I-See-Econ 1. Know Theory = Consultant;
2. Know Methods = Data Scientist;
3. Know Theory + Methods = Poor Researcher

เริ่มเรียน Data Sci ควรอ่านหนังสือเล่มไหนดี ?- Admin แนะนำ Mastering Metrics ของ Pischke and Angrist ที่ผสมผสานทั้ง Busi...
26/08/2026

เริ่มเรียน Data Sci ควรอ่านหนังสือเล่มไหนดี ?
- Admin แนะนำ Mastering Metrics ของ Pischke and Angrist ที่ผสมผสานทั้ง Business domain และ Statistics (Econometrics)
- สลัดทิ้งภาพที่ DS ยึดติดกับ Tools แต่เข้าใจเนื้อหาอย่างแท้จริง
- มีตัวอย่างงานวิจัยในหนังสือเล่มนี้เพื่อแสดงให้เห็น Practical Usage ของสถิติในโลกความเป็นจริง
- เป็นหนังสือต่างประเทศ มีขายที่ Kinokuniya หรือสั่งผ่าน Amazon หรือยืมจากห้องสมุด
เพื่อนๆได้เรียนรู้อะไรจากหนังสือเล่มนี้บ้าง มาแชร์ให้แอดมินฟังหน่อยสิ

แม่: เรียนเศรษฐศาสตร์จบไปแล้วจะทำอะไรลูกลูก: ทุกอย่างที่ไม่ใช่เล่นหุ้นฮะ
26/08/2026

แม่: เรียนเศรษฐศาสตร์จบไปแล้วจะทำอะไรลูก
ลูก: ทุกอย่างที่ไม่ใช่เล่นหุ้นฮะ

สมมตินะครับสมมติ สมมติคุณครูเป็น DA แล้วไม่อยากเสียค่า token รอพบกับ Data Report สำหรับตลาดแรงงานไทย Vol. 1 ความรู้ทั่วไ...
25/08/2026

สมมตินะครับสมมติ สมมติคุณครูเป็น DA แล้วไม่อยากเสียค่า token

รอพบกับ Data Report สำหรับตลาดแรงงานไทย Vol. 1 ความรู้ทั่วไป เร็วๆนี้ สิทธิพิเศษสำหรับสมาชิกผู้ติดตามเพจเท่านั้น

หลังสัมภาษณ์งานเสร็จ มักได้ยินคำพูดไหนปิดท้ายChoice 1: เดี๋ยวทางเราติดต่อกลับไปChoice 2: เหมือนข้อ 1 แค่เขียนให้ดูเหมือน...
24/08/2026

หลังสัมภาษณ์งานเสร็จ มักได้ยินคำพูดไหนปิดท้าย
Choice 1: เดี๋ยวทางเราติดต่อกลับไป
Choice 2: เหมือนข้อ 1 แค่เขียนให้ดูเหมือนชีวิตมีตัวเลือก..
ด้านล่างนี้คือกราฟผีหลอก แต่กราฟจริงรออ่านสรุป Report ตลาดแรงงาานสาย Data Vol. 1 (ความรู้ทั่วไป) สิทธิพิเศษสำหรับผู้ติดตามเพจเท่านั้น เร็วๆนี้ อ่านก่อน เริ่มก่อน ได้เปรียบก่อน

Python 10 ปีพอทน ... Claude 10 ปี พอเลย คุณพรี่อยู่มิติคู่ขนานหรอคะ ใครที่กำลังรออ่าน Data Report กดติดตามเพจไว้ก่อน แอด...
24/08/2026

Python 10 ปีพอทน ... Claude 10 ปี พอเลย คุณพรี่อยู่มิติคู่ขนานหรอคะ

ใครที่กำลังรออ่าน Data Report กดติดตามเพจไว้ก่อน แอดจะรีบปั่นหลังจากโพสมีม เพื่อจะได้อ่าน Report ก่อนใคร

เปิดก่อนได้เปรียบ ... มาอ่าน Key Insights ตลาดสาย Data ทั้ง 5 ประเด็นสำคัญ (สิทธิพิเศษสำหรับผู้ติดตาม I-SEE-ECON เท่านั้...
23/08/2026

เปิดก่อนได้เปรียบ ... มาอ่าน Key Insights ตลาดสาย Data ทั้ง 5 ประเด็นสำคัญ (สิทธิพิเศษสำหรับผู้ติดตาม I-SEE-ECON เท่านั้น จะมีกิจกรรมร่วมสนุกเพื่อรับของขวัญสุดพิเศษ)

ตัวอย่าง Pie Charts ที่รวบรวมความเห็นจากสมาชิกในกลุ่ม Data แอดมินจะสกัด Insights สำคัญสำหรับสายงานนี้ให้อ่านกัน เพื่อจะได้เตรียมตัวให้พร้อมสำหรับสายงาน Data

ป.ล. Report ยังไม่ออกนะครับ เพราะ Report ตัวเต็มยาวมาก ประมาณ 10-12 หน้า ซึ่งยังเขียนไม่เสร็จ แต่รับรองคุ้มค่าแห่งการรอคอยแน่นอน

แอดมินได้รวบรวมข้อมูล Survey เกี่ยวกับสายงาน Data ในตลาดแรงงานไทย ประกอบไปด้วย Survey Questions 5 ข้อ1. ตลาดแรงงานสาย Da...
22/08/2026

แอดมินได้รวบรวมข้อมูล Survey เกี่ยวกับสายงาน Data ในตลาดแรงงานไทย ประกอบไปด้วย Survey Questions 5 ข้อ
1. ตลาดแรงงานสาย Data ควรอยู่ต่อ หรือ หนีไป
2. คนทำงานสาย Data จบจากคณะอะไรกัน
3. วิชาปราบเซียนสาย Data มีอะไรบ้าง
4. Tools ที่แนะนำให้ฝึกเพียงแค่ 1-2 Tools มีอะไรบ้าง
5. Business Domain ในสายงาน Data คืออะไร และ ฝึกยังไง
ข้างล่างคือตัวอย่างกราฟที่อยู่ใน Report ฉบับเต็ม ให้ทายสิว่ากราฟนี้กำลังสื่อถึงอะไร ไม่มีผิดถูก อยากเห็นจินตนาการบรรเจิดของ Data Community

เคยแปลกใจกันมั้ย ทำไมข้อมูลตลาดแรงงานสาย Data จึงเต็มไปด้วยความเห็นและการคาดเดา จะดีกว่ามั้ยถ้ามีคนรวบรวมผลการสำรวจที่ไม...
21/08/2026

เคยแปลกใจกันมั้ย ทำไมข้อมูลตลาดแรงงานสาย Data จึงเต็มไปด้วยความเห็นและการคาดเดา จะดีกว่ามั้ยถ้ามีคนรวบรวมผลการสำรวจที่ไม่ใช่แค่มาจากความเห็นใครคนใดคนหนึ่ง (admin ก็แค่ความเห็นเดียว จะไปบอกอะไรได้เกี่ยวกับตลาดสมัยนี้)

สำหรับผลงาน Debut ของเพจ ตัวเต็มจะปล่อยเร็วๆนี้ ใครอยากอ่าน เตรียมตัวกดติดตามเพจไว้ก่อน จะได้ไม่พลาดกิจกรรม

An illustrative justification of "equity premium puzzle"
20/08/2026

An illustrative justification of "equity premium puzzle"

ย้อนกลับไป 20 ปี ลงทุนหุ้นไม่มีขาดทุน

คำพูดนี้ไม่ผิด ถ้าคุณเชื่อว่า "คนที่ไปไหว้ต้นไม้นั้น ถูกหวยกันเยอะแยะ"

📌 ไปดูข้อมูลตลาดหุ้นทั่วโลกกัน
หุ้นญี่ปุ่น
29 ธันวาคม 1989 ดัชนี Nikkei 225 ปิดที่ 38,915.87 จุด สูงที่สุดในประวัติศาสตร์ ณ ตอนนั้น
ตุลาคม 2008 ดัชนีลงไปเหลือ 7,162 จุด ติดลบ 81% จากจุดสูงสุด
22 กุมภาพันธ์ 2024 ปิดเหนือจุดเดิมได้เป็นครั้งแรกที่ 39,098 จุด
ใช้เวลาทั้งหมด 34 ปี 2 เดือน
วันนี้ Nikkei อยู่แถว 65,326 จุด และเพิ่งทำจุดสูงสุดใหม่ที่ 72,831 จุด เมื่อเดือนมิถุนายนที่ผ่านมา

หุ้นไทย
ต้นปี 1994 SET Index ขึ้นไปแตะราว 1,753 จุด แล้วตอนต้มยำกุ้ง ลงไปทำจุดต่ำสุดที่ 205 จุด ในเดือนกันยายน 1998
กว่าจะกลับมาแตะระดับปี 1994 ได้อีกครั้ง คือ 24 มกราคม 2018 SET ทำจุดสูงสุดตลอดกาลที่ 1,838.96 จุด
วันนี้ SET อยู่ที่ 1,609 จุด

📌 อ่านช้า ๆ อีกรอบ
คนญี่ปุ่นที่ซื้อหุ้นวันสุดท้ายของปี 1989 ตอนตัวเองอายุ 35 ปี เขาจะหลุดดอยตอนอายุ 69 ปี
คนที่ซื้อหุ้นไทยต้นปี 1994 รอ 24 ปี พอร์ตถึงจะเขียว
คนที่ซื้อหุ้นไทยตอน 2018 อาจจะเพราะเชื่อมั่นใจลุงตู่ ถึงวันนี้ยังไม่หลุดดอย
ทั้งสามกรณีนี้มันคือ "ตลาดหุ้น" เหมือนกันหมด
แล้วประโยค "ย้อนไป 20 ปีไม่มีขาดทุน" มันหายไปไหน

📌 Survivorship Bias
ทุกงวดหวยออก เราจะเห็นข่าวคนถูกรางวัลที่ 1 ยืนถือป้ายยิ้มแก้มปริซึ่งผมก็อยากเป็นคนนั้น บางคนได้เลขจากต้นไม้หน้าวัด บางคนได้จากทะเบียนรถที่เพิ่งชน บางคนฝันเห็นงูตัวใหญ่
สิ่งที่เราไม่เคยเห็นเลยคือคนอีกหลายแสนหลายล้านที่ไปไหว้ต้นไม้ต้นเดียวกัน ฝันเห็นงูตัวเดียวกัน แต่ถูกแดก
เพราะไม่มีนักข่าวคนไหนไปสัมภาษณ์คนที่ไม่ถูกหวย
พอเห็นแต่ฝั่งเดียวนาน ๆ เข้า สมองเราก็สรุปเองว่า "ไหว้ต้นไม้แล้วถูกหวย" ทั้งที่ข้อมูลจริงบอกตรงกันข้ามอย่างสิ้นเชิง

📌 แก่นของ Survivorship Bias
การที่วิธีหนึ่งมันใช้ได้กับผู้ชนะ ไม่ได้แปลว่าวิธีนั้นทำให้เราเป็นผู้ชนะ
เราเห็นแค่ตัวเศษ แต่ไม่เคยเห็นตัวส่วน

📌 สิ่งนั้นมันซ่อนอยู่ในพอร์ตเรา
ตลาดหุ้นต่างจากหวยตรงที่มันมีทักษะเข้ามาเกี่ยวข้อง แต่กลไกผู้ชนะที่หลอกสมองเรามันก็มีเหมือนเดิม ตั้งแต่ภาพเล็ก ๆ ไปจนถึงภาพใหญ่ของโลกการลงทุน

หุ้นรายตัว
คนที่โพสต์ในกลุ่ม ### ว่าซื้อหุ้นตัวนั้นมัน +300% มีให้เห็นทุกวัน คนที่ถือตัวที่เจ๊งเต็มพอร์ตไม่ยอม cut loss แล้วเงียบหายไปไม่มีใครเห็น
หุ้นที่ถูกเพิกถอนออกจากตลาด พอออกไปแล้วมันก็หายจากสถิติทั้งหมด ดัชนีไม่นับมันอีก และคนรุ่นถัดไปก็ไม่เคยรู้ว่ามันเคยมีอยู่

ดัชนี
ทั้ง SET50 และ S&P 500 คัดตัวที่แย่ออกทุกรอบ rebalance แล้วเอาตัวที่ดีกว่าเข้ามาแทน
พูดอีกแบบคือ ดัชนีคือผู้ชนะโดยการออกแบบ มันไม่ใช่ภาพของ "ตลาด" แต่เป็นภาพของ "ผู้นำที่ยังรอดอยู่ในตลาด"
เวลาเห็นกราฟดัชนีขึ้นตลอด 20 ปี มันคือกราฟหลังจากคัดคนแพ้ออกไปแล้ว

กองทุน
กองทุนที่ผลงานแย่จนไม่มีใครซื้อจะถูกปิด หรือถูกควบรวมเข้ากับกองอื่น
เวลาเราเห็นสถิติ "ผลตอบแทนเฉลี่ยของกองทุนหมวดนี้ย้อนหลัง 10 ปี" แล้วกองที่ปิดไปแล้วอยู่ในค่าเฉลี่ยนี้ด้วยหรือเปล่า ซึ่งถ้าเขาไม่วัดกองที่ปิดไปแล้วก็ไม่แปลก ก็มันวัดไม่ได้แล้ว
แต่มันก็ทำให้ผลตอบแทนสูงเกินจริงแบบเป็นระบบ ไม่ใช่ความบังเอิญ

ประเทศ
ปี 1917 ตลาดหุ้นเซนต์ปีเตอร์สเบิร์กถูกปิดตัวลง นักลงทุนในตลาดหุ้นรัสเซียเสียหายแบบ 100%
ปี 1949 ตลาดหุ้นในประเทศจีน (โดยเฉพาะตลาดหลักทรัพย์เซี่ยงไฮ้) ต้องปิดตัวลงอย่างถาวร นักลงทุนในตลาดหุ้นจีนเสียหาย 100%
ไม่ใช่ขาดทุนหนัก -99% แต่คือหายไปทั้งตลาด หายแบบมีล้านหายล้าน ไม่มีทอนคืนสักบาท แล้วหลังจากนั้นทั้งสองตลาดก็หายจากฐานข้อมูลผลตอบแทนระยะยาวของโลกไปเลย
สถิติ "หุ้นทั่วโลกให้ผลตอบแทนเฉลี่ยปีละกี่เปอร์เซ็นต์" ที่เราอ้างกันอยู่ทุกวันนี้ ส่วนใหญ่นับเฉพาะตลาดที่ยังไม่ตาย

📌 ตัวเลขที่จะทำให้หลายคนหยุดคิด
งานวิจัยของ Hendrik Bessembinder ปี 2018 ศึกษาหุ้นสหรัฐกว่า 25,000 ตัว ตั้งแต่ปี 1926 ถึง 2016 พบว่า
หุ้น 58% ให้ผลตอบแทนตลอดอายุของมัน แพ้พันธบัตรระยะสั้น
และมีหุ้นเพียงราว 4% เท่านั้น ที่สร้างความมั่งคั่งสุทธิทั้งหมดของตลาดหุ้นสหรัฐ
แปลว่าถ้าสุ่มหยิบหุ้นสหรัฐมาหนึ่งตัว โอกาสที่มันจะแพ้ตราสารหนี้ระยะสั้นสูงกว่าครึ่ง
แต่ภาพรวมดัชนียังดี เพราะผู้ชนะกลุ่มเล็ก ๆ ลากทั้งกระดานขึ้นไป
ประโยค "ตลาดหุ้นระยะยาวยังไงก็ขึ้น" กับ "หุ้นที่ถืออยู่ระยะยาวยังไงก็ขึ้น" จึงเป็นคนละเรื่องกันโดยสิ้นเชิง

📌 ในทางกลับกัน
ถ้าอ่านมาถึงตรงนี้แล้วรู้สึกว่าไม่น่าลงทุนเลย นั่นก็เป็นการสรุปที่ผิดพลาดพอ ๆ กัน
มันมีเหตุผลสนับสนุนให้เราลงทุนอยู่
หนึ่ง ตลาดที่รอดไม่ได้รอดเพราะโชค มันมีเหตุผลเชิงโครงสร้างรองรับ ทั้งหลักนิติธรรม การคุ้มครองผู้ถือหุ้นรายย่อย ความลึกของตลาดทุน และความสามารถในการดึงบริษัทใหม่เข้ามา การมองว่าทุกอย่างเป็นการสุ่มล้วน ๆ ก็เป็นการอ่านข้อมูลผิดอีกแบบ
สอง "ซื้อครั้งเดียวที่ยอด" กับ "ทยอยซื้อตลอดทาง" ให้ผลลัพธ์ต่างกัน
ตัวเลข 34 ปีของญี่ปุ่นที่เราพูดกันข้างบน คือกรณีของคนที่เอาเงินก้อนเดียวใส่ที่จุดสูงสุดพอดีแล้วไม่ทำอะไรอีกเลย ซึ่งเป็นเคสที่เลวร้ายที่สุดเท่าที่จะเป็นไปได้
คนที่ทยอยซื้อสม่ำเสมอตลอดทางลงนั้น ได้ต้นทุนเฉลี่ยต่ำกว่ามาก และกลับมากำไรก่อนปี 2024 หลายปี
สาม ตลาดที่ถูกทิ้งจนราคาถูกกว่ามูลค่า
อาจให้ผลตอบแทนในอนาคตดีกว่าตลาดที่ทุกคนกำลังแย่งกันซื้อ ซึ่งเป็นสิ่งที่เกิดขึ้นกับญี่ปุ่นจริง ๆ
แต่
DCA ได้ผลก็ต่อเมื่อตลาด "ฟื้นในที่สุด" ถ้ามันไม่ฟื้นเลย การทยอยซื้อคือการขุดดินฝังกลบตัวเอง และปัญหาคือเราไม่มีทางรู้ล่วงหน้าว่าราคาจะขยับไปไหน
34 ปีที่ดอย เท่ากับชีวิตการทำงานทั้งชีวิตของคนหนึ่งคน การที่สถิติบอกว่า "สุดท้ายก็กลับมา" ไม่ได้แปลว่าใช้ได้กับตารางชีวิตจริงของเรา
และราคาถูกก็อาจถูกเพราะมันสมควรถูก ไม่ใช่ทุกตลาดที่ราคาถูกจะเด้งกลับ
ที่ตลกร้ายที่สุดคือตอนนี้ญี่ปุ่นทำจุดสูงสุดใหม่ คนก็เริ่มพูดกันว่า "ถือยาวไงก็ชนะ"
นั่นแหละครับ Survivorship Bias รอบใหม่ ที่กำลังเกิดขึ้นต่อหน้าเราเดี๋ยวนี้

📌 แล้วถ้ามันเกิดกับเรา เราจะทำยังไง

แยกให้ออกระหว่าง "ราคาร่วง" กับ "ราคาดิ่งเชิงโครงสร้าง"
สองอย่างนี้หน้าตาเหมือนกันบนกราฟแต่ต่างกัน ให้ดูที่

กำไรของบริษัทจดทะเบียนโดยรวม โตหรือหด

จำนวนบริษัทเข้าใหม่ เทียบกับบริษัทที่ออกจากตลาด

มูลค่าตลาดรวมเทียบกับ GDP ของประเทศ

สภาพคล่องและมูลค่าการซื้อขายต่อวัน
ถ้าราคาลงแต่กำไรยังโต นั่นคือของถูกลง แต่ถ้าราคาลงเพราะกำไรหดและบริษัทดี ๆ ทยอยออกจากตลาด นั่นคือหายนะ

กระจายข้ามประเทศ ไม่ใช่แค่กระจายข้ามหุ้น
การถือหุ้นไทย 30 ตัวไม่ได้ช่วยอะไรเลยถ้าปัญหาอยู่ที่ระดับประเทศ
Home bias มันทำให้ผลตอบแทนของเราผูกอยู่กับชะตากรรมของตลาดเดียว

ตั้งกฎออกไว้ก่อนซื้อ ไม่ใช่ตอนติดดอยแล้วค่อยคิด
สมองตอนขาดทุน 40% กับสมองตอนยังไม่ได้ซื้อ เป็นสมองคนละโหมดกัน กฎที่เขียนไว้ตอนใจเย็นคือสิ่งเดียวที่ช่วยเราได้ตอนใจร้อนรน

Rebalance อย่างมีวินัย
มันคือกลไกที่บังคับให้เราขายผู้ชนะและซื้อผู้แพ้โดยไม่ต้องใช้อารมณ์

เวลาเห็นสถิติหรือความสำเร็จของใคร ให้ถามหนึ่งคำถามเสมอ
สนามที่เขาลงเล่นมีผู้แพ้ไปกี่คน
ใช้ได้ทั้งตอนดูผลตอบแทนย้อนหลังของกองทุน ตอนดูพอร์ตที่คนเอามาโชว์ และตอนฟังคนที่มาแนะนำเรา

📌 สรุป
ตลาดหุ้นระยะยาวขึ้นจริง แต่คำว่า "ระยะยาว" ของสถิติ กับ "ระยะยาว" ของชีวิตเรา อาจไม่ใช่ตัวเลขเดียวกัน
และสิ่งที่อันตรายที่สุดไม่ใช่ข้อมูลที่ผิด แต่คือข้อมูลที่ถูกต้องทุกตัว เพียงแต่มันเล่าให้ฟังแค่ครึ่งเดียว
ลองเปลี่ยนคำถามจาก "ย้อนหลัง 10 ปีได้เท่าไร" เป็น "ข้อมูลชุดนี้ใครหายไปบ้าง"
แค่เปลี่ยนคำถาม ภาพที่เห็นก็เปลี่ยนไปทั้งหมด

@ปอน

เพิ่งคิดได้เหมือนกันมอง ขนาดเรามองเป็นทั้งตลาด มันก็แอบตัดผู้แพ้ไปแล้วในตัว เลยมาเขียนเรื่อง Survivorship Bias ครับ

ส่วนงานวิจัย เอา ด๊อย ไป doi.org/10.1016/j.jfineco.2018.06.004

ียณก่อนกำหนด #จัดพอร์ตการลงทุน #การเงินการลงทุน

(ถ้าอยากได้ data tip สั้นๆ แนวบ่นสไตล์แอดมิน ก็ติดตามได้เลยครับ แอดจะหยิบประเด็นที่ถกเถียงในกลุ่ม Data มาเขียนในมุมแอดมิ...
20/08/2026

(ถ้าอยากได้ data tip สั้นๆ แนวบ่นสไตล์แอดมิน ก็ติดตามได้เลยครับ แอดจะหยิบประเด็นที่ถกเถียงในกลุ่ม Data มาเขียนในมุมแอดมินเรื่อยๆ)

คำถาม 1: ถ้าเข้าใจตำแหน่ง Manager สามารถก้าวข้ามจาก DA เป็นตำแหน่ง Manager ได้ไหม?
คำถาม 2: ถ้าอ่านหนังสือ How to Ride a Bicycle สัก 10 เล่ม สามารถเป็น ขี่จักรยานได้คล่องเลยไหม?

สัญชาตญาณแรกของคนเมื่อเห็นคำถามแรก มักจะตอบว่า "ได้" เช่น ถ้าเข้าใจงาน manager แล้ว จะมัวเป็น DA ให้เสียเวลาทำไมทั้งๆที่ qualified แล้วแท้ๆ แต่เมื่อเห็นคำถามที่สอง มักจะตอบว่า "ไม่ได้" เพราะ การอ่านหนังสือกับการขี่จักรยานไม่เหมือนกัน แต่ถ้าอ่านคำถามอีกรอบ สังเกตไหมว่าสองคำถามนี้ ใจความหลักเหมือนกัน คือ ถ้าคุณเป็น "Spectator" หรือ คนเชียร์ข้างสนามฟุตบอลสัก 10 100 หรือ 1000 แมทซ์ แล้ว คุณสามารถเป็นนักเตะในสนาม (practitioner / researcher) ได้หรือไม่

สิ่งที่แอดอยากจะบอกคือ ไม่มีคอร์สออนไลน์ หรือ bootcamp ไหนที่จะเปลี่ยนคนๆนึงจากไม่เป็นอะไรเลย (พื้นฐานคือศูนย์) จนไปเป็น DA Expert หรือระดับ Manager ได้หรอก แอดมินพูดถึงสกิลอย่างเดียวนะ ไม่นับ signaling effect เช่น ต้องมีผลงานถึงจะเลื่อนขั้นได้ เพราะ ธรรมชาติของการสอน คือ เราจะนำนักเรียนจากจุด A (ไม่รู้ syntax SQL) ไปจุด B (สามารถทำ SQL syntax for data query) ได้ยังไง แต่ในโลกความเป็นจริง ไม่มีเจ้านาย หรือ team leader บอกว่า ต้องไปจุด B นะ เหมือน jungle ที่ต้องหาทางคลำเอาเอง บางครั้งเจ้านายก็ไม่รู้ว่าที่ไปนั่นถูกไหม ก็ต้องใช้ domain knowledge หรือ experience คอยไกด์กันไป

อ่าว แล้วคอร์สออนไลน์ หรือ bootcamp นี่ไร้ประโยชน์เลยหรือป่าว คำตอบคือมีประโยชน์ ถ้าใช้ให้เป็น และ ตั้งความหวังอย่างถูกต้อง เช่น คุณเป็นนักวิจัยเชิงสถิติที่ทำแต่ applied research โดยใช้ stata แต่เวลาสมัครงานต้องใช้ python การเรียน bootcamp นี่ก็จะช่วยปิดจุดอ่อนตรงสกิลนี้ได้ หรือ ตอนเรียน economics คุณเรียนแต่ econometrics / causal inference แล้วคุณเรียนคอร์สออนไลน์ที่สอนพวก ML พื้นฐาน เวลาเจอคนต่าง background ก็จะสื่อสารง่ายขึ้น แต่คุณจะเป็น ML expert เดี๋ยวนั้นเลยมั้ย ก็ไม่

สรุป ไม่แนะนำให้ตั้งแง่ว่า online courses ไร้ประโยชน์เลย หรือ คาดหวังกับ bootcamp แบบสูงปรี๊ด แต่อยากให้มองแบบ case-by-case มากกว่า

ที่อยู่

Bangkok

เวลาทำการ

จันทร์ 09:00 - 16:00
อังคาร 09:00 - 16:00
พุธ 09:00 - 16:00
พฤหัสบดี 09:00 - 16:00
ศุกร์ 09:00 - 16:00

เว็บไซต์

แจ้งเตือน

รับทราบข่าวสารและโปรโมชั่นของ I-See-Econผ่านทางอีเมล์ของคุณ เราจะเก็บข้อมูลของคุณเป็นความลับ คุณสามารถกดยกเลิกการติดตามได้ตลอดเวลา

ติดต่อ ธุรกิจของเรา

ส่งข้อความของคุณถึง I-See-Econ:

ทางลัด

แชร์