Ưu đãi trong tuần: Nhập mã UD50 giảm 50k cho đơn từ 300k!
Trang chủ
Đăng nhập
Xem tất cả kết quả
Menu
Đăng nhập Đăng ký miễn phí

Business and Data Analytics in Python

Kinh doanh và Phân tích dữ liệu với Python

Kinh doanh và Phân tích dữ liệu với Python

Làm chủ thông tin chi tiết từ dữ liệu và trở thành Chuyên gia phân tích kinh doanh

4.5
(58 đánh giá)
522 học viên
Giảng viên
Dr. Giancarlo Crocetti
Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao
50.000đ 989.000đ -95%
✓ Xem giỏ hàng và thanh toán
Bao gồm phụ đề tiếng Việt, tiếng Anh
27.5 giờ video
187 bài giảng
10 bài quiz
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 31/05/2026
#Business Analytics #Data Analytics #Python #Statistics

Bạn sẽ học được gì

Nắm vững kiến thức nền tảng về phân tích kinh doanh: Hiểu các khái niệm cơ bản và kỹ thuật ra quyết định dựa trên dữ liệu.
Thành thạo Python: Phát triển kỹ năng Python để phân tích dữ liệu với các thư viện chính như Pandas và NumPy.
Ra quyết định thống kê: Học thống kê suy luận để hỗ trợ các hiểu biết kinh doanh.
Kinh tế lượng & Hồi quy: Làm chủ các mô hình kinh tế lượng và phân tích hồi quy để dự đoán kết quả.
Phân tích chuỗi thời gian: Rèn kỹ năng dự báo với Python cho các xu hướng kinh tế và kinh doanh.
Phân khúc khách hàng: Phân tích hành vi khách hàng và phân khúc thị trường để xây dựng chiến lược mục tiêu.
Nuôi dưỡng tư duy dựa trên dữ liệu: Phát triển tư duy phản biện để diễn giải dữ liệu và ra quyết định.
Thực hành với dữ liệu thực tế: Áp dụng các kỹ thuật phân tích kinh doanh vào bộ dữ liệu ngành cụ thể.
Chất lượng học thuật cao: Trải nghiệm nội dung và phương pháp ở trình độ bậc cao học tại các trường đại học Mỹ.
Chuẩn bị nghề nghiệp: Trang bị cho bạn các kỹ năng và kiến thức cần thiết cho các vai trò trong phân tích kinh doanh.

Yêu cầu

Có hiểu biết cơ bản về lập trình Python. Bạn nên thoải mái với biến, kiểu dữ liệu cơ bản, vòng lặp và hàm.
Sẵn sàng học hỏi: Tiếp cận khóa học với sự nhiệt tình học các kỹ thuật phân tích mới và áp dụng chúng vào các tình huống kinh doanh thực tế.

Đối tượng phù hợp

Những ai muốn trở thành Chuyên viên phân tích dữ liệu và Chuyên viên phân tích kinh doanh: Người mới bắt đầu hoặc chuyển ngành muốn xây dựng sự nghiệp trong lĩnh vực phân tích dữ liệu hoặc phân tích kinh doanh.
Chuyên gia trong lĩnh vực Kinh doanh và Tài chính: Các cá nhân trong lĩnh vực kinh doanh, tài chính, tiếp thị hoặc các lĩnh vực liên quan muốn nâng cao khả năng ra quyết định bằng thông tin chi tiết từ dữ liệu.
Doanh nhân và chủ doanh nghiệp nhỏ: Những người muốn tận dụng dữ liệu để đưa ra quyết định sáng suốt, hiểu xu hướng thị trường và thúc đẩy tăng trưởng doanh nghiệp.
Quản lý kinh doanh tại các phòng ban phân tích: Các nhà quản lý và giám sát muốn đào sâu khả năng phân tích để thúc đẩy việc ra quyết định và chiến lược.
Sinh viên ngành Kinh doanh, Kinh tế hoặc CNTT: Sinh viên đại học hoặc sau đại học muốn nâng cao kiến thức học thuật bằng kỹ năng phân tích thực tế và Python.
Chuyên viên CNTT và Nhà phát triển phần mềm: Những người muốn mở rộng kỹ năng sang phân tích kinh doanh để hỗ trợ các dự án dựa trên dữ liệu hoặc chuyển sang các vai trò phân tích.
Người học ham hiểu biết: Bất kỳ ai muốn áp dụng Python để giải quyết các thách thức kinh doanh thực tế và đưa ra quyết định dựa trên dữ liệu.

Nội dung khóa học

13 phần • 187 bài giảng
1 Chi tiết khóa học – Tổng quan về hành trình học tập của bạn.
2 AIM 315 – Phân tích Kinh doanh với Python: Làm chủ thông tin chi tiết từ dữ liệu
3 Chuẩn bị môi trường Lab: Giới thiệu về Google Lab
4 Cách tải và sử dụng tài nguyên được cung cấp trong khóa học này
1 Hiểu sức mạnh của Phân tích Kinh doanh
2 Nghệ thuật và Khoa học của Phân tích Kinh doanh
3 Phân tích Kinh doanh và Dữ liệu lớn
4 Thực hiện các dự án Phân tích Kinh doanh – Phương pháp CRISP-DM, Phần I
5 Thực hiện các dự án Phân tích Kinh doanh – Phương pháp CRISP-DM, Phần II
6 Thực hiện các dự án Phân tích Kinh doanh – Phương pháp Microsoft TDSP
7 Công cụ Phân tích Kinh doanh & Khoa học dữ liệu
1 Giới thiệu về Thống kê
2 Thống kê là gì
3 Bộ dữ liệu
4 Các loại dữ liệu
5 Thống kê và Xác suất
6 Có nên đầu tư vào Bitcoin không?
1 Biến ngẫu nhiên
2 Đo lường xu hướng trung tâm thứ nhất: Trung bình
3 Trung bình có tốt không?
4 Đo lường độ phân tán thứ nhất: Độ lệch chuẩn
5 THỰC HÀNH – Thống kê mô tả – Phần I
6 THỰC HÀNH – Thống kê mô tả – Phần II
7 Mẫu và Tổng thể
8 Bậc tự do
9 Đo lường xu hướng trung tâm thứ hai: Trung vị
10 THỰC HÀNH – Thu nhập trung vị của hộ gia đình
11 Mode, Phân vị, và Biểu đồ hộp
12 THỰC HÀNH – Phân tích thu nhập trung vị của hộ gia đình – Phần I
13 THỰC HÀNH – Phân tích thu nhập trung vị của hộ gia đình – Phần II
14 Phân phối của các biến ngẫu nhiên
15 THỰC HÀNH – Cuộc gọi dịch vụ ở Washington DC – Phần I
16 THỰC HÀNH – Cuộc gọi dịch vụ ở Washington DC – Phần II
17 THỰC HÀNH – Cuộc gọi dịch vụ ở Washington DC – Phần III
18 THỰC HÀNH – Cuộc gọi dịch vụ ở Washington DC – Phần IV
19 Tương quan và Bảng dự phòng
20 THỰC HÀNH – Phân tích Huyết áp & Cholesterol và So sánh Mức lương
1 Mẫu và Dữ liệu
2 Tổng thể và Kỹ thuật lấy mẫu
3 THỰC HÀNH – Lấy mẫu ngẫu nhiên – Phần I
4 THỰC HÀNH – Lấy mẫu phân tầng – Phần II
5 THỰC HÀNH – Lấy mẫu cụm – Phần III
6 Quy trình ước lượng tham số
7 Trung bình của mẫu làm tham số
8 Bootstrapping và Phân phối mẫu của trung bình
9 THỰC HÀNH – Phân phối mẫu của trung bình – Phần I
10 THỰC HÀNH – Phân phối mẫu của trung bình – Phần II
11 Định lý giới hạn trung tâm
12 THỰC HÀNH – Định lý giới hạn trung tâm – Phần I
13 THỰC HÀNH – Định lý giới hạn trung tâm – Phần II
14 THỰC HÀNH – Định lý giới hạn trung tâm – Phần III
15 Ước lượng điểm
16 Khoảng tin cậy
17 THỰC HÀNH – Khoảng tin cậy
1 Giới thiệu về Tiền xử lý dữ liệu
2 THỰC HÀNH – Sử dụng các bộ dữ liệu mẫu có sẵn từ các thư viện Python
3 THỰC HÀNH – Sử dụng các bộ dữ liệu mẫu có sẵn từ các thư viện Python – Phần II
4 THỰC HÀNH – Sử dụng các bộ dữ liệu mẫu có sẵn từ các thư viện Python – Phần III
5 Hiểu các định dạng dữ liệu
6 THỰC HÀNH – Giới thiệu về định dạng phân cách
7 THỰC HÀNH – Tệp phân cách bằng dấu phẩy – Phần I
8 THỰC HÀNH – Tệp phân cách bằng dấu phẩy – Phần II
9 THỰC HÀNH – Các định dạng phân cách khác
10 THỰC HÀNH – Tệp không có header
11 THỰC HÀNH – Ghi chú về chỉ mục Pandas
12 THỰC HÀNH – Định dạng ARFF
13 THỰC HÀNH – Định dạng JSON
14 THỰC HÀNH – Dữ liệu dạng SQL
15 Tài liệu hóa dữ liệu
16 Các tác vụ tiền xử lý dữ liệu
17 Các vấn đề dữ liệu khác nhau
18 Tự động hóa và xáo trộn dữ liệu
19 Kỹ thuật đặc trưng
20 Xử lý biến phân loại
21 Điền vào chỗ trống – Xử lý giá trị thiếu
22 THỰC HÀNH – Giá trị thiếu – Xác định giá trị thiếu
23 THỰC HÀNH – Giá trị thiếu – Thay thế giá trị thiếu bằng giá trị trung bình
24 THỰC HÀNH – Giá trị thiếu – Thay thế giá trị thiếu bằng lấy ngẫu nhiên
25 Giá trị bất thường – Nghệ thuật phát hiện ngoại lệ bằng mắt
26 THỰC HÀNH – Ngoại lệ, phương pháp trực quan – Phần I
27 THỰC HÀNH – Ngoại lệ, phương pháp trực quan – Phần II
28 Chuẩn hóa dữ liệu
29 THỰC HÀNH – Chuẩn hóa, phương pháp MinMax
30 THỰC HÀNH – Chuẩn hóa, phương pháp Z-Score
31 THỰC HÀNH – Chuẩn hóa, phương pháp Decimal
32 Giá trị bất thường – Phương pháp số học để phát hiện ngoại lệ
33 THỰC HÀNH – Phát hiện ngoại lệ, phương pháp Z-Score
34 THỰC HÀNH – Phát hiện ngoại lệ, phương pháp IQR
35 Thay đổi hình dạng của phân phối
36 THỰC HÀNH – Biến đổi biến, biến đổi Log
37 THỰC HÀNH – Biến đổi biến, Kiểm định tính chuẩn
38 Biến phân loại thành số
39 THỰC HÀNH – Phân loại thành số, phương pháp One Hot Encoding
40 THỰC HÀNH – Phân loại thành số, phương pháp Mapping
41 THỰC HÀNH – Số thành phân loại, chia bin theo độ rộng bằng nhau
42 THỰC HÀNH – Số thành phân loại, chia bin theo tần suất bằng nhau
43 THỰC HÀNH – Số thành phân loại, biến nhị phân đơn
44 Xử lý mất cân bằng dữ liệu
45 THỰC HÀNH – Mất cân bằng dữ liệu, phương pháp lấy mẫu dưới
46 THỰC HÀNH – Mất cân bằng dữ liệu, phương pháp lấy mẫu trên
1 Giới thiệu về Ước lượng & Hồi quy
2 Giới thiệu về Hồi quy tuyến tính đơn giản
3 THỰC HÀNH – Hồi quy tuyến tính đơn giản – Chuẩn bị
4 THỰC HÀNH – Hồi quy tuyến tính đơn giản – Tạo mô hình
5 Hiểu mô hình tuyến tính – Bậc tự do
6 Hiểu mô hình tuyến tính – Sai số và Hệ số xác định
7 Mô hình Hồi quy tuyến tính đơn giản có tốt không?
8 THỰC HÀNH – Tính sai số và hệ số R-bình phương
9 THỰC HÀNH – Ước lượng hệ số Hồi quy tuyến tính đơn giản
10 Xem xét kỹ hơn phần dư
11 Giới thiệu về Mô hình Hồi quy bội
12 THỰC HÀNH – Tạo mô hình Hồi quy bội
13 THỰC HÀNH – R-bình phương điều chỉnh
14 THỰC HÀNH – Thống kê F cho ý nghĩa của hệ số
15 THỰC HÀNH – Đo lường Log-Likelihood
16 Mô hình Hồi quy bội – Các chỉ số AIC và BIC
17 THỰC HÀNH – Tính AIC & BIC
18 Hồi quy bội – Mô hình nào tốt hơn?
19 THỰC HÀNH – Kiểm định giả định mô hình – Phần I
20 THỰC HÀNH – Kiểm định giả định mô hình – Phần II
1 Giới thiệu về Kinh tế lượng, Chuỗi thời gian, và Suy luận nhân quả
2 Giới thiệu về Phân tích chuỗi thời gian
3 Phân tích chuỗi thời gian cho một công ty sản xuất sữa
4 THỰC HÀNH – Dự đoán sản lượng sữa trong tương lai
5 Các chỉ số chất lượng cho Phân tích chuỗi thời gian
6 THỰC HÀNH – Các chỉ số chất lượng cho Phân tích chuỗi thời gian
7 Giới thiệu về Phân tích chuỗi thời gian cho giá cổ phiếu
8 Tự tương quan trong Phân tích chuỗi thời gian
9 Tính dừng và chuỗi thời gian dừng
10 THỰC HÀNH – Tính dừng và Tự tương quan
11 Giới thiệu về Đường trung bình động – Đường trung bình động đơn giản (SMA)
12 THỰC HÀNH – Đường trung bình động đơn giản – Phần I
13 THỰC HÀNH – Đường trung bình động đơn giản – Phần II
14 Đường trung bình động có trọng số (WMA) và Đường trung bình động đơn giản kép (DSMA)
15 Đường trung bình động lũy thừa và Đường trung bình động lũy thừa kép (DEMA)
16 Đường trung bình động Hull
17 Chỉ số chuyển động hướng (DMI) và Phân kỳ hội tụ trung bình động (MACD)
18 THỰC HÀNH – Tiến xa hơn SMA
1 Giới thiệu về Phân tích suy luận nhân quả
2 Hai khung suy luận nhân quả: DiD và Google Causal Impact Analysis
3 Quy trình phân tích suy luận nhân quả
4 Phương pháp Difference-in-Difference (DiD)
5 THỰC HÀNH – Phân tích DiD – Ảnh hưởng của một thông báo đến giá cổ phiếu
6 Phương pháp Google Causal Impact Analysis
7 THỰC HÀNH – Phân tích nhân quả giữa Thông báo & Giá cổ phiếu
1 Phân khúc khách hàng – Trình bày phần
2 Giới thiệu về Phân tích phân khúc
3 Nguyên lý Pareto
4 Quy trình phân tích RFM (Recency Frequency Monetary)
5 Các công thức RFM
6 THỰC HÀNH – Hiểu người mua của bạn
7 Phân khúc qua phân cụm – Thuật toán KMeans
8 THỰC HÀNH – Hiểu phân cụm KMeans
9 Biến thể phân cụm KMedoids
10 THỰC HÀNH – Hiểu phân cụm KMedoids
11 Chọn hàm khoảng cách phù hợp trong phân cụm dữ liệu
12 Chọn số cụm K
13 THỰC HÀNH – Phương pháp Elbow và Silhouette
14 THỰC HÀNH – Phân khúc người mua qua phân tích cụm
15 Tầm quan trọng của hình dạng trong dữ liệu của bạn
16 THỰC HÀNH – KMeans trên dữ liệu hình tròn
17 THỰC HÀNH – KMeans trên dữ liệu thưa thớt với phương sai không bằng nhau
18 THỰC HÀNH – KMeans trên dữ liệu bất đẳng hướng
19 Giới thiệu về Mô hình Gaussian Mixture (GMMs)
20 Mô hình GMM
21 THỰC HÀNH – Phân khúc khách hàng với GMM – Phần I
22 THỰC HÀNH – Phân khúc khách hàng với GMM – Phần II
1 Introduction to Forecasting
2 THỰC HÀNH - Dự báo bằng Chiến lược Cộng tính hoặc Nhân tính
3 Giới thiệu về Mô hình Meta Prophet
4 Thành phần Xu hướng trong Meta Prophet
5 Ước lượng Tham số trong Thuật toán Meta Prophet: Phương pháp Tiếp cận Bayesian
6 Phương pháp Lấy mẫu trong Ước lượng Tham số: Kỹ thuật MCMC và NUTS
7 Huấn luyện Mô hình Học máy
8 THỰC HÀNH - Dự báo Giá Cổ phiếu với Meta Prophet
9 Giới thiệu về Mô hình Markov
10 Chuỗi Markov
11 Vectơ Ổn định trong Chuỗi Markov
12 Mô phỏng Thành công của Mô hình Kinh doanh bằng Chuỗi Markov
13 THỰC HÀNH - Mô phỏng Thành công Kinh doanh StreamX - Phần I
14 THỰC HÀNH - Mô phỏng Thành công Kinh doanh StreamX - Phần II
15 THỰC HÀNH - Mô phỏng Thành công Kinh doanh StreamX - Phần III
16 THỰC HÀNH - Mô phỏng Thành công Kinh doanh StreamX - Phần IV
17 Lời chúc mừng và Cảm ơn bạn đã Hoàn thành Khóa học
1 Phân tích Chuỗi Cung ứng
2 Dự báo Giá cả và Doanh số
1 Bài giảng Bonus Đặc biệt

Giới thiệu khóa học

Course Description:

Welcome to "Business Analytics in Python: Mastering Data-Driven Insights," where you embark on a transformative journey to unravel the complexities of business analytics using Python. This course is meticulously designed to equip you with the knowledge, skills, and practical experience needed to excel in the fast-evolving world of business analytics.


What You Will Learn:

  • Fundamental principles of business and data analytics and their application in real-world scenarios.

  • Hands-on proficiency in Python for data collection, manipulation, analysis, and visualization.

  • Advanced statistical methods for insightful data analysis and decision-making.

  • Techniques in forecasting, regression, and econometrics to predict market trends and business performance.

  • Understand how to use time series analysis to predict future performance, including challenging time series like stock prices.

  • Practical application of the Meta Prophet model, understanding its components, parameter estimation, and forecasting capabilities.

  • Powerful causal inference tools like the Difference in Difference framework and Google Causal Impact model

  • Essentials of Markov Models, exploring their significance in predictive analytics.

Course Features:

  • Comprehensive video lectures that blend theoretical knowledge with practical applications.

  • Interactive Python notebooks and real-world datasets for hands-on learning in Google Colab.

  • Case studies and examples from various industries to illustrate the impact of business analytics.

  • Quizzes and exercises to reinforce learning and apply concepts.

Who Should Enroll:

  • Aspiring data analysts and business professionals looking to leverage data for strategic decision-making.

  • IT professionals and software developers aiming to pivot or advance in the field of business analytics.

  • Entrepreneurs and business owners seeking to understand and apply data analytics for business growth.

  • Anybody desiring a practical, hands-on approach to learning business analytics.

Prerequisites:

  • Basic understanding of Python programming.

  • Curiosity and willingness to dive into the data-driven world of business analytics.

At the end of this course, you will receive the Certificate of Completion issued by the Institute of Machine Learning and verifiable by any potential employer.

Go ahead and watch the many preview videos available to peek into most learning modules and see what you will learn.

Embark on this journey with "Business Analytics in Python: Mastering Data-Driven Insights" and transform your ability to analyze, predict, and make informed business decisions using the power of data analytics.

Khóa học liên quan

Khám phá thêm các khoá học cùng chủ đề

Hiển thị tất cả khoá học Business Analytics
Hiển thị tất cả khoá học Data Analytics
Hiển thị tất cả khoá học Python
Hiển thị tất cả khoá học Statistics
Zalo
Tôi có thể tư vấn khoá học cho bạn 😊