทุกภาคการศึกษา
เริ่มจากข้อมูลธุรกิจที่ยังไม่สะอาด จัดเตรียม วิเคราะห์ สร้าง dashboard และนำเสนอข้อเสนอเชิงกลยุทธ์พร้อมข้อจำกัดของข้อมูล
เปรียบเทียบ baseline กับ machine-learning model ตรวจ data leakage, class imbalance, calibration และอธิบายเหตุผลในการเลือกโมเดล
ออกแบบ pipeline จากหลายแหล่งข้อมูล เพิ่ม validation, logging, automated test และ deployment workflow สำหรับงานจริง
กำหนดปัญหา เลือกระเบียบวิธี สร้างต้นแบบ ประเมินผล และสื่อสารข้อค้นพบในรูปแบบ thesis หรือ independent study
เหมาะกับใคร
หลักสูตรเปิดพื้นที่ให้ผู้เรียนจากหลายสาขาเชื่อมความรู้เฉพาะทางของตนเข้ากับข้อมูลและ AI แต่การเรียนระดับบัณฑิตศึกษาต้องอาศัยเวลา ความสม่ำเสมอ และความพร้อมในการทำงานเชิงวิเคราะห์
สองวิธีจบหลักสูตร
แผน 1 · วิชาการ
สำหรับผู้ที่ต้องการพัฒนาคำถามวิจัย ระเบียบวิธี การวิเคราะห์ และองค์ความรู้ใหม่อย่างเป็นระบบ
วิชาบังคับ 15 · วิชาเลือก 9 · วิทยานิพนธ์ 12แผน 2 · วิชาชีพ
สำหรับผู้ที่ต้องการพัฒนาระบบ ต้นแบบ หรือแนวทางแก้ปัญหาที่ประเมินผลได้ในบริบทจริง
วิชาบังคับ 15 · วิชาเลือก 15 · ค้นคว้าอิสระ 6เริ่มสำรวจหลักสูตร
