After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
รายละเอียดคอร์ส
ข้อมูลที่หายไปเป็นส่วนหนึ่งของการวิเคราะห์ข้อมูลในโลกจริง ซึ่งอาจปรากฏขึ้นในจุดที่ไม่คาดคิดและทำให้การวิเคราะห์ซับซ้อนยิ่งขึ้น ในคอร์สนี้ จะได้เรียนรู้วิธีใช้เครื่องมือ tidyverse และแพ็กเกจ naniar ใน R เพื่อแสดงภาพข้อมูลที่หายไป รวมถึงการจัดระเบียบค่าที่หายไปเพื่อนำไปใช้ในการวิเคราะห์ และการสำรวจเพื่อค้นหาความลำเอียงในข้อมูล นอกจากนี้ยังจะได้เรียนรู้วิธี "เติมช่องว่าง" ของค่าที่หายไปด้วยโมเดล imputation รวมถึงวิธีแสดงภาพ ประเมินผล และตัดสินใจจากชุดข้อมูลที่ผ่านการ impute แล้ว
ข้อกำหนดเบื้องต้น
หลักสูตร
โครงสร้างคอร์ส
1
ทำไมต้องใส่ใจข้อมูลที่หายไป?
บทที่ 1 แนะนำให้รู้จักกับข้อมูลที่หายไป โดยอธิบายว่าค่าที่หายไปคืออะไร มีพฤติกรรมอย่างไรใน R วิธีตรวจพบ และวิธีนับค่าเหล่านั้น จากนั้นจะได้เรียนรู้การสรุปข้อมูลที่หายไป และวิธีสรุปภาพรวมของค่าที่หายไปในแต่ละเคส ตัวแปร รวมถึงการสำรวจตามกลุ่มต่าง ๆ ในข้อมูล ส่วนสุดท้ายครอบคลุมการแสดงภาพข้อมูลที่หายไป ทั้งการสร้างภาพรวมสำหรับทั้งชุดข้อมูล และการแสดงผลตามตัวแปร เคส และข้อมูลสรุปอื่น ๆ รวมถึงการสำรวจเปรียบเทียบตามกลุ่ม
- ข้อมูลสูญหายคืออะไร50 XP
- การใช้งานและการค้นหาค่าที่หายไป100 XP
- มีค่าที่ขาดหายไปกี่ค่า?100 XP
- การทำงานกับค่าที่หายไป50 XP
- เหตุใดจึงต้องใส่ใจค่าที่หายไป?50 XP
- สรุปข้อมูลที่ขาดหาย100 XP
- การสร้างตารางสรุปค่าที่หายไป100 XP
- สรุปค่าสูญหายในรูปแบบอื่น100 XP
- เราจะแสดงภาพค่าที่หายไปได้อย่างไร?50 XP
- การแสดงภาพข้อมูลสูญหายครั้งแรกของคุณ100 XP
- การแสดงภาพค่าที่หายไปในแต่ละ case และตัวแปร100 XP
- การแสดงภาพรูปแบบของค่าสูญหาย100 XP
2
การจัดการและทำความสะอาดค่าที่หายไป
ในบทที่ 2 จะได้เรียนรู้วิธีค้นหาค่าที่หายไปแบบซ่อนเร้น เช่น "missing" หรือ "N/A" และแทนที่ด้วย `NA` รวมถึงวิธีจัดการ implicit missing values ซึ่งเป็นค่าที่ควรจะมีแต่ไม่ได้ระบุไว้อย่างชัดเจน นอกจากนี้ยังครอบคลุมการสำรวจความสัมพันธ์ของข้อมูลที่หายไป ได้แก่ Missing Completely at Random (MCAR), Missing At Random (MAR), Missing Not At Random (MNAR) และความหมายของแต่ละประเภทต่อการวิเคราะห์ข้อมูล
3
การทดสอบความสัมพันธ์ของข้อมูลที่หายไป
ในบทนี้ จะได้เรียนรู้ workflow สำหรับการทำงานกับข้อมูลที่หายไป โดยแนะนำโครงสร้างข้อมูลพิเศษอย่าง shadow matrix และ nabular data พร้อมสาธิตวิธีนำไปใช้ใน workflow เพื่อสำรวจข้อมูลที่หายไปและเชื่อมโยงข้อมูลสรุปกลับไปยังค่าจริงในชุดข้อมูล จะได้เรียนรู้วิธีใช้ ggplot เพื่อสำรวจและแสดงภาพการเปลี่ยนแปลงของค่าเมื่อตัวแปรอื่นมีค่าหายไป และวิธีแสดงภาพข้อมูลที่หายไปข้ามสองตัวแปร รวมถึงเหตุผลในการแสดงค่าที่หายไปบน scatterplot
4
การเชื่อมโยงข้อมูล (Imputation)
ในบทนี้ จะได้เรียนรู้เกี่ยวกับการเติมค่าที่หายไปในข้อมูล ซึ่งเรียกว่า imputation รวมถึงวิธีติดตามค่าที่ผ่านการ impute และข้อดีข้อเสียของ imputation แต่ละแบบ เพื่อให้สามารถสำรวจ แสดงภาพ และประเมินผลข้อมูลที่ผ่านการ impute เทียบกับค่าจริงได้ นอกจากนี้ยังจะได้เรียนรู้วิธีใช้งาน ประเมิน และเปรียบเทียบโมเดล imputation หลายรูปแบบ รวมถึงสำรวจว่าโมเดลต่าง ๆ ส่งผลต่อข้อสรุปที่ได้จากการวิเคราะห์อย่างไร
R
การจัดการข้อมูลที่หายไปใน R
เรียนจบแล้ว
