“จากมือใหม่ที่ไม่มีพื้นฐานเลย จนรู้และทำความเข้าใจเรื่อง Data Science เต็มระบบ ในงบเดียว”
รวม 2 คอร์สที่เรียนต่อยอดกันได้แบบลงตัวสุดๆ พร้อมคอร์สแถมไปเลยฟรีๆ ที่ใครสายไหนก็สามารถเอาไปใช้ได้จริง(แต่เหมาะกับสาย Data นะครับ):
- Fastlane Data Analytics — ปูพื้นฐาน Data Analytics ทั้งระบบ เริ่มจากศูนย์ก็สามารถเข้าใจได้จริง
- Rizz D-Sci — ต่อยอดความรู้จากเรื่อง Analytics ไปที่เรื่องของ Data Science เต็มรูปแบบ รวม Machine Learning ทั้ง Supervised และ Unsupervised พร้อมกับทำ End-to-End Project ของตัวเอง
- 🎁 แถมฟรี! Soft Skills สำหรับ Data Analyst — ทักษะการสื่อสารและทักษะสำคัญๆที่ใช้ทำงานร่วมกับมนุษย์จริงๆ ไม่ใช่แค่ใช้กับ DA อย่างเดียวเท่านั้น ไม่ว่าใครที่ทำงานสาย Data หรือสายงานอื่นก็สามารถเอาไปใช้ได้เหมือนกัน
เรียงจาก “ปูพื้นฐาน” ไปจนถึง “เข้าใจ Data Science เต็มระบบ” ไม่ต้องไปนั่งหาว่าคอร์สไหนต้องต่อยอดจากคอร์สไหน เพราะจัดเส้นทางไว้ให้พร้อมแล้ว 🎉🎉🎉
เหมาะกับใคร ?
- คนที่อยากเริ่มต้นการทำงานในสาย Data ตั้งแต่ศูนย์ ไปจนถึงระดับที่เข้าใจ Data Science ทั้งระบบ ในงบเดียว
- คนที่กำลังจะซื้อ Fastlane อยู่แล้ว และรู้แน่นอนว่าตัวเองอยากต่อยอดไปเรื่อง Data Science ต่อในอนาคต — ซื้อพร้อมกันคุ้มกว่าซื้อแยกทีหลังน่ะครับ
- คนที่อยากได้ทั้ง Hard Skill (Data Analytics + Data Science) และ Soft Skill (สื่อสาร/ทำงานร่วมกับคน) ครบในชุดเดียว
รีวิวจากนักเรียน
Data Career Path Bundle
❝
★★★★★
ทำงาน DA มาปีกว่า อยากขยับไปทาง Data Science แต่ไม่รู้จะเริ่มตรงไหน Bundle นี้จัดลำดับมาให้หมดแล้ว ทวนพื้นฐานใน Fastlane ก่อน แล้วต่อ Rizz D-Sci ได้แบบไม่สะดุดเลยครับ
PK
Pond K.
Data Analyst ที่อยากขยับไปสาย Data Science
❝
★★★★★
ตอนแรกกะจะซื้อแค่ Fastlane แต่คิดไปคิดมาเอา Bundle ดีกว่า คุ้มกว่าซื้อแยกทีหลังเยอะ ตอนนี้เรียน Fastlane จบแล้ว กำลังไล่พาร์ท Machine Learning อยู่ค่ะ สนุกมาก
PS
Ploy S.
ย้ายสายจากบัญชีมาทำงาน Data
❝
★★★★★
ส่วนที่ชอบที่สุดคือ End-to-End Project ใน Rizz D-Sci ได้ทำโปรเจกต์ของตัวเองตั้งแต่ Clean data ไปจนถึงเทรนโมเดล เอาไปใส่ Portfolio ตอนสมัครฝึกงานได้เลยครับ
TW
Tee W.
นักศึกษาปริญญาโท
❝
★★★★★
ไม่คิดว่าคอร์สแถมอย่าง Soft Skills จะใช้ได้จริงขนาดนี้ ช่วยเรื่องการเล่า Insight ให้หัวหน้าฟังได้เยอะมาก เดี๋ยวนี้เข้าประชุมแล้วสรุปประเด็นได้ตรงขึ้นเยอะเลยค่ะ
FN
Fah N.
Marketing Executive
❝
★★★★★
เขียนโค้ดเป็นอยู่แล้วแต่สถิติอ่อนมาก พาร์ทสถิติกับคณิตพื้นฐานอธิบายเข้าใจง่ายสุดๆ แถมเป็น Text-based ติดตรงไหนก็เปิดทวนได้ทันที ไม่ต้องมานั่งกรอวิดีโอหา
JP
Jay P.
Software Engineer ที่สนใจงาน Data
ได้อะไรบ้างในชุดนี้ ?
- Fastlane Data Analytics ครบ — ปูพื้นฐาน Excel/SQL/Python เบื้องต้น, EDA, Data Visualization, Storytelling
- Rizz D-Sci ครบ — สถิติและคณิตพื้นฐาน, Python + SQL Toolkit, Data Cleaning & EDA, Machine Learning เต็มระบบ (Supervised + Unsupervised), Data Visualization & Storytelling, End-to-End Data Science Project
- Soft Skills สำหรับ Data Analyst แถมฟรี — Communication, Critical Thinking, Storytelling, Empathy, Teamwork, Prioritization, Ownership
- Certificate ครบทุกคอร์ส เมื่อเรียนจบแต่ละคอร์ส
- เรียนได้ ตลอดชีพ ทั้ง 3 คอร์ส พร้อมสิทธิ์เข้า Discord community
ทำไมถึงคุ้ม ?
- ซื้อแยกทีละคอร์ส: Fastlane (฿999) + Rizz D-Sci (฿1,999) + Soft Skills (฿299) = ฿3,297
- ซื้อเป็น Bundle จ่ายแค่ ฿2,690 — ประหยัดไป ฿607 (ลดไปประมาณ 18% แบบที่ไม่ต้องรอส่วนลด)
- ยังได้ Soft Skills สำหรับ Data Analyst แถมฟรีทั้งคอร์ส ไม่ต้องจ่ายเพิ่มอีก
- ลงทะเบียนครั้งเดียว ไม่ต้องสลับไปมาซื้อทีละคอร์ส
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 — ผมได้จัดชุดนี้ขึ้นมาให้เป็นเส้นทางต่อยอดที่ลงตัวที่สุด สำหรับคนที่อยากได้ความรู้ที่จะไปให้ไกลกว่าแค่เรื่อง Data Analytics พื้นฐาน
ราคา ฿2,690 — ตลอดชีพ ครบทั้ง 3 คอร์ส
🔥 เนื้อหาที่เรียนใน Bundle นี้
🔥 คอร์ส Fastlane Data Analytics
-
บทที่ 1 – พื้นฐานของ Data Analytics
-
บทที่ 2 – ประเภทของข้อมูลและวิธีการเก็บข้อมูล
- ประเภทของข้อมูล
- แหล่งที่มาของข้อมูล (Databases, APIs, Web Scraping, Excel)
- การทำความสะอาดข้อมูลเบื้องต้น (Data Cleaning)
-
บทที่ 3 – เครื่องมือพื้นฐานที่ใช้ใน Data Analytics
- Excel และ Google Sheets สำหรับการวิเคราะห์ข้อมูล
- SQL เบื้องต้นสำหรับดึงข้อมูลจากฐานข้อมูล
- Python และ Pandas สำหรับการจัดการข้อมูล
-
บทที่ 4 – การทำความสะอาดและเตรียมข้อมูล (Data Cleaning & Preparation)
- เทคนิคการจัดการค่าที่หายไป (Missing Values)
- การจัดการข้อมูลที่ผิดพลาดหรือไม่สมเหตุสมผล
- การปรับโครงสร้างข้อมูลให้เหมาะสมสำหรับการวิเคราะห์
-
บทที่ 5 – การวิเคราะห์ข้อมูลเบื้องต้น (Exploratory Data Analysis – EDA)
- การสรุปข้อมูลด้วยสถิติเบื้องต้น (Mean, Median, Mode, Standard Deviation)
- การทำ Visualization Tools ด้วย Matplotlib, Seaborn
- การหาความสัมพันธ์ระหว่างตัวแปร (Correlation)
-
บทที่ 6 – การวิเคราะห์ข้อมูลแบบ Advance
- การทดสอบสมมติฐาน (Hypothesis Testing)
- การวิเคราะห์แนวโน้มและรูปแบบของข้อมูล (Trend & Pattern Analysis)
- การใช้ Machine Learning เบื้องต้นสำหรับ Data Analytics
-
บทที่ 7 – การนำเสนอข้อมูล (Data Visualization)
- หลักการออกแบบ Visualization ที่ดี
- การใช้ Dashboard Tools เช่น Power BI หรือ Tableau
- การเล่าเรื่องด้วยข้อมูล (Storytelling with Data)
-
บทที่ 8 – การทำงานกับข้อมูลจริง (Case Study & Real-World Data)
- การวิเคราะห์ข้อมูลจากธุรกิจจริง (Retail, Marketing, Finance)
- วิธีการทำ Data Pipeline เบื้องต้น
- การเตรียมข้อมูลสำหรับนำไปใช้ใน Business Intelligence
-
บทที่ 9 – การทำ Data-Driven Decision Making
- วิธีการใช้ข้อมูลเพื่อช่วยในการตัดสินใจ
- การวิเคราะห์ A/B Testing
- การใช้ Key Performance Indicators (KPIs)
-
บทที่ 10 – เตรียมตัวเป็น Data Analyst
- ทักษะเพิ่มเติมที่ควรเรียนรู้ (SQL ขั้นสูง, Python for Data Science)
- การสร้าง Portfolio และ Resume สำหรับ Data Analyst
- แหล่งเรียนรู้เพิ่มเติมและแนวทางอาชีพในอนาคต
-
บทที่ 11 – เครื่องมือขั้นสูงสำหรับ Data Analyst
- Excel/Google Sheets ขั้นสูง (Pivot Table, XLOOKUP, Array Formula)
- SQL ขั้นสูง (JOIN หลายตาราง, Window Functions, CTE)
- Data Storytelling เชิงลึก (นำเสนอต่อผู้บริหาร)
-
บทที่ 12 – สถิติและจริยธรรมข้อมูลสำหรับ Data Analyst
- Regression เบื้องต้นและ Confidence Interval
- จริยธรรมในการวิเคราะห์ข้อมูล (Bias, Fairness)
- PDPA และความเป็นส่วนตัวของข้อมูลเบื้องต้น
-
บทที่ 13 – เตรียมสัมภาษณ์งาน Data Analyst
- คำถามสัมภาษณ์เทคนิค SQL/Excel/Python ที่เจอบ่อย
- Case Interview และ Take-home Assignment มือใหม่ต้องรู้
- รีวิว Portfolio และซ้อมสัมภาษณ์ (Mock Interview)
-
บทที่ 14 – Capstone Project จบคอร์ส
- โจทย์ Capstone Project และวางแผนงาน
- ลงมือทำ Capstone: Clean → Analyze → Visualize
- สรุปคอร์สทั้งหมด + ปิดคอร์ส
🔥 คอร์ส Rizz D-Sci
-
ก่อนจะเริ่ม ขอลีลาแป้ปนึง ~
-
Data Science คืออะไร และทำไมมันถึงสำคัญ
- กระบวนการทำงานจริงๆ เป็นยังไง
- ตั้ง Roadmap การเรียนของตัวเอง
-
ข้อมูลคืออะไร — เข้าใจ Data ก่อนวิเคราะห์
- ประเภทของข้อมูล (Structured / Unstructured)
- Data Types ที่ต้องรู้
- ข้อมูลมาจากไหน
- คุณภาพของข้อมูล
- Metadata คืออะไร
- PDPA, Bias และ AI Governance — ใช้ข้อมูลยังไงไม่ให้พัง
-
คณิตและสถิติพื้นฐานที่จำเป็น
- Mean, Median, Mode
- Variance & Standard Deviation
- Probability เบื้องต้น
- Distribution และ Normal Curve
- Correlation vs Causation
-
สถิติเชิงอนุมานและ A/B Testing — พิสูจน์ให้ได้ว่าไม่ได้ฟลุค
- Sampling และ Confidence Interval
- Hypothesis Testing และ p-value แบบไม่งง
- ออกแบบ A/B Test และคำนวณ Sample Size
- กับดักยอดฮิตของ A/B Test (Peeking, Multiple Testing)
- Causal Inference เบื้องต้น — เมื่อทดลองไม่ได้
-
Python สำหรับ Data Science
- ทำไมถึงใช้ Python
- Python พื้นฐาน (Variables, Loops, Functions)
- NumPy คืออะไร
- Pandas — หัวใจของ Data Analysis
- Jupyter Notebook คือบ้านของ Data Scientist
- Polars และ uv — เครื่องมือ Python ยุคใหม่
-
Data Cleaning — งานที่ใช้เวลา 80% ของชีวิต
- ปัญหาที่พบบ่อยใน Raw Data
- จัดการ Missing Values
- Outlier Detection
- Data Transformation
- Data Cleaning Pipeline
-
Exploratory Data Analysis (EDA)
- EDA คืออะไร ทำทำไม
- Univariate Analysis
- Bivariate & Multivariate
- Visualization ด้วย Matplotlib & Seaborn
- สรุป Insight จาก EDA
-
SQL สำหรับ Data Scientist
- Database คืออะไร
- SELECT, WHERE, GROUP BY
- JOIN ทุกแบบ
- Subquery & CTE
- Window Functions — อาวุธลับของ Data Scientist
- SQL + Python ใช้ด้วยกันยังไง
- DuckDB — รัน SQL บนไฟล์ได้เลยไม่ต้องมี Server
-
Machine Learning คืออะไร — เข้าใจแบบไม่ต้องใช้สูตร
- ML คืออะไร Supervised vs Unsupervised
- Training / Validation / Test Set
- Overfitting vs Underfitting
- Feature Engineering
- เลือก Model ยังไงให้ถูก
- Neural Network และ Deep Learning — เข้าใจ Concept ก่อนเจอ LLM
-
Supervised Learning — ทำนาย ทำนาย ทำนาย
- Linear Regression
- Logistic Regression
- Decision Tree & Random Forest
- Evaluation Metrics (Accuracy, F1, RMSE)
- Cross Validation
-
ML ที่ใช้ทำงานจริง — จากโมเดลในตำราสู่โมเดลที่รอด
- Gradient Boosting (XGBoost / LightGBM)
- Hyperparameter Tuning
- Imbalanced Data และการเลือก Threshold
- Data Leakage — ความผิดพลาดที่แพงที่สุด
- อธิบายโมเดลด้วย SHAP
-
Unsupervised Learning — หาโครงสร้างในข้อมูล
- Clustering คืออะไร
- K-Means Clustering
- Hierarchical Clustering
- PCA — ลด Dimension ให้เข้าใจง่าย
- ใช้ Clustering กับ Business Problem จริง
-
Time Series และ Forecasting — ทำนายอนาคตจากอดีต
- องค์ประกอบของ Time Series (Trend, Seasonality, Noise)
- Baseline Model ที่ต้องชนะให้ได้
- Forecast ด้วย ML และ Feature จากเวลา
- Backtesting — วัดผล Forecast ให้ถูกวิธี
- Case: พยากรณ์ยอดขายร้านค้าปลีก
-
GenAI และ LLM สำหรับ Data Scientist
- LLM ทำงานยังไง (Token, Embedding, Context)
- Prompt และ Structured Output
- Embeddings กับ Semantic Search และ Text Clustering
- RAG — ให้ LLM ตอบจากข้อมูลของเรา
- LLM Evaluation — วัดผลงาน AI ยังไงให้เชื่อได้
-
ทำงานคู่กับ AI Agent
- ใช้ AI Coding Assistant ใน Workflow ของ Data Scientist
- Text-to-SQL และวิธีตรวจงานที่ AI ทำ
- Agentic Analytics — ให้ Agent วิเคราะห์ข้อมูลแทนเรา
- เมื่อไหร่ใช้ LLM เมื่อไหร่ใช้ Classical ML
- ทักษะที่ AI ยังแทนไม่ได้
-
Data Visualization และ Storytelling
- Principles ของ Good Visualization
- Chart ไหนใช้เมื่อไหร่
- Dashboard Design
- Storytelling with Data
- Present Insight ให้คน Non-Tech เข้าใจ
-
จาก Notebook สู่ Production
- Git และโครงสร้างโปรเจกต์
- Reproducible Pipeline — รันซ้ำได้ผลเดิม
- ทำ API หรือ Streamlit App ให้คนอื่นใช้โมเดลได้
- Monitoring และ Data Drift
- Experiment Tracking
-
End-to-End Data Science Project
- เลือก Problem & Dataset
- EDA + Data Cleaning
- Build & Evaluate Model
- Visualize & Communicate Results
- สร้าง Portfolio-Ready Project
- Capstone ทางเลือก — GenAI App หรือโมเดลที่ Deploy จริง
-
ก่อนจากกัน
- อ่านก่อนอย่าพึ่งไป ~
🔥 คอร์ส Soft-Skills For Data Analyst
-
Section 1: พื้นฐาน · ทักษะคนที่ DA ต้องมี
- Requirement Gathering – ถามให้ถูก ก่อนดึงข้อมูลแม้แต่แถวเดียว
- Critical Thinking – วิเคราะห์แบบนักคิด ไม่ใช่แค่ดูกราฟ (เดิม, โฟกัสการตั้งโจทย์และตั้งสมมติฐาน)
- Storytelling – เล่าเรื่องจากข้อมูลให้คนฟังแล้ว “อ๋อ!” (เดิม)
- สรุป Section 1 + แบบฝึกหัด
-
Section 2: ลงมือจริง · Soft Skills ในงานประจำวัน
- Empathy – เข้าใจคนอื่น ไม่ใช่แค่เข้าใจ Data
- Teamwork – ทำงานในทีม Data ให้ไหลลื่น (เดิม, โฟกัส handover, documentation และ code review)
- Communication – เขียนเคลียร์ ส่ง insight ให้เข้าเป้า (เดิม, โฟกัสการเขียน: BLUF, Slack, exec summary)
- Critical Thinking – ไม่ตกหลุมกับดักของข้อมูล (เดิม, โฟกัส bias, correlation ≠ causation, Simpson’s paradox)
- Managing Expectations – ตั้งความคาดหวัง และกล้าพูดว่า “ไม่” อย่างมืออาชีพ
- Feedback – รับคำติ ให้คำแนะนำ โดยไม่เสียความสัมพันธ์
- สรุป Section 2 + แบบฝึกหัด
-
Section 3: เติบโต · จาก DA ที่ทำงานเสร็จ สู่ DA ที่คนไว้ใจ
- Prioritization – ทำอะไรก่อนหลังให้เป็น
- Ownership – ทำงานแบบเป็นเจ้าของ ไม่ใช่แค่ทำให้เสร็จ
- Collaboration – ทำงานข้ามทีมกับ Stakeholder ให้ Insight ถูกใช้จริง (เดิม, โฟกัสการทำงานข้ามฝ่าย)
- Handling Pushback – เมื่อข้อมูลสวนทางกับความเชื่อของหัวหน้า
- Business Acumen – พูดภาษาธุรกิจ ให้ insight กลายเป็นการตัดสินใจ
- บทส่งท้าย – DA ที่เก่งเครื่องมือ ≠ DA ที่คนอยากทำงานด้วย
Leave a Reply