R For Data Analyst — เริ่มต้นวิเคราะห์ข้อมูลได้ด้วย R

เห็นประกาศรับสมัครงาน Data Analyst ที่ระบุว่าต้องมีทักษะ R โดยเฉพาะไหมครับ ? โดยเฉพาะสายวิจัย สาธารณสุข เภสัชกรรม หรืองานวิชาการที่ R แทบจะเป็นมาตรฐานประจำวงการงานนี้ — แต่พอลองหาที่เรียนกลับเจอแต่คอร์สที่เน้นแต่ Python เกือบทั้งหมด

R For Data Analyst พาคุณเริ่มจากศูนย์จริงๆ ตั้งแต่ติดตั้ง RStudio ไปจนถึงวิเคราะห์ข้อมูลเชิงสถิติขั้นสูง (t-test, ANOVA, Regression) และสื่อสารผลลัพธ์แบบมืออาชีพด้วย R Markdown/Quarto ผ่าน 10 บท 60 ตอนเรียน จบด้วย Capstone Project ที่ให้ลงมือวิเคราะห์ข้อมูลจริงเหมือนงานจริง

เหมาะกับใคร ?

• คนที่เห็นประกาศงานระบุว่าต้องมีทักษะ R โดยเฉพาะ (พบมากในสายวิจัย สาธารณสุข เภสัชกรรม และงานวิชาการ)
• นักศึกษา/นักวิจัยที่ต้องใช้สถิติเชิงอนุมาน เช่น t-test, ANOVA, Regression ในธีสิสหรืองานวิจัย
• คนที่มี Python อยู่แล้วแต่อยากเพิ่ม R เป็นเครื่องมือที่สอง โดยเฉพาะงานที่เน้นสถิติหนักๆ
• มือใหม่ที่อยากเริ่มสาย Data Analyst ด้วย R ตั้งแต่ต้น ไม่มีพื้นฐานเขียนโปรแกรมมาก่อนก็เรียนได้

ต่างจาก Python for Data Analyst ยังไง? Python เหมาะกับงานวิเคราะห์ข้อมูลทั่วไปและต่อยอดไป Automation ได้กว้างกว่า ส่วน R ถูกออกแบบมาเพื่อสถิติโดยเฉพาะตั้งแต่ต้น แน่นกว่าเรื่อง Hypothesis Testing, ANOVA และ Regression และยังเป็นเครื่องมือมาตรฐานของหลายอุตสาหกรรม (วิจัย, สาธารณสุข, เภสัชกรรม) — ถ้างานหรือสายที่สนใจต้องใช้สถิติเชิงลึก R คือคำตอบที่ตรงกว่า

เรียนแล้วได้อะไร ?

• เริ่มต้นกับ R และ RStudio — ทำไมนักวิเคราะห์ข้อมูลต้องรู้จัก R, ติดตั้ง R และ RStudio (หรือ Posit Cloud), รู้จักหน้าตา RStudio และ Console, เขียนโค้ดบรรทัดแรก, ตัวแปร, การจัดการ Project และ Working Directory
• พื้นฐานการเขียนโปรแกรมด้วย R — ชนิดข้อมูล, Vector และการดำเนินการพื้นฐาน, Operator, เงื่อนไข if/else และวนลูป for/while, เขียนฟังก์ชันของตัวเอง, จัดการ Error เบื้องต้น
• โครงสร้างข้อมูลใน R — List, Matrix, Data Frame (หัวใจของการวิเคราะห์ข้อมูลใน R), Factor, การแปลงชนิดข้อมูล
• นำเข้าและทำความสะอาดข้อมูล — อ่าน CSV/Excel ด้วย readr/readxl, เชื่อมต่อฐานข้อมูลเบื้องต้น (DBI), จัดการ Missing Values, ทำความสะอาดด้วย tidyr, จัดการ String/Date ด้วย stringr/lubridate
• จัดการข้อมูลด้วย dplyr — แนวคิด Pipe (|>), filter()/select(), mutate(), group_by()/summarize(), join ข้อมูลหลายตาราง แบบมืออาชีพ
• การสร้างกราฟด้วย ggplot2 — Grammar of Graphics, กราฟพื้นฐาน (bar/line/scatter/histogram), ปรับแต่งสี/ธีม/Label, Facet, กราฟขั้นสูง (boxplot/heatmap), Dashboard ง่ายๆ ด้วย patchwork
• EDA และสถิติเชิงพรรณนา — mean/median/sd/quantile, ตรวจจับ Outlier, Correlation, สร้าง Summary Report อัตโนมัติด้วย skimr
• สถิติเชิงอนุมานสำหรับนักวิเคราะห์ — Hypothesis Testing, t-test/chi-square, ANOVA, Linear Regression เบื้องต้น, ตีความผลลัพธ์ให้คนไม่สายเทคนิคเข้าใจ
• การนำเสนอผลลัพธ์และสื่อสารข้อมูล — เขียนรายงานด้วย R Markdown/Quarto, สร้าง Interactive Report, หลักการ Data Storytelling, Dashboard เบื้องต้นด้วย Shiny, เทคนิคนำเสนอผู้บริหาร
• 🏆 Workflow นักวิเคราะห์ตัวจริงและ Capstone Project — Workflow มืออาชีพ, จัดระเบียบโปรเจกต์และ Git เบื้องต้น, Best Practices เขียนโค้ดให้อ่านง่าย, ลงมือทำ Capstone ตั้งแต่เลือกโจทย์ วิเคราะห์ สรุปผล จนถึงนำเสนอ

จบคอร์สแล้วได้ Certificate พร้อมทักษะ R ระดับที่ใช้ในงานวิจัยและงานวิเคราะห์สถิติจริงได้เลย

ผู้สอน

Nut Khuannaen ผู้ก่อตั้ง common•learn จบ 2 ปริญญา (เศรษฐศาสตร์ มช. + นิติศาสตร์ ม.รามคำแหง) กำลังศึกษาต่อปริญญาโท Applied Data Science ที่ ม.ธรรมศาสตร์ ผ่านงาน Freelance Data Analyst ให้ลูกค้าต่างชาติ 3 บริษัท และ FP&A ในธุรกิจ Retail มากว่า 4 ปี

ทำไมถึงคุ้ม ?

• ครอบคลุมตั้งแต่พื้นฐาน R ไปจนถึงสถิติเชิงอนุมานและ Dashboard ด้วย Shiny ในคอร์สเดียว
• Capstone Project ให้ได้ผลงานวิเคราะห์ข้อมูลจริงติดพอร์ต
• ซื้อครั้งเดียว เรียนได้ตลอดชีพ พร้อม Certificate เมื่อเรียนจบ
• ลองอ่านฟรีได้เลย 2 บทแรก (1.1 และ 1.2) ก่อนตัดสินใจซื้อ

ราคา ฿499 — ตลอดชีพ

Course Instructor

Nut Khuannaen Author