คลังข้อมูลและเหมืองข้อมูล

Data Warehousing and Data Mining

ศึกษาเกี่ยวกับการค้นหาองค์ความรู้จากฐานข้อมูล คลังข้อมูล  เปรียบเทียบฐานข้อมูลสำหรับดำเนินงานกับคลังข้อมูล ระบบคลังข้อมูลและส่วนประกอบ แบบจำลองมิติ กระบวนการวิเคราะห์ออนไลน์ (โอแล็บ) การเตรียมข้อมูล เหมืองข้อมูล สถาปัตยกรรมของระบบเหมืองข้อมูล วีการทำเหมืองข้อมูล ได้แก่ กฎความสัมพันธ์ การจำแนกประเภท การทำนาย และการจัดกลุ่ม การประยุกต์ใช้คลังข้อมูลและเหมืองข้อมูล
 
Study of knowledge discovery in database, data warehousing, comparing operational database to data warehouse, data warehousing system and components, dimensional modeling, online analytical processing (OLAP), preprocessing data, data mining, architecture of data mining system, data mining methods such as association rule, classification, prediction, and cluster analysis, data warehousing and data mining applications.  
 
เพื่อให้สอดคล้องกับเทคโนโลยีและแพลตฟอร์มที่ทันสมัย 1 อัปเดตเครื่องมือและเทคโนโลยี: ปรับปรุงเนื้อหาให้ครอบคลุมเครื่องมือและแพลตฟอร์มที่ใช้ในอุตสาหกรรมปัจจุบัน เช่น การใช้คลังข้อมูลบนระบบคลาวด์ (Cloud Data Warehouse) อย่าง Amazon Redshift, Google BigQuery, หรือ Snowflake 
2 เน้นการใช้เครื่องมือจริง: เพิ่มการฝึกปฏิบัติโดยใช้เครื่องมือสำหรับการทำเหมืองข้อมูล (Data Mining Tools) และการทำ ETL (Extract, Transform, Load) ที่ได้รับความนิยม เช่น Apache Spark, Talend, หรือ R

เพื่อเสริมสร้างทักษะที่จำเป็นในการทำงานจริง
1 เน้นการวิเคราะห์ข้อมูลขนาดใหญ่ (Big Data): เพิ่มเนื้อหาเกี่ยวกับการจัดการและวิเคราะห์ข้อมูลขนาดใหญ่ โดยเฉพาะในส่วนของการเตรียมข้อมูล (Data Preprocessing) และการทำเหมืองข้อมูลที่มีความซับซ้อน 
2 กรณีศึกษาที่หลากหลาย: นำกรณีศึกษาจริงจากอุตสาหกรรมต่างๆ เช่น การตลาด การเงิน และการแพทย์ มาประกอบการสอน เพื่อให้นักศึกษาเห็นภาพการประยุกต์ใช้คลังข้อมูลและเหมืองข้อมูลในโลกธุรกิจ
 
เพื่อส่งเสริมความเข้าใจในด้านจริยธรรมและความปลอดภัยของข้อมูล
1 ความปลอดภัยของข้อมูล: เพิ่มเนื้อหาเกี่ยวกับความปลอดภัยของข้อมูล (Data Security) และการปกป้องข้อมูลส่วนบุคคล (Data Privacy) เมื่อมีการจัดเก็บในคลังข้อมูลและนำมาวิเคราะห์
2 จริยธรรมในการใช้ข้อมูล: สอนให้นักศึกษาตระหนักถึงประเด็นด้านจริยธรรม (Data Ethics) ที่อาจเกิดขึ้นจากการทำเหมืองข้อมูล เช่น การเลือกปฏิบัติ หรือการใช้ข้อมูลในทางที่ผิด
 
ศึกษาเกี่ยวกับการค้นหาองค์ความรู้จากฐานข้อมูล คลังข้อมูล  เปรียบเทียบฐานข้อมูลสำหรับดำเนินงานกับคลังข้อมูล ระบบคลังข้อมูลและส่วนประกอบ แบบจำลองมิติ กระบวนการวิเคราะห์ออนไลน์ (โอแล็บ) การเตรียมข้อมูล เหมืองข้อมูล สถาปัตยกรรมของระบบเหมืองข้อมูล วีการทำเหมืองข้อมูล ได้แก่ กฎความสัมพันธ์ การจำแนกประเภท การทำนาย และการจัดกลุ่ม การประยุกต์ใช้คลังข้อมูลและเหมืองข้อมูล
 
Study of knowledge discovery in database, data warehousing, comparing operational database to data warehouse, data warehousing system and components, dimensional modeling, online analytical processing (OLAP), preprocessing data, data mining, architecture of data mining system, data mining methods such as association rule, classification, prediction, and cluster analysis, data warehousing and data mining applications.
 
1. ให้คำปรึกษาผ่านระบบโซเชียลเนตเวิร์ค เช่น ไลน์ หรือเฟสบุค ทั้งการคุยโต้ตอบทันทีและการฝากข้อความทิ้งไว้ใน E-mail และมีการตอบภายหลัง โดยนักศึกษาสามารถขอคำปรึกษาผ่านทางระบบนี้ได้ตลอด 24 ชั่วโมง (นอกเวลาราชการฝากข้อความ) หรือใช้ช่องทางโทรศัพท์ปรึกษาระยะสั้น ใน 8 ชั่วโมงของทุกวันและเวลาราชการ
2. อาจารย์จัดเวลาให้คำปรึกษาเป็นรายบุคคล หรือรายกลุ่มตามความต้องการ 1 ชั่วโมงต่อสัปดาห์ (เฉพาะรายที่ต้องการ)
 
1 ความซื่อสัตย์สุจริต: ไม่ลอกเลียนแบบผลงานของผู้อื่น ไม่ว่าจะในรายงาน โครงการ หรือการสอบ ต้องให้เกียรติและอ้างอิงแหล่งที่มาของข้อมูลอย่างถูกต้อง
2 ความรับผิดชอบและความมีวินัยในตนเอง: ทำงานที่ได้รับมอบหมายให้สำเร็จตามกำหนดเวลา มีความมุ่งมั่นตั้งใจ และรับผิดชอบต่อผลลัพธ์ของงานที่ทำ
3 การเคารพสิทธิส่วนบุคคล: ตระหนักถึงความสำคัญของข้อมูลส่วนตัวและข้อมูลที่เป็นความลับ ไม่นำข้อมูลไปใช้ในทางที่ผิดกฎหมายหรือผิดจริยธรรม
4 จริยธรรมในการใช้ข้อมูล: เข้าใจถึงผลกระทบทางสังคมที่อาจเกิดขึ้นจากการใช้ข้อมูลขนาดใหญ่ (Big Data) และการทำเหมืองข้อมูล เช่น อคติ (Bias) ที่อาจแฝงอยู่ในข้อมูล และผลกระทบต่อการตัดสินใจ
5 การทำงานร่วมกับผู้อื่น: มีความสามารถในการทำงานเป็นทีม รับฟังความคิดเห็นของผู้อื่น และรู้จักแบ่งปันความรู้เพื่อสร้างสรรค์ผลงานที่ดีที่สุด
 
1 การบรรยายสอดแทรก: อาจารย์จะสอดแทรกเรื่องจริยธรรมในการใช้ข้อมูลและผลกระทบทางสังคมของเทคโนโลยีคลังข้อมูลและเหมืองข้อมูลในระหว่างการบรรยาย
2 กรณีศึกษา: ใช้กรณีศึกษาที่เกี่ยวข้องกับประเด็นด้านจริยธรรม เช่น การใช้ข้อมูลลูกค้าอย่างไม่เหมาะสม หรืออคติในโมเดล AI เพื่อกระตุ้นให้นักศึกษาได้คิดและอภิปราย
3 กำหนดเป็นส่วนหนึ่งของโครงการ: มอบหมายให้นักศึกษาทำโครงการที่ต้องพิจารณาประเด็นด้านจริยธรรม เช่น การนำเสนอแนวทางในการใช้ข้อมูลอย่างปลอดภัยและมีจริยธรรม หรือการวิเคราะห์อคติในชุดข้อมูล
4 การทำงานกลุ่ม: ส่งเสริมให้นักศึกษาได้ทำงานร่วมกันในโครงการกลุ่ม เพื่อเรียนรู้การแบ่งปันความรับผิดชอบ การรับฟังความคิดเห็น และการยอมรับในความแตกต่าง
 
1 การสังเกตพฤติกรรมในชั้นเรียน: สังเกตการมีส่วนร่วมในชั้นเรียน การอภิปรายอย่างสร้างสรรค์ และการทำงานร่วมกับผู้อื่น
2 การพิจารณาจากผลงาน: ตรวจสอบความถูกต้องของการอ้างอิงแหล่งที่มาในรายงานและโครงการ เพื่อประเมินความซื่อสัตย์
3 การนำเสนอโครงการ: ประเมินทัศนคติและแนวคิดที่แสดงออกในการนำเสนอโครงการกลุ่ม โดยเฉพาะอย่างยิ่งประเด็นที่เกี่ยวข้องกับจริยธรรม
4 การให้คะแนนจากเพื่อนร่วมทีม (Peer Assessment): ให้นักศึกษาประเมินผลการทำงานของเพื่อนในกลุ่ม เพื่อประเมินความรับผิดชอบและความร่วมมือในการทำงานเป็นทีม
 
1 อธิบายแนวคิดพื้นฐานของคลังข้อมูลและเหมืองข้อมูล: รวมถึงความแตกต่างระหว่างคลังข้อมูล (Data Warehouse), คลังข้อมูลย่อย (Data Marts), และฐานข้อมูลปฏิบัติการ (Operational Database)
2 ออกแบบและสร้างคลังข้อมูล: เรียนรู้อะคิเทคเจอร์ของคลังข้อมูล การออกแบบเชิงมิติ (Dimensional Modeling) เช่น Star Schema และ Snowflake Schema รวมถึงกระบวนการ ETL (Extract, Transform, Load)
3 ประยุกต์ใช้เทคนิคการทำเหมืองข้อมูลที่หลากหลาย: ทำความเข้าใจประเภทของงานเหมืองข้อมูล เช่น การจัดกลุ่ม (Clustering), การจำแนกประเภท (Classification), การวิเคราะห์ความสัมพันธ์ (Association Rule Mining) และการถดถอย (Regression) รวมถึงอัลกอริทึมที่ใช้ (เช่น K-means, Decision Trees, Apriori)
4 ใช้เครื่องมือเหมืองข้อมูล: ฝึกปฏิบัติจริงโดยใช้ซอฟต์แวร์หรือภาษาโปรแกรมที่นิยม (เช่น Python กับไลบรารี scikit-learn, R, หรือเครื่องมืออย่าง Weka) เพื่อวิเคราะห์ชุดข้อมูลจริง
5 ประเมินผลลัพธ์ของโมเดลเหมืองข้อมูล: เรียนรู้วิธีวัดประสิทธิภาพของโมเดลด้วยเมตริกต่างๆ เช่น ความแม่นยำ (Accuracy), Precision, Recall และ F1-score เพื่อเลือกโมเดลที่ดีที่สุด
6 เข้าใจประเด็นด้านจริยธรรมในการทำเหมืองข้อมูล: รวมถึงความกังวลด้านความเป็นส่วนตัว ความลำเอียงของข้อมูล และการใช้ข้อมูลอย่างมีความรับผิดชอบ
 
1 การบรรยายและการอภิปราย: อาจารย์จะอธิบายแนวคิด ทฤษฎี และอัลกอริทึมหลักๆ พร้อมส่งเสริมให้นักศึกษามีส่วนร่วมในการอภิปรายเพื่อพัฒนาทักษะการคิดวิเคราะห์
2 การฝึกปฏิบัติในห้องแล็บและโครงการ: เป็นส่วนสำคัญของรายวิชา นักศึกษาจะได้ลงมือปฏิบัติจริงกับชุดข้อมูลเพื่อนำแนวคิดที่ได้เรียนรู้มาประยุกต์ใช้ เช่น การสร้างคลังข้อมูลขนาดเล็ก หรือการวิเคราะห์ข้อมูลด้วยเทคนิคเหมืองข้อมูล
3 กรณีศึกษา (Case Studies): ใช้ตัวอย่างจากธุรกิจจริงในอุตสาหกรรมต่างๆ เช่น ค้าปลีก การดูแลสุขภาพ และการเงิน เพื่อแสดงให้เห็นถึงการนำคลังข้อมูลและเหมืองข้อมูลไปใช้งานจริง
4 วิทยากรรับเชิญ: อาจเชิญผู้เชี่ยวชาญจากภาคอุตสาหกรรมมาแบ่งปันประสบการณ์และมุมมองเกี่ยวกับการใช้เทคโนโลยีเหล่านี้ในโลกการทำงาน
5 แหล่งข้อมูลออนไลน์: ใช้แพลตฟอร์มการเรียนรู้ออนไลน์ บทเรียน และบทความที่เกี่ยวข้องเพื่อเสริมความรู้ในชั้นเรียน
 
1 แบบทดสอบย่อยและสอบกลางภาค: เพื่อประเมินความเข้าใจในทฤษฎี แนวคิด และอัลกอริทึมพื้นฐาน
2 การบ้านและงานในห้องแล็บ: ประเมินความสามารถของนักศึกษาในการประยุกต์ใช้เทคนิคต่างๆ โดยใช้ซอฟต์แวร์และเครื่องมือ
3 โครงการกลุ่ม: นักศึกษาจะทำงานเป็นทีมเพื่อทำโครงการที่ครอบคลุม อาจเป็นการออกแบบและสร้างคลังข้อมูล หรือการแก้ปัญหาจริงด้วยวิธีการทำเหมืองข้อมูล โดยมีรายงานและนำเสนอผลงาน ซึ่งจะช่วยประเมินการทำงานเป็นทีม การประยุกต์ใช้ และทักษะการสื่อสาร
4 สอบปลายภาค: การสอบปลายภาคที่ครอบคลุมทุกหัวข้อในรายวิชา ทั้งคำถามเชิงทฤษฎีและสถานการณ์ปัญหาเชิงปฏิบัติ
5 การมีส่วนร่วมในชั้นเรียน: การมีส่วนร่วมในการอภิปรายและทำกิจกรรมในห้องเรียนจะถูกนำมาพิจารณาเป็นส่วนหนึ่งของคะแนนด้วย
 
1 ทักษะการคิดวิเคราะห์: สามารถแยกแยะปัญหาที่ซับซ้อนออกเป็นส่วนย่อยๆ เพื่อทำความเข้าใจโครงสร้างของปัญหาในบริบทของข้อมูลได้
2 ทักษะการคิดเชิงสังเคราะห์: สามารถรวบรวมและเชื่อมโยงแนวคิดหรือข้อมูลที่แตกต่างกัน เพื่อสร้างเป็นแนวทางแก้ไขปัญหาที่สมเหตุสมผลและมีประสิทธิภาพ
3 ทักษะการคิดเชิงสร้างสรรค์และนวัตกรรม: สามารถคิดค้นวิธีการใหม่ๆ ในการใช้ข้อมูลเพื่อแก้ปัญหาหรือค้นพบข้อมูลเชิงลึกที่ไม่เคยมีมาก่อน
4 ทักษะการแก้ปัญหา: สามารถระบุปัญหา เลือกใช้เครื่องมือและเทคนิคที่เหมาะสม วางแผน และดำเนินการเพื่อแก้ไขปัญหาที่เกี่ยวข้องกับข้อมูลได้อย่างเป็นระบบ
5 ทักษะการคิดเชิงระบบ: เข้าใจความสัมพันธ์และผลกระทบระหว่างส่วนประกอบต่างๆ ในระบบคลังข้อมูลและเหมืองข้อมูล เพื่อให้สามารถออกแบบและจัดการระบบได้อย่างมีประสิทธิภาพ
 
1 การวิเคราะห์กรณีศึกษา (Case Study Analysis): มอบหมายให้นักศึกษาวิเคราะห์กรณีศึกษาที่ซับซ้อนในโลกธุรกิจ โดยให้นักศึกษาเสนอแนวทางในการใช้คลังข้อมูลและเหมืองข้อมูลเพื่อแก้ปัญหา
2 โครงการกลุ่ม (Group Project): กำหนดให้มีโครงการที่ท้าทาย ซึ่งนักศึกษาต้องออกแบบและสร้างระบบคลังข้อมูล หรือทำการวิเคราะห์ข้อมูลตั้งแต่ต้นจนจบ เพื่อให้ได้ฝึกฝนการคิดเชิงสังเคราะห์และการแก้ปัญหาร่วมกัน
3 การอภิปรายในชั้นเรียน: กระตุ้นให้นักศึกษามีส่วนร่วมในการอภิปรายเกี่ยวกับแนวคิดที่หลากหลายและวิธีการแก้ไขปัญหาที่แตกต่างกัน เพื่อฝึกฝนการคิดวิเคราะห์และเปิดรับมุมมองใหม่ๆ
4 การมอบหมายงานปลายเปิด (Open-Ended Assignments): ให้โจทย์ที่ไม่มีคำตอบที่ตายตัว เพื่อให้นักศึกษาได้คิดค้นวิธีการใหม่ๆ และใช้ความคิดสร้างสรรค์ในการนำเสนอผลลัพธ์
 
1 การประเมินจากโครงการ (Project-Based Assessment): ประเมินจากคุณภาพของรายงานโครงการและผลลัพธ์ที่ได้ โดยพิจารณาจากความลึกของการวิเคราะห์ การใช้เครื่องมือที่เหมาะสม และความสมเหตุสมผลของแนวทางแก้ไขปัญหา
2 การสอบที่เน้นการแก้ปัญหา (Problem-Solving Exams): แทนที่จะเน้นการท่องจำ ควรออกแบบข้อสอบที่มีสถานการณ์จำลอง (Scenario-Based Questions) เพื่อทดสอบความสามารถในการประยุกต์ใช้ความรู้และทักษะเพื่อแก้ไขปัญหาจริง
3 การนำเสนอผลงาน (Presentation): ประเมินจากการนำเสนอแนวคิด การวิเคราะห์ และผลลัพธ์ของโครงการ โดยเฉพาะอย่างยิ่งการตอบคำถามและการให้เหตุผลในการตัดสินใจต่างๆ
4 การประเมินการมีส่วนร่วม (Participation Assessment): ประเมินจากคุณภาพของการมีส่วนร่วมในการอภิปรายในชั้นเรียน รวมถึงความสามารถในการแสดงความคิดเห็นอย่างมีเหตุผลและสร้างสรรค์
 
1 ทักษะการทำงานเป็นทีม: สามารถทำงานร่วมกับผู้อื่นได้ในสถานการณ์ที่แตกต่างกัน มีส่วนร่วมอย่างแข็งขันในการอภิปรายกลุ่ม และสามารถแลกเปลี่ยนความคิดเห็นได้อย่างสร้างสรรค์
2 ความรับผิดชอบต่อหน้าที่: มีวินัยในตนเอง สามารถบริหารจัดการเวลาและทำงานที่ได้รับมอบหมายให้สำเร็จตามเป้าหมายและกำหนดเวลาที่กำหนดไว้
3 การสื่อสารอย่างมีประสิทธิภาพ: สามารถนำเสนอแนวคิด ผลการวิเคราะห์ และข้อสรุปต่างๆ ได้อย่างชัดเจน ทั้งในรูปแบบการพูดและการเขียน
4 ความเข้าใจในบทบาทของตนเอง: ตระหนักถึงหน้าที่และความรับผิดชอบของตนเองในการทำงานกลุ่ม รวมถึงการให้ความช่วยเหลือและสนับสนุนเพื่อนร่วมทีม
5 การปรับตัวและเปิดใจยอมรับความแตกต่าง: สามารถทำงานร่วมกับผู้อื่นที่มีพื้นฐานความรู้ ทัศนคติ หรือความถนัดที่แตกต่างกันได้
 
1 โครงการกลุ่ม (Group Project): กำหนดให้มีโครงการที่ซับซ้อนและต้องใช้ความร่วมมือจากหลายฝ่าย เพื่อให้นักศึกษาได้ฝึกฝนการทำงานเป็นทีม การแบ่งงาน และการสื่อสาร
2 การอภิปรายกลุ่ม: จัดกิจกรรมอภิปรายในชั้นเรียนเป็นกลุ่มย่อย เพื่อให้นักศึกษาได้ฝึกการแสดงความคิดเห็น การรับฟังผู้อื่น และการหาข้อสรุปร่วมกัน
3 การนำเสนอผลงานกลุ่ม: ให้นักศึกษาทำงานร่วมกันเพื่อเตรียมการนำเสนอผลงาน โดยทุกคนต้องมีส่วนร่วมและแสดงบทบาทที่ชัดเจน เพื่อฝึกฝนทักษะการสื่อสารและการทำงานร่วมกัน
4 การมอบหมายงานที่มีกำหนดเวลาชัดเจน: กำหนดส่งงานแต่ละชิ้นด้วยกำหนดเวลาที่แน่นอน เพื่อฝึกความรับผิดชอบและการบริหารจัดการเวลาของตนเอง
 
1 การประเมินจากผลงานกลุ่ม: พิจารณาคุณภาพของผลงานที่ทำร่วมกันเป็นทีม เช่น รายงานและผลลัพธ์ของโครงการ เพื่อสะท้อนถึงการทำงานร่วมกันอย่างมีประสิทธิภาพ
2 การประเมินโดยเพื่อนร่วมทีม (Peer Assessment): ให้นักศึกษาประเมินผลการทำงานของเพื่อนร่วมทีม เพื่อให้เกิดการประเมินที่มาจากมุมมองที่หลากหลายและสะท้อนถึงความรับผิดชอบของแต่ละคนในกลุ่ม
3 การประเมินการนำเสนอ: พิจารณาจากความชัดเจนในการนำเสนอ ความสามารถในการตอบคำถาม และการทำงานร่วมกันของสมาชิกในกลุ่มขณะนำเสนอ
4 การสังเกตพฤติกรรม: สังเกตพฤติกรรมระหว่างการทำกิจกรรมกลุ่ม การอภิปราย และการทำงานในห้องเรียน เพื่อประเมินการมีส่วนร่วมและความรับผิดชอบของนักศึกษาแต่ละคน
 
1 ทักษะการวิเคราะห์เชิงตัวเลข: สามารถเลือกและประยุกต์ใช้เทคนิคทางสถิติและคณิตศาสตร์ที่เหมาะสมเพื่อวิเคราะห์ข้อมูลจำนวนมาก (Big Data) และตีความผลลัพธ์ได้อย่างถูกต้อง
2 ทักษะการสื่อสาร: สามารถนำเสนอผลการวิเคราะห์ข้อมูลที่ซับซ้อนให้เข้าใจง่ายและตรงประเด็น ทั้งในรูปแบบการเขียนและพูด โดยใช้ภาพ แผนภูมิ หรือเครื่องมือช่วยนำเสนออื่นๆ ที่เหมาะสม
3 ทักษะการใช้เทคโนโลยีสารสนเทศ: สามารถใช้เครื่องมือและซอฟต์แวร์ที่เกี่ยวข้องกับคลังข้อมูลและเหมืองข้อมูลได้อย่างมีประสิทธิภาพ เช่น โปรแกรม ETL, เครื่องมือ BI (Business Intelligence), หรือภาษาโปรแกรมสำหรับการวิเคราะห์ข้อมูล (เช่น Python, R)
 
1 การบรรยายพร้อมตัวอย่างเชิงปฏิบัติ: ในระหว่างการบรรยายเรื่องทฤษฎีและอัลกอริทึม ควรมีตัวอย่างที่ใช้ตัวเลขหรือข้อมูลจริงประกอบ เพื่อให้นักศึกษาเห็นภาพการนำไปใช้
2 การฝึกปฏิบัติในห้องแล็บ: มอบหมายให้นักศึกษาใช้ซอฟต์แวร์หรือภาษาโปรแกรมเพื่อทำการวิเคราะห์ข้อมูลจริง เช่น การสร้างโมเดลเหมืองข้อมูล หรือการสร้างรายงาน BI เพื่อนำเสนอผลลัพธ์
3 โครงการกลุ่ม (Group Project): กำหนดให้นักศึกษาทำโครงการที่ต้องเก็บรวบรวมข้อมูล วิเคราะห์เชิงตัวเลข และนำเสนอผลลัพธ์ต่อชั้นเรียน เพื่อฝึกฝนทักษะทั้งสามด้านไปพร้อมกัน
4 การนำเสนอผลงาน: เน้นให้นักศึกษาฝึกฝนการสื่อสารผลลัพธ์จากการวิเคราะห์เชิงตัวเลข โดยต้องออกแบบการนำเสนอให้น่าสนใจและเข้าใจง่ายสำหรับผู้ฟังทั่วไป
 
1 การสอบและแบบฝึกหัด: ประเมินความเข้าใจในแนวคิดเชิงสถิติและคณิตศาสตร์ที่ใช้ในเหมืองข้อมูล รวมถึงความสามารถในการคำนวณและตีความผลลัพธ์
2 การประเมินจากรายงานโครงการ: พิจารณาจากความลึกของการวิเคราะห์เชิงตัวเลขในรายงาน การใช้เทคโนโลยีที่เหมาะสม และความชัดเจนในการนำเสนอผลลัพธ์
3 การประเมินการนำเสนอ: ให้คะแนนจากการนำเสนอผลงานโครงการ โดยพิจารณาจากความสามารถในการสื่อสารข้อมูลที่ซับซ้อนให้เข้าใจง่าย การออกแบบสไลด์ และความน่าเชื่อถือของข้อมูล
4 การสังเกตการใช้เครื่องมือ: ประเมินจากการทำงานในห้องแล็บและโครงการ ว่านักศึกษาสามารถใช้เทคโนโลยีและซอฟต์แวร์ที่เกี่ยวข้องได้อย่างมีประสิทธิภาพหรือไม่
 
1 ทักษะการใช้เครื่องมือและซอฟต์แวร์: สามารถใช้โปรแกรมหรือภาษาโปรแกรมที่เกี่ยวข้องกับการจัดการและวิเคราะห์ข้อมูลได้อย่างเชี่ยวชาญ เช่น การใช้เครื่องมือ ETL ในการดึงข้อมูล การใช้เครื่องมือ BI ในการสร้างแดชบอร์ด และการใช้ภาษาโปรแกรม (Python, R) เพื่อสร้างโมเดลเหมืองข้อมูล
2 ทักษะการออกแบบและพัฒนา: สามารถออกแบบโครงสร้างคลังข้อมูล (Dimensional Modeling) และพัฒนากระบวนการ ETL ได้อย่างเป็นระบบ
3 ทักษะการปฏิบัติงานในโครงการ: สามารถนำความรู้และทฤษฎีมาประยุกต์ใช้ในการทำโครงการจริงได้ ตั้งแต่การตั้งโจทย์ การรวบรวมข้อมูล การวิเคราะห์ และการนำเสนอผลลัพธ์
4 ทักษะการทำงานในสภาพแวดล้อมจริง: สามารถจัดการกับปัญหาที่อาจเกิดขึ้นระหว่างการทำงานกับข้อมูลขนาดใหญ่ เช่น ข้อมูลที่ไม่มีคุณภาพ หรือปัญหาด้านประสิทธิภาพของระบบ
 
1 การฝึกปฏิบัติในห้องแล็บ: จัดให้นักศึกษาได้ใช้เครื่องมือและซอฟต์แวร์จริงเพื่อทำแบบฝึกหัดที่หลากหลาย เช่น การสร้าง Star Schema, การเขียนสคริปต์เพื่อทำความสะอาดข้อมูล หรือการสร้างโมเดลจำแนกประเภท (Classification Model)
2 โครงการกลุ่ม (Project-Based Learning): กำหนดให้มีโครงการที่นักศึกษาต้องทำตั้งแต่ต้นจนจบ ซึ่งอาจเป็นการสร้างคลังข้อมูลขนาดเล็ก หรือการแก้ปัญหาธุรกิจโดยใช้เทคนิคเหมืองข้อมูล เพื่อให้นักศึกษาได้ฝึกฝนทักษะการปฏิบัติงานในทุกขั้นตอน
3 การจำลองสถานการณ์ (Simulation): จัดกิจกรรมที่จำลองสถานการณ์จริงที่อาจเกิดขึ้นในโลกการทำงาน เพื่อให้นักศึกษาได้ฝึกการแก้ไขปัญหาเฉพาะหน้าและตัดสินใจภายใต้สถานการณ์ที่ซับซ้อน
4 การนำเสนอผลงาน: ให้นักศึกษาได้นำเสนอผลงานที่ได้จากการปฏิบัติ เพื่อฝึกทักษะการสื่อสารและอธิบายขั้นตอนการทำงานที่ชัดเจน
 
1 การประเมินจากงานในห้องแล็บ: ตรวจสอบผลงานที่ได้จากการทำแบบฝึกหัดในห้องแล็บ เพื่อประเมินความสามารถในการใช้เครื่องมือและซอฟต์แวร์
2 การประเมินจากผลงานโครงการ: พิจารณาจากคุณภาพของผลงานโครงการ ไม่ว่าจะเป็นฐานข้อมูลที่สร้างขึ้น, โค้ดที่เขียน, หรือรายงานผลการวิเคราะห์ เพื่อประเมินความสามารถในการประยุกต์ใช้ความรู้
3 การสอบปฏิบัติ (Practical Exam): อาจมีการสอบที่ให้นักศึกษาแก้โจทย์ปัญหาเชิงปฏิบัติโดยใช้คอมพิวเตอร์และซอฟต์แวร์ที่เกี่ยวข้อง
4 การประเมินการนำเสนอผลงาน: ให้คะแนนจากการนำเสนอโครงการ โดยพิจารณาจากความชัดเจนในการอธิบายขั้นตอนการทำงานและทักษะการใช้เครื่องมือประกอบการนำเสนอ
 
กิจกรรมที่ ผลการเรียนรู้ * วิธีการประเมินผลนักศึกษา สัปดาห์ที่ประเมิน สัดส่วนของการประเมินผล
1 ทดสอบย่อย 1 ทดสอบย่อย 2 สอบกลางภาคเรียน สอบปลายภาคเรียน แบบทดสอบ Google Form, ข้อสอบข้อเขียน, ข้อสอบปฏิบัติ 4 8 9 17 10% 10% 25% 25%
2 การทำงานกลุ่มและผลงาน วิเคราะห์กรณีศึกษาค้นคว้า การนำเสนอ รายงาน ตลอดภาคการศึกษา 20%
3 เข้าชั้นเรียน การเข้าชั้นเรียน การมีส่วนร่วม อภิปราย เสนอความคิดเห็นผ่านระบบออนไลน์ ตลอดภาคการศึกษา 10%
 
1 "คลังข้อมูลและเหมืองข้อมูล (ทฤษฎีและการปฏิบัติ)" โดย ฉัตรเกล้า เจริญผล: หนังสือเล่มนี้มักถูกใช้เป็นตำราอ้างอิงเบื้องต้น เพราะอธิบายหลักการและแนวคิดที่สำคัญของทั้งสองเรื่อง พร้อมยกตัวอย่างประกอบ
2 "การทำเหมืองข้อมูล" โดย สายชล สินสมบูรณ์ทอง: เป็นตำราที่ลงลึกในเทคนิคและตัวแบบต่าง ๆ ของการทำเหมืองข้อมูล เหมาะสำหรับผู้ที่ต้องการความรู้ในเชิงเทคนิคมากขึ้น
3 เอกสารประกอบการสอนของมหาวิทยาลัยต่าง ๆ: มหาวิทยาลัยหลายแห่งในประเทศไทย เช่น มหาวิทยาลัยขอนแก่น และมหาวิทยาลัยรังสิต ได้จัดทำและเผยแพร่เอกสารประกอบการสอนของรายวิชา คลังข้อมูลและการทำเหมืองข้อมูล ซึ่งสามารถเข้าถึงได้ผ่านเว็บไซต์ของมหาวิทยาลัย หรือแพลตฟอร์มการเรียนรู้ออนไลน์อย่าง Thai MOOC
4 "Data Mining: Concepts and Techniques" โดย Jiawei Han, Micheline Kamber และ Jian Pei: หนังสือเล่มนี้เป็นเหมือน "คัมภีร์" ของการทำเหมืองข้อมูล เป็นตำราที่ครอบคลุมเนื้อหาอย่างละเอียด ตั้งแต่พื้นฐานไปจนถึงหัวข้อขั้นสูง เช่น การทำเหมืองข้อมูลบนเว็บและข้อมูลเชิงพื้นที่
5 "The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling" โดย Ralph Kimball และ Margy Ross: หากต้องการเจาะลึกเรื่องการออกแบบคลังข้อมูลโดยเฉพาะ เล่มนี้ถือเป็นตำราที่ได้รับความเชื่อถือสูงสุด เน้นเรื่อง Dimensional Modeling และกระบวนการสร้างคลังข้อมูลในเชิงปฏิบัติ .
6 "Data Warehousing Fundamentals: A Comprehensive Guide for IT Professionals" โดย Paulraj Ponniah: เหมาะสำหรับผู้ที่ต้องการทำความเข้าใจพื้นฐานของคลังข้อมูลและส่วนประกอบต่าง ๆ ที่เกี่ยวข้อง ตั้งแต่แนวคิดไปจนถึงการนำไปใช้จริง
 
 
1 คอร์สออนไลน์ (MOOCs): แพลตฟอร์มอย่าง Coursera และ edX มีคอร์สเรียนเกี่ยวกับ Data Warehouse และ Data Mining ที่สอนโดยผู้เชี่ยวชาญจากมหาวิทยาลัยชั้นนำ
2 บทความวิชาการและวารสาร: สามารถค้นหาบทความวิจัยล่าสุดเกี่ยวกับเทคนิคการทำเหมืองข้อมูลใหม่ ๆ ได้จากฐานข้อมูลออนไลน์ เช่น IEEE Xplore, ACM Digital Library หรือ Google Scholar
3 เอกสาร White Paper และ Blog ของบริษัทชั้นนำ: บริษัทเทคโนโลยีชั้นนำหลายแห่ง (เช่น Google, Amazon) มักเผยแพร่บทความหรือเอกสารเกี่ยวกับแนวทางปฏิบัติที่ดีที่สุดในการจัดการข้อมูลขนาดใหญ่ ซึ่งเป็นประโยชน์อย่างมากต่อการเรียนรู้เชิงประยุกต์
 
1.1 การสนทนากลุ่มระหว่างผู้สอนและผู้เรียน
1.2 แบบประเมินผู้สอน และแบบประเมินรายวิชา
1.3 ข้อเสนอแนะผ่านเว็บบอร์ด ที่อาจารย์ผู้สอนได้จัดทาเป็นช่องทางการสื่อสารกับนักศึกษา
 
2.1 การสังเกตการณ์สอนของผู้ร่วมทีมสอน
2.2 ผลการเรียนของนักศึกษา
2.3 การทวนสอบผลประเมินการเรียนรู้
 
3.1 สัมมนาการจัดการเรียนการสอน
3.2 การวิจัยในและนอกชั้นเรียน
 
ในระหว่างกระบวนการสอนรายวิชา มีการทวนสอบผลสัมฤทธิ์ในรายหัวข้อ ตามที่คาดหวังจากการเรียนรู้ในวิชา ได้จาก การสอบถามนักศึกษา หรือการสุ่มตรวจผลงานของนักศึกษา รวมถึงพิจารณาจากผลการ ทดสอบย่อย และหลังการออกผลการเรียนรายวิชา มีการทวนสอบผลสัมฤทธิ์โดยรวมในวิชาได้ดังนี้
4.1 การทวนสอบการให้คะแนนจากการสุ่มตรวจผลงานของนักศึกษาโดยอาจารย์อื่น หรือผู้ทรงคุณวุฒิ ที่ไม่ใช่อาจารย์ประจำหลักสูตร
4.2 มีการตั้งคณะกรรมการในสาขาวิชา ตรวจสอบผลการประเมินการเรียนรู้ของนักศึกษา โดยตรวจสอบข้อสอบ รายงาน วิธีการให้คะแนนสอบ และการให้คะแนนพฤติกรรม
 
จากผลการประเมิน และทวนสอบผลสัมฤทธิ์ประสิทธิผลรายวิชา ได้มีการวางแผนการปรับปรุงการสอนและรายละเอียดวิชา เพื่อให้เกิดคุณภาพมากขึ้น ดังนี้
5.1 ปรับปรุงรายวิชาทุก 3 ปี หรือตามข้อเสนอแนะและผลการทวนสอบมาตรฐานผลสัมฤทธิ์ตามข้อ 4
5.2 เปลี่ยนหรือสลับอาจารย์ผู้สอน เพื่อให้นักศึกษามีมุมมองในเรื่องการประยุกต์ความรู้นี้กับปัญหาที่มาจากงานวิจัยของอาจารย์หรืออุตสาหกรรมต่าง ๆ