Ưu đãi trong tuần: Nhập mã UD50 giảm 50k cho đơn từ 300k!
Trang chủ
Menu

Complete Data Science Training with Python for Data Analysis

Khóa học toàn diện về Khoa học Dữ liệu với Python cho Phân tích Dữ liệu

Khóa học toàn diện về Khoa học Dữ liệu với Python cho Phân tích Dữ liệu

Phân tích dữ liệu Python cho người mới bắt đầu: Giới thiệu khoa học dữ liệu: Học khoa học dữ liệu: Hướng dẫn các phương pháp phân tích dữ liệu bằng Python

4.4
(2,164 đánh giá)
11,813 học viên
Giảng viên
Minerva Singh
Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao
50.000đ 349.000đ -86%
✓ Xem giỏ hàng và thanh toán
Bao gồm phụ đề tiếng Việt, tiếng Anh
13.0 giờ video
125 bài giảng
4 bài quiz
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 30/05/2026

Bạn sẽ học được gì

Phân tích dữ liệu Python - Cài đặt Anaconda & Làm việc trong môi trường iPytjhon/Jupyter, một framework mạnh mẽ cho phân tích khoa học dữ liệu
Khoa học dữ liệu với Python - Thành thạo sử dụng các gói Python phổ biến nhất cho khoa học dữ liệu bao gồm Numpy, Pandas, Scikit & Matplotlib
Kỹ thuật phân tích dữ liệu - Có thể đọc dữ liệu từ nhiều nguồn khác nhau (bao gồm dữ liệu trang web) và làm sạch dữ liệu
Phân tích dữ liệu - Thực hiện các tác vụ khám phá và tiền xử lý dữ liệu như lập bảng, xoay dữ liệu và tóm tắt dữ liệu trong Python
Thành thạo làm việc với dữ liệu thực tế thu thập từ nhiều nguồn khác nhau
Thực hiện trực quan hóa dữ liệu và hiểu khi nào nên áp dụng kỹ thuật nào
Thực hiện các kỹ thuật phân tích dữ liệu thống kê phổ biến nhất trong Python bao gồm T-Tests và Hồi quy tuyến tính
Hiểu sự khác biệt giữa Học máy và Phân tích dữ liệu thống kê
Triển khai các kỹ thuật Học không giám sát khác nhau trên dữ liệu thực tế
Triển khai các kỹ thuật Học có giám sát (cả dạng Phân loại và Hồi quy) trên dữ liệu thực
Đánh giá độ chính xác và tính tổng quát của các mô hình học máy
Xây dựng mạng nơ-ron cơ bản và thuật toán học sâu
Sử dụng framework H2o mạnh mẽ để triển khai mạng nơ-ron sâu

Yêu cầu

Có khả năng sử dụng máy tính ở mức cơ bản, bao gồm cả việc cài đặt chương trình
Có mong muốn học khoa học dữ liệu
Kiến thức trước về Python sẽ hữu ích nhưng KHÔNG bắt buộc

Đối tượng phù hợp

Bất kỳ ai muốn học khoa học dữ liệu thực tế bằng Python
Bất kỳ ai quan tâm đến việc học cách triển khai thuật toán học máy bằng Python
Những người muốn bắt đầu với học sâu bằng Python
Những người muốn làm việc với dữ liệu thực tế trong Python
Bất kỳ ai có kiến thức trước về Python muốn mở rộng sang phân tích dữ liệu
Bất kỳ ai muốn thành thạo phân tích dữ liệu khám phá, mô hình hóa thống kê và trực quan hóa bằng iPython

Nội dung khóa học

13 phần • 125 bài giảng
1 Khoa học Dữ liệu là gì?
2 Giới thiệu về Khóa học và Giảng viên
3 Dữ liệu cho Khóa học
4 Giới thiệu về Công cụ Khoa học Dữ liệu Python
5 Dành cho người dùng Mac
6 Giới thiệu về Môi trường Khoa học Dữ liệu Python
7 Một số thông tin sử dụng IPython khác
8 Trình thông dịch iPython trực tuyến
9 Kết thúc Phần 1
1 Lý do cho phần này
2 Các loại dữ liệu khác nhau được sử dụng trong phân tích Thống kê & Học máy
3 Các loại dữ liệu khác nhau được sử dụng theo cách lập trình
4 Các gói Khoa học Dữ liệu Python sẽ được sử dụng
5 Kết thúc Phần 2
1 Numpy: Giới thiệu
2 Tạo mảng Numpy
3 Các phép toán Numpy
4 Số học ma trận và hệ thống tuyến tính
5 Numpy cho số học vector cơ bản
6 Numpy cho số học ma trận cơ bản
7 Phát sóng với Numpy
8 Giải phương trình với Numpy
9 Numpy cho các phép toán thống kê
10 Kết thúc Phần 3
1 Cấu trúc dữ liệu trong Python
2 Đọc dữ liệu
3 Đọc dữ liệu CSV bằng Pandas
4 Đọc dữ liệu Excel bằng Pandas
5 Đọc dữ liệu JSON
6 Đọc dữ liệu HTML
7 Kết thúc Phần 4
1 Lý do cho phần này
2 Loại bỏ giá trị NA/trống khỏi dữ liệu
3 Xử lý dữ liệu cơ bản: Bắt đầu với lựa chọn dữ liệu có điều kiện
4 Xóa cột/hàng
5 Lấy tập con và lập chỉ mục dữ liệu
6 Nhóm dữ liệu cơ bản dựa trên thuộc tính định tính
7 Bảng chéo
8 Định hình lại
9 Xoay dữ liệu
10 Xếp hạng và sắp xếp dữ liệu
11 Nối dữ liệu
12 Hợp nhất và kết nối các khung dữ liệu
13 Kết thúc Phần 5
1 Trực quan hóa Dữ liệu là gì?
2 Một số nguyên tắc lý thuyết đằng sau Trực quan hóa Dữ liệu
3 Biểu đồ tần suất - Trực quan hóa phân phối của biến số liên tục
4 Biểu đồ hộp - Trực quan hóa phân phối của biến số liên tục
5 Biểu đồ phân tán - Trực quan hóa mối quan hệ giữa 2 biến liên tục
6 Biểu đồ thanh
7 Biểu đồ tròn
8 Biểu đồ đường
9 Kết thúc Phần 6
1 Phân tích Dữ liệu Thống kê là gì?
2 Một số lưu ý về thu thập dữ liệu cho nghiên cứu thống kê
3 Một số lưu ý về khám phá dữ liệu định lượng
4 Khám phá dữ liệu định lượng: Thống kê mô tả
5 Nhóm & Tóm tắt dữ liệu theo danh mục
6 Trực quan hóa thống kê mô tả - Biểu đồ hộp
7 Các thuật ngữ phổ biến liên quan đến thống kê mô tả
8 Phân phối dữ liệu - Phân phối chuẩn
9 Kiểm tra phân phối chuẩn
10 Phân phối chuẩn chuẩn và điểm Z
11 Khoảng tin cậy - Lý thuyết
12 Khoảng tin cậy - Tính toán
13 Kết thúc Phần 7
1 Kiểm định giả thuyết là gì?
2 Kiểm tra sự khác biệt giữa hai nhóm
3 Kiểm tra sự khác biệt giữa nhiều hơn hai nhóm
4 Khám phá mối quan hệ giữa hai biến định lượng
5 Phân tích tương quan
6 Hồi quy tuyến tính - Lý thuyết
7 Hồi quy tuyến tính - Triển khai trong Python
8 Điều kiện của hồi quy tuyến tính
9 Điều kiện của hồi quy tuyến tính - Kiểm tra trong Python
10 Hồi quy đa thức
11 GLM: Mô hình tuyến tính tổng quát
12 Hồi quy logistic
13 Kết thúc Phần 8
1 Học máy khác với Phân tích dữ liệu thống kê như thế nào?
2 Học máy là gì? Một số điểm lý thuyết
1 Phân loại không giám sát - Một số ý tưởng cơ bản
2 KMeans - lý thuyết
3 KMeans - triển khai trên dữ liệu iris
4 Định lượng hiệu suất phân cụm KMeans
5 Phân cụm KMeans với dữ liệu thực
6 Làm thế nào để chọn số lượng cụm?
7 Phân cụm phân cấp - lý thuyết
8 Phân cụm phân cấp - thực hành
9 Phân tích thành phần chính (PCA) - Lý thuyết
10 Phân tích thành phần chính (PCA) - Triển khai thực tế
11 Kết thúc Phần 10
1 Phần này nói về điều gì?
2 Chuẩn bị dữ liệu cho học có giám sát
3 Lưu ý về đánh giá độ chính xác của mô hình phân loại và hồi quy
4 Sử dụng hồi quy logistic làm mô hình phân loại
5 RF - Phân loại
6 RF - Hồi quy
7 SVM - Phân loại tuyến tính
8 SVM - Phân loại phi tuyến
9 Hồi quy vector hỗ trợ
10 knn - Phân loại
11 knn - Hồi quy
12 Gradient Boosting - phân loại
13 Gradient Boosting - hồi quy
14 Bộ phân loại bỏ phiếu
15 Kết thúc Phần 11
1 Lý thuyết đằng sau ANN và DNN
2 Perceptron cho phân loại nhị phân
3 Bắt đầu với ANN - phân loại nhị phân
4 Phân loại đa nhãn với MLP
5 Hồi quy với MLP
6 MLP với PCA trên tập dữ liệu lớn
7 Bắt đầu với Mạng nơ-ron sâu (DNN)
8 Bắt đầu với H2O
9 Thuật toán Học sâu H2O mặc định
10 Chỉ định hàm kích hoạt
11 Học sâu H2O cho dự đoán
12 Kết thúc Phần 12
1 Dữ liệu cho phần này
2 Đọc dữ liệu từ CSV trực tuyến
3 Đọc dữ liệu từ cơ sở dữ liệu
4 Imputation dữ liệu
5 Truy cập Github
6 Giới thiệu về Colab

Giới thiệu khóa học

Complete Guide to Practical Data Science with Python: Learn Statistics, Visualization, Machine Learning & More

THIS IS A COMPLETE DATA SCIENCE TRAINING WITH PYTHON FOR DATA ANALYSIS: 

It's A Full 12-Hour Python Data Science BootCamp To Help You Learn Statistical Modelling, Data Visualization, Machine Learning & Basic Deep Learning In Python! 

HERE IS WHY YOU SHOULD TAKE THIS COURSE:

First of all, this course a complete guide to practical data science using Python...

That means, this course covers ALL the aspects of practical data science and if you take this course alone, you can do away with taking other courses or buying books on Python-based data science.  

In this age of big data, companies across the globe use Python to sift through the avalanche of information at their disposal. By storing, filtering, managing, and manipulating data in Python, you can give your company a competitive edge & boost your career to the next level!

THIS IS MY PROMISE TO YOU:

COMPLETE THIS ONE COURSE & BECOME A PRO IN PRACTICAL PYTHON BASED DATA SCIENCE!

But, first things first, My name is MINERVA SINGH and I am an Oxford University MPhil (Geography and Environment), graduate. I recently finished a PhD at Cambridge University (Tropical Ecology and Conservation).

I have several years of experience in analyzing real-life data from different sources using data science-related techniques and producing publications for international peer-reviewed journals.

Over the course of my research, I realized almost all the Python data science courses and books out there do not account for the multidimensional nature of the topic and use data science interchangeably with machine learning...

This gives the student an incomplete knowledge of the subject. This course will give you a robust grounding in all aspects of data science, from statistical modelling to visualization to machine learning.

Unlike other Python instructors, I dig deep into the statistical modelling features of Python and gives you a one-of-a-kind grounding in Python Data Science!

You will go all the way from carrying out simple visualizations and data explorations to statistical analysis to machine learning to finally implementing simple deep learning-based models using Python

DISCOVER 12 COMPLETE SECTIONS ADDRESSING EVERY ASPECT OF PYTHON DATA SCIENCE (INCLUDING):

• A full introduction to Python Data Science and powerful Python driven framework for data science, Anaconda
• Getting started with Jupyter notebooks for implementing data science techniques in Python
• A comprehensive presentation about basic analytical tools- Numpy Arrays, Operations, Arithmetic, Equation-solving, Matrices, Vectors, Broadcasting, etc.
• Data Structures and Reading in Pandas, including CSV, Excel, JSON, HTML data
• How to Pre-Process and “Wrangle” your Python data by removing NAs/No data, handling conditional data, grouping by attributes, etc.
• Creating data visualizations like histograms, boxplots, scatterplots, bar plots, pie/line charts, and more!
• Statistical analysis, statistical inference, and the relationships between variables
• Machine Learning, Supervised Learning, Unsupervised Learning in Python
• You’ll even discover how to create artificial neural networks and deep learning structures...& MUCH MORE!

With this course, you’ll have the keys to the entire Python Data Science kingdom!

NO PRIOR PYTHON OR STATISTICS/MACHINE LEARNING KNOWLEDGE IS REQUIRED:

You’ll start by absorbing the most valuable Python Data Science basics and techniques...

I use easy-to-understand, hands-on methods to simplify and address even the most difficult concepts in Python.

My course will help you implement the methods using real data obtained from different sources. Many courses use made-up data that does not empower students to implement Python-based data science in real life.

After taking this course, you’ll easily use packages like Numpy, Pandas, and Matplotlib to work with real data in Python.

You’ll even understand deep concepts like statistical modelling in Python’s Statsmodels package and the difference between statistics and machine learning (including hands-on techniques).

I will even introduce you to deep learning and neural networks using the powerful H2o framework!

With this Powerful All-In-One Python Data Science course, you’ll know it all: visualization, stats, machine learning, data mining, and deep learning! 

The underlying motivation for the course is to ensure you can apply Python-based data science on real data and put into practice today. Start analyzing data for your own projects, whatever your skill level and IMPRESS your potential employers with actual examples of your data science abilities.

HERE IS WHAT THIS COURSE WILL DO FOR YOU:

This course is your one shot way of acquiring the knowledge of statistical data analysis skills that I acquired from the rigorous training received at two of the best universities in the world, a perusal of numerous books and publishing statistically rich papers in renowned international journal like PLOS One.

This course will:

   (a) Take students without a prior Python and/or statistics background from a basic level to performing some of the most common advanced data science techniques using the powerful Python-based Jupyter notebooks.

   (b) Equip students to use Python for performing different statistical data analysis and visualization tasks for data modelling.

   (c) Introduce some of the most important statistical and machine learning concepts to students in a practical manner such that students can apply these concepts for practical data analysis and interpretation.

   (d) Students will get a strong background in some of the most important data science techniques.

   (e) Students will be able to decide which data science techniques are best suited to answer their research questions and applicable to their data and interpret the results.

It is a practical, hands-on course, i.e. we will spend some time dealing with some of the theoretical concepts related to data science. However, the majority of the course will focus on implementing different techniques on real data and interpret the results. After each video, you will learn a new concept or technique which you may apply to your own projects. 

JOIN THE COURSE NOW!


#data #analysis #python #anaconda #analytics

Khóa học liên quan

Khám phá thêm các khoá học cùng chủ đề

Hiển thị tất cả khoá học Data Analysis
Hiển thị tất cả khoá học Data Science
Hiển thị tất cả khoá học Machine Learning
Hiển thị tất cả khoá học Python
Zalo
Tôi có thể tư vấn khoá học cho bạn 😊