Features สำคัญ—ตั้งแต่ข้อมูลต้นทางจนเป็น Feature Contract ที่ใช้ซ้ำได้ เลือก Feature เพื่อเปิดดูข้อมูล ขั้นคำนวณ Output Contract ต้นทุนประมวลผล และขอบเขตการตีความ
01
Heart-rate variability SDNN, RMSSD จากระยะ R–Rสะท้อนความแปรปรวนของจังหวะหัวใจ ไม่ใช่คำวินิจฉัย ＋ วัดอะไร และมีประโยชน์อย่างไร สะท้อนความแปรปรวนของจังหวะหัวใจ ไม่ใช่คำวินิจฉัย
ข้อมูลนำเข้า vital signs · laboratory · encounter
ตัวอย่างข้อมูลขนาดเล็ก patient_id, event_time, HR=96, HR_prev=82, SpO2=93, temp=38.1ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ SDNN, RMSSD จากระยะ R–Rแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ HR_delta = 96−82 = 14 bpm; fever = 1; hours_since_medication = 6ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ heart-rate_variability__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ O(n) ต่อผู้ป่วย; rolling 30 วันบน 1M events ≈ วินาที–นาทีใน columnar engineเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ต้องยึด event time, หน่วยวัด และช่วงที่ข้อมูลพร้อมใช้จริง ห้ามนำผลตรวจที่ออกภายหลังมาใช้ย้อนหลังหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
02
NEWS-like trend แนวโน้มชีพจร ความดัน อุณหภูมิ SpO₂ใช้คัดกรองการเปลี่ยนแปลงของผู้ป่วย ＋ วัดอะไร และมีประโยชน์อย่างไร ใช้คัดกรองการเปลี่ยนแปลงของผู้ป่วย
ข้อมูลนำเข้า vital signs · laboratory · encounter
ตัวอย่างข้อมูลขนาดเล็ก patient_id, event_time, HR=96, HR_prev=82, SpO2=93, temp=38.1ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ แนวโน้มชีพจร ความดัน อุณหภูมิ SpO₂แนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ HR_delta = 96−82 = 14 bpm; fever = 1; hours_since_medication = 6ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ news-like_trend__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ O(n) ต่อผู้ป่วย; rolling 30 วันบน 1M events ≈ วินาที–นาทีใน columnar engineเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ต้องยึด event time, หน่วยวัด และช่วงที่ข้อมูลพร้อมใช้จริง ห้ามนำผลตรวจที่ออกภายหลังมาใช้ย้อนหลังหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
03
Lab delta ค่าปัจจุบัน − ค่าก่อนหน้าเห็นทิศทางที่ค่าเดี่ยวอาจซ่อนอยู่ ＋ วัดอะไร และมีประโยชน์อย่างไร เห็นทิศทางที่ค่าเดี่ยวอาจซ่อนอยู่
ข้อมูลนำเข้า vital signs · laboratory · encounter
ตัวอย่างข้อมูลขนาดเล็ก patient_id, event_time, HR=96, HR_prev=82, SpO2=93, temp=38.1ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ ค่าปัจจุบัน − ค่าก่อนหน้าแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ HR_delta = 96−82 = 14 bpm; fever = 1; hours_since_medication = 6ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ lab_delta__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ O(n) ต่อผู้ป่วย; rolling 30 วันบน 1M events ≈ วินาที–นาทีใน columnar engineเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ต้องยึด event time, หน่วยวัด และช่วงที่ข้อมูลพร้อมใช้จริง ห้ามนำผลตรวจที่ออกภายหลังมาใช้ย้อนหลังหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
04
Comorbidity count จำนวนโรคร่วมในช่วงเวลาที่กำหนดสรุปความซับซ้อนของผู้ป่วย ＋ วัดอะไร และมีประโยชน์อย่างไร สรุปความซับซ้อนของผู้ป่วย
ข้อมูลนำเข้า vital signs · laboratory · encounter
ตัวอย่างข้อมูลขนาดเล็ก patient_id, event_time, HR=96, HR_prev=82, SpO2=93, temp=38.1ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ จำนวนโรคร่วมในช่วงเวลาที่กำหนดแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ HR_delta = 96−82 = 14 bpm; fever = 1; hours_since_medication = 6ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ comorbidity_count__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ O(n) ต่อผู้ป่วย; rolling 30 วันบน 1M events ≈ วินาที–นาทีใน columnar engineเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ต้องยึด event time, หน่วยวัด และช่วงที่ข้อมูลพร้อมใช้จริง ห้ามนำผลตรวจที่ออกภายหลังมาใช้ย้อนหลังหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
05
Medication exposure dose × duration และเวลาหลังได้รับยาเชื่อมผลลัพธ์กับการได้รับยาอย่างมีเวลา ＋ วัดอะไร และมีประโยชน์อย่างไร เชื่อมผลลัพธ์กับการได้รับยาอย่างมีเวลา
ข้อมูลนำเข้า vital signs · laboratory · encounter
ตัวอย่างข้อมูลขนาดเล็ก patient_id, event_time, HR=96, HR_prev=82, SpO2=93, temp=38.1ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ dose × duration และเวลาหลังได้รับยาแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ HR_delta = 96−82 = 14 bpm; fever = 1; hours_since_medication = 6ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ medication_exposure__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ O(n) ต่อผู้ป่วย; rolling 30 วันบน 1M events ≈ วินาที–นาทีใน columnar engineเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ต้องยึด event time, หน่วยวัด และช่วงที่ข้อมูลพร้อมใช้จริง ห้ามนำผลตรวจที่ออกภายหลังมาใช้ย้อนหลังหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
DATA EXAMPLE
ตัวอย่างข้อมูลขนาดเล็ก patient_id, event_time, HR=96, HR_prev=82, SpO2=93, temp=38.1CALCULATION
จากข้อมูลสู่ Feature HR_delta = 96−82 = 14 bpm; fever = 1; hours_since_medication = 6COMPUTE TIME เวลาและการเติบโตของต้นทุน O(n) ต่อผู้ป่วย; rolling 30 วันบน 1M events ≈ วินาที–นาทีใน columnar engine
ขอบเขตการตีความ ต้องยึด event time, หน่วยวัด และช่วงที่ข้อมูลพร้อมใช้จริง ห้ามนำผลตรวจที่ออกภายหลังมาใช้ย้อนหลัง
Features สำคัญ—ตั้งแต่ข้อมูลต้นทางจนเป็น Feature Contract ที่ใช้ซ้ำได้ เลือก Feature เพื่อเปิดดูข้อมูล ขั้นคำนวณ Output Contract ต้นทุนประมวลผล และขอบเขตการตีความ
01
GC content (G+C)/sequence lengthบอกองค์ประกอบลำดับและ bias เบื้องต้น ＋ วัดอะไร และมีประโยชน์อย่างไร บอกองค์ประกอบลำดับและ bias เบื้องต้น
ข้อมูลนำเข้า DNA · RNA · protein · omics
ตัวอย่างข้อมูลขนาดเล็ก sequence=ACGCGTATGC; expression=120; cohort_mean=80; sd=20ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ (G+C)/sequence lengthแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ GC=6/10=0.60; expression_z=(120−80)/20=2.0ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ gc_content__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ composition O(n); k-mer O(n); alignment โดยทั่วไป O(nm); RNA folding แบบคลาสสิก O(n³)เวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ระบุ genome build, strand, transcript version, normalization และ tool version ทุกครั้งหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
02
k-mer frequency จำนวนคำยาว k เช่น 3-mer/6-merแทนรูปแบบเฉพาะที่โดยไม่ต้อง alignment ＋ วัดอะไร และมีประโยชน์อย่างไร แทนรูปแบบเฉพาะที่โดยไม่ต้อง alignment
ข้อมูลนำเข้า DNA · RNA · protein · omics
ตัวอย่างข้อมูลขนาดเล็ก sequence=ACGCGTATGC; expression=120; cohort_mean=80; sd=20ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ จำนวนคำยาว k เช่น 3-mer/6-merแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ GC=6/10=0.60; expression_z=(120−80)/20=2.0ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ k-mer_frequency__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ composition O(n); k-mer O(n); alignment โดยทั่วไป O(nm); RNA folding แบบคลาสสิก O(n³)เวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ระบุ genome build, strand, transcript version, normalization และ tool version ทุกครั้งหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
03
ORF length ความยาวช่วงเปิดการอ่านใช้บอกศักยภาพการเข้ารหัสโปรตีน ＋ วัดอะไร และมีประโยชน์อย่างไร ใช้บอกศักยภาพการเข้ารหัสโปรตีน
ข้อมูลนำเข้า DNA · RNA · protein · omics
ตัวอย่างข้อมูลขนาดเล็ก sequence=ACGCGTATGC; expression=120; cohort_mean=80; sd=20ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ ความยาวช่วงเปิดการอ่านแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ GC=6/10=0.60; expression_z=(120−80)/20=2.0ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ orf_length__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ composition O(n); k-mer O(n); alignment โดยทั่วไป O(nm); RNA folding แบบคลาสสิก O(n³)เวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ระบุ genome build, strand, transcript version, normalization และ tool version ทุกครั้งหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
04
Secondary structure MFE, paired fraction, stem/loopแทนเสถียรภาพและรูปทรงที่คาดการณ์ ＋ วัดอะไร และมีประโยชน์อย่างไร แทนเสถียรภาพและรูปทรงที่คาดการณ์
ข้อมูลนำเข้า DNA · RNA · protein · omics
ตัวอย่างข้อมูลขนาดเล็ก sequence=ACGCGTATGC; expression=120; cohort_mean=80; sd=20ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ MFE, paired fraction, stem/loopแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ GC=6/10=0.60; expression_z=(120−80)/20=2.0ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ secondary_structure__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ composition O(n); k-mer O(n); alignment โดยทั่วไป O(nm); RNA folding แบบคลาสสิก O(n³)เวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ระบุ genome build, strand, transcript version, normalization และ tool version ทุกครั้งหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
05
Expression z-score expression เทียบกลุ่มอ้างอิงทำให้ยีนต่างสเกลเปรียบเทียบกันได้ ＋ วัดอะไร และมีประโยชน์อย่างไร ทำให้ยีนต่างสเกลเปรียบเทียบกันได้
ข้อมูลนำเข้า DNA · RNA · protein · omics
ตัวอย่างข้อมูลขนาดเล็ก sequence=ACGCGTATGC; expression=120; cohort_mean=80; sd=20ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ expression เทียบกลุ่มอ้างอิงแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ GC=6/10=0.60; expression_z=(120−80)/20=2.0ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ expression_z-score__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ composition O(n); k-mer O(n); alignment โดยทั่วไป O(nm); RNA folding แบบคลาสสิก O(n³)เวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ระบุ genome build, strand, transcript version, normalization และ tool version ทุกครั้งหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
DATA EXAMPLE
ตัวอย่างข้อมูลขนาดเล็ก sequence=ACGCGTATGC; expression=120; cohort_mean=80; sd=20CALCULATION
จากข้อมูลสู่ Feature GC=6/10=0.60; expression_z=(120−80)/20=2.0COMPUTE TIME เวลาและการเติบโตของต้นทุน composition O(n); k-mer O(n); alignment โดยทั่วไป O(nm); RNA folding แบบคลาสสิก O(n³)
ขอบเขตการตีความ ระบุ genome build, strand, transcript version, normalization และ tool version ทุกครั้ง
Features สำคัญ—ตั้งแต่ข้อมูลต้นทางจนเป็น Feature Contract ที่ใช้ซ้ำได้ เลือก Feature เพื่อเปิดดูข้อมูล ขั้นคำนวณ Output Contract ต้นทุนประมวลผล และขอบเขตการตีความ
01
Log return ln(Pt/Pt−1)ผลตอบแทนที่บวกสะสมตามเวลาได้ ＋ วัดอะไร และมีประโยชน์อย่างไร ผลตอบแทนที่บวกสะสมตามเวลาได้
ข้อมูลนำเข้า price · volume · quote · fundamentals
ตัวอย่างข้อมูลขนาดเล็ก close_prev=100, close=103, bid=102.8, ask=103.2, debt=60M, equity=40Mใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ ln(Pt/Pt−1)แนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ return=ln(103/100)=2.956%; spread=0.4/103=0.388%; D/E=1.5ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ log_return__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ rolling feature O(T); 5,000 assets × 10 years daily ≈ วินาที–นาทีแบบ vectorizedเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ปรับ split/dividend, calendar และ survivorship bias; Indicator ไม่ใช่คำสั่งซื้อขายหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
02
Realized volatility SD ของ return ใน windowวัดความผันผวนในอดีต ไม่ใช่ความเสี่ยงทั้งหมด ＋ วัดอะไร และมีประโยชน์อย่างไร วัดความผันผวนในอดีต ไม่ใช่ความเสี่ยงทั้งหมด
ข้อมูลนำเข้า price · volume · quote · fundamentals
ตัวอย่างข้อมูลขนาดเล็ก close_prev=100, close=103, bid=102.8, ask=103.2, debt=60M, equity=40Mใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ SD ของ return ใน windowแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ return=ln(103/100)=2.956%; spread=0.4/103=0.388%; D/E=1.5ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ realized_volatility__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ rolling feature O(T); 5,000 assets × 10 years daily ≈ วินาที–นาทีแบบ vectorizedเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ปรับ split/dividend, calendar และ survivorship bias; Indicator ไม่ใช่คำสั่งซื้อขายหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
03
RSI อัตราส่วน average gain/lossบอกตำแหน่ง momentum ในกรอบที่เลือก ＋ วัดอะไร และมีประโยชน์อย่างไร บอกตำแหน่ง momentum ในกรอบที่เลือก
ข้อมูลนำเข้า price · volume · quote · fundamentals
ตัวอย่างข้อมูลขนาดเล็ก close_prev=100, close=103, bid=102.8, ask=103.2, debt=60M, equity=40Mใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ อัตราส่วน average gain/lossแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ return=ln(103/100)=2.956%; spread=0.4/103=0.388%; D/E=1.5ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ rsi__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ rolling feature O(T); 5,000 assets × 10 years daily ≈ วินาที–นาทีแบบ vectorizedเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ปรับ split/dividend, calendar และ survivorship bias; Indicator ไม่ใช่คำสั่งซื้อขายหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
04
Relative spread (ask−bid)/midประมาณ quoted liquidity ณ เวลาหนึ่ง ＋ วัดอะไร และมีประโยชน์อย่างไร ประมาณ quoted liquidity ณ เวลาหนึ่ง
ข้อมูลนำเข้า price · volume · quote · fundamentals
ตัวอย่างข้อมูลขนาดเล็ก close_prev=100, close=103, bid=102.8, ask=103.2, debt=60M, equity=40Mใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ (ask−bid)/midแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ return=ln(103/100)=2.956%; spread=0.4/103=0.388%; D/E=1.5ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ relative_spread__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ rolling feature O(T); 5,000 assets × 10 years daily ≈ วินาที–นาทีแบบ vectorizedเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ปรับ split/dividend, calendar และ survivorship bias; Indicator ไม่ใช่คำสั่งซื้อขายหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
05
Debt-to-equity total debt/equityอ่านโครงสร้างเงินทุนของกิจการ ＋ วัดอะไร และมีประโยชน์อย่างไร อ่านโครงสร้างเงินทุนของกิจการ
ข้อมูลนำเข้า price · volume · quote · fundamentals
ตัวอย่างข้อมูลขนาดเล็ก close_prev=100, close=103, bid=102.8, ask=103.2, debt=60M, equity=40Mใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ total debt/equityแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ return=ln(103/100)=2.956%; spread=0.4/103=0.388%; D/E=1.5ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ debt-to-equity__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ rolling feature O(T); 5,000 assets × 10 years daily ≈ วินาที–นาทีแบบ vectorizedเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ปรับ split/dividend, calendar และ survivorship bias; Indicator ไม่ใช่คำสั่งซื้อขายหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
DATA EXAMPLE
ตัวอย่างข้อมูลขนาดเล็ก close_prev=100, close=103, bid=102.8, ask=103.2, debt=60M, equity=40MCALCULATION
จากข้อมูลสู่ Feature return=ln(103/100)=2.956%; spread=0.4/103=0.388%; D/E=1.5COMPUTE TIME เวลาและการเติบโตของต้นทุน rolling feature O(T); 5,000 assets × 10 years daily ≈ วินาที–นาทีแบบ vectorized
ขอบเขตการตีความ ปรับ split/dividend, calendar และ survivorship bias; Indicator ไม่ใช่คำสั่งซื้อขาย
Features สำคัญ—ตั้งแต่ข้อมูลต้นทางจนเป็น Feature Contract ที่ใช้ซ้ำได้ เลือก Feature เพื่อเปิดดูข้อมูล ขั้นคำนวณ Output Contract ต้นทุนประมวลผล และขอบเขตการตีความ
01
RMS vibration sqrt(mean(x²))พลังงานสั่นสะเทือนของเครื่อง ＋ วัดอะไร และมีประโยชน์อย่างไร พลังงานสั่นสะเทือนของเครื่อง
ข้อมูลนำเข้า sensor · machine state · quality
ตัวอย่างข้อมูลขนาดเล็ก vibration=[1,−2,2,−1]; temp 70→82°C in 20 min; 3 defects/500 unitsใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ sqrt(mean(x²))แนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ RMS=sqrt(10/4)=1.58; slope=12/20=0.6°C/min; defect_rate=0.6%ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ rms_vibration__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ window W ต่อ sensor: O(N); FFT feature O(N log N); streaming latency มัก ms–sเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ แยก machine mode และ maintenance period มิฉะนั้น model จะสับสนระหว่างงานหนักกับความเสียหายหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
02
Kurtosis ความหนาหางของสัญญาณช่วยเห็น impulsive fault ＋ วัดอะไร และมีประโยชน์อย่างไร ช่วยเห็น impulsive fault
ข้อมูลนำเข้า sensor · machine state · quality
ตัวอย่างข้อมูลขนาดเล็ก vibration=[1,−2,2,−1]; temp 70→82°C in 20 min; 3 defects/500 unitsใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ ความหนาหางของสัญญาณแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ RMS=sqrt(10/4)=1.58; slope=12/20=0.6°C/min; defect_rate=0.6%ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ kurtosis__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ window W ต่อ sensor: O(N); FFT feature O(N log N); streaming latency มัก ms–sเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ แยก machine mode และ maintenance period มิฉะนั้น model จะสับสนระหว่างงานหนักกับความเสียหายหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
03
Temperature slope Δtemperature/Δtimeจับภาวะร้อนขึ้นต่อเนื่อง ＋ วัดอะไร และมีประโยชน์อย่างไร จับภาวะร้อนขึ้นต่อเนื่อง
ข้อมูลนำเข้า sensor · machine state · quality
ตัวอย่างข้อมูลขนาดเล็ก vibration=[1,−2,2,−1]; temp 70→82°C in 20 min; 3 defects/500 unitsใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ Δtemperature/Δtimeแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ RMS=sqrt(10/4)=1.58; slope=12/20=0.6°C/min; defect_rate=0.6%ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ temperature_slope__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ window W ต่อ sensor: O(N); FFT feature O(N log N); streaming latency มัก ms–sเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ แยก machine mode และ maintenance period มิฉะนั้น model จะสับสนระหว่างงานหนักกับความเสียหายหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
04
Cycle-time deviation cycle−baselineเห็นคอขวดหรือเสื่อมสมรรถนะ ＋ วัดอะไร และมีประโยชน์อย่างไร เห็นคอขวดหรือเสื่อมสมรรถนะ
ข้อมูลนำเข้า sensor · machine state · quality
ตัวอย่างข้อมูลขนาดเล็ก vibration=[1,−2,2,−1]; temp 70→82°C in 20 min; 3 defects/500 unitsใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ cycle−baselineแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ RMS=sqrt(10/4)=1.58; slope=12/20=0.6°C/min; defect_rate=0.6%ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ cycle-time_deviation__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ window W ต่อ sensor: O(N); FFT feature O(N log N); streaming latency มัก ms–sเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ แยก machine mode และ maintenance period มิฉะนั้น model จะสับสนระหว่างงานหนักกับความเสียหายหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
05
Defect rate defects/unitsคุณภาพผลผลิตตาม line/shift ＋ วัดอะไร และมีประโยชน์อย่างไร คุณภาพผลผลิตตาม line/shift
ข้อมูลนำเข้า sensor · machine state · quality
ตัวอย่างข้อมูลขนาดเล็ก vibration=[1,−2,2,−1]; temp 70→82°C in 20 min; 3 defects/500 unitsใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ defects/unitsแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ RMS=sqrt(10/4)=1.58; slope=12/20=0.6°C/min; defect_rate=0.6%ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ defect_rate__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ window W ต่อ sensor: O(N); FFT feature O(N log N); streaming latency มัก ms–sเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ แยก machine mode และ maintenance period มิฉะนั้น model จะสับสนระหว่างงานหนักกับความเสียหายหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
DATA EXAMPLE
ตัวอย่างข้อมูลขนาดเล็ก vibration=[1,−2,2,−1]; temp 70→82°C in 20 min; 3 defects/500 unitsCALCULATION
จากข้อมูลสู่ Feature RMS=sqrt(10/4)=1.58; slope=12/20=0.6°C/min; defect_rate=0.6%COMPUTE TIME เวลาและการเติบโตของต้นทุน window W ต่อ sensor: O(N); FFT feature O(N log N); streaming latency มัก ms–s
Features สำคัญ—ตั้งแต่ข้อมูลต้นทางจนเป็น Feature Contract ที่ใช้ซ้ำได้ เลือก Feature เพื่อเปิดดูข้อมูล ขั้นคำนวณ Output Contract ต้นทุนประมวลผล และขอบเขตการตีความ
01
RFM recency, frequency, monetaryสรุปความสัมพันธ์กับลูกค้าแบบตีความง่าย ＋ วัดอะไร และมีประโยชน์อย่างไร สรุปความสัมพันธ์กับลูกค้าแบบตีความง่าย
ข้อมูลนำเข้า transaction · customer · product
ตัวอย่างข้อมูลขนาดเล็ก last_purchase=10 days; 4 orders/90d; spend=3200; baseline=100; promo_sales=135ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ recency, frequency, monetaryแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ R=10, F=4, M=3200; apparent_lift=(135−100)/100=35%ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ rfm__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ group-by O(N); exact basket pairs O(B·k²); 100M lines ≈ นาทีใน distributed warehouseเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ Promotion lift ที่ไม่มี control ไม่ใช่ causal effect; คืนสินค้าและ identity resolution ต้องถูกรวมหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
02
Basket size จำนวน/มูลค่าต่อใบเสร็จอ่านพฤติกรรมการซื้อแต่ละครั้ง ＋ วัดอะไร และมีประโยชน์อย่างไร อ่านพฤติกรรมการซื้อแต่ละครั้ง
ข้อมูลนำเข้า transaction · customer · product
ตัวอย่างข้อมูลขนาดเล็ก last_purchase=10 days; 4 orders/90d; spend=3200; baseline=100; promo_sales=135ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ จำนวน/มูลค่าต่อใบเสร็จแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ R=10, F=4, M=3200; apparent_lift=(135−100)/100=35%ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ basket_size__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ group-by O(N); exact basket pairs O(B·k²); 100M lines ≈ นาทีใน distributed warehouseเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ Promotion lift ที่ไม่มี control ไม่ใช่ causal effect; คืนสินค้าและ identity resolution ต้องถูกรวมหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
03
Category affinity สัดส่วนยอดซื้อรายหมวดใช้ personalization และ assortment ＋ วัดอะไร และมีประโยชน์อย่างไร ใช้ personalization และ assortment
ข้อมูลนำเข้า transaction · customer · product
ตัวอย่างข้อมูลขนาดเล็ก last_purchase=10 days; 4 orders/90d; spend=3200; baseline=100; promo_sales=135ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ สัดส่วนยอดซื้อรายหมวดแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ R=10, F=4, M=3200; apparent_lift=(135−100)/100=35%ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ category_affinity__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ group-by O(N); exact basket pairs O(B·k²); 100M lines ≈ นาทีใน distributed warehouseเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ Promotion lift ที่ไม่มี control ไม่ใช่ causal effect; คืนสินค้าและ identity resolution ต้องถูกรวมหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
04
Promotion lift ยอดช่วงโปร − baselineประมาณผลต่างที่สัมพันธ์กับแคมเปญ ＋ วัดอะไร และมีประโยชน์อย่างไร ประมาณผลต่างที่สัมพันธ์กับแคมเปญ
ข้อมูลนำเข้า transaction · customer · product
ตัวอย่างข้อมูลขนาดเล็ก last_purchase=10 days; 4 orders/90d; spend=3200; baseline=100; promo_sales=135ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ ยอดช่วงโปร − baselineแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ R=10, F=4, M=3200; apparent_lift=(135−100)/100=35%ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ promotion_lift__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ group-by O(N); exact basket pairs O(B·k²); 100M lines ≈ นาทีใน distributed warehouseเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ Promotion lift ที่ไม่มี control ไม่ใช่ causal effect; คืนสินค้าและ identity resolution ต้องถูกรวมหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
05
Stockout exposure เวลาที่สินค้าขาด/เวลาขายแยก demand ต่ำออกจากของไม่มีขาย ＋ วัดอะไร และมีประโยชน์อย่างไร แยก demand ต่ำออกจากของไม่มีขาย
ข้อมูลนำเข้า transaction · customer · product
ตัวอย่างข้อมูลขนาดเล็ก last_purchase=10 days; 4 orders/90d; spend=3200; baseline=100; promo_sales=135ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ เวลาที่สินค้าขาด/เวลาขายแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ R=10, F=4, M=3200; apparent_lift=(135−100)/100=35%ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ stockout_exposure__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ group-by O(N); exact basket pairs O(B·k²); 100M lines ≈ นาทีใน distributed warehouseเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ Promotion lift ที่ไม่มี control ไม่ใช่ causal effect; คืนสินค้าและ identity resolution ต้องถูกรวมหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
DATA EXAMPLE
ตัวอย่างข้อมูลขนาดเล็ก last_purchase=10 days; 4 orders/90d; spend=3200; baseline=100; promo_sales=135CALCULATION
จากข้อมูลสู่ Feature R=10, F=4, M=3200; apparent_lift=(135−100)/100=35%COMPUTE TIME เวลาและการเติบโตของต้นทุน group-by O(N); exact basket pairs O(B·k²); 100M lines ≈ นาทีใน distributed warehouse
Features สำคัญ—ตั้งแต่ข้อมูลต้นทางจนเป็น Feature Contract ที่ใช้ซ้ำได้ เลือก Feature เพื่อเปิดดูข้อมูล ขั้นคำนวณ Output Contract ต้นทุนประมวลผล และขอบเขตการตีความ
01
Flow duration last packet−first packetแยก session สั้น/ยาว ＋ วัดอะไร และมีประโยชน์อย่างไร แยก session สั้น/ยาว
ข้อมูลนำเข้า flow · log · identity · endpoint
ตัวอย่างข้อมูลขนาดเล็ก flow: 20 packets, 12,000 bytes, 4 sec; login failures=12/5minใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ last packet−first packetแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ 600 bytes/packet; 5 packets/s; failure_velocity=2.4/minตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ flow_duration__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ flow aggregation O(P); entropy O(k); streaming ต่อ event ≈ sub-ms–ms หาก state อยู่ใน memoryเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ รักษา source clock, NAT และ asset role; rarity ไม่เท่ากับ malicious และ alert ต้องมีบริบทหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
02
Bytes/packet bytes/packet countลักษณะ payload โดยไม่อ่านข้อความ ＋ วัดอะไร และมีประโยชน์อย่างไร ลักษณะ payload โดยไม่อ่านข้อความ
ข้อมูลนำเข้า flow · log · identity · endpoint
ตัวอย่างข้อมูลขนาดเล็ก flow: 20 packets, 12,000 bytes, 4 sec; login failures=12/5minใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ bytes/packet countแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ 600 bytes/packet; 5 packets/s; failure_velocity=2.4/minตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ bytes_packet__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ flow aggregation O(P); entropy O(k); streaming ต่อ event ≈ sub-ms–ms หาก state อยู่ใน memoryเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ รักษา source clock, NAT และ asset role; rarity ไม่เท่ากับ malicious และ alert ต้องมีบริบทหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
03
Failed-login velocity failure ต่อ user/IP/windowเห็น burst ของการพยายามเข้าใช้ ＋ วัดอะไร และมีประโยชน์อย่างไร เห็น burst ของการพยายามเข้าใช้
ข้อมูลนำเข้า flow · log · identity · endpoint
ตัวอย่างข้อมูลขนาดเล็ก flow: 20 packets, 12,000 bytes, 4 sec; login failures=12/5minใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ failure ต่อ user/IP/windowแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ 600 bytes/packet; 5 packets/s; failure_velocity=2.4/minตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ failed-login_velocity__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ flow aggregation O(P); entropy O(k); streaming ต่อ event ≈ sub-ms–ms หาก state อยู่ใน memoryเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ รักษา source clock, NAT และ asset role; rarity ไม่เท่ากับ malicious และ alert ต้องมีบริบทหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
04
Destination entropy entropy ของปลายทางบอกความกระจายของ scan/beacon ＋ วัดอะไร และมีประโยชน์อย่างไร บอกความกระจายของ scan/beacon
ข้อมูลนำเข้า flow · log · identity · endpoint
ตัวอย่างข้อมูลขนาดเล็ก flow: 20 packets, 12,000 bytes, 4 sec; login failures=12/5minใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ entropy ของปลายทางแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ 600 bytes/packet; 5 packets/s; failure_velocity=2.4/minตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ destination_entropy__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ flow aggregation O(P); entropy O(k); streaming ต่อ event ≈ sub-ms–ms หาก state อยู่ใน memoryเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ รักษา source clock, NAT และ asset role; rarity ไม่เท่ากับ malicious และ alert ต้องมีบริบทหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
05
Rare process score −log frequency(process)เน้นโปรเซสที่ไม่ปกติในบริบทเดียวกัน ＋ วัดอะไร และมีประโยชน์อย่างไร เน้นโปรเซสที่ไม่ปกติในบริบทเดียวกัน
ข้อมูลนำเข้า flow · log · identity · endpoint
ตัวอย่างข้อมูลขนาดเล็ก flow: 20 packets, 12,000 bytes, 4 sec; login failures=12/5minใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ −log frequency(process)แนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ 600 bytes/packet; 5 packets/s; failure_velocity=2.4/minตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ rare_process_score__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ flow aggregation O(P); entropy O(k); streaming ต่อ event ≈ sub-ms–ms หาก state อยู่ใน memoryเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ รักษา source clock, NAT และ asset role; rarity ไม่เท่ากับ malicious และ alert ต้องมีบริบทหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
DATA EXAMPLE
ตัวอย่างข้อมูลขนาดเล็ก flow: 20 packets, 12,000 bytes, 4 sec; login failures=12/5minCALCULATION
จากข้อมูลสู่ Feature 600 bytes/packet; 5 packets/s; failure_velocity=2.4/minCOMPUTE TIME เวลาและการเติบโตของต้นทุน flow aggregation O(P); entropy O(k); streaming ต่อ event ≈ sub-ms–ms หาก state อยู่ใน memory
ขอบเขตการตีความ รักษา source clock, NAT และ asset role; rarity ไม่เท่ากับ malicious และ alert ต้องมีบริบท
Features สำคัญ—ตั้งแต่ข้อมูลต้นทางจนเป็น Feature Contract ที่ใช้ซ้ำได้ เลือก Feature เพื่อเปิดดูข้อมูล ขั้นคำนวณ Output Contract ต้นทุนประมวลผล และขอบเขตการตีความ
01
TF–IDF term frequency × inverse document frequencyให้น้ำหนักคำที่จำเพาะต่อเอกสาร ＋ วัดอะไร และมีประโยชน์อย่างไร ให้น้ำหนักคำที่จำเพาะต่อเอกสาร
ข้อมูลนำเข้า document · token · embedding
ตัวอย่างข้อมูลขนาดเล็ก docs=100; “pipeline” appears in 4 docs; term frequency in doc=3ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ term frequency × inverse document frequencyแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ IDF=ln(100/4)=3.219; TF–IDF=3×3.219=9.657ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ tf_idf__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ TF–IDF O(tokens); transformer โดยคร่าว O(L²d) ต่อ layer; batch GPU ≈ ms–s/documentเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ภาษา การตัดคำ tokenizer และ model version เปลี่ยน feature; sentiment ข้าม domain อาจตีความผิดหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
02
Length/readability token, sentence, syllable statisticsบอกโครงสร้าง ไม่ใช่คุณภาพเนื้อหา ＋ วัดอะไร และมีประโยชน์อย่างไร บอกโครงสร้าง ไม่ใช่คุณภาพเนื้อหา
ข้อมูลนำเข้า document · token · embedding
ตัวอย่างข้อมูลขนาดเล็ก docs=100; “pipeline” appears in 4 docs; term frequency in doc=3ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ token, sentence, syllable statisticsแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ IDF=ln(100/4)=3.219; TF–IDF=3×3.219=9.657ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ length_readability__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ TF–IDF O(tokens); transformer โดยคร่าว O(L²d) ต่อ layer; batch GPU ≈ ms–s/documentเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ภาษา การตัดคำ tokenizer และ model version เปลี่ยน feature; sentiment ข้าม domain อาจตีความผิดหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
03
Sentiment score polarity/confidenceสรุปท่าทีตาม model/domain ＋ วัดอะไร และมีประโยชน์อย่างไร สรุปท่าทีตาม model/domain
ข้อมูลนำเข้า document · token · embedding
ตัวอย่างข้อมูลขนาดเล็ก docs=100; “pipeline” appears in 4 docs; term frequency in doc=3ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ polarity/confidenceแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ IDF=ln(100/4)=3.219; TF–IDF=3×3.219=9.657ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ sentiment_score__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ TF–IDF O(tokens); transformer โดยคร่าว O(L²d) ต่อ layer; batch GPU ≈ ms–s/documentเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ภาษา การตัดคำ tokenizer และ model version เปลี่ยน feature; sentiment ข้าม domain อาจตีความผิดหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
04
Named entities จำนวนและชนิดบุคคล องค์กร สถานที่สร้างสัญญาณเชิงความหมาย ＋ วัดอะไร และมีประโยชน์อย่างไร สร้างสัญญาณเชิงความหมาย
ข้อมูลนำเข้า document · token · embedding
ตัวอย่างข้อมูลขนาดเล็ก docs=100; “pipeline” appears in 4 docs; term frequency in doc=3ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ จำนวนและชนิดบุคคล องค์กร สถานที่แนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ IDF=ln(100/4)=3.219; TF–IDF=3×3.219=9.657ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ named_entities__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ TF–IDF O(tokens); transformer โดยคร่าว O(L²d) ต่อ layer; batch GPU ≈ ms–s/documentเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ภาษา การตัดคำ tokenizer และ model version เปลี่ยน feature; sentiment ข้าม domain อาจตีความผิดหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
05
Embedding dense semantic vectorเทียบความคล้ายเชิงบริบท ＋ วัดอะไร และมีประโยชน์อย่างไร เทียบความคล้ายเชิงบริบท
ข้อมูลนำเข้า document · token · embedding
ตัวอย่างข้อมูลขนาดเล็ก docs=100; “pipeline” appears in 4 docs; term frequency in doc=3ใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ dense semantic vectorแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ IDF=ln(100/4)=3.219; TF–IDF=3×3.219=9.657ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ embedding__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ TF–IDF O(tokens); transformer โดยคร่าว O(L²d) ต่อ layer; batch GPU ≈ ms–s/documentเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ ภาษา การตัดคำ tokenizer และ model version เปลี่ยน feature; sentiment ข้าม domain อาจตีความผิดหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
DATA EXAMPLE
ตัวอย่างข้อมูลขนาดเล็ก docs=100; “pipeline” appears in 4 docs; term frequency in doc=3CALCULATION
จากข้อมูลสู่ Feature IDF=ln(100/4)=3.219; TF–IDF=3×3.219=9.657COMPUTE TIME เวลาและการเติบโตของต้นทุน TF–IDF O(tokens); transformer โดยคร่าว O(L²d) ต่อ layer; batch GPU ≈ ms–s/document
Features สำคัญ—ตั้งแต่ข้อมูลต้นทางจนเป็น Feature Contract ที่ใช้ซ้ำได้ เลือก Feature เพื่อเปิดดูข้อมูล ขั้นคำนวณ Output Contract ต้นทุนประมวลผล และขอบเขตการตีความ
01
Color histogram การกระจายค่าสีต่อ channelสรุปสีโดยไม่รักษาตำแหน่ง ＋ วัดอะไร และมีประโยชน์อย่างไร สรุปสีโดยไม่รักษาตำแหน่ง
ข้อมูลนำเข้า image · region · pixel · embedding
ตัวอย่างข้อมูลขนาดเล็ก object area=400 px²; perimeter=100 px; edges=2,000/40,000 pixelsใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ การกระจายค่าสีต่อ channelแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ edge_density=5%; compactness=4πA/P²=0.503ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ color_histogram__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ histogram O(HW); convolution ≈ O(HWk²CinCout); GPU inference ≈ ms–100ms/imageเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ resize, crop, lighting และ camera domain เป็นส่วนหนึ่งของนิยาม Feature ไม่ใช่ preprocessing ที่มองข้ามได้หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
02
Edge density edge pixels/all pixelsแทนความซับซ้อนของเส้นขอบ ＋ วัดอะไร และมีประโยชน์อย่างไร แทนความซับซ้อนของเส้นขอบ
ข้อมูลนำเข้า image · region · pixel · embedding
ตัวอย่างข้อมูลขนาดเล็ก object area=400 px²; perimeter=100 px; edges=2,000/40,000 pixelsใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ edge pixels/all pixelsแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ edge_density=5%; compactness=4πA/P²=0.503ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ edge_density__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ histogram O(HW); convolution ≈ O(HWk²CinCout); GPU inference ≈ ms–100ms/imageเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ resize, crop, lighting และ camera domain เป็นส่วนหนึ่งของนิยาม Feature ไม่ใช่ preprocessing ที่มองข้ามได้หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
03
Texture LBP/GLCM contrast, homogeneityอ่านพื้นผิวและรูปแบบซ้ำ ＋ วัดอะไร และมีประโยชน์อย่างไร อ่านพื้นผิวและรูปแบบซ้ำ
ข้อมูลนำเข้า image · region · pixel · embedding
ตัวอย่างข้อมูลขนาดเล็ก object area=400 px²; perimeter=100 px; edges=2,000/40,000 pixelsใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ LBP/GLCM contrast, homogeneityแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ edge_density=5%; compactness=4πA/P²=0.503ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ texture__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ histogram O(HW); convolution ≈ O(HWk²CinCout); GPU inference ≈ ms–100ms/imageเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ resize, crop, lighting และ camera domain เป็นส่วนหนึ่งของนิยาม Feature ไม่ใช่ preprocessing ที่มองข้ามได้หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
04
Shape descriptors area, perimeter, compactnessตีความรูปทรงของ region ＋ วัดอะไร และมีประโยชน์อย่างไร ตีความรูปทรงของ region
ข้อมูลนำเข้า image · region · pixel · embedding
ตัวอย่างข้อมูลขนาดเล็ก object area=400 px²; perimeter=100 px; edges=2,000/40,000 pixelsใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ area, perimeter, compactnessแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ edge_density=5%; compactness=4πA/P²=0.503ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ shape_descriptors__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ histogram O(HW); convolution ≈ O(HWk²CinCout); GPU inference ≈ ms–100ms/imageเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ resize, crop, lighting และ camera domain เป็นส่วนหนึ่งของนิยาม Feature ไม่ใช่ preprocessing ที่มองข้ามได้หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
05
CNN embedding vector จากชั้นลึกแทนลักษณะภาพระดับสูง ＋ วัดอะไร และมีประโยชน์อย่างไร แทนลักษณะภาพระดับสูง
ข้อมูลนำเข้า image · region · pixel · embedding
ตัวอย่างข้อมูลขนาดเล็ก object area=400 px²; perimeter=100 px; edges=2,000/40,000 pixelsใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ vector จากชั้นลึกแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ edge_density=5%; compactness=4πA/P²=0.503ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ cnn_embedding__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ histogram O(HW); convolution ≈ O(HWk²CinCout); GPU inference ≈ ms–100ms/imageเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ resize, crop, lighting และ camera domain เป็นส่วนหนึ่งของนิยาม Feature ไม่ใช่ preprocessing ที่มองข้ามได้หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
DATA EXAMPLE
ตัวอย่างข้อมูลขนาดเล็ก object area=400 px²; perimeter=100 px; edges=2,000/40,000 pixelsCALCULATION
จากข้อมูลสู่ Feature edge_density=5%; compactness=4πA/P²=0.503COMPUTE TIME เวลาและการเติบโตของต้นทุน histogram O(HW); convolution ≈ O(HWk²CinCout); GPU inference ≈ ms–100ms/image
ขอบเขตการตีความ resize, crop, lighting และ camera domain เป็นส่วนหนึ่งของนิยาม Feature ไม่ใช่ preprocessing ที่มองข้ามได้
Features สำคัญ—ตั้งแต่ข้อมูลต้นทางจนเป็น Feature Contract ที่ใช้ซ้ำได้ เลือก Feature เพื่อเปิดดูข้อมูล ขั้นคำนวณ Output Contract ต้นทุนประมวลผล และขอบเขตการตีความ
01
Rolling mean/std ระดับและความผันผวนใน windowลด noise และเห็น regime ＋ วัดอะไร และมีประโยชน์อย่างไร ลด noise และเห็น regime
ข้อมูลนำเข้า telemetry · event stream · device
ตัวอย่างข้อมูลขนาดเล็ก temperature=[20,22,23,25]; timestamps every minute; one 5-min gapใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ ระดับและความผันผวนใน windowแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ mean=22.5; slope=(25−20)/3=1.67°C/min; gap_flag=1ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ rolling_mean_std__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ rolling incremental O(1)/event; FFT O(N log N); edge latency µs–ms/featureเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ resampling ต้องระบุ timezone, late event และ gap policy; interpolate อาจสร้างเหตุการณ์ที่ไม่เคยเกิดหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
02
Lag features x(t−1), x(t−k)เก็บความจำของระบบ ＋ วัดอะไร และมีประโยชน์อย่างไร เก็บความจำของระบบ
ข้อมูลนำเข้า telemetry · event stream · device
ตัวอย่างข้อมูลขนาดเล็ก temperature=[20,22,23,25]; timestamps every minute; one 5-min gapใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ x(t−1), x(t−k)แนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ mean=22.5; slope=(25−20)/3=1.67°C/min; gap_flag=1ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ lag_features__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ rolling incremental O(1)/event; FFT O(N log N); edge latency µs–ms/featureเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ resampling ต้องระบุ timezone, late event และ gap policy; interpolate อาจสร้างเหตุการณ์ที่ไม่เคยเกิดหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
03
Rate of change Δx/Δtเห็นการเปลี่ยนเร็วผิดปกติ ＋ วัดอะไร และมีประโยชน์อย่างไร เห็นการเปลี่ยนเร็วผิดปกติ
ข้อมูลนำเข้า telemetry · event stream · device
ตัวอย่างข้อมูลขนาดเล็ก temperature=[20,22,23,25]; timestamps every minute; one 5-min gapใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ Δx/Δtแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ mean=22.5; slope=(25−20)/3=1.67°C/min; gap_flag=1ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ rate_of_change__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ rolling incremental O(1)/event; FFT O(N log N); edge latency µs–ms/featureเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ resampling ต้องระบุ timezone, late event และ gap policy; interpolate อาจสร้างเหตุการณ์ที่ไม่เคยเกิดหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
04
Missingness gap length, missing ratioคุณภาพ sensor เป็นสัญญาณหนึ่ง ＋ วัดอะไร และมีประโยชน์อย่างไร คุณภาพ sensor เป็นสัญญาณหนึ่ง
ข้อมูลนำเข้า telemetry · event stream · device
ตัวอย่างข้อมูลขนาดเล็ก temperature=[20,22,23,25]; timestamps every minute; one 5-min gapใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ gap length, missing ratioแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ mean=22.5; slope=(25−20)/3=1.67°C/min; gap_flag=1ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ missingness__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ rolling incremental O(1)/event; FFT O(N log N); edge latency µs–ms/featureเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ resampling ต้องระบุ timezone, late event และ gap policy; interpolate อาจสร้างเหตุการณ์ที่ไม่เคยเกิดหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
05
Spectral energy พลังงานตามย่านความถี่จับวงจรที่ time domain มองยาก ＋ วัดอะไร และมีประโยชน์อย่างไร จับวงจรที่ time domain มองยาก
ข้อมูลนำเข้า telemetry · event stream · device
ตัวอย่างข้อมูลขนาดเล็ก temperature=[20,22,23,25]; timestamps every minute; one 5-min gapใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ พลังงานตามย่านความถี่แนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ mean=22.5; slope=(25−20)/3=1.67°C/min; gap_flag=1ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ spectral_energy__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ rolling incremental O(1)/event; FFT O(N log N); edge latency µs–ms/featureเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ resampling ต้องระบุ timezone, late event และ gap policy; interpolate อาจสร้างเหตุการณ์ที่ไม่เคยเกิดหนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
DATA EXAMPLE
ตัวอย่างข้อมูลขนาดเล็ก temperature=[20,22,23,25]; timestamps every minute; one 5-min gapCALCULATION
จากข้อมูลสู่ Feature mean=22.5; slope=(25−20)/3=1.67°C/min; gap_flag=1COMPUTE TIME เวลาและการเติบโตของต้นทุน rolling incremental O(1)/event; FFT O(N log N); edge latency µs–ms/feature
ขอบเขตการตีความ resampling ต้องระบุ timezone, late event และ gap policy; interpolate อาจสร้างเหตุการณ์ที่ไม่เคยเกิด
Features สำคัญ—ตั้งแต่ข้อมูลต้นทางจนเป็น Feature Contract ที่ใช้ซ้ำได้ เลือก Feature เพื่อเปิดดูข้อมูล ขั้นคำนวณ Output Contract ต้นทุนประมวลผล และขอบเขตการตีความ
01
Haversine distance ระยะบนทรงกลมระหว่างพิกัดวัดการเคลื่อนที่ทางภูมิศาสตร์ ＋ วัดอะไร และมีประโยชน์อย่างไร วัดการเคลื่อนที่ทางภูมิศาสตร์
ข้อมูลนำเข้า coordinate · trajectory · region
ตัวอย่างข้อมูลขนาดเล็ก A=(13.7563,100.5018), B≈1 km east, elapsed=120 secใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ ระยะบนทรงกลมระหว่างพิกัดแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ distance≈1,000m; speed≈8.33m/s≈30km/hตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ haversine_distance__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ distance O(N); spatial join index ≈ O(N log M); naive pairwise O(NM)เวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ GPS accuracy, map matching และ privacy มีผลต่อการตีความ; cell boundary ทำให้จุดใกล้กันอยู่คนละกลุ่มได้หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
02
Speed/acceleration distance/time และ Δspeed/timeอ่านรูปแบบการเดินทาง ＋ วัดอะไร และมีประโยชน์อย่างไร อ่านรูปแบบการเดินทาง
ข้อมูลนำเข้า coordinate · trajectory · region
ตัวอย่างข้อมูลขนาดเล็ก A=(13.7563,100.5018), B≈1 km east, elapsed=120 secใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ distance/time และ Δspeed/timeแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ distance≈1,000m; speed≈8.33m/s≈30km/hตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ speed_acceleration__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ distance O(N); spatial join index ≈ O(N log M); naive pairwise O(NM)เวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ GPS accuracy, map matching และ privacy มีผลต่อการตีความ; cell boundary ทำให้จุดใกล้กันอยู่คนละกลุ่มได้หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
03
Geohash/H3 cell รหัสพื้นที่หลาย resolutionรวมข้อมูลเชิงพื้นที่อย่างมีสเกล ＋ วัดอะไร และมีประโยชน์อย่างไร รวมข้อมูลเชิงพื้นที่อย่างมีสเกล
ข้อมูลนำเข้า coordinate · trajectory · region
ตัวอย่างข้อมูลขนาดเล็ก A=(13.7563,100.5018), B≈1 km east, elapsed=120 secใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ รหัสพื้นที่หลาย resolutionแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ distance≈1,000m; speed≈8.33m/s≈30km/hตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ geohash_h3_cell__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ distance O(N); spatial join index ≈ O(N log M); naive pairwise O(NM)เวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ GPS accuracy, map matching และ privacy มีผลต่อการตีความ; cell boundary ทำให้จุดใกล้กันอยู่คนละกลุ่มได้หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
04
POI density จำนวนจุดสนใจใน radiusแทนบริบทของพื้นที่ ＋ วัดอะไร และมีประโยชน์อย่างไร แทนบริบทของพื้นที่
ข้อมูลนำเข้า coordinate · trajectory · region
ตัวอย่างข้อมูลขนาดเล็ก A=(13.7563,100.5018), B≈1 km east, elapsed=120 secใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ จำนวนจุดสนใจใน radiusแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ distance≈1,000m; speed≈8.33m/s≈30km/hตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ poi_density__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ distance O(N); spatial join index ≈ O(N log M); naive pairwise O(NM)เวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ GPS accuracy, map matching และ privacy มีผลต่อการตีความ; cell boundary ทำให้จุดใกล้กันอยู่คนละกลุ่มได้หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
05
Dwell time เวลาที่อยู่ในพื้นที่แยกผ่านทางออกจากการหยุด ＋ วัดอะไร และมีประโยชน์อย่างไร แยกผ่านทางออกจากการหยุด
ข้อมูลนำเข้า coordinate · trajectory · region
ตัวอย่างข้อมูลขนาดเล็ก A=(13.7563,100.5018), B≈1 km east, elapsed=120 secใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ เวลาที่อยู่ในพื้นที่แนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ distance≈1,000m; speed≈8.33m/s≈30km/hตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ dwell_time__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ distance O(N); spatial join index ≈ O(N log M); naive pairwise O(NM)เวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ GPS accuracy, map matching และ privacy มีผลต่อการตีความ; cell boundary ทำให้จุดใกล้กันอยู่คนละกลุ่มได้หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
DATA EXAMPLE
ตัวอย่างข้อมูลขนาดเล็ก A=(13.7563,100.5018), B≈1 km east, elapsed=120 secCALCULATION
จากข้อมูลสู่ Feature distance≈1,000m; speed≈8.33m/s≈30km/hCOMPUTE TIME เวลาและการเติบโตของต้นทุน distance O(N); spatial join index ≈ O(N log M); naive pairwise O(NM)
ขอบเขตการตีความ GPS accuracy, map matching และ privacy มีผลต่อการตีความ; cell boundary ทำให้จุดใกล้กันอยู่คนละกลุ่มได้
Features สำคัญ—ตั้งแต่ข้อมูลต้นทางจนเป็น Feature Contract ที่ใช้ซ้ำได้ เลือก Feature เพื่อเปิดดูข้อมูล ขั้นคำนวณ Output Contract ต้นทุนประมวลผล และขอบเขตการตีความ
01
Mastery estimate correct/attempts แยกทักษะบอกหลักฐานความเข้าใจราย concept ＋ วัดอะไร และมีประโยชน์อย่างไร บอกหลักฐานความเข้าใจราย concept
ข้อมูลนำเข้า activity · assessment · sequence
ตัวอย่างข้อมูลขนาดเล็ก answers=[0,1,1,1]; times=[50,42,35,31] sec; concept=OSI routingใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ correct/attempts แยกทักษะแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ mastery=3/4=75%; time slope=(31−50)/3=−6.33 sec/attemptตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ mastery_estimate__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ aggregation O(events); sequence model O(L)–O(L²); dashboard มัก sub-second หลัง aggregateเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ คะแนนคือหลักฐานบางส่วน ไม่ใช่ตัวตนผู้เรียน; ปกป้องข้อมูลและแยก “ยังไม่เรียน” จาก “ทำไม่ได้”หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
02
Response time เวลาอ่านและตอบแยกความคล่องจากการเดาได้บางส่วน ＋ วัดอะไร และมีประโยชน์อย่างไร แยกความคล่องจากการเดาได้บางส่วน
ข้อมูลนำเข้า activity · assessment · sequence
ตัวอย่างข้อมูลขนาดเล็ก answers=[0,1,1,1]; times=[50,42,35,31] sec; concept=OSI routingใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ เวลาอ่านและตอบแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ mastery=3/4=75%; time slope=(31−50)/3=−6.33 sec/attemptตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ response_time__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ aggregation O(events); sequence model O(L)–O(L²); dashboard มัก sub-second หลัง aggregateเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ คะแนนคือหลักฐานบางส่วน ไม่ใช่ตัวตนผู้เรียน; ปกป้องข้อมูลและแยก “ยังไม่เรียน” จาก “ทำไม่ได้”หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
03
Attempt trajectory คะแนน/ความผิดพลาดตามลำดับเห็นการพัฒนา ไม่ใช่เพียงคะแนนสุดท้าย ＋ วัดอะไร และมีประโยชน์อย่างไร เห็นการพัฒนา ไม่ใช่เพียงคะแนนสุดท้าย
ข้อมูลนำเข้า activity · assessment · sequence
ตัวอย่างข้อมูลขนาดเล็ก answers=[0,1,1,1]; times=[50,42,35,31] sec; concept=OSI routingใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ คะแนน/ความผิดพลาดตามลำดับแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ mastery=3/4=75%; time slope=(31−50)/3=−6.33 sec/attemptตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ attempt_trajectory__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ aggregation O(events); sequence model O(L)–O(L²); dashboard มัก sub-second หลัง aggregateเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ คะแนนคือหลักฐานบางส่วน ไม่ใช่ตัวตนผู้เรียน; ปกป้องข้อมูลและแยก “ยังไม่เรียน” จาก “ทำไม่ได้”หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
04
Spacing ช่วงห่างระหว่างการทบทวนอธิบายรูปแบบการฝึก ＋ วัดอะไร และมีประโยชน์อย่างไร อธิบายรูปแบบการฝึก
ข้อมูลนำเข้า activity · assessment · sequence
ตัวอย่างข้อมูลขนาดเล็ก answers=[0,1,1,1]; times=[50,42,35,31] sec; concept=OSI routingใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ ช่วงห่างระหว่างการทบทวนแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ mastery=3/4=75%; time slope=(31−50)/3=−6.33 sec/attemptตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ spacing__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ aggregation O(events); sequence model O(L)–O(L²); dashboard มัก sub-second หลัง aggregateเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ คะแนนคือหลักฐานบางส่วน ไม่ใช่ตัวตนผู้เรียน; ปกป้องข้อมูลและแยก “ยังไม่เรียน” จาก “ทำไม่ได้”หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
05
Misconception pattern distribution ของ distractorบอกว่าเข้าใจผิดอย่างไร ＋ วัดอะไร และมีประโยชน์อย่างไร บอกว่าเข้าใจผิดอย่างไร
ข้อมูลนำเข้า activity · assessment · sequence
ตัวอย่างข้อมูลขนาดเล็ก answers=[0,1,1,1]; times=[50,42,35,31] sec; concept=OSI routingใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ distribution ของ distractorแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ mastery=3/4=75%; time slope=(31−50)/3=−6.33 sec/attemptตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ misconception_pattern__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ aggregation O(events); sequence model O(L)–O(L²); dashboard มัก sub-second หลัง aggregateเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ คะแนนคือหลักฐานบางส่วน ไม่ใช่ตัวตนผู้เรียน; ปกป้องข้อมูลและแยก “ยังไม่เรียน” จาก “ทำไม่ได้”หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
DATA EXAMPLE
ตัวอย่างข้อมูลขนาดเล็ก answers=[0,1,1,1]; times=[50,42,35,31] sec; concept=OSI routingCALCULATION
จากข้อมูลสู่ Feature mastery=3/4=75%; time slope=(31−50)/3=−6.33 sec/attemptCOMPUTE TIME เวลาและการเติบโตของต้นทุน aggregation O(events); sequence model O(L)–O(L²); dashboard มัก sub-second หลัง aggregate
Features สำคัญ—ตั้งแต่ข้อมูลต้นทางจนเป็น Feature Contract ที่ใช้ซ้ำได้ เลือก Feature เพื่อเปิดดูข้อมูล ขั้นคำนวณ Output Contract ต้นทุนประมวลผล และขอบเขตการตีความ
01
Load factor average load/peak loadบอกความสม่ำเสมอของการใช้กำลัง ＋ วัดอะไร และมีประโยชน์อย่างไร บอกความสม่ำเสมอของการใช้กำลัง
ข้อมูลนำเข้า meter · weather · tariff · grid
ตัวอย่างข้อมูลขนาดเล็ก hourly load=[80,100,120,100] MW; renewable=90 MWh; total=400 MWhใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ average load/peak loadแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ avg=100; peak=120; load_factor=0.833; renewable_share=22.5%ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ load_factor__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ aggregation O(T); forecast features across S sites O(ST); streaming ≈ ms/eventเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ อากาศ วันหยุด tariff และ outage ต้องตรงตามเวลาที่รู้จริง; meter revision ต้อง version ได้หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
02
Ramp rate ΔMW/Δtimeวัดความเร็วที่ระบบต้องปรับตัว ＋ วัดอะไร และมีประโยชน์อย่างไร วัดความเร็วที่ระบบต้องปรับตัว
ข้อมูลนำเข้า meter · weather · tariff · grid
ตัวอย่างข้อมูลขนาดเล็ก hourly load=[80,100,120,100] MW; renewable=90 MWh; total=400 MWhใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ ΔMW/Δtimeแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ avg=100; peak=120; load_factor=0.833; renewable_share=22.5%ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ ramp_rate__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ aggregation O(T); forecast features across S sites O(ST); streaming ≈ ms/eventเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ อากาศ วันหยุด tariff และ outage ต้องตรงตามเวลาที่รู้จริง; meter revision ต้อง version ได้หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
03
Degree hours ความต่างอุณหภูมิจากฐานสะสมแทน demand จากอากาศ ＋ วัดอะไร และมีประโยชน์อย่างไร แทน demand จากอากาศ
ข้อมูลนำเข้า meter · weather · tariff · grid
ตัวอย่างข้อมูลขนาดเล็ก hourly load=[80,100,120,100] MW; renewable=90 MWh; total=400 MWhใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ ความต่างอุณหภูมิจากฐานสะสมแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ avg=100; peak=120; load_factor=0.833; renewable_share=22.5%ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ degree_hours__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ aggregation O(T); forecast features across S sites O(ST); streaming ≈ ms/eventเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ อากาศ วันหยุด tariff และ outage ต้องตรงตามเวลาที่รู้จริง; meter revision ต้อง version ได้หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
04
Peak/off-peak ratio พลังงานช่วง peak/off-peakอ่านรูปแบบเวลาและ tariff ＋ วัดอะไร และมีประโยชน์อย่างไร อ่านรูปแบบเวลาและ tariff
ข้อมูลนำเข้า meter · weather · tariff · grid
ตัวอย่างข้อมูลขนาดเล็ก hourly load=[80,100,120,100] MW; renewable=90 MWh; total=400 MWhใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ พลังงานช่วง peak/off-peakแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ avg=100; peak=120; load_factor=0.833; renewable_share=22.5%ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ peak_off-peak_ratio__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ aggregation O(T); forecast features across S sites O(ST); streaming ≈ ms/eventเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ อากาศ วันหยุด tariff และ outage ต้องตรงตามเวลาที่รู้จริง; meter revision ต้อง version ได้หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
05
Renewable share renewable/total generationบริบทความผันผวนของ supply ＋ วัดอะไร และมีประโยชน์อย่างไร บริบทความผันผวนของ supply
ข้อมูลนำเข้า meter · weather · tariff · grid
ตัวอย่างข้อมูลขนาดเล็ก hourly load=[80,100,120,100] MW; renewable=90 MWh; total=400 MWhใช้เฉพาะ Record ที่มีอยู่จริง ณ Feature Timestamp ขั้นตอนคำนวณ กรอง Entity และ Time Window ที่กำหนด ตรวจหน่วย Missing Value และค่าที่เป็นไปไม่ได้ renewable/total generationแนบ Timestamp, Parameter และ Code Version
ตัวอย่างผลคำนวณ avg=100; peak=120; load_factor=0.833; renewable_share=22.5%ตัวอย่างย่อเพื่อเห็นวิธีคิด ข้อมูลจริงต้องมี Validation และ Reference Window ที่เหมาะสม
รูปแบบผลลัพธ์ renewable_share__valueentity_id · as_of · available_at · window · unit · versionMetadata ทำให้สร้างค่าซ้ำและเปรียบเทียบกันได้
เวลาและต้นทุนคำนวณ aggregation O(T); forecast features across S sites O(ST); streaming ≈ ms/eventเวลาจริงขึ้นกับ Volume, Window, Index, Hardware, Implementation และการใช้ผลกลางซ้ำ จึงต้อง Benchmark บนระบบเป้าหมาย
ขอบเขตการตีความ อากาศ วันหยุด tariff และ outage ต้องตรงตามเวลาที่รู้จริง; meter revision ต้อง version ได้หนึ่ง Feature คือหลักฐานหนึ่งชิ้น ไม่ใช่สภาวะทั้งหมดของคน เครื่องจักร ตลาด หรือระบบ
DATA EXAMPLE
ตัวอย่างข้อมูลขนาดเล็ก hourly load=[80,100,120,100] MW; renewable=90 MWh; total=400 MWhCALCULATION
จากข้อมูลสู่ Feature avg=100; peak=120; load_factor=0.833; renewable_share=22.5%COMPUTE TIME เวลาและการเติบโตของต้นทุน aggregation O(T); forecast features across S sites O(ST); streaming ≈ ms/event