<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Junjaow Natthida on Medium]]></title>
        <description><![CDATA[Stories by Junjaow Natthida on Medium]]></description>
        <link>https://medium.com/@junjaownatthida?source=rss-220bd61d2f3c------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*5qM5Lhwfp51KxbIc</url>
            <title>Stories by Junjaow Natthida on Medium</title>
            <link>https://medium.com/@junjaownatthida?source=rss-220bd61d2f3c------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 19:35:44 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@junjaownatthida/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[วิเคราะห์ยอดขายด้วย Python (Time Series Analysis)]]></title>
            <link>https://medium.com/@junjaownatthida/%E0%B8%A7%E0%B8%B4%E0%B9%80%E0%B8%84%E0%B8%A3%E0%B8%B2%E0%B8%B0%E0%B8%AB%E0%B9%8C%E0%B8%A2%E0%B8%AD%E0%B8%94%E0%B8%82%E0%B8%B2%E0%B8%A2%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-python-time-series-analysis-e05bfac0794e?source=rss-220bd61d2f3c------2</link>
            <guid isPermaLink="false">https://medium.com/p/e05bfac0794e</guid>
            <dc:creator><![CDATA[Junjaow Natthida]]></dc:creator>
            <pubDate>Thu, 22 Jun 2023 18:01:51 GMT</pubDate>
            <atom:updated>2023-06-23T03:01:04.006Z</atom:updated>
            <content:encoded><![CDATA[<p>แต่ก่อนที่เราจะไปวิเคราะห์ยอดขายกัน เรามารู้จักกับ Time Series Analysis กันก่อนนะคะ</p><h3><strong>Time series analysis (Trend forecasting)</strong></h3><p>เป็นการคาดเดา pattern ในอนาคตของข้อมูล ทำให้เราสามารถตัดสินใจทางธุรกิจได้อย่างชาญฉลาดยิ่งขึ้น ด้วยการวิเคราะห์ข้อมูลในอดีต ทำให้เราได้รับ insight อันมีค่าเกี่ยวกับพฤติกรรมของลูกค้า การเปลี่ยนแปลงของตลาด และการเปลี่ยนแปลงของอุตสาหกรรม สิ่งนี้ช่วยให้เรานำหน้าคู่แข่งและตัดสินใจได้อย่างชาญฉลาด</p><p>ลองคิดดูสิคะ หากคุณเป็นเจ้าของร้านขายของ Trend forecasting จะช่วยให้คุณวางแผนสินค้าคงคลังได้อย่างมีประสิทธิภาพ ด้วยการวิเคราะห์ข้อมูลการขายที่ผ่านมา คุณสามารถคาดการณ์ได้ว่าสินค้าใดจะเป็นที่ต้องการสูง, จำนวนสินค้าคงคลังที่ต้องสั่งซื้อ และเมื่อใดที่จะสั่งซื้อ สิ่งนี้ช่วยให้คุณเพิ่มประสิทธิภาพของทรัพยากร, ลดของเสีย และเพิ่มความพึงพอใจสูงสุดแก่ลูกค้า</p><p><strong>Trend forecasting</strong> ไม่จำกัดเฉพาะการขายปลีก แต่ใช้กับอุตสาหกรรมอื่นๆได้อีกมากมาย เช่น การเงิน การดูแลสุขภาพ และเทคโนโลยี ตัวอย่างเช่น ใน<strong>ด้านการเงิน</strong> Trend forecasting สามารถช่วยทำนายแนวโน้มของตลาดหุ้น และชี้แนะกลยุทธ์การลงทุนได้ ใน<strong>ด้านการดูแลสุขภาพ</strong> สามารถช่วยในการคาดการณ์การระบาดของโรคและการจัดสรรทรัพยากร และใน<strong>ด้านเทคโนโลยี</strong> มันสามารถช่วยในการคาดเดาความชอบของผู้ใช้ และกำหนดรูปแบบการพัฒนาผลิตภัณฑ์</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZlTCBv1WGW9lTjIQIYR1Tg.jpeg" /></figure><h3>ขั้นตอนหลักๆ</h3><ol><li><strong>Data Collection</strong> สิ่งสำคัญคือต้องระบุแหล่งข้อมูลที่เกี่ยวข้อง ซึ่งให้ข้อมูลที่จำเป็นสำหรับ Trend forecasting แก่เรา โดยข้อมูลที่นำมาจะต้องมีข้อมูลของ Timestamp ด้วย เช่น ข้อมูลการขายในอดีต, ข้อมูลพฤติกรรมของลูกค้า หรือแม้แต่รายงานแนวโน้มตลาด คุณภาพและความถูกต้องของข้อมูลที่นำมาใช้จะส่งผลต่อความแม่นยำของ Forecasting</li><li><strong>Preprocessing</strong> ขั้นตอนนี้เราจะจัดการ Missing Value, Outlier หรือความไม่สอดคล้องกันในข้อมูล เราต้องการให้แน่ใจว่าชุดข้อมูลของเราสะอาด และเชื่อถือได้ก่อนที่จะดำเนินการต่อไป</li><li><strong>Time Series Analysis</strong> ส่วนนี้เราใช้เทคนิคต่างๆ เพื่อวิเคราะห์ข้อมูลและค้นพบรูปแบบหรือแนวโน้ม เทคนิคที่ใช้กันทั่วไป ได้แก่ Moving Averages, Exponential Smoothing หรือโมเดลขั้นสูงอื่นๆ เช่น ARIMA (AutoRegressive Integrated Moving Average) เทคนิคเหล่านี้ช่วยให้เราเข้าใจ patern และ dynamics ภายในข้อมูล</li><li><strong>Forecasting</strong> จาก Insight ที่ได้รับจากการ <strong>Time Series Analysis</strong> เราสามารถสร้าง Trend Forecadting สำหรับอนาคตได้แล้ว การคาดการณ์นี้ทำให้เรามองเห็นสิ่งที่จะเกิดขึ้นในอนาคต ทำให้เราสามารถตัดสินใจ และวางแผนล่วงหน้าได้</li></ol><p><strong>NOTE </strong>: ความแม่นยำของ Forecasting ขึ้นอยู่กับคุณภาพของข้อมูลของเรา, การวิเคราะห์อย่างละเอียดถี่ถ้วน และความเหมาะสมของเทคนิคการวิเคราะห์ข้อมูลที่ใช้ เป็นกระบวนการที่ควรทำซ้ำ จึงต้องการการปรับแต่ง และ Evaluation อย่างต่อเนื่อง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Um3l8HWZc4AfAc39ZsuyVA.jpeg" /></figure><h3>ประโยชน์</h3><ol><li>ช่วยให้สามารถ<strong>ตัดสินใจเชิงกลยุทธ์</strong>ได้ ด้วยการวิเคราะห์รูปแบบในอดีตและการประมาณการในอนาคต ธุรกิจสามารถตัดสินใจอย่างชาญฉลาดเกี่ยวกับการพัฒนาผลิตภัณฑ์, การจัดการสินค้าคงคลัง และกลยุทธ์ทางการตลาด ซึ่งช่วยให้ธุรกิจของเรานำหน้าคู่แข่ง และตอบสนองต่อความต้องการของตลาดได้อย่างมีประสิทธิภาพ</li><li>ทำให้เกิด<strong>ความได้เปรียบในการแข่งขัน</strong> ด้วยการทำนายแนวโน้มของตลาด และความพึงพอใจของลูกค้าอย่างแม่นยำ ธุรกิจสามารถวางตัวเหนือคู่แข่งได้ Insight ที่ได้จะช่วยให้พวกเขาคิดข้อเสนอ, แคมเปญการตลาด และประสบการณ์ของลูกค้า เพื่อตอบสนองความต้องการที่เปลี่ยนแปลง ซึ่งท้ายที่สุดแล้วสามารถดึงดูดและรักษาลูกค้าได้มากขึ้น</li><li><strong>ลดความเสี่ยง</strong> ด้วยการระบุความเสี่ยงที่อาจเกิดขึ้น และความผันผวนของตลาดล่วงหน้า ธุรกิจสามารถหากลยุทธ์มาเพื่อลดความเสี่ยงเหล่านี้ได้ ซึ่งอาจเกี่ยวข้องกับการปรับระดับการผลิต, การนำเสนอผลิตภัณฑ์ที่หลากหลาย หรือการดำเนินการตามแผนฉุกเฉิน การก้าวนำหน้าความท้าทายที่อาจเกิดขึ้น ธุรกิจสามารถลดการหยุดชะงักและรักษาเสถียรภาพได้</li><li>ช่วย<strong>ปรับปรุงการจัดสรรทรัพยากรที่ดีขึ้น</strong> การปรับการผลิต, การจัดหาพนักงาน และสินค้าคงคลังให้สอดคล้องกับแนวโน้มที่คาดการณ์ไว้ ธุรกิจสามารถเพิ่มประสิทธิภาพการจัดสรรทรัพยากรได้ สิ่งนี้ช่วยหลีกเลี่ยงการผลิตเกินหรือขาดสต็อก ทำให้ประหยัดต้นทุนและปรับปรุงประสิทธิภาพการดำเนินงาน</li></ol><p><strong>Summary</strong> : Trend Forecasting ช่วยเพิ่มความสามารถในการแข่งขัน, ลดความเสี่ยง และเพิ่มประสิทธิภาพการดำเนินงานของธุรกิจ</p><p>เอาล่ะค่ะ มาถึง Part ของการลงมือทำแล้วนะคะ เราจะลองสวมบทบาทเป็นเจ้าของร้านกันดูค่ะ ซึ่งในร้านของเราได้เก็บ<a href="https://docs.google.com/spreadsheets/d/1gPh_x67rY_hKzhw9wnoBy6UC_jPkWGQa/edit?usp=sharing&amp;ouid=105780052902811231295&amp;rtpof=true&amp;sd=true">ข้อมูล</a>ไว้ดังนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*E1q8Dl9BCScbUJeHO0isUA.png" /></figure><p>มันทำให้เราสงสัยว่ายอดขายในปีข้างหน้าจะเป็นอย่าง? ในแต่ละปีช่วงเดือนไหนที่เราควรจะสต็อกสินค้าประเภทนี้เพิ่มมากขึ้น หรือลดลง?</p><p>เอาละเรามาโฟกัสกันแค่ Category : <strong>Office Supplie</strong>s กันก่อนนะคะ</p><h3><strong>Data Collection</strong></h3><pre>#ส่วนนี้เราก็จะนำข้อมูลจาก drive เข้ามาด้วย .mount แล้วแปลงข้อมูลเป็น dataframe ด้วย pandas<br>from google.colab import drive<br>drive.mount(&#39;/content/drive&#39;)<br><br>import pandas as pd<br>df = pd.read_excel(&#39;/content/drive/MyDrive/Project/store.xls&#39;)</pre><pre>#ตรวจสอบว่า column&#39;Category&#39; เก็บค่าที่แตกต่างกันอะไรไว้บ้าง<br>unique_categories = df[&#39;Category&#39;].unique()<br>unique_categories</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/570/1*BqT0i-7KFA8gdMhIaDIELw.png" /></figure><p>เมื่อเราตรวจสอบ Category ก็พบว่ามีอยู่เพียงแค่ 3 ค่า นั่นก็คือ ‘Furniture’, ‘Office Supplies’, ‘Technology’</p><pre>#สร้าง dataframe ที่เก็บเฉพาะข้อมูลที่สนใจ<br>office_supplies = df.loc[df[&#39;Category&#39;] == &#39;Office Supplies&#39;]<br>office_supplies</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xIreMbPWcyiD2dd_sGEIAQ.png" /></figure><p>เราก็จะได้ข้อมูลของ Office Supplies มาเรียบร้อยค่ะ</p><h3><strong>Preprocessing</strong></h3><p>เราจะทำการลบคอลัมน์ที่เราไม่ได้นำมาใช้ในการวิเคราะห์ออก , ตรวจสอบ missing value , รวมยอดขายตามวันที่</p><pre>#ลบคอลัมน์ที่เราไม่ได้นำมาใช้ในการวิเคราะห์ออก<br>cols = [&#39;Row ID&#39;, &#39;Order ID&#39;, &#39;Ship Date&#39;, &#39;Ship Mode&#39;, &#39;Customer ID&#39;, &#39;Customer Name&#39;, &#39;Segment&#39;, &#39;Country&#39;, &#39;City&#39;, &#39;State&#39;, &#39;Postal Code&#39;, &#39;Region&#39;, &#39;Product ID&#39;, &#39;Category&#39;, &#39;Sub-Category&#39;, &#39;Product Name&#39;, &#39;Quantity&#39;, &#39;Discount&#39;, &#39;Profit&#39;]<br>office_supplies.drop(cols, axis=1, inplace=True)</pre><pre>#ตรวจสอบ missing value<br>office_supplies = office_supplies.sort_values(&#39;Order Date&#39;)<br>office_supplies.isnull().sum()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/727/1*ZADDx7T5fnOyAmHTWwnRvg.png" /></figure><pre>#รวมยอดขายตามวันที่<br>office_supplies = office_supplies.groupby(&#39;Order Date&#39;)[&#39;Sales&#39;].sum().reset_index()</pre><pre>office_supplies</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/293/1*6aCt0DhRk2iqxud3Cj7u0Q.png" /></figure><p>เราก็จะได้ข้อมูลของ Office Suppies ที่พร้อมใช้งานแบบนี้ค่ะ</p><h3><strong>Time Series Analysis</strong></h3><p>ก่อนอื่นเราจะมาลอง visualizing ข้อมูลชุดนี้ดูว่ามีลักษณะเป็นอย่างไรนะคะ</p><pre>import matplotlib.pyplot as plt<br>import statsmodels.api as sm</pre><pre>office_supplies = office_supplies.set_index(&#39;Order Date&#39;)<br>y = office_supplies[&#39;Sales&#39;].resample(&#39;MS&#39;).mean()<br>y.plot(figsize=(15, 6))<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cgf0NO08rUOUTmVM4im4Zg.png" /></figure><p>และเราจะใช้เทคนิค <strong>Time Series Decomposition</strong> ซึ่งทำให้เราสามารถแยกย่อย Time series ของเราออกเป็นสามองค์ประกอบที่แตกต่างกัน ได้แก่ trend, seasonality, and noise</p><pre>from pylab import rcParams<br>rcParams[&#39;figure.figsize&#39;] = 18, 8<br>decomposition = sm.tsa.seasonal_decompose(y, model=&#39;additive&#39;)<br>fig = decomposition.plot()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5XZ4Ph8Ex4XS2PVBhDUiVA.png" /></figure><p>จะเห็นได้ว่าข้อมูลของเราค่อนข้างมีความ seasonal เช่น ยอดขายจะต่ำเสมอในช่วงต้นปี และสูงในปลายปี, มี trend ขาขึ้นเรื่อยๆเมื่อเวลาผ่านไป</p><p>-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-</p><p>จากนั้นเราจะลองใช้โมเดลขั้นสูงที่เป็นที่นิยมสำหรับ Time Series Analysis ซึ่งเรียกว่า <strong>ARIMA (Autoregressive Integrated Moving Average)</strong></p><p><strong>ARIMA</strong> จะแสดงด้วยสัญลักษณ์ ARIMA(p, d, q) พารามิเตอร์ทั้งสามนี้จะเกี่ยวกับ seasonality, trend, and noise</p><pre>import itertools<br>import warnings<br>warnings.filterwarnings(&quot;ignore&quot;)</pre><pre>train = y[:&#39;2016-12-31&#39;]<br>test = y[&#39;2017-01-01&#39;:]</pre><pre>p = d = q = range(0, 2)<br>pdq = list(itertools.product(p, d, q))<br>seasonal_pdq = [(x[0], x[1], x[2], 12) for x in list(itertools.product(p, d, q))]<br>print(&#39;Examples of parameter combinations for Seasonal ARIMA...&#39;)<br>print(&#39;SARIMAX: {} x {}&#39;.format(pdq[1], seasonal_pdq[1]))<br>print(&#39;SARIMAX: {} x {}&#39;.format(pdq[1], seasonal_pdq[2]))<br>print(&#39;SARIMAX: {} x {}&#39;.format(pdq[2], seasonal_pdq[3]))<br>print(&#39;SARIMAX: {} x {}&#39;.format(pdq[2], seasonal_pdq[4]))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/634/1*Jy9rwg0Zang8iYw4tt9Nkw.png" /></figure><p>ต่อไปเราก็จะทำการเลือกพารามิเตอร์สำหรับ ARIMA Model โดยเราจะใช้ “Grid Search” เพื่อค้นหาชุดพารามิเตอร์ที่เหมาะสมที่สุดที่ให้ประสิทธิภาพที่ดีที่สุดสำหรับโมเดลของเรา</p><pre>for param in pdq:<br>    for param_seasonal in seasonal_pdq:<br>        try:<br>            mod = sm.tsa.statespace.SARIMAX(train,<br>                                            order=param,<br>                                            seasonal_order=param_seasonal,<br>                                            enforce_stationarity=False,<br>                                            enforce_invertibility=False)<br>            results = mod.fit()<br>            print(&#39;ARIMA{}x{}12 - AIC:{}&#39;.format(param, param_seasonal, results.aic))<br>        except Exception as e:<br>            print(e)<br>            continue</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/611/1*Ank8BVcPal61frAyuqyAtw.png" /></figure><p>ผลลัพธ์ข้างต้นแสดงให้เห็นว่า SARIMAX(1, 1, 1)x(1, 1, 1, 12) ให้ค่า AIC ต่ำสุดที่ 133.9987 ดังนั้นเราจึงควรพิจารณาว่านี่เป็นพารามิเตอร์ที่เหมาะสมที่สุด</p><pre>mod = sm.tsa.statespace.SARIMAX(y,<br>                                order=(1, 1, 1),<br>                                seasonal_order=(1, 1, 1, 12),<br>                                enforce_invertibility=False)<br>results = mod.fit()<br>print(results.summary().tables[1])</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Mu7lNND6gPUQSTl_6j6uqw.png" /></figure><p>-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-*-</p><p>เพื่อช่วยให้เรามั่นใจได้ว่าการคาดการณ์ของเรามีความแม่นยำ เราจะทำการ <strong>Evaluation</strong> ซึ่งคือการเปรียบเทียบยอดขายที่คาดการณ์กับยอดขายจริงของข้อมูล โดยเรากำหนดให้การคาดการณ์เริ่มต้นตั้งแต่ 2017–01–01</p><pre>pred = results.get_prediction(start=pd.to_datetime(&#39;2017-01-01&#39;), dynamic=False)<br>pred_ci = pred.conf_int()<br>ax = y[&#39;2014&#39;:].plot(label=&#39;observed&#39;)<br>pred.predicted_mean.plot(ax=ax, label=&#39;One-step ahead Forecast&#39;, alpha=.7, figsize=(14, 7))<br>ax.fill_between(pred_ci.index,<br>                pred_ci.iloc[:, 0],<br>                pred_ci.iloc[:, 1], color=&#39;k&#39;, alpha=.2)<br>ax.set_xlabel(&#39;Date&#39;)<br>ax.set_ylabel(&#39;Office Supplies Sales&#39;)<br>plt.legend()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*HXKu4pOn0BLgQ6ok4kGX9g.png" /></figure><p>line chart นี้กำลังแสดงค่าจริง เมื่อเปรียบเทียบกับการคาดการณ์ โดยรวมแล้วการคาดการณ์ของเราสอดคล้องกับค่าจริง โดยแสดง trend ขาขึ้นและ seasonality ตั้งแต่ต้นปีจนถึงสิ้นปี</p><pre>forecasted = pred.predicted_mean<br>mse = ((forecasted - test) ** 2).mean()<br>print(&#39;The Mean Squared Error of forecasts is {}&#39;.format(round(mse, 2)))<br>print(&#39;The Root Mean Squared Error of forecasts is {}&#39;.format(round(np.sqrt(mse), 2)))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/809/1*B0IKM5zCoKiz3RXshF6QtA.png" /></figure><p>ในทางสถิติ Mean Squared Error (MSE) เป็นตัววัดคุณภาพของตัวประมาณ มันจะไม่มีทางมีค่าเป็นลบ และยิ่ง MSE ค่าน้อยเท่าไร เราก็ยิ่งเข้าใกล้เส้นที่เหมาะสมที่สุดมากขึ้นเท่านั้น</p><p>Root Mean Square Error (RMSE) บอกว่าโมเดลของเราสามารถคาดการณ์ยอดขายอุปกรณ์สำนักงานเฉลี่ยต่อวันในชุด train ได้ 258.81 ขณะที่ยอดขายในชุด test มีค่าตั้งแต่ประมาณ 400 ถึง 1200 ดังนั้นความเห็นของเรานี่เป็นโมเดลที่ค่อนข้างดี</p><h3><strong>Forecasting</strong></h3><pre>pred_uc = results.get_forecast(steps=100)<br>pred_ci = pred_uc.conf_int()<br>ax = y.plot(label=&#39;observed&#39;, figsize=(14, 7))<br>pred_uc.predicted_mean.plot(ax=ax, label=&#39;Forecast&#39;)<br>ax.fill_between(pred_ci.index,<br>                pred_ci.iloc[:, 0],<br>                pred_ci.iloc[:, 1], color=&#39;k&#39;, alpha=.25)<br>ax.set_xlabel(&#39;Date&#39;)<br>ax.set_ylabel(&#39;Office Supplies Sales&#39;)<br>plt.legend()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rLEnV0L0K0_T0gcaiFvakQ.png" /></figure><p>โดยรวมแล้วร้านของเราขายสินค้าประเภท Office Suppies ดีขึ้นเรื่อยๆ แต่ในช่วงต้นปีจะมียอดขายที่ต่ำ จึงควรสต็อกสินค้าเตรียมไว้น้อย ในขณะที่ปลายปีจะมียอดขายที่สูงจึงควรสต็อกสินค้าเตรียมไว้เยอะหน่อยค่ะ</p><p>เราแนะนำให้คุณลองวิเคราะห์สินค้าหมวดอื่นๆ และนำมาเปรียบเทียบกัน หากอยากฟังการวิเคราะห์ของเรา และ share มุมมองกันสามารถดูได้คลิปบน <a href="https://youtu.be/RxCrDX-mIJw">Youtube</a> และพูดคุยกันได้ทาง Comment เลยนะคะ</p><p><strong>Source</strong></p><ul><li><a href="https://docs.google.com/spreadsheets/d/1gPh_x67rY_hKzhw9wnoBy6UC_jPkWGQa/edit#gid=475022230">Dataset</a></li><li><a href="https://colab.research.google.com/drive/1Y7sh6xGdEbZVDY25kpo49Pw_n2Vngum8#scrollTo=6JWERdSejDwm">Colab</a></li><li><a href="https://youtu.be/RxCrDX-mIJw">Youtube</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e05bfac0794e" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>