SciPy มีฟังก์ชันทางคณิตศาสตร์พิเศษในโมดูล scipy.special รวมถึงการคำนวณรากที่สามและเลขยกกำลัง 10 1. Cube Root - รากที่สาม (cbrt) คำนวณ ∛x สำหรับทุกค่า Real (รวมลบได้) ต่างจาก x**(1/3) ที่ให้ Complex สำหรับค่าลบ ไวยากรณ์ scipy.special.cbrt(x) ตัวอย่าง from scipy.special import cbrt my_cb = cbrt(

Pandas Series สามารถสร้างจาก Dictionary ได้โดย Key จะกลายเป็น Index และ Value จะกลายเป็น Data ยังสามารถกำหนด Index เองได้อีกด้วย ตัวอย่าง 1: สร้างจาก Dictionary พร้อม Index ตรงกับ Key import pandas as pd my_data = {ab: 11., mn: 15., gh: 28., kl: 45.} my_index = [ab, mn, gh, kl] my_series = pd.Ser

Pandas Series รองรับการเข้าถึงข้อมูลหลายรูปแบบ ทั้ง Positional Indexing (Integer) และ Label-based Indexing (Custom Index) ตัวอย่างโค้ด import pandas as pd my_data = [34, 56, 78, 90, 123, 45] my_index = [ab, mn, gh, kl, wq, az] my_series = pd.Series(my_data, index=my_index) print(The series conta

ใน Pandas Series สามารถใช้ Slicing ด้วย Operator : เพื่อดึงข้อมูลช่วงที่ต้องการ เช่น Top N Elements ตัวอย่างโค้ด import pandas as pd my_data = [34, 56, 78, 90, 123, 45] my_index = [ab, mn, gh, kl, wq, az] my_series = pd.Series(my_data, index=my_index) print(The series contains following elements

Eigenvalues (ค่าเฉพาะ) และ Eigenvectors (เวกเตอร์เฉพาะ) สำคัญใน Linear Algebra ใช้ใน PCA, Spectral Clustering, Vibration Analysis, Quantum Mechanics ฯลฯ สำหรับ Square Matrix A: A·v = λ·v โดย λ = Eigenvalue, v = Eigenvector SciPy มีฟังก์ชัน scipy.linalg.eig() คำนวณทั้งคู่พร้อมกัน ไวยากรณ์ scipy.li

Discrete Fourier Transform (DFT) แปลงข้อมูลจาก Domain เวลา/พื้นที่ (Spatial/Time Domain) ไปเป็น Domain ความถี่ (Frequency Domain) Fast Fourier Transform (FFT) เป็นอัลกอริทึมคำนวณ DFT ให้เร็วขึ้น (O(N log N) แทน O(N²)) SciPy มีโมดูล scipy.fftpack (เก่า) และ scipy.fft (ใหม่ แนะนำ) ตัวอย่างโค้ด: สร้า

การหาค่าต่ำสุดของฟังก์ชันสเกลาร์ (Scalar Function) เป็นปัญหา Optimization ช่วยปรับปรุงคุณภาพคำตอบ ใช้ใน Curve Fitting, Root Finding ฯลฯ SciPy มีหลาย Method สำหรับ Univariate/Minimization เช่น fmin_bfgs (BFGS - ใช้ Gradient), minimize_scalar (Brent, Golden, Bounded) และ minimize (Multivariate) ตัวอ

Nelder-Mead Algorithm (หรือ Downhill Simplex Method) เป็น Optimization Algorithm แบบไม่ใช้ Gradient (Derivative-free) เหมาะสำหรับ: ฟังก์ชันที่ไม่ต่อเนื่อง (Discontinuous) ฟังก์ชันที่มี Noise/Roughness สูง ปัญหา Parameter Estimation และ Statistical Problems Multidimensional Unconstrained Minimizatio

Scikit-learn (sklearn) เป็นไลบรารี Machine Learning Open Source ใน Python ที่ได้รับความนิยมมากที่สุด สร้างบน NumPy, SciPy, Matplotlib ให้เครื่องมือครบครันสำหรับ Statistical Modeling การติดตั้ง pip install scikit-learn หมวดหลักของอัลกอริทึมใน sklearn 1. Supervised Learning (การเรียนรู้แบบมีผู้ดูแ

Scikit-learn (sklearn) เป็นไลบรารี Machine Learning Open Source ใน Python มี Dataset ตัวอย่างในตัว (Built-in Datasets) สำหรับทดสอบและเรียนรู้ เช่น Iris, Breast Cancer, Diabetes, Digits, Wine และอื่นๆ ข้อมูลเหล่านี้เก็บอยู่ในรูปแบบ Bunch Object (คล้าย Dictionary) มี Attribute หลักๆ ดังนี้: .data -

Kernel Density Estimation (KDE) เป็นวิธีประมาณฟังก์ชันความหนาแน่นความน่าจะเป็น (PDF) ของตัวแปรสุ่มต่อเนื่อง ใช้วิเคราะห์ข้อมูล Non-parametric (ไม่สมมติการกระจายตัว) ใน Seaborn สามารถแสดง KDE ได้ด้วยฟังก์ชัน distplot (เวอร์ชันเก่า) หรือ kdeplot (เวอร์ชันใหม่ แนะนำ) โดยตั้งค่า kde=True และ hist=False

SciPy

การแสดงผลข้อมูล (Data Visualization) ช่วยให้เข้าใจข้อมูลได้รวดเร็วโดยไม่ต้องดูตัวเลขหรือคำนวณซับซ้อน Seaborn เป็นไลบรารี Visualization ระดับสูง มี Theme สวยงาม และใช้งานง่าย เมื่อตัวแปรเป็นข้อมูลหมวดหมู่ (Categorical) ไม่สามารถใช้ Scatter Plot หรือ Histogram ธรรมดาได้ ต้องใช้ Categorical Scatter Pl

Scikit-learn (sklearn) เป็นไลบรารี Python สำหรับ Machine Learning ที่ทรงพลังและมั่นคง มีเครื่องมือหลากหลายสำหรับการสร้างแบบจำลองทางสถิติ ได้แก่ Classification, Regression, Clustering, Dimensionality Reduction และอื่นๆ สร้างบน NumPy, SciPy และ Matplotlib ก่อนนำข้อมูลไปฝึกโมเดล Machine Learning จำเป็

Decision Tree (ต้นไม้ตัดสินใจ) เป็นโครงสร้างพื้นฐานของอัลกอริทึม Random Forest และเป็นหนึ่งในอัลกอริทึม Machine Learning ที่ได้รับความนิยมสูง สามารถใช้ได้ทั้งงาน Classification และ Regression (ถดถอย) ซึ่งเรียกอีกชื่อว่า CART (Classification And Regression Trees) โครงสร้าง Decision Tree สามารถมอง像เป

การประมวลผลข้อมูลล่วงหน้า (Data Pre-processing) หมายถึงกระบวนการทำความสะอาดข้อมูล ลบข้อมูลที่ไม่ถูกต้อง หรือสัญญาณรบกวน (Noise) และแทนที่ข้อมูลด้วยค่าที่เกี่ยวข้อง ซึ่งเป็นขั้นตอนสำคัญในการเตรียมข้อมูลก่อนนำไปใช้กับอัลกอริทึม Machine Learning การประมวลผลล่วงหน้ามุ่งรวมข้อมูลจากแหล่งต่างๆ ให้อยู่ในร

Feature scaling สำคัญใน data pre-processing สำหรับ ML ช่วย normalize ข้อมูลให้อยู่ในช่วงเฉพาะ บางครั้งเพิ่มความเร็วการคำนวณ ข้อมูล input ต้อง consistent structured ทุก feature ต้อง same scale ข้อมูลจริงมักไม่ใช่ จึงต้อง normalize ตัวอย่าง: MinMaxScaler (0 ถึง 1) import numpy as np from sklearn impor

Normalization = แปลงช่วงค่าให้มาตรฐาน ข้อมูล input ต้อง consistent และ structured ทุก feature ต้องอยู่ scale เดียวกัน ข้อมูลจริงมัก unstructured ไม่ใช่ scale เดียวกัน จึงต้อง normalize L1 Normalization = Least Absolute Deviations ทำให้ sum of absolute values = 1 ในแต่ละแถว ตัวอย่าง import numpy as n

Determinant คำนวณได้จาก matrix หรือ array มิติมากกว่า 1 ใช้เข้าใจ matrix ให้ดีขึ้น SciPy มี det ใน linalg (Linear Algebra) Syntax det scipy.linalg.det(matrix) สมมติ a,b,c,d เป็นค่าใน matrix 2x2 determinant = ad - bc ตัวอย่าง from scipy import linalg import numpy as np two_d_matrix = np.array([

เข้าใจการใช้ slicing operator : เข้าถึงข้อมูลในช่วงของ Series ตัวอย่าง import pandas as pd my_data = [34, 56, 78, 90, 123, 45] my_index = [ab, mn, gh, kl, wq, az] my_series = pd.Series(my_data, index=my_index) print(The series contains following elements) print(my_series) n = 3 print(Bottom 3 elemen