Khóa học Khoa học Dữ liệu (Data Science)

Tìm hiểu định nghĩa, mục tiêu và quy trình làm việc trong lĩnh vực Khoa học Dữ liệu.

Phân tích các kỹ năng, trách nhiệm và vị trí của một nhà khoa học dữ liệu trong doanh nghiệp.

Khám phá các ví dụ thực tiễn về cách khoa học dữ liệu đang thay đổi các ngành công nghiệp như tài chính, y tế, và marketing.

Làm quen với các thuật ngữ và khái niệm nền tảng như dữ liệu, mô hình, thuật toán, và đánh giá.

Ôn tập các kiến thức cốt lõi về thống kê mô tả, thống kê suy luận và các định lý xác suất cơ bản.

Học cách sử dụng các kỹ thuật để tóm tắt, trực quan hóa và khám phá các đặc điểm chính của một bộ dữ liệu.

Các nguyên tắc và công cụ để biểu diễn dữ liệu một cách hiệu quả thông qua biểu đồ và đồ thị.

Giới thiệu về các khái niệm học có giám sát, không giám sát và các mô hình đơn giản đầu tiên.

Cài đặt và làm quen với môi trường làm việc Anaconda, Jupyter Notebook và các thư viện phổ biến.

Thực hành tính toán số học hiệu suất cao với mảng đa chiều (arrays) trong NumPy.

Thao tác, làm sạch và phân tích dữ liệu có cấu trúc với DataFrame của Pandas.

Tạo ra các biểu đồ tĩnh, động và tương tác để trực quan hóa dữ liệu.

Giới thiệu quy trình xây dựng mô hình học máy với thư viện Scikit-Learn.

Hiểu về quy trình và mục tiêu của việc khám phá các mẫu và tri thức ẩn trong dữ liệu lớn.

Tìm hiểu K-Means, DBSCAN và các thuật toán để tự động nhóm các điểm dữ liệu tương tự nhau.

Học về Cây quyết định, SVM, Naive Bayes để dự đoán nhãn cho dữ liệu mới.

Khám phá các luật kết hợp trong dữ liệu giao dịch với thuật toán Apriori.

Các kỹ thuật làm sạch, chuẩn hóa, và chuyển đổi dữ liệu để chuẩn bị cho mô hình hóa.

Sử dụng các chỉ số như độ chính xác, ma trận nhầm lẫn, F1-score để đo lường hiệu quả mô hình.

Kỹ thuật tinh chỉnh siêu tham số (hyperparameter tuning) để cải thiện hiệu suất mô hình.

Xem xét các case study về phân tích giỏ hàng, phát hiện gian lận và phân khúc khách hàng.

Đi sâu vào các thuật toán mạnh mẽ như Gradient Boosting, XGBoost, và LightGBM.

Giới thiệu về khái niệm agent, môi trường, phần thưởng và các ứng dụng trong game và robot.

Các phương pháp điền dữ liệu bị thiếu và phát hiện, xử lý các điểm dữ liệu bất thường (outliers).

Nghệ thuật tạo ra các đặc trưng mới từ dữ liệu có sẵn để tăng cường sức mạnh dự đoán của mô hình.

Kết hợp nhiều mô hình yếu thành một mô hình mạnh duy nhất thông qua Bagging, Boosting và Stacking.

Cách đóng gói mô hình đã huấn luyện và triển khai nó như một dịch vụ API với Flask hoặc FastAPI.

Giới thiệu về các công cụ như Spark và Dask để huấn luyện mô hình trên các bộ dữ liệu khổng lồ.

Các ví dụ về hệ thống gợi ý, dự báo nhu cầu và xe tự hành.

Tìm hiểu các bài toán cơ bản và thách thức trong việc dạy máy tính hiểu ngôn ngữ con người.

Các kỹ thuật như tách từ (tokenization), loại bỏ stop words, và bổ sung (lemmatization).

Cách chuyển đổi văn bản thành các vector số mà máy tính có thể hiểu được.

Ứng dụng các mô hình học máy truyền thống cho các bài toán NLP.

Giới thiệu về kiến trúc Transformer và các mô hình ngôn ngữ lớn như GPT.

Xây dựng các ứng dụng thực tế như phân tích cảm xúc, nhận dạng thực thể tên.

Sự khác biệt giữa Machine Learning và Deep Learning và tại sao Deep Learning lại mạnh mẽ.

Xây dựng mạng nơ-ron đầu tiên của bạn để giải quyết các bài toán phân loại đơn giản.

Kiến trúc chuyên dụng cho việc xử lý và nhận dạng hình ảnh.

Kiến trúc được thiết kế để xử lý dữ liệu dạng chuỗi như văn bản và chuỗi thời gian.

Giới thiệu về hệ sinh thái và cách xây dựng mô hình với TensorFlow.

Sử dụng API bậc cao Keras để xây dựng và huấn luyện các mô hình deep learning một cách nhanh chóng.

Xây dựng các ứng dụng thực tế như nhận dạng vật thể và phân loại ảnh.

Ứng dụng RNN và LSTM để dự báo giá cổ phiếu, thời tiết, và các dữ liệu chuỗi thời gian khác.

Xác định mục tiêu của dự án, các câu hỏi kinh doanh cần trả lời và các chỉ số thành công.

Tìm kiếm, kết hợp và làm sạch dữ liệu từ nhiều nguồn khác nhau để chuẩn bị cho phân tích.

Thực hiện phân tích dữ liệu thăm dò (EDA) để tìm ra các insight quan trọng và trình bày chúng.

Lựa chọn, huấn luyện và đánh giá mô hình học máy để dự đoán các hành vi của khách hàng, ví dụ như khả năng rời bỏ (churn).

Tổng hợp kết quả, insight và đề xuất thành một báo cáo hoặc bài thuyết trình hoàn chỉnh cho các bên liên quan.