🚗 แค่อยากได้รถ… แต่กลัวไม่ปลอดภัย
โปรเจกต์นี้เริ่มจากคำถามง่าย ๆ ของนักศึกษา AI คนหนึ่ง
💭 จุดเริ่มต้น — ความคิดที่ทุกคนเคยมี
ปีที่แล้วฉันเริ่มคิดว่าอยากมีรถส่วนตัวสักคัน
แต่พอคิดจริง ๆ คำถามแรกที่ผุดขึ้นมาในหัวไม่ใช่ “สีอะไรดี” หรือ “ราคาเท่าไหร่” —
“แล้วรถแบบไหน… ปลอดภัยกว่ากัน?”
ก็เลยเริ่มค้นหา แต่ยิ่งค้นหายิ่งเจอแต่ตัวเลขกระจัดกระจาย ไม่มีใครตอบตรง ๆ ว่า ในประเทศไทย อุบัติเหตุส่วนใหญ่เกิดจากรถอะไร?
🔍 คำถามที่ทำให้ต้องหาคำตอบ
| คำถาม | สิ่งที่อยากรู้ |
|---|---|
| รถจักรยานยนต์เสี่ยงกว่ารถยนต์จริงไหม? | พาหนะไหนอันตรายที่สุดในข้อมูลจริง |
| ช่วงเวลาไหนที่ควรระวังเป็นพิเศษ? | ชั่วโมงและเดือนที่อุบัติเหตุพุ่งสูง |
| ใครเสี่ยงมากที่สุด? | เพศ อายุ ที่เกี่ยวข้องกับความเสี่ยง |
แล้วก็นึกขึ้นมาได้ว่า — เรากำลังเรียน Data Analysis อยู่นี่หว่า ทำไมไม่ลองวิเคราะห์ข้อมูลเองล่ะ?
📊 จาก “อยากรู้” สู่ “วิเคราะห์เอง”
ข้อมูลที่ใช้
| รายละเอียด | ข้อมูล |
|---|---|
| แหล่งข้อมูล | data.go.th — ระบบบูรณาการข้อมูลการตายจากอุบัติเหตุทางถนน (3 ฐาน) |
| ช่วงเวลา | ปี 2564–2568 (5 ปี) |
| จำนวนผู้เสียชีวิต | 80,621 ราย |
| เครื่องมือ | Python · Claude AI · ChatGPT · Gemini |
5 สิ่งที่ข้อมูลบอก
| # | สิ่งที่ค้นพบ | ตัวเลข |
|---|---|---|
| 🔴 | มกราคมอันตรายที่สุด — ช่วงเทศกาลปีใหม่ | 1,634 ราย |
| 🔵 | ผู้ชายเสียชีวิต 3 เท่าของผู้หญิง | 76% ชาย |
| 🟡 | รถจักรยานยนต์ = ภัยอันดับ 1 (79% ของพาหนะทั้งหมด) | 38,254 ราย |
| 🟢 | ผู้สูงอายุ 65+ เสียชีวิตมากที่สุด | 12,280 ราย |
| 🟣 | 19:00 น. คือชั่วโมงมรณะ — แสงลด + เหนื่อย | สูงสุดทุกชั่วโมง |
คำตอบของคำถามเรื่องรถ? → ดูผลวิเคราะห์แบบละเอียดที่นี่
📚 แล้วฉันเรียนรู้ Data Analysis มายังไง?
ก่อนจะวิเคราะห์ข้อมูลจริงได้ ต้องเรียนก่อน นี่คือ 2 บทเรียนที่สำคัญที่สุดในหลักสูตร Data+
Lab ที่ 1 — รู้จักข้อมูลจากหลายตาราง (SQL)
ข้อมูลจริงไม่ได้อยู่ในตารางเดียว
Lab นี้สอนให้รู้จัก JOIN — วิธีเชื่อมตารางหลาย ๆ ตารางเข้าหากัน
ซึ่งเป็นทักษะที่ใช้จริงในการดึงข้อมูลอุบัติเหตุจากหลายฐานข้อมูลพร้อมกัน
→ Lab 9.1.12: Implement Queries and Join Types
Module 9 — Database Queries · คะแนน ✅ 9/9
Lab ที่ 2 — เล่าเรื่องด้วยภาพ (Visualization)
ตัวเลข 80,621 ราย บอกอะไรได้น้อยมาก
แต่พอแสดงเป็น กราฟ spike ที่เดือนมกราคม — ทุกคนเข้าใจทันที
Lab นี้สอนว่าจะเลือก Chart แบบไหน และทำให้ Visual “พูด” แทนข้อมูลได้อย่างไร
→ Lab 14.1.16: Build Visuals to Make an Impact
Module 14 — Data Visualization · คะแนน ✅ 7/7
👩💻 เกี่ยวกับฉัน
| ชื่อ | Apasita Pasukree (Nurse) |
| มหาวิทยาลัย | มหาวิทยาลัยหัวเฉียวเฉลิมพระเกียรติ |
| สาขา | ปัญญาประดิษฐ์ (Artificial Intelligence) |
| สนใจ | Data Analysis · Machine Learning · SQL · Visualization |
This site is part of a Data+ course assignment · Huachiew Chalermprakiet University