Blockdit Logo (Mobile)
สารตั้งต้น
•
18 ก.พ. เวลา 02:00 • การศึกษา

สถิติที่จำเป็นสำหรับนักวิทยาศาสตร์ข้อมูล (Essential Statistics for Data Scientists)

เนื่องจากข้อมูลในปัจจุบันมีเป็นปริมาณมาก และ กระจัดกระจายอยู่ตามแหล่งข้อมูลต่างๆมากมาย ทั้งภาครัฐและเอกชน รวมถึงข้อมูลนับวันยิ่งมีมูลค่าอย่างมาก เพราะสามารถนำมาประมวลผลด้วยโปรแกรมประยุกต์และใช้ AI เพื่อใช้สำหรับงานวิชาการและธุรกิจ อาชีพนักวิทยาศาสตร์ข้อมูลจึงได้ถือกำนเนิดขึ้น เพื่อให้สามารถคำนวณข้อมูลได้ตรงกับความต้องการและมีความถูกต้อง นักวิทยาศาสตร์ข้อมูลจึงจำเป็นต้องศึกษาและเข้าใจว่าสถิติแต่ละประเภทใช้เพื่ออะไร และ เหมาะสำหรับคำนวณข้อมูลแบบใด
วิทยาศาสตร์ข้อมูลได้กลายเป็นสาขาที่กำลังเติบโตในช่วงไม่กี่ปีที่ผ่านมา โดยได้รับแรงหนุนจากความพร้อมของข้อมูลที่เพิ่มขึ้น และความจำเป็นในการดึงข้อมูลเชิงลึกอันมีค่าออกมา เป็นผลให้มีความต้องการเพิ่มขึ้นสำหรับนักวิทยาศาสตร์ข้อมูลที่มีทักษะซึ่งมีรากฐานที่แข็งแกร่งในด้าน 5 ประเภทสถิติที่สำคัญ ได้แก่
1. สถิติเชิงพรรณนา Descriptive Statistics) เป็นพื้นฐานสำหรับการสรุปและอธิบายชุดข้อมูล แบ่งเป็น
1.1 การวัดแนวโน้มส่วนกลาง (Central Tendency) ได้แก่ ค่าเฉลี่ย (mean) ค่ามัธยฐาน (median) และ ฐานนิยม (mode) เป็นต้น
1.2 ความแปรปรวน (Variability) ได้แก่ ส่วนเบี่ยงเบนมาตรฐาน (standard deviation) และ ความแปรปรวน (variance) เป็นต้น
1.3 การแจกแจง (Distribution) ได้แก่ ฮิสโตแกรม (histograms) และ บ็อกซ์พล็อต (boxplots)
2. ทฤษฎีความน่าจะเป็น (Probability Theory) เป็นพื้นฐานของสถิติอธิบายถึงแนวคิดเรื่องความน่าจะเป็น เช่น ตัวแปรสุ่ม (random variables) การแจกแจงความน่าจะเป็น (probability distributions) และ ความน่าจะเป็นแบบมีเงื่อนไข (conditional probability) เป็นต้น
3. สถิติเชิงอนุมาน (Inferential Statistics) เป็นการวิเคราะห์ข้อมูลเพื่อหาความสัมพันธ์ระหว่างตัวแปร ครอบคลุมเนื้อหา เช่น การทดสอบสมมติฐาน (hypothesis testing) ช่วงความเชื่อมั่น (confidence intervals) และ นัยสำคัญทางสถิติ (statistical significance) เป็นต้น
4. การวิเคราะห์การถดถอย (Regression Analysis) เป็นเครื่องมือที่มีประสิทธิภาพสำหรับการสร้างแบบจำลองความสัมพันธ์ระหว่างตัวแปร ช่วยให้นักวิทยาศาสตร์ข้อมูลสามารถคาดการณ์และเข้าใจปัจจัยที่มีอิทธิพลต่อผลลัพธ์เฉพาะได้ เช่น การถดถอยเชิงเส้น (linear regression) การถดถอยโลจิสติก (logistic regression) และ การวิเคราะห์สหสัมพันธ์ (correlation analysis) เป็นต้น
5. การเรียนรู้ของเครื่อง (Machine Learning) เป็นอัลกอริธึมการเรียนรู้ของเครื่องจำนวนมากอาศัยแนวคิดทางสถิติเป็นอย่างมาก การทำความเข้าใจแนวคิดเหล่านี้มีความสำคัญต่อการสร้างและปรับแต่งโมเดลการเรียนรู้ของเครื่อง เช่น การจำแนกประเภท (classification) ต้นไม้ตัดสินใจ (decision tree) การแปลภาษา (machine translation) และ เครือข่ายประสาทเทียม (artificial neural networks) เป็นต้น
นอกจากนี้ นักวิทยาศาสตร์ข้อมูลยังจำเป็นต้องมีความรู้ด้านสถิติเชิงประยุกต์เฉพาะด้าน เช่น สถิติทางการเงิน สถิติทางการตลาด สถิติทางชีวการแพทย์ ฯลฯ ขึ้นอยู่กับสาขาวิชาที่นักวิทยาศาสตร์ข้อมูลทำงานอยู่
ตัวอย่างหัวข้อสถิติเชิงประยุกต์เฉพาะด้าน เช่น
  • ●
    สถิติทางการเงิน ใช้ในการวิเคราะห์ข้อมูลทางการเงิน เช่น ข้อมูลราคาหุ้น ข้อมูลอัตราดอกเบี้ย ฯลฯ เพื่อใช้ในการตัดสินใจทางการเงิน เช่น การลงทุน การวางแผนทางการเงิน เป็นต้น
  • ●
    สถิติทางการตลาด ใช้ในการวิเคราะห์ข้อมูลทางการตลาด เช่น ข้อมูลพฤติกรรมการซื้อของลูกค้า ข้อมูลการตอบแบบสอบถาม ฯลฯ เพื่อใช้ในการวางแผนการตลาด เช่น การกำหนดกลุ่มเป้าหมาย การกำหนดกลยุทธ์ทางการตลาด เป็นต้น
  • ●
    สถิติทางชีวการแพทย์ ใช้ในการวิเคราะห์ข้อมูลทางชีวการแพทย์ อาจจะเป็น ข้อมูลผลการทดลองทางคลินิก ข้อมูลการวินิจฉัยโรค ฯลฯ เพื่อใช้ในการวิจัยทางชีวการแพทย์ เช่น การค้นพบยารักษาโรคใหม่ เป็นต้น
โดยสรุป สถิติสำหรับนักวิทยาศาสตร์ข้อมูลเป็นสาขาวิชาที่มีความสำคัญและจำเป็นสำหรับนักวิทยาศาสตร์ข้อมูลในการปฏิบัติงาน โดยนักวิทยาศาสตร์ข้อมูลจำเป็นต้องมีความรู้พื้นฐานด้านสถิติอย่างกว้างขวาง รวมถึงความรู้ด้านสถิติเชิงประยุกต์เฉพาะด้านที่สอดคล้องกับสาขาวิชาที่ทำงานอยู่
สารตั้งต้น หวังเป็นอย่างยิ่งว่าบทความนี้จะเป็นประโยชน์กับทุกคน เพราะคำว่า "ไม่รู้" ทำคนเสีย "น้ำตา" มามากแล้ว
ถ้าเนื้อหาถูกใจ ช่วยกดติดตาม กดไลท์ กดแชร์ เพื่อเป็นกำลังใจ
แลกเปลี่ยนความเห็น ติชม สอบถาม แนะนำเนื้อหาได้นะครับ
#สารตั้งต้น #EssentialStatistics #DataScientists

ดูเพิ่มเติมในซีรีส์

โฆษณา