ปริญญาโทสาขาวิทยาศาสตร์ข้อมูล UCAM

โมดูลหลัก

ส่วนนี้ให้รายละเอียดเกี่ยวกับโครงสร้าง เนื้อหา และผลการเรียนรู้ของโมดูลทั้งหมดในวุฒิการศึกษานี้

การทำงานกับข้อมูล

คำอธิบายโมดูล

โมดูลนี้ปลูกฝังความเข้าใจเชิงปฏิบัติและกรอบการทำงานที่ช่วยให้การดำเนินการวิเคราะห์ที่จำเป็น เช่น การแยก การล้าง การเปลี่ยนแปลง และการวิเคราะห์ข้อมูล ในโมดูลนี้ ผู้เรียนจะเข้าใจความรู้เกี่ยวกับภาษาการเขียนโปรแกรม เครื่องมือ เฟรมเวิร์ก และไลบรารีที่ใช้ตลอดหลักสูตรเพื่อรับและสร้างโมเดลชุดข้อมูล การวิเคราะห์ข้อมูลทำได้สำเร็จด้วยการแสดงภาพ การสรุป และพัฒนาความสามารถในการจัดการข้อมูลเบื้องต้นโดยให้ความสนใจกับประเภทตัวแปร ชื่อ และค่าต่างๆ นอกจากนี้ การจัดการข้อมูลโดยใช้วันที่ สตริง และองค์ประกอบอื่นๆ จะช่วยเพิ่มความสามารถของผู้เรียนในการทำการวิจัยข้อมูลและสร้างภาพข้อมูล

ผลการเรียนรู้

L01: วิเคราะห์ข้อมูลโดยใช้การแสดงภาพข้อมูล ข้อมูลสรุป และการนับ

L2: ได้รับทักษะพื้นฐานในการจัดการข้อมูล โดยเน้นที่ประเภทตัวแปร ชื่อ และค่า

L03: เพื่อเรียนรู้วิธีใช้ตัวดำเนินการไปป์เพื่อรวมการทำงานที่เป็นระเบียบเรียบร้อยจำนวนมากไว้ในห่วงโซ่

L04: ความสามารถในการทำงานกับข้อมูลที่มีวันที่ สตริง และตัวแปรอื่นๆ

เนื้อหาครอบคลุม

• เทคนิคการทำความสะอาดข้อมูล
• การประมวลผลข้อมูลล่วงหน้า
• การจัดการข้อมูล
• การเขียนโปรแกรมคอร์ไพธอน
• การแสดงข้อมูลด้วย Matplotlib
• พีชคณิตเชิงเส้น
• สถิติและความน่าจะเป็น
• การวิเคราะห์ข้อมูลเชิงสำรวจ
• ความแปรปรวน ค่าเบี่ยงเบนมาตรฐาน ค่ามัธยฐาน
• แผนภูมิแท่งและแผนภูมิเส้น
• ไลบรารีและเฟรมเวิร์ก Python ในการวิเคราะห์ข้อมูล
• พล็อตกระจาย 2 มิติ
• แผนภูมิกระจาย 3 มิติ
• แปลงคู่
• ตัวแปรเดียว ตัวแปรสองตัวแปร และหลายตัวแปร
• ฮิสโตแกรม
• บ็อกซ์พล็อต
• IQR (ช่วงอินเตอร์ควอไทล์)
• การวิเคราะห์ข้อมูลด้วย Pandas

การวิเคราะห์ข้อมูลในกระบวนการทางธุรกิจ

คำอธิบายโมดูล

โมดูลนี้จะกล่าวถึงหลักการของการสร้างแบบจำลองสเปรดชีตที่เชื่อถือได้ การแปลแบบจำลองแนวความคิดเป็นแบบจำลองทางคณิตศาสตร์ และนำไปใช้ในสเปรดชีต นอกจากนี้ยังแสดงให้เห็นถึงความรู้เกี่ยวกับเครื่องมือวิเคราะห์สามเครื่องมือใน Excel, ฟังก์ชัน Excel และกระบวนการตรวจสอบแบบจำลองสเปรดชีตเพื่อรับรองความถูกต้อง นอกจากนี้ ยังกล่าวถึงในโมดูลนี้ด้วย

การวิเคราะห์การตัดสินใจ ตารางผลตอบแทน และแผนผังการตัดสินใจ Microsoft Power BI ช่วยให้ผู้ใช้ได้รับความรู้เชิงปฏิบัติจากข้อมูลเพื่อแก้ไขข้อกังวลทางธุรกิจ โดยนำแบบจำลองการวิเคราะห์มาสู่การตัดสินใจขององค์กร ผู้เรียนได้รับข้อมูลเชิงลึกเกี่ยวกับคุณลักษณะการวิเคราะห์ขั้นสูงของ Power BI เช่น การคาดคะเน การแสดงภาพข้อมูล และนิพจน์การวิเคราะห์ข้อมูล

ผลการเรียนรู้

LO1: วิเคราะห์การใช้ข้อมูลทางธุรกิจอย่างมีวิจารณญาณในบริบทการตัดสินใจขององค์กร

LO2: แสดงให้เห็นถึงความเข้าใจที่สำคัญเกี่ยวกับหลักการวิเคราะห์ธุรกิจในหน้าที่การจัดการ

LO3: ใช้เทคนิคการจัดการและการวิเคราะห์ข้อมูลที่เหมาะสมเพื่อเรียกค้น จัดระเบียบ และจัดการข้อมูล

LO4: ใช้วิธีการวิเคราะห์ข้อมูลทางสถิติที่เหมาะสมและเทคนิคการแสดงภาพเพื่อการตัดสินใจทางธุรกิจที่ดี

เนื้อหาครอบคลุม

• การสร้างโมเดลสเปรดชีต
• การวิเคราะห์แบบ What-If
• ฟังก์ชั่นสำหรับการสร้างแบบจำลอง
• การตรวจสอบแบบจำลองสเปรดชีต
• โมเดลสเปรดชีตแบบคาดการณ์และแบบกำหนด
• การระบุปัญหา
• การวิเคราะห์การตัดสินใจ
• การวิเคราะห์การตัดสินใจโดยมีหรือไม่มีความน่าจะเป็น
• ความน่าจะเป็นสาขาคอมพิวเตอร์
• ทฤษฎีอรรถประโยชน์
• การสตรีมข้อมูลใน Power BI
• การแสดงภาพใน Power BI
• นิพจน์การวิเคราะห์ข้อมูล
• มุมมองรายงานใน PowerBI
• การเรียงลำดับข้อมูล
• การแปลงข้อมูล
• การกรองข้อมูล
• ตัวแก้ไข Power Query
• การวิเคราะห์ความเสี่ยง
• การวิเคราะห์ความไว

เทคนิคการทำเหมืองข้อมูล

คำอธิบายโมดูล

กระบวนการขุดข้อมูลรวมถึงการรวบรวมข้อมูลที่จำเป็นจากฐานข้อมูลขนาดมหึมาที่ช่วยในการตัดสินใจอย่างรอบรู้ โมดูลนี้สาธิตเทคนิคการทำเหมืองข้อมูล เช่น การประมวลผลข้อมูล การค้นพบรูปแบบ และแนวโน้มของข้อมูล วิธีการเหล่านี้ใช้เพื่อให้ได้ทักษะและความสามารถในการประยุกต์การรวมข้อมูล การชำระล้าง การเลือก และการแปลงตารางและกราฟสำหรับการค้นพบความรู้ ไลบรารีเมทริกซ์ Python ช่วยให้ผู้เรียนสร้างการนำเสนอการขุดข้อความที่สมจริงโดยดำเนินการงานต่างๆ เช่น การจัดหมวดหมู่ การประมาณค่า การแบ่งส่วน การพยากรณ์ ลำดับ และการเชื่อมโยงข้อมูล

ผลการเรียนรู้

LO1: ทำความเข้าใจพื้นฐานของการขุดข้อความและการวิเคราะห์ รวมถึงการระบุรูปแบบที่น่าตื่นเต้น ดึงความรู้ที่เป็นประโยชน์ และสนับสนุนการตัดสินใจ

LO2: สำรวจหลักการพื้นฐานของการขุดข้อความและอัลกอริธึมที่จำเป็น และการใช้งานจริงบางส่วน

LO3: สามารถใช้ความรู้และทักษะที่ได้เรียนรู้เพื่อนำเทคนิคการค้นพบรูปแบบที่ปรับขนาดได้ไปใช้กับข้อมูลธุรกรรมปริมาณมาก

LO4: มีส่วนร่วมในการอภิปรายที่มีความหมายเกี่ยวกับตัวชี้วัดการประเมินรูปแบบและเทคนิคการตรวจสอบสำหรับการขุดรูปแบบต่างๆ รวมถึงรูปแบบตามลำดับและกราฟย่อย

เนื้อหาครอบคลุม

• ความรู้เบื้องต้นเกี่ยวกับการขุดข้อมูล
• การทำเหมืองข้อมูลในสภาพแวดล้อมที่ใช้ Python
• คลังข้อมูลคืออะไร
• จะหารูปแบบได้อย่างไร?
• การวิเคราะห์ความสัมพันธ์
• การแนะนำผลิตภัณฑ์
• ความรู้เบื้องต้นเกี่ยวกับการขุดฐานข้อมูล
• ฐานข้อมูลและ SQL
• DDL, DML, รวม และสคีมา
• วิธีใช้ Python Matrix Libraries บนชุดข้อมูล
• โหลดชุดข้อมูลด้วย NumPy
• การแสดงข้อมูลที่เป็นมิตรกับการขุด
• การแสดงข้อความสำหรับการขุดข้อมูล
• ทำไมข้อความถึงซับซ้อน?
• การขุดข้อความ
• การสร้างแบบจำลองข้อมูล การประเมิน และการปรับใช้ในการทำเหมืองข้อความ
• เทคนิคที่เป็นแบบอย่าง: การแสดงชุดคำใน Text Mining
• การขุดกราฟย่อยบ่อยครั้ง

อัลกอริทึมในวิทยาศาสตร์ข้อมูล

คำอธิบายโมดูล

โมดูลนี้ให้ความรู้ที่ครอบคลุมเกี่ยวกับการแบ่งข้อมูลออกเป็นการฝึกอบรม การตรวจสอบความถูกต้อง และการสร้างชุดการทดสอบ พัฒนาและประเมินแบบจำลองการขุดเชิงคาดการณ์โดยการบูรณาการกรอบงานและการรับรู้เชิงปฏิบัติ มีตัวชี้วัดประสิทธิภาพมากมายสำหรับระบบการประมาณค่าและการจัดหมวดหมู่ที่นำเสนอ วิธีการสร้างแบบจำลองเชิงคาดการณ์ที่แพร่หลายที่สุด รวมถึงโครงข่ายประสาทเทียม เครื่องเวกเตอร์ที่รองรับ เพื่อนบ้านที่ใกล้ที่สุด k การเรียนรู้แบบเบย์ แบบจำลองทั้งมวล และแผนผังการตัดสินใจต่างๆ จะได้รับการตรวจสอบในโมดูลนี้พร้อมกับส่งมอบผลลัพธ์

ผลการเรียนรู้

LO1: แนะนำแนวคิดพื้นฐานของอัลกอริทึม รวมถึงการเรียงลำดับและการค้นหา การแบ่งและการพิชิต และอัลกอริทึมที่ซับซ้อน

LO2: จัดเรียงข้อมูลและใช้เพื่อค้นหา แยกแยะปัญหาใหญ่ให้เป็นปัญหาเล็กลงและตอบซ้ำๆ ใช้การเขียนโปรแกรมแบบไดนามิกกับการวิจัยจีโนม และอื่น ๆ.

LO3: อภิปรายและสร้างโครงสร้างข้อมูลที่ใช้บ่อยที่สุดสำหรับการประมวลผลสมัยใหม่ LO4: เพื่อให้สามารถใช้โครงสร้างข้อมูลที่ใช้ในอุตสาหกรรมมากที่สุดในการประมวลผลสมัยใหม่

เนื้อหาครอบคลุม

• วิธีการระงับแบบคงที่
• การตรวจสอบข้าม k-Fold
• ข้อมูลที่ไม่สมดุลของคลาส
• การประเมินการจำแนกประเภทของผลลัพธ์ตามหมวดหมู่
• การประเมินการประมาณผลลัพธ์ต่อเนื่อง
• การถดถอยโลจิสติก
• K-เพื่อนบ้านที่ใกล้ที่สุด
• วิธีทำนายเพื่อนบ้านที่ใกล้ที่สุด
• ต้นไม้การจำแนกประเภทและการถดถอย
• รองรับเครื่องเวกเตอร์
• แนวทางตามกระบวนการเพื่อการใช้ SVM
• วิธีการแบบ Naïve Bayes
• เครือข่ายแบบเบย์เซียน
• สถาปัตยกรรมโครงข่ายประสาทเทียม
• การสร้างแบบจำลองทั้งมวล

โมดูลเฉพาะทาง

ส่วนนี้ให้รายละเอียดเกี่ยวกับโครงสร้าง เนื้อหา และผลลัพธ์การเรียนรู้ของ Pathways เฉพาะทาง

การสร้างแบบจำลองข้อมูลทางสถิติ

คำอธิบายรายวิชา

โมดูลนี้ให้ข้อมูลเชิงลึกแก่ผู้เรียนเพื่อใช้แบบจำลองการทำนายมากมายและเข้าใจการถดถอยเชิงเส้น สร้างการคาดการณ์ตามกลุ่มของตัวแปรอินพุตโดยใช้วิธีการวิเคราะห์การถดถอย ผู้เรียนจะศึกษาวิธีสร้างแบบจำลองปฏิสัมพันธ์ในโลกแห่งความเป็นจริงที่หลากหลายโดยใช้วิธีการทางสถิติที่ซับซ้อน เช่น โมเดลเชิงเส้นทั่วไปและโมเดลบวก โมดูลนี้จะปลูกฝังวิธีการสร้างแบบจำลองทางสถิติระดับกลางและขั้นสูง สร้างขึ้นโดยเฉพาะสำหรับผู้เรียนเพื่อพัฒนาความสามารถในการวิเคราะห์การถดถอยเชิงเส้น การออกแบบการทดลอง และแบบจำลองเชิงเส้นและแบบบวกแบบขยาย จากทักษะเหล่านี้ การตีความข้อมูล การค้นพบการเชื่อมโยงระหว่างตัวแปร และการสร้างการคาดการณ์จะทำได้ง่ายขึ้นผ่านการนำเสนอที่ใช้งานง่าย

ผลการเรียนรู้

LO1: แยกความแตกต่างระหว่างแบบจำลองการคาดการณ์ประเภทต่างๆ และการถดถอยเชิงเส้นหลัก

LO2: ทำความเข้าใจการทำงานภายในผ่านอัลกอริธึมของโมเดลต่างๆ

LO3: วิเคราะห์และสำรวจผลลัพธ์ของการถดถอยโลจิสติก และทำความเข้าใจว่าเมื่อใดจึงควรวิเคราะห์แบบจำแนก

LO4: เพิ่มผลผลิตเชิงวิเคราะห์ให้สูงสุดโดยการวิเคราะห์แบบจำลองต่างๆ และตีความความแม่นยำในลักษณะที่มีการจัดระเบียบอย่างดี

เนื้อหาครอบคลุม

• การเลือกตัวอย่าง
• การประมาณจุด
• การกระจายตัวอย่าง
• การประมาณช่วง
• การทดสอบสมมติฐาน
• การอนุมานทางสถิติและความสำคัญเชิงปฏิบัติ
• โมเดลการถดถอยเชิงเส้นอย่างง่าย
• วิธีกำลังสองน้อยที่สุด
• การอนุมานและการถดถอย
• แบบจำลองการถดถอยพหุคูณ
• การถดถอยโลจิสติก
• การทำนายด้วยการถดถอย
• ฟิตติ้งโมเดล
• แบบจำลองข้อมูล Tableau
• การแปลงรูปร่างและข้อมูลโดยใช้ Tableau Query Editor
• มุมมองรายงาน Tableau

การประยุกต์ใช้ข้อมูลในปัญญาประดิษฐ์และบล็อกเชน

คำอธิบายรายวิชา

ในโมดูลนี้ ผู้เรียนจะเข้าใจแอปพลิเคชันปัญญาประดิษฐ์ (AI) ในธุรกิจได้ดีขึ้น และเข้าใจการตัดสินใจของ AI ด้วยความก้าวหน้าใน IoT และการเกิดขึ้นของ Blockchain หลักสูตรนี้เตรียมนักเรียนด้วยรากฐานที่กว้างขวางของโซลูชันซอฟต์แวร์ที่เปิดใช้งาน AI เมื่อผู้เรียนเรียนต่อในโมดูลนี้ พวกเขาจะคุ้นเคยกับเทคโนโลยีที่ขับเคลื่อนโลกอัตโนมัติ โดยรู้ถึงอัลกอริทึมประเภทต่างๆ และวิธีการนำไปใช้เพื่อปรับปรุงหรือจำลองพฤติกรรมของมนุษย์ในแอปพลิเคชันที่หลากหลาย โมดูลนี้จะสอนเกี่ยวกับ AI, IoT, บล็อกเชน และองค์ประกอบการเรียนรู้ของเครื่องจักร ในขณะเดียวกันก็สร้างบนกรอบแนวคิดที่แข็งแกร่งซึ่งจะนำเสนอวิธีการที่เข้มงวด ลงมือปฏิบัติจริง และทีละขั้นตอนเพื่อรับมือกับความท้าทายในโลกแห่งความจริงที่ซับซ้อนและสมจริง

ผลการเรียนรู้

โล1. ขอแนะนำปัญญาประดิษฐ์ (AI) สำรวจฟีเจอร์และรูปแบบต่างๆ ในโดเมนธุรกิจ นอกจากนี้ เพื่อทำความเข้าใจบริบททางธุรกิจของ AI และตีความการตัดสินใจของ AI

โล2. ทำความเข้าใจและสร้างแผนการใช้งาน AI สำหรับการตั้งค่าธุรกิจผ่านการจดจำพารามิเตอร์โมเดลที่เหมาะสม

LO3: เพื่อสำรวจองค์ประกอบของบล็อคเชนเพิ่มเติม และทำความเข้าใจแนวคิด คุณลักษณะ ประโยชน์ และความเกี่ยวข้องของเทคโนโลยีบัญชีแยกประเภทแบบกระจาย (DLT)

LO4: ทำความเข้าใจกับไฮเปอร์เลดเจอร์ สัญญาอัจฉริยะ และ IoT (Internet of Things) ในรูปแบบธุรกิจที่ประยุกต์เพื่อประเมินผลกระทบในระยะยาว

เนื้อหาครอบคลุม

• ความรู้เบื้องต้นเกี่ยวกับปัญญาประดิษฐ์
• AI เปิดใช้งานแอปพลิเคชัน
• การเรียนรู้เชิงลึกคืออะไร
• โครงข่ายประสาทเทียม
• การประมวลผลภาพและ OpenCV
• ความรู้เบื้องต้นเกี่ยวกับ NLP
• โครงข่ายประสาทเทียม
• การประมวลผลข้อความ
• การจำแนกข้อความ
• การสร้างแบบจำลองหัวข้อ
• โครงข่ายประสาทเทียมที่เกิดซ้ำ
• ส่วนประกอบที่สำคัญของ IoT
• เซ็นเซอร์ที่หลากหลาย
• แอคชูเอเตอร์
• โปรโตคอล IoT ในชั้นต่างๆ
• แอปพลิเคชันและส่วนต่อประสานกับผู้ใช้ใน IoT
• โรงงานอัจฉริยะแห่งอนาคตและ Internet of Things ระดับอุตสาหกรรม
• รู้เบื้องต้นเกี่ยวกับ Blockchains
• บทนำและการใช้งาน Hyperledger และ Smart Contract
• โครงสร้างบล็อกเชน
• ระบบรวมศูนย์ กระจายอำนาจ และกระจาย
• ความรู้เบื้องต้นเกี่ยวกับ DLT
• คุณสมบัติ ประโยชน์ และการใช้งาน DLT ใน Blockchain
• ประเภทของบล็อคเชน
• ทำไมต้องบล็อคเชน?
• การสร้างแอปพลิเคชัน AI และ ML โดยใช้เทคโนโลยี Blockchain

ส่วนที่ 2 : โครงการ Capstone

คำอธิบายโมดูล:

วัตถุประสงค์ของโมดูลนี้คือเพื่อหารือและอธิบายบทบาทของวิทยาศาสตร์ข้อมูลและแนวปฏิบัติในองค์กรและอิทธิพลที่มีต่อประสิทธิภาพโดยรวมและความสามารถขององค์กร โมดูลนี้ได้รับการออกแบบมาเพื่อพัฒนาความเข้าใจในแนวทางปฏิบัติร่วมสมัยและความสามารถในการพัฒนาคำถามการวิจัยหรือการออกแบบ แสดงให้เห็นว่าคำถามเชื่อมโยงกับความรู้ในปัจจุบันและดำเนินการศึกษาอย่างเป็นระบบอย่างไร ผู้เรียนจะได้รับการสนับสนุนให้เลือกโครงการวิจัย/พัฒนาที่จะแสดงการเรียนรู้ที่ผ่านมาในขอบเขตวิทยาศาสตร์ข้อมูล มีจุดมุ่งหมายเพื่อให้ได้รับความเข้าใจเกี่ยวกับวิทยาศาสตร์ข้อมูลและการเปลี่ยนกระบวนทัศน์ในแนวทางและวิธีการที่เกี่ยวข้องกับฟังก์ชันต่างๆ ของ DS เช่น การสร้างภาพข้อมูล ความน่าจะเป็น การอนุมานและการสร้างแบบจำลอง การทำเหมืองข้อมูล การจัดระเบียบข้อมูล การถดถอย และการเรียนรู้ของเครื่อง เป็นต้น . นอกจากนี้ยังพยายามที่จะเน้นบทบาทและความสำคัญของการวิเคราะห์ข้อมูลและการสร้างแบบจำลองข้อมูลในระหว่างการวางแผน การตัดสินใจ และการดำเนินการเปลี่ยนแปลงในองค์กร เมื่อสำเร็จหลักสูตรนี้แล้ว ผู้เข้าร่วมจะมีความรู้ที่ครอบคลุมเกี่ยวกับบริบทการวิเคราะห์ข้อมูลที่กว้างขึ้นและผลิตภัณฑ์ข้อมูลเพื่อแสดงให้เห็นถึงความเชี่ยวชาญด้านวิทยาศาสตร์ข้อมูลของตนต่อผู้จ้างงานหรือโปรแกรมการศึกษาที่มีศักยภาพ

ผลการเรียนรู้

LO1: ดำเนินการวิจัยและพัฒนาอิสระภายใต้บริบทของโครงการวิทยาศาสตร์ข้อมูล

LO2: การพัฒนาความสามารถในการแก้ไขปัญหาอย่างอิสระโดยใช้การวิเคราะห์และวิทยาการข้อมูล

LO3: สื่อสารข้อมูลทางเทคนิคอย่างชัดเจนและกระชับกับผู้ชมในวงกว้างที่ไม่ใช่ผู้เชี่ยวชาญ

LO4: สร้างเอกสารที่เป็นลายลักษณ์อักษรโดยละเอียดให้ได้มาตรฐานที่คาดหวังจากผู้เชี่ยวชาญในสาขา Data Science และประเมินผลลัพธ์ของโครงการโดยอ้างอิงกับสิ่งพิมพ์วิจัยที่สำคัญในสาขาที่เกี่ยวข้อง

ภาพรวมคุณสมบัติ

หัวข้อรางวัล: PG Extended Diploma in Data Science (120 หน่วยกิต)

เพื่อให้ได้รับประกาศนียบัตรขยายระดับบัณฑิตศึกษาระดับ 7 ในสาขาวิทยาศาสตร์ข้อมูล ผู้เรียนจะต้องผ่านโมดูลทั้งสี่จากส่วน CORE (80 หน่วยกิต) และอีกสองโมดูลจากความเชี่ยวชาญพิเศษที่เลือก Pathway (40 หน่วยกิต)

ส่วนหลัก

ส่วนหลักสำหรับรางวัล PG Extended Diploma นี้มีสี่โมดูลบังคับ

• การทำงานกับข้อมูล (20 หน่วยกิต)
• การวิเคราะห์ข้อมูลในกระบวนการทางธุรกิจ (20 หน่วยกิต)
• เทคนิคการขุดข้อมูล (20 หน่วยกิต)
• อัลกอริทึมในวิทยาศาสตร์ข้อมูล (20 หน่วยกิต)

ความเชี่ยวชาญ Pathways

PG Extended Diploma in Data Science มีความเชี่ยวชาญสองด้าน Pathways

• การสร้างแบบจำลองข้อมูลทางสถิติ
• การประยุกต์ใช้ข้อมูลในปัญญาประดิษฐ์และบล็อกเชน

โอกาสก้าวหน้า

ผู้เรียนที่สำเร็จการศึกษา PG Extended Diploma สาขา Data Science สามารถก้าวหน้าไปสู่:-

• ปริญญาโทสาขาวิทยาศาสตร์ข้อมูล
• วท.ม. ในข้อมูลขนาดใหญ่