ONSITE WORKSHOP · CLINICAL & HEALTH RESEARCH

งานวิจัยของคุณ
ไปได้ไกลขึ้นด้วย AI

ตั้งระบบ สร้าง Dashboard วิเคราะห์ข้อมูลด้วย
Machine Learning และ Deep Learning
จนถึงรายงานพร้อมนำเสนอ — ไม่ต้องเขียนโค้ดเอง

ใช้ R, Python และ Stata ผ่าน AI Agent
เลือกเครื่องมือให้เหมาะกับงาน หรือใช้ร่วมกันใน workflow เดียว

28–29 พฤศจิกายน 2569 (2026) · 09:00–16:30 น.ภายในเมืองขอนแก่น

ลงทะเบียนอบรม ↗ดูแผนการเรียน ↓

เรียนในห้องอบรม 2 วัน · 12 ชั่วโมง · ตั้งเป้าไม่เกิน 24 คน

ภาพประกอบการวิจัยทางคลินิก แสดงกลุ่มผู้เข้าร่วมวิจัยแบบไม่ระบุตัวตน แผนการศึกษา การติดตามผล และกราฟวิเคราะห์ข้อมูล — ภาพแนวคิด Clinical Research & AI · สร้างด้วย AI จากข้อมูลสมมติ

ออกแบบสำหรับนักศึกษาโท–เอกแพทย์พยาบาลอาจารย์และนักวิจัยสุขภาพ

BUILD YOUR RESEARCH ECOSYSTEM

เห็นผลงานตั้งแต่ช่วงแรก
แล้วค่อยเข้าใจเบื้องหลัง

เริ่มจากตั้งระบบ แล้วใช้ ChatGPT Work สร้าง Dashboard จากข้อมูลโรงพยาบาลจำลองทันที จากนั้นเรียนรู้การเตรียมข้อมูล ตรวจผล และต่อยอดสู่การหาปัจจัยสัมพันธ์กับการสร้างโมเดลทำนาย

หลักสูตรนี้ไม่ได้เน้นให้เลือกเรียนโปรแกรมวิเคราะห์ข้อมูลเพียงตัวเดียว แต่ฝึกใช้ R, Python และ Stata ผ่าน AI Agent ผู้เรียนบอกโจทย์ด้วยภาษาธรรมชาติ ให้ Agent ช่วยสร้างและแก้โค้ด เรียกใช้โปรแกรมที่ติดตั้งและตั้งค่าไว้ ตรวจผล และเรียบเรียงรายงาน เลือกเครื่องมือที่เหมาะกับงานแต่ละขั้น หรือใช้หลายตัวร่วมกัน พร้อมเก็บขั้นตอนเพื่อทำซ้ำและตรวจที่มาของตัวเลข

HIS / NHSO e-ClaimSecondary research dataAssociation & Prediction

R · PYTHON · STATA · AI AGENT WORKFLOW

คำนวณบนเครื่องของคุณ
ใช้ R, Python และ Stata ผ่าน AI Agent

ติดตั้งเครื่องมือไว้ใช้ต่อได้หลังเรียน
พร้อมโค้ดและขั้นตอนที่รันซ้ำได้

Rใช้ผ่าน AI Agent

Pythonใช้ผ่าน AI Agent

Stataใช้ผ่าน AI Agent

สามเครื่องมือ · เชื่อมการทำงานผ่าน AI Agent · เลือกให้เหมาะกับโจทย์ของคุณ

ที่มาโลโก้และเครื่องหมายการค้า

โลโก้ R © 2016 The R Foundation ใช้ตาม CC BY-SA 4.0 โดยไม่แก้ไขต้นฉบับ · ที่มา R · Python: Python Software Foundation · Stata: StataCorp โลโก้ใช้เพื่อระบุเครื่องมือที่เรียน ไม่ได้แสดงถึงการรับรองหรือสนับสนุนหลักสูตรจากเจ้าของเครื่องหมาย

เลือกเครื่องมือให้เหมาะกับงาน หรือใช้หลายตัวร่วมกันผ่าน AI Agent เพื่อเตรียมข้อมูล วิเคราะห์สถิติ และสร้างโมเดลด้วย R / Python / Stata บนเครื่อง local ไม่จำเป็นต้องอัปโหลดชุดข้อมูลดิบให้บริการ AI เพื่อคำนวณ

01 · AI ช่วยสร้างโค้ด
บอกโจทย์ด้วยภาษาธรรมชาติ
ใช้ชื่อและนิยามตัวแปร พร้อมข้อมูลจำลอง ให้ AI ช่วยเขียนหรือแก้สคริปต์สำหรับงานวิจัย
02 · เครื่องคุณคำนวณ
ใช้ R, Python หรือ Stata ตามงาน
อ่านข้อมูลจากโฟลเดอร์ที่กำหนด clean เชื่อมตาราง วิเคราะห์ และบันทึกผลบนเครื่อง เก็บโค้ดไว้ตรวจและรันซ้ำ
03 · AI ช่วยเรียบเรียง
ต่อยอดเป็นรายงาน
เลือกเฉพาะตารางหรือผลสรุปที่อนุญาตให้เปิดเผย ให้ AI ช่วยอธิบายและเรียบเรียงเป็นรายงานหรือ mock manuscript

Local computation กับการส่งข้อมูลให้ AI เป็นคนละส่วน

การคำนวณด้วย R, Python และ Stata ทำบนเครื่อง ส่วนบริการ AI ยังใช้อินเทอร์เน็ต ข้อความ โค้ด ผลสรุป หรือไฟล์ที่ AI อ่านอาจถูกส่งไปประมวลผลภายนอก จึงไม่ใช่การรับรองว่าไม่มีข้อมูลออกนอกเครื่องทุกกรณี ในคลาสจะฝึกกำหนดสิทธิ์เข้าถึงไฟล์ แยกข้อมูลดิบจากพื้นที่ที่ AI อ่านได้ และตรวจสิ่งที่จะส่งให้ AI โดยใช้ข้อมูลสังเคราะห์ตลอดการฝึก

TWO DAYS. ONE COMPLETE WORKFLOW.

เรียนอะไรบ้าง

09:00–16:30 น. · วันละ 6 ชั่วโมงเรียน
ใช้กรณีศึกษาเดียวต่อเนื่องทั้งสองวัน

DAY 01

สร้างผลงานแรก แล้วเรียนรู้วิธีคิด

09:00–10:30
Setup + สร้าง Dashboard ด้วย AI
ตั้งค่า AI Agent พร้อม R, Python และ Stata ตามสิทธิ์ใช้งานบนเครื่อง ทดสอบรันแบบ local แล้วสั่ง AI สร้าง Dashboard จากข้อมูลจำลอง พร้อมทดลองแก้หน้าตาด้วย prompt
10:45–12:15
จากข้อมูลบริการ สู่ข้อมูลวิจัย
HIS, e-Claim และข้อมูลโครงการเดิม: เชื่อมตาราง สร้าง cohort ตรวจคน/แถว วันที่ missing และ data leakage
13:15–14:45
Factors association & Machine Learning
แยกคำถามความสัมพันธ์กับการทำนาย เทียบ regression กับ gradient boosting และอ่าน feature importance
15:00–16:30
Deep Learning & Model validation
MLP สำหรับข้อมูลตาราง ฝึกเข้าใจ train/test, overfitting, AUC และ calibration ผ่านแม่แบบที่เตรียมไว้

DAY 02

ใช้ AI ทำงาน ตั้งแต่ข้อมูลถึงรายงาน

09:00–10:30
AI Workshop: Cohort & Association
ให้ AI สร้างโค้ดเตรียมข้อมูลและวิเคราะห์ แล้วใช้ R, Python หรือ Stata ตามงาน บนเครื่อง สร้าง Table 1 และผล crude/adjusted พร้อมตรวจ N/event และนิยามตัวแปร
10:45–12:15
AI Workshop: ML & Deep Learning
เปรียบเทียบ logistic baseline, boosting และ MLP บนแผนแบ่งข้อมูลเดียวกัน ตรวจผลกับเฉลย
13:15–14:45
Mock manuscript, citation & Documents
ร่างบทความแบบ IMRaD ตรวจแหล่งอ้างอิง แล้วสร้าง Word, PDF และ PowerPoint จากผลกลางชุดเดียวกัน
15:00–16:30
ต่อยอด Dashboard & HTML report
เติมผลวิเคราะห์ใน Dashboard ของวันแรก สร้างเว็บรายงาน ตรวจตัวเลขข้ามชิ้นงาน และนำระบบกลับไปใช้ต่อ

พัก 10:30–10:45 และ 14:45–15:00 · พักกลางวัน 12:15–13:15 · DL ในคลาสใช้ neural network ขนาดเล็กสำหรับข้อมูลตาราง

ONE ANALYSIS. MULTIPLE OUTPUTS.

กลับไปพร้อม 6 ชิ้นงาน

ใช้ข้อมูลและแม่แบบเดียวกัน
ปรับให้เหมาะกับผู้รับงานแต่ละกลุ่ม

DOCX

Word report

ตาราง กราฟ และคำอธิบายผลที่แก้ไขต่อได้

PPTX

PowerPoint

สไลด์สรุปโจทย์ วิธี ผล และข้อจำกัด

PDF

PDF report

รายงานสำหรับส่งต่อและนำเสนอ

HTML

Web report

เปิดอ่านรายงานผ่านเบราว์เซอร์

↗ DATA

Dashboard

กรองกลุ่มข้อมูล ดูกราฟ และผลวิเคราะห์

IMRaD

Mock manuscript

บทความฉบับฝึก พร้อม citation ที่ตรวจสอบแล้ว

ชิ้นงานใช้ข้อมูลฝึกสังเคราะห์ ไม่ใช่บทความพร้อมส่งวารสารหรือโมเดลที่ผ่านการรับรองใช้ทางคลินิก

ภาพประกอบกระบวนการวิจัยทางคลินิก ตั้งแต่ข้อมูลผู้เข้าร่วมวิจัยแบบไม่ระบุตัวตน การติดตามผล การวิเคราะห์สถิติ จนถึงรายงาน — ข้อมูลวิจัยทางคลินิก → ติดตามผล → วิเคราะห์ → รายงาน · ภาพแนวคิดสร้างด้วย AI จากข้อมูลสมมติ

MEET YOUR INSTRUCTORS

อาจารย์ผู้สอนหลัก

เชื่อมประสบการณ์งานข้อมูลสุขภาพ
การวิเคราะห์ และการเขียนรายงานวิจัย

Biostatistics & Clinical Research

Dr. Wilaiphorn Thinkhamrop

Doctor of Public Health · มหาวิทยาลัยขอนแก่น

มีประสบการณ์เป็นอาจารย์ด้านชีวสถิติ ระเบียบวิธีวิจัย และการจัดการข้อมูลระดับโท–เอก รวมถึงงานวิจัยทางคลินิกและการฝึกเขียนบทความ เชื่อมการวิเคราะห์กับการตีความและรายงานผลอย่างเหมาะสม

ประสบการณ์นักชีวสถิติและนักวิทยาศาสตร์ข้อมูลที่ศูนย์ DAMASAC คณะสาธารณสุขศาสตร์ มหาวิทยาลัยขอนแก่น
ร่วมงานวิจัย Thai Nurse Cohort, CASCAP, GeCiCCA และโครงการ CKD-PD
ความเชี่ยวชาญด้าน advanced biostatistics, predictive modeling และ hands-on manuscript writing

BiostatisticsClinical researchManuscript writing

Data Science & Health Research Systems

Dr. Nathaphop Chaichaya

Ph.D. in Epidemiology and Biostatistics · มหาวิทยาลัยขอนแก่น

ทำงานด้านการจัดการและวิเคราะห์ข้อมูลวิจัยสุขภาพ การพัฒนาระบบข้อมูล และการประยุกต์ Machine Learning / Deep Learning กับโจทย์ทางคลินิก เชื่อมประสบการณ์งานข้อมูลเข้ากับการสร้างระบบที่ใช้ทำงานต่อได้

ประสบการณ์จัดการและวิเคราะห์ข้อมูลในโครงการ Thai Nurse Cohort, CASCAP และ CKD-PD
พัฒนาระบบ KCPHAI (KKU-CKD Privacy Health AI System) เพื่อสนับสนุนการดูแลผู้ป่วยโรคไตเรื้อรังในบริการปฐมภูมิ
ร่วมผลงานวิจัยด้านโมเดล Machine Learning เพื่อทำนายการเสียชีวิตระยะแรกในผู้ป่วย systemic sclerosis

Data ecosystemPython / ML / DLHealth data systems

ประวัติย่อเรียบเรียงจาก CV ที่ผู้สอนให้ไว้ โดยแสดงเฉพาะการศึกษาและประสบการณ์ที่เกี่ยวข้องกับหลักสูตร

BEFORE YOU JOIN

เหมาะกับคุณ ถ้า…

มีพื้นฐานสถิติวิจัย และเคยอ่านผล regression
มีข้อมูลสุขภาพหรือข้อมูลวิจัยเดิมที่อยากนำมาต่อยอด
อยากทำงานร่วมกับ AI และตรวจงานได้ด้วยตนเอง

เตรียมอะไรมาเรียน

Notebook, บัญชี AI ของตนเอง และสิทธิ์ติดตั้ง R กับ Python และ Stata (หากมีสิทธิ์ใช้งาน) ตามคู่มือก่อนเรียน เริ่มคลาสด้วยการตรวจระบบและทดลองรัน ไม่จำเป็นต้องเขียนโปรแกรมเป็น

ใช้เครื่องมือฟรีเป็นหลัก ค่าแผน/เครดิต AI ของผู้เรียนแยกจากค่าอบรม การซื้อ hosting หรือโดเมนส่วนตัวไม่บังคับ

JOIN THE FIRST WORKSHOP

เลือกประเภทการสมัคร

28–29 พฤศจิกายน 2569 (2026) · 09:00–16:30 น.
ภายในเมืองขอนแก่น · แจ้งสถานที่แน่นอนภายในวันที่ 21 พฤศจิกายน 2569 (ก่อนอบรม 1 สัปดาห์)

สำหรับนักศึกษาโท–เอก

Student

4,900 บาท

เสนอไม่เกิน 6 ที่นั่ง
ต้องตรวจสถานะนักศึกษาก่อนยืนยันสิทธิ์

EARLY BIRD

เริ่มต้นกับรุ่นแรก

5,900 บาท

อบรมในห้อง 2 วัน พร้อมข้อมูลฝึก
แม่แบบ และผู้ช่วยในคลาส

ลงทะเบียน ↗

ราคาที่เสนอสำหรับรอบปกติ

Regular

7,900 บาท

12 ชั่วโมงเรียน
พร้อมชุดแม่แบบและข้อมูลฝึก

วิทยากร Dr. Wilaiphorn Thinkhamrop และ Dr. Nathaphop Chaichaya · ดูประวัติผู้สอน

ติดต่อผู้จัด ดร.ณฐาภพ ชัยชญา · 0652368549 · krajog@gmail.com

GOOD TO KNOW

คำถามก่อนสมัคร

ต้องเลือกเรียน R, Python หรือ Stata ตัวใดตัวหนึ่งไหม?

ไม่ต้องเลือกเพียงตัวเดียว เป้าหมายคือใช้ทั้งสามเครื่องมือผ่าน AI Agent ได้ โดยเลือกให้เหมาะกับโจทย์ ข้อมูล และวิธีวิเคราะห์ หรือใช้ร่วมกันใน workflow เดียว ผู้เรียนฝึกสั่งงาน ตรวจโค้ดและผลลัพธ์ และตัดสินใจเลือกเครื่องมือ มากกว่าจำคำสั่งของแต่ละโปรแกรม

รันบนเครื่อง แปลว่าข้อมูลไม่ออกนอกเครื่องเลยไหม?

ไม่ใช่อัตโนมัติค่ะ R, Python และ Stata คำนวณบนเครื่องได้โดยไม่อัปโหลดข้อมูลดิบ แต่ข้อมูลที่ให้ AI อ่านหรือช่วยสรุปอาจส่งไปยังผู้ให้บริการ ต้องตั้งค่าสิทธิ์และเลือกข้อมูลก่อนส่ง ในคลาสใช้ข้อมูลสังเคราะห์และฝึกแยกสองขั้นตอนนี้ให้ชัดเจน

ต้องซื้อโปรแกรมสถิติเพิ่มไหม?

ใช้ R และ Python ร่วมกับเครื่องมือพื้นฐานฟรีได้ ส่วน Stata ต้องมีสิทธิ์ใช้งานที่ถูกต้อง ไม่บังคับซื้อ Stata เพื่อเข้าเรียน ค่าใช้บริการ AI และสิทธิ์ใช้งาน Stata ไม่รวมในค่าอบรม

ต้องนำข้อมูลผู้ป่วยจริงมาไหม?

ไม่ต้องค่ะ ในคลาสใช้ข้อมูลจำลองและแม่แบบที่เตรียมไว้ เพื่อฝึก workflow โดยไม่ต้องนำข้อมูลระบุตัวผู้ป่วยมาใช้

ชำระเงินและติดตามผลอย่างไร?

เมื่อเปิดรับชำระแล้ว สแกน QR หรือโอนด้วยเลขบัญชีที่แสดงในหน้ารายการ จากนั้นแนบสลิปและแจ้งยืนยันการชำระเงิน ระบบแจ้งรับสลิปทันที ผู้จัดจะตรวจยอด ยืนยันได้รับเงิน และออกใบเสร็จภายในไม่เกินวันถัดไป ติดตามสถานะและดาวน์โหลดใบเสร็จได้ด้วยรหัสรายการและรหัสเข้าดู หากมีปัญหา ติดต่อ ดร.ณฐาภพ ชัยชญา โทร. 0652368549 หรือ krajog@gmail.com

ลงชื่อสนใจแล้วได้ที่นั่งเลยหรือไม่?

การลงชื่อสนใจยังไม่ใช่การจองหรือชำระเงิน เมื่อประกาศวันและสถานที่ ผู้จัดจะใช้ข้อมูลติดต่อเพื่อแจ้งรายละเอียด ระบบจะส่งรหัสติดตามไปยังอีเมลที่สมัคร โปรดตรวจกล่องจดหมายและสแปม

WE ARE EZFLOW WORKSHOP

Ezflow Workshop
ดูแลคุณตั้งแต่สมัครจนเข้าอบรม

ผู้ดูแลเว็บไซต์และการรับสมัคร
สำหรับหลักสูตร AI Research Workflow

การสมัครและการชำระเงิน

ดูแลระบบลงทะเบียน รหัสติดตามรายการ รับแจ้งสลิป ประสานการตรวจยอดและจัดส่งใบเสร็จ เพื่อให้ผู้สมัครตรวจสอบความคืบหน้าได้จากหน้ารายการของตนเอง

ติดตามรายการสมัคร →

ติดต่อ Ezflow Workshop

สอบถามการสมัคร การชำระเงิน หรือการใช้งานเว็บไซต์

ezflowgroup@gmail.com
0652368549

ผู้ประสานงาน: ดร.ณฐาภพ ชัยชญา
ติดต่อผู้ประสานงานโดยตรง: krajog@gmail.com

START WITH ONE WORKFLOW

จาก “อยากใช้ AI”
สู่ระบบที่ใช้กับงานของคุณได้

สมัครเข้าร่วม Workshop ↗

งานวิจัยของคุณไปได้ไกลขึ้นด้วย AI

เห็นผลงานตั้งแต่ช่วงแรกแล้วค่อยเข้าใจเบื้องหลัง

คำนวณบนเครื่องของคุณใช้ R, Python และ Stata ผ่าน AI Agent

บอกโจทย์ด้วยภาษาธรรมชาติ

ใช้ R, Python หรือ Stata ตามงาน

ต่อยอดเป็นรายงาน