รายวิชานี้มุ่งเน้นให้ผู้เรียนเข้าใจและสามารถประยุกต์ใช้เทคนิคการวิเคราะห์ข้อมูลเชิงคาดการณ์อย่างมีประสิทธิภาพ โดยครอบคลุมตั้งแต่การเตรียมข้อมูลเบื้องต้น เช่น cleaning, transforming, handiling missing values, and normalising data เพื่อให้ได้ข้อมูลที่มีคุณภาพสำหรับการสร้างโมเดล นอกจากนี้ ผู้เรียนจะได้ศึกษาลักษณะเฉพาะของข้อมูลอนุกรมเวลา เช่น รูปแบบความเป็นฤดูกาล และแนวโน้มต่างๆ ตลอดจนเข้าใจแนวคิดของโมเดลทางสถิติ เช่น ARIMA และโมเดลเชิงลึก (Deep Learning) อย่าง LSTM, RNN, ANN และเครื่องมืออื่นๆ ที่ใช้ในการพยากรณ์ข้อมูลแบบต่อเนื่อง ผู้เรียนจะเรียนรู้หลักการประเมินประสิทธิภาพของโมเดล ทั้งในงานจำแนกประเภท (binary และ multi-class classification) และงานพยากรณ์ค่า (regression) โดยใช้ตัวชี้วัดที่สำคัญ เช่น F1 score, recall, accuracy และ precision รวมถึงเข้าใจแนวทางการปรับแต่งโมเดลผ่านการตั้งค่าค่า threshold เพื่อเพิ่มประสิทธิภาพการทำนายให้เหมาะสมกับบริบทการใช้งานจริง