Thuta Learning
Search
Data & AI Engineer လမ်းကြောင်း cover illustration
intermediate

Data & AI Engineer လမ်းကြောင်း

Python အခြေခံမှ data cleaning၊ analysis၊ SQL နှင့် LLM application တည်ဆောက်ခြင်းအထိ dataset အစစ်များဖြင့် လေ့လာမည့် လမ်းကြောင်း။

Who this is for
Data analysis၊ automation သို့ AI application တည်ဆောက်လိုသော beginner များ
Duration
About 42 hours
Modules
5 modules · 6 tutorials

Prerequisites

  • Spreadsheet သို့ အခြေခံ data table များနှင့် ရင်းနှီးလျှင် အထောက်အကူဖြစ်သည်
  • အခြေခံသင်္ချာကို နားလည်ရုံဖြင့် စတင်နိုင်သည်
  • Programming အတွေ့အကြုံ မရှိသေးလည်း Python အဆင့်မှ စတင်နိုင်သည်

Learning outcomes

  • Python ဖြင့် data processing နှင့် automation script ရေးနိုင်မည်
  • NumPy နှင့် Pandas ကိုသုံးပြီး dataset ကို သန့်စင်၊ ပြောင်းလဲ၊ ဆန်းစစ်နိုင်မည်
  • SQL ဖြင့် လိုအပ်သော data ကို ထိရောက်စွာ query လုပ်နိုင်မည်
  • Data quality၊ reproducibility နဲ့ result explanation ကို ဦးစားပေးနိုင်မည်
  • LangChain ကိုသုံးပြီး retrieval နှင့် tool ပါသော LLM application prototype တည်ဆောက်နိုင်မည်
  • AI output ကို စမ်းသပ်ပြီး limitation နဲ့ security risk များကို ရှင်းပြနိုင်မည်

Curriculum

1

အဆင့် ၁ — Python Programming

About 12 hours

Variable၊ control flow၊ function၊ file နဲ့ error handling ကို data task များဖြင့် လေ့ကျင့်မယ်။

Skills

PythonFunctionsFilesError handling

Tutorials

PythonStart tutorial →

Hands-on project

CSV ဖိုင်များကိုဖတ်၊ စစ်ပြီး summary report ထုတ်ပေးသော script ရေးပါ။

2

အဆင့် ၂ — Numerical Data

About 6 hours

Array thinking၊ vectorized operations နဲ့ numerical calculation ကို NumPy ဖြင့် လေ့လာမယ်။

Skills

NumPyArraysVectorizationStatistics basics

Tutorials

NumpyStart tutorial →

Hands-on project

Sensor data အစုတစ်ခုရဲ့ outlier၊ average နဲ့ trend ကိုတွက်ပါ။

3

အဆင့် ၃ — Data Analysis

About 8 hours

Missing data၊ duplicates၊ grouping နဲ့ time-series အခြေခံကို Pandas ဖြင့် ဖြေရှင်းမယ်။

Skills

PandasData cleaningGroupingExploration

Tutorials

PandasStart tutorial →SQLStart tutorial →

Hands-on project

အရောင်း dataset တစ်ခုကို သန့်စင်ပြီး business question ၅ ခုအတွက် report ပြုလုပ်ပါ။

4

အဆင့် ၄ — Data Storage

About 6 hours

Relational နဲ့ document data model တို့ကို အသုံးချရာနေရာအလိုက် ရွေးချယ်ပြီး query pipeline တည်ဆောက်မယ်။

Skills

SQLMongoDBData modelingIndexes

Tutorials

MongoDBStart tutorial →

Hands-on project

Analysis-ready dataset ကို database ထဲသိမ်းပြီး reusable queries ပြုလုပ်ပါ။

5

အဆင့် ၅ — LLM Application

About 10 hours

Prompt တစ်ခုတည်းထက်ကျော်လွန်ပြီး retrieval၊ tools၊ evaluation နဲ့ guardrails ပါသော workflow ကို တည်ဆောက်မယ်။

Skills

LangChainRAGToolsEvaluation

Tutorials

LangChainStart tutorial →

Hands-on project

Source citation၊ test questions နဲ့ failure notes ပါသော document Q&A assistant တည်ဆောက်ပါ။

Suggested schedule

  1. 1အပတ် ၁ မှ ၃ — Python fundamentals နှင့် automation
  2. 2အပတ် ၄ — NumPy နှင့် numerical thinking
  3. 3အပတ် ၅ မှ ၆ — Pandas၊ SQL နှင့် data report
  4. 4အပတ် ၇ — Database နဲ့ reusable data pipeline
  5. 5အပတ် ၈ မှ ၁၀ — LangChain၊ RAG၊ evaluation နှင့် capstone

Completion checklist

  • Raw dataset မှ သန့်စင်ထားသော report အထိ ပြန်လည်လုပ်နိုင်သော pipeline ရှိခြင်း
  • Analysis result ကို chart မဟုတ်သည့် ရိုးရိုးစကားဖြင့်လည်း ရှင်းပြနိုင်ခြင်း
  • AI project တွင် evaluation cases၊ limitation နဲ့ data source များ မှတ်တမ်းတင်ထားခြင်း

Supporting articles

AI Agent ဆိုတာဘာလဲမေးခွန်းဖြေတဲ့ chatbot နဲ့ ကိုယ်စားအလုပ်လုပ်နိုင်တဲ့ AI Agent တို့ ဘာကွာသလဲ၊ ဘယ်အချိန်အသုံးဝင်ပြီး ဘာတွေသတိထားရမလဲကို ရိုးရိုးရှင်းရှင်း လေ့လာပါ။AI Coding Tools တွေရဲ့ အားသာချက်၊ အားနည်းချက်AI coding assistant များက ဘယ်နေရာမှာအချိန်သက်သာစေပြီး hallucination၊ security၊ privacy နဲ့ maintainability risk များကို ဘယ်လိုထိန်းမလဲ။API Key ကို လုံခြုံစွာ အသုံးပြုနည်းAPI key ကို source code သို့ browser ထဲမဖော်ဘဲ environment variables၊ secret managers၊ least privilege၊ rotation နဲ့ monitoring ဖြင့် စီမံနည်း။

Official references