โครงสร้างหลักสูตร

แผน ก (แบบทำวิทยานิพนธ์) แบบ ก.2

แผน ข (แบบทำสารนิพนธ์)

วิชาปรับพื้นฐาน (ไม่นับหน่วยกิตและให้ผลการเรียนเป็น S หรือ U)

• BD 505 ระเบียบวิธีวิจัย (Research Methodology)
  ขั้นตอนและวิธีการทำวิจัย การสืบค้นข้อมูลและสำรวจงานวิจัยต่างๆที่เกี่ยวข้องโดยเฉพาะด้านข้อมูลขนาดใหญ่ การประมวลผลข้อมูลและการเรียบเรียงข้อมูลที่เกี่ยวข้องเข้าด้วยกัน การตระหนักถึงความสำคัญและความเป็นมาของปัญหา การวิจัยและผลจากการวิจัย การหาแนวทางปรับปรุงหรือเพิ่มประสิทธิภาพของงานวิจัยที่มีอยู่แล้ว แนวทางการประยุกต์ความรู้ต่างๆ การเขียนข้อเสนองานวิจัยและการนำเสนอด้วยปากเปล่า การทดสอบสมมติฐาน การติดตามความก้าวหน้าในการทำวิจัยและการตรวจสอบความถูกต้อง การเขียนรายงานวิจัยและการนำเสนอด้วยปากเปล่า


• BD 506 คณิตศาสตร์ข้อมูลขนาดใหญ่ (Mathematics of Big Data)
  การวิเคราะห์เชิงตรรกะ ทฤษฎีกราฟ ทฤษฎีจำนวน ความน่าจะเป็น ทฤษฎีความซับซ้อนในการคำนวณ กลุ่มปัญหาเอ็นพี พีชคณิตเชิงเส้น อัลกอริธึมและการหาคำตอบที่เหมาะสม


• BD 507 การเขียนโปรแกรมเบื้องต้นสำหรับการวิเคราะห์ข้อมูลและการจัดการฐานข้อมูล (Introduction to Programming for Data Analytics and Database Management)
  หลักการเขียนโปรแกรมคอมพิวเตอร์ การประยุกต์ใช้คำสั่งสำหรับวิเคราะห์ข้อมูล การใช้งานคำสั่งสำหรับการจัดการฐานข้อมูลเชิงสัมพันธ์ การใช้งานคำสั่งสำหรับบริหารจัดการระบบปฏิบัติการยูนิกซ์ สามารถออกแบบและเลือกใช้งานคำสั่งสำหรับงานทางด้านการวิเคราะห์ข้อมูลได้อย่างเหมาะสม


• BD 508 ระบบปฏิบัติการยูนิกซ์และเครือข่ายคอมพิวเตอร์ (Unix Operating Systems and Computer Networks)
  แนวคิดพื้นฐานของระบบปฏิบัติการ การจัดการไฟล์และไดเรคทอรี่ การจัดการและการกำหนดลำดับกระบวนการ การจัดการรับเข้า/ส่งออก การจัดการหน่วยความจำ ความมั่นของของระบบคอมพิวเตอร์ ชุดโพรโทคอลทีซีพี/ไอพี การออกแบบเลขที่อยู่ไอพี โพรโทคอลการจัดเส้นทาง การเชื่อมโยงระหว่างเครือข่ายด้วยทีซีพี/ไอพี การจัดการเครือข่าย ความมั่นคงของเครือข่าย

วิชาบังคับ

• BD 521 การวิเคราะห์ข้อมูลขนาดใหญ่ (Big Data Analytics)
  การวิเคราะห์ข้อมูลขนาดใหญ่ ประโยชน์ของการวิเคราะห์ การหาความสัมพันธ์ การจัดกลุ่ม การจำแนกประเภทข้อมูลแบบต่างๆ ทฤษฎีของเบย์ การวิเคราะห์ข้อความ การวิเคราะห์ข้อมูลแบบสายธาร การวิเคราะห์ข้อมูลรูปภาพ หลักการจัดเก็บข้อมูลลงในฮาดูป หรือ ฐานข้อมูลประเภทโนเอสคิวแอล การวิเคราะห์ข้อมูลขนาดใหญ่ในเชิงธุรกิจและการฝึกปฏิบัติโดยใช้เครื่องมือในกรณีศึกษาต่างๆ


• BD 522 การจัดการข้อมูลขนาดใหญ่และการออกแบบระบบ (Big Data Management and System Design)
  เทคโนโลยีฐานข้อมูลเชิงสัมพันธ์ สมบัติทางคณิตศาสตร์และการใช้ภาษาเขียนโปรแกรมฐานข้อมูล วิธีการในการออกแบบฐานข้อมูลและการสร้างแบบจำลองความคิด วิธีการในการจัดเก็บข้อมูลสำหรับการใช้ฐานข้อมูล แนวคิดพื้นฐานของการควบคุมภาวะพร้อมกัน และการจัดการธุรกรรมในระบบฐานข้อมูล รวมถึงการออกแบบระบบฐานข้อมูลที่ใช้ในองค์กรขนาดใหญ่ การฝึกปฏิบัติโดยใช้กรณีศึกษาต่างๆ


• BD 523 การสำรวจและจัดเตรียมสำหรับการวิเคราะห์ข้อมูลขนาดใหญ่ (Big Data Exploration and Preparation for Analytics)
  หลักสถิติสำหรับการสำรวจข้อมูลก่อนการวิเคราะห์ข้อมูล การสร้างทัศนภาพจากข้อมูลขนาดใหญ่ การแจกแจงข้อมูลสำหรับตัวแปรหลายประเภท เทคนิคการเตรียมข้อมูลสำหรับข้อมูลที่ไม่สมบูรณ์ ข้อมูลที่มีความผิดปกติ ข้อมูลที่มีมิติข้อมูลจำนวนมาก ข้อมูลไม่สมดุล ข้อมูลซับซ้อน ข้อมูลเอกสาร ข้อมูลรูปภาพ ข้อมูลอนุกรมเวลา การคุ้มครองความเป็นส่วนตัวของข้อมูล การฝึกปฏิบัติโดยใช้กรณีศึกษาต่างๆ


• BD 524 การวิเคราะห์ข้อมูลขนาดใหญ่ขั้นสูง (Advanced Big Data Analytics)
  แนวคิดและรูปแบบของปัญญาประดิษฐ์ ปัญหาที่มีการกำหนดข้อจำกัด เทคนิควิธีการค้นหาประเภทต่างๆ การประยุกต์ใช้ปัญญาประดิษฐ์เพื่อเพิ่มประสิทธิภาพในการตัดสินใจ สถาปัตยกรรมโครงข่ายประสาทเทียมเชิงลึกแบบคอนโวลูชัน ฟังก์ชันการสูญเสีย ฟังก์ชันกระตุ้น การปรับแต่งค่าในโครงข่ายประสาทเทียม การถ่ายโยงการเรียนรู้ โครงข่ายประสาทเทียมแบบป้อนย้อนกลับ ทฤษฎีกราฟ วิธีการหาความสำคัญของแต่ละโหนดในกราฟ (Centrality) วิธีการค้นหากลุ่ม (Community Detection) การศึกษาและวิเคราะห์ปัญญาประดิษฐ์จากงานวิจัยต่างๆ


• BD 525 การประมวลผลแบบกลุ่มเมฆและคอนเทนเนอร์ (Cloud Computing and Container)
  แนวคิด คุณลักษณะสําคัญและประเภทของการประมวลผลแบบกลุ่มเมฆ การจัดการกลุ่มเมฆ รูปแบบการให้บริการของกลุ่มเมฆ ความปลอดภัยในกลุ่มเมฆและเทคโนโลยีที่เกี่ยวข้อง เทคโนโลยีคอนเทนเนอร์ (เช่น Docker) การจัดการคอนเทนเนอร์ (เช่น Docker Swarm, Kubernetes) การใช้เครื่องมือและซอฟต์แวร์ ที่เกี่ยวข้อง การติดตั้งใช้งาน การฝึกปฏิบัติ


• BD 526 อินเทอร์เน็ตในทุกสรรพสิ่งและการวิเคราะห์ข้อมูล ณ ปัจจุบัน (Internet of Things and Realtime Data Analytics)
  แนวคิดและเทคโนโลยีของอินเทอร์เน็ตในทุกสรรพสิ่ง อุปกรณ์อัจฉริยะ การสื่อสาร (เช่น BLE, WiFi, เครือข่ายไร้เซ็นเซอร์ไร้สาย, LoRa, Zigbee) โพรโทคอล (เช่น HTTP, uPnP, CoAP, MQTT, XMPP) แพลตฟอร์มให้บริการอินเทอร์เน็ตในทุกสรรพสิ่ง กระแสต่อเนื่องของข้อมูล การเก็บรวบรวมข้อมูล ฐานข้อมูลสำหรับข้อมูล ณ ปัจจุบัน และกระแสข้อมูล การหลอมและการประมวลผล การวิเคราะห์ข้อมูล ณ ปัจจุบัน ความปลอดภัยในการทำงานร่วมกัน การฝึกปฏิบัติ


• BD 527 ธุรกิจอัจฉริยะและผลิตภัณฑ์ข้อมูล (Business Intelligence and Data Products)
  แนวคิดทางด้านธุรกิจอัจฉริยะ เทคโนโลยีที่เกี่ยวข้องและการนำไปประยุกต์ใช้ในองค์กร การออกแบบโครงสร้างพื้นฐานและการจัดการกระบวนการธุรกิจอัจฉริยะ องค์ประกอบหลักของระบบซอฟต์แวร์ในระบบธุรกิจอัจฉริยะ หลักการและการออกแบบการแสดงข้อมูลด้วยแผนภาพ การสื่อสารข้อมูลที่ผ่านการวิเคราะห์อย่างถูกต้องเพื่อเพิ่มประสิทธิภาพการตัดสินใจในการดำเนินธุรกิจ การสร้างคุณค่าข้อมูลให้องค์กรและธุรกิจ การออกแบบและการกำหนดรายละเอียดของผลิตภัณฑ์ข้อมูล รูปแบบการพัฒนาผลิตภัณฑ์ข้อมูล การพัฒนาและการบริหารจัดการผลิตภัณฑ์ข้อมูลในตลาดของเทคโนโลยี


• BD 528 วิศวกรรมซอฟต์แวร์สำหรับระบบเปิดใช้งานปัญญาประดิษฐ์ (Software Engineering for AI-Enabled Systems)
  แนวคิดและตัวแบบของกระบวนการซอฟต์แวร์ การดึงข้อมูลความต้องการและความเสี่ยง สถาปัตยกรรมซอฟต์แวร์ การทดสอบคุณภาพตลอดกระบวนการสร้างโมเดล แนวคิด DevOps จริยธรรมที่เกี่ยวข้อง ระบบแบบกระจาย สถาปัตยกรรม Micro-service แนวคิดการจัดการและการประมวลผลข้อมูลขนาดใหญ่ การรักษาความปลอดภัย การจัดการโครงการโดยใช้เทคนิคแบบอาไจล์ (Agile) การออกแบบ UX การจัดการเวอร์ชั่นของข้อมูลและโมเดล บูรณาการความรู้รวบยอดผ่านประสบการณ์ทำงานโดยตรงและกรณีศึกษา

วิชาเลือก

• BD 622 อนุกรมเวลาและการพยากรณ์ (Time Series and Forecasting)
  แนวความคิดพื้นฐานของการสร้างตัวแบบ การวิเคราะห์การถดถอยของอนุกรมเวลา การพยากรณ์อนุกรมเวลาที่มีส่วนประกอบแนวโน้มและการผันแปรสุ่ม การพยากรณ์อนุกรมเวลาที่มีฤดูกาล การหาโมทีฟ การจำแนกประเภทอนุกรมเวลา การจัดกลุ่มอนุกรมเวลา การหาอนุกรมเวลาสุดโต่ง การสร้างตัวแทนอนุกรมเว


• BD 626 การวิเคราะห์เครือข่ายทางสังคม (Social Network Analysis)
  โครงสร้างและการเปลี่ยนแปลงของเครือข่ายขนาดใหญ่ รูปแบบและขั้นตอนวิธีการออกแบบที่ทำงานร่วมกับเครือข่ายขนาดใหญ่ สมบัติทางสถิติของเครือข่ายขนาดใหญ่ การจัดการและวิเคราะห์ข้อมูลในลักษณะที่เป็นเครือข่ายและกราฟ หลักการทำงานของทฤษฎีกราฟ การหาดีกรี การหาโหนดที่สำคัญในเครือข่าย โครงสร้างแบบต่างๆของเครือข่ายทางสังคม การเชื่อมต่อทางสังคมและเศรษฐกิจ การฝึกปฏิบัติโดยใช้เครื่องมือในกรณีศึกษาต่างๆ


• BD 627 วิธีการหาค่าที่เหมาะสมและการวิเคราะห์แบบให้คำแนะนำ (Optimization Algorithms and Prescriptive Analytics)
  ลักษณะของตัวแบบการหาค่าที่เหมาะสม รูปแบบของตัวแบบโปรแกรมเชิงเส้นเชิงจำนวนจริงและไม่เชิงเส้น รูปแบบของตัวแบบสโทแคสติก การคาดการณ์และปรับปรุงตัวแบบ กระบวนการทำงานแบบเมตาฮิวริสติกส์ วิธีการวิเคราะห์แบบให้คำแนะนำตัวเลือกการตัดสินใจ การกำหนดทางเลือกในการตัดสินใจ การจัดเตรียมข้อมูลสำหรับการวิเคราะห์แบบให้คำแนะนำ


• BD 628 การเรียนรู้เชิงลึกและการนำไปใช้งานในด้านคอมพิวเตอร์วิทัศน์ (Deep Learning and Its Applications in Computer Vision)
  โครงข่ายประสาทเทียมเชิงลึก โครงข่ายประสาทเทียมแบบคอนโวลูชัน ฟังก์ชันการสูญเสีย ฟังก์ชันกระตุ้น การปรับแต่งค่าในโครงข่ายประสาทเทียม เทคนิคการสอนโครงข่ายประสาทเทียม สถาปัตยกรรมของโครงข่ายประสาทเทียม การถ่ายโยงการเรียนรู้ โครงข่ายประสาทเทียมแบบป้อนย้อนกลับ (Recurrent Neural Networks) โครงข่ายประสาทเทียมแบบ AutoEncoders การประยุกต์ใช้โครงข่ายประสาทเทียมในการจำแนกประเภทภาพ ตรวจจับวัตถุในภาพ การแบ่งส่วนภาพ การวิเคราะห์ข้อความ กรณีศึกษาของการเรียนรู้เชิงลึก


• BD 639 การกำกับข้อมูลและการตรวจสอบความปลอดภัยขององค์กร (Governance and Audit Enterprise Security)
  รูปแบบความเสี่ยงทางธุรกิจที่เกิดขึ้นจากการประมวลผลข้อมูลดิจิทัล การวิเคราะห์ความน่าเชื่อถือของการประมวลผลข้อมูล วิธีการป้องกันและลดผลกระทบเชิงลบของการละเมิดความปลอดภัยข้อมูล หลักการของการรักษาความปลอดภัย การบริหารข้อมูลในการลดความเสี่ยง ข้อมูลและเครื่องมือที่สามารถนำมาใช้เพื่อป้องกันการสูญเสียข้อมูลหรือหยุดชะงักทางธุรกิจ


• BD 642 หัวข้อพิเศษด้านการวิเคราะห์และการประยุกต์ข้อมูลขนาดใหญ่ (Special Topics in Big Data Analytics and Applications)
  หัวข้อที่ได้รับการคัดเลือกตามความสำคัญ ด้านการวิเคราะห์และการประยุกต์ โดยพิจารณาจากหัวข้อวิจัยหรือผลงานวิจัยตีพิมพ์


• BD 656 หัวข้อพิเศษด้านการจัดการข้อมูล (Special Topics in Data Management)
  หัวข้อที่ได้รับการคัดเลือกตามความสำคัญ ด้านการจัดการข้อมูล โดยพิจารณาจากหัวข้อวิจัยหรือผลงานวิจัยตีพิมพ์


• BD 658 การเรียนรู้ของเครื่องขั้นสูง (Advanced Machine Learning)
  ข้อมูลอนุกรมเวลา การเรียนรู้แบบกึ่งมีผู้สอน การจำแนกประเภทข้อมูลแบบหลายลาเบล เทคนิคการหาค่าที่เหมาะสม เทคนิคขั้นตอนวิธีเชิงพันธุกรรม เทคนิคการเรียนรู้แบบเสริมกำลัง การทดลองการใช้งานและการประเมินผลการปฏิบัติงาน

วิทยานิพนธ์และสารนิพนธ์

• BD 703 สารนิพนธ์ (Thematic Paper)
  ศึกษาค้นคว้าเฉพาะด้านเกี่ยวกับข้อมูลขนาดใหญ่เพื่อวิเคราะห์หรือแก้ปัญหาเกี่ยวกับข้อมูลขนาดใหญ่ภายใต้ความเห็นชอบจากอาจารย์ที่ปรึกษา มีการสอบประมวลความรู้ การนำเสนอหัวข้อศึกษาที่แสดงวัตถุประสงค์ ขั้นตอน และวิธีดำเนินการศึกษา ทำรายงานศึกษาค้นคว้าฉบับสมบูรณ์ในรูปแบบสารนิพนธ์


• BD 710 วิทยานิพนธ์ (Thesis)
  การศึกษาค้นคว้าด้วยตนเองในหัวข้อใดหัวข้อหนึ่งด้านข้อมูลขนาดใหญ่เพื่อพัฒนาหรือปรับปรุงองค์ความรู้ใหม่ภายใต้คำปรึกษาของอาจารย์ที่ปรึกษา มีการนำเสนอหัวข้อวิจัยที่แสดงวัตถุประสงค์ ขั้นตอน และวิธีดำเนินการวิจัย รายงานความก้าวหน้า และสอบป้องกันวิทยานิพนธ์ และเขียนเป็นรายงานในรูปวิทยานิพนธ์