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

Data Science for Business Leaders: ML Fundamentals

Khoa học Dữ liệu cho Nhà Lãnh đạo Doanh nghiệp: Kiến thức Cơ bản về Học máy

Khoa học Dữ liệu cho Nhà Lãnh đạo Doanh nghiệp: Kiến thức Cơ bản về Học máy

Giới thiệu không cần lập trình, giúp nhà lãnh đạo hiểu học máy (và AI) như một năng lực kinh doanh.

4.6
(1,201 đánh giá)
9,816 học viên
Giảng viên
Robert Fox
Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao
50.000đ 2.499.000đ -98%
✓ Xem giỏ hàng và thanh toán
Bao gồm phụ đề tiếng Việt, tiếng Anh
8.5 giờ video
88 bài giảng
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 30/05/2026
#Artificial Intelligence #Business Analytics #Data Science #Machine Learning

Bạn sẽ học được gì

Tìm hiểu mô hình là gì, cách chúng hoạt động và vị trí của chúng trong bức tranh tổng thể về học máy (ML) và khoa học dữ liệu.
Nhiều thuật ngữ ("AI", "học sâu", v.v.); được giải thích đơn giản, dễ hiểu (không phóng đại).
Lưu ý trước: KHÔNG có phần thực hành phát triển mô hình (KHÔNG code & KHÔNG công thức phức tạp)
Bao gồm các phần chuyên sâu về *xác định* và *định lượng* cơ hội ứng dụng học máy.
Tập trung vào việc hiểu ML như một năng lực có thể mang lại lợi ích cho mọi doanh nghiệp.

Yêu cầu

Không yêu cầu kiến thức trước.
Khóa học này không có lập trình hay toán học phức tạp.
Lớp học này là điều kiện tiên quyết cho các khóa học khoa học dữ liệu khác.

Đối tượng phù hợp

Nhà lãnh đạo doanh nghiệp, giám đốc điều hành, quản lý sản phẩm, chủ sở hữu quy trình, quản lý dịch vụ, hoặc bất kỳ ai chịu trách nhiệm về cách tổ chức của họ vận hành.
Phù hợp cho người có cả nền tảng kỹ thuật và không chuyên kỹ thuật.
Có thể là góc nhìn kinh doanh hữu ích cho các nhà khoa học dữ liệu đang phấn đấu và đã có kinh nghiệm.

Nội dung khóa học

6 phần • 87 bài giảng
1 Giới thiệu Khóa học: Kiến thức Cơ bản về Học máy
2 Nội dung Khóa học, Hỗ trợ Học tập & Ưu đãi
3 Tiểu sử Ngắn về Giảng viên
1 Giới thiệu Phần 1 & Định nghĩa về Mô hình
2 Ví dụ: Mô hình Hồi quy Tuyến tính Cơ bản
3 Vòng đời Mô hình Cấp cao Ban đầu & Thuật ngữ Liên quan đến Mô hình
4 Cách ví dụ hồi quy tuyến tính của chúng ta phù hợp với định nghĩa một mô hình
5 Ví dụ: Mô hình Phân loại Cây Quyết định Cơ bản
6 Hai Loại Mô hình Thiết yếu: Hồi quy & Phân loại
7 Tổng kết Kiến thức về Mô hình
8 Tùy chọn: Định nghĩa Tham số Mô hình & Siêu tham số Mô hình
9 Mô hình: Thành phần Chính của một Quy trình Học
10 Cập nhật Mô hình
11 Định nghĩa Học máy
12 Thuật ngữ Liên quan đến ML
13 Tùy chọn: Phương pháp Thống kê Truyền thống vs. Phương pháp Học máy Hiện đại
14 Tùy chọn: Học có Giám sát vs. Học không Giám sát
15 Định nghĩa Học sâu
16 Định nghĩa AutoML
17 Định nghĩa Trí tuệ Nhân tạo (AI)
18 Những Sai lầm Thường gặp trong Học máy
19 Tùy chọn (Hài hước): Huấn luyện Mô hình vs. Xây dựng Mô hình
20 Kết luận Phần 1
1 Giới thiệu Phần 2
2 Những Quan niệm Sai lầm Phổ biến về ML
3 Các Cách tiếp cận để Xác định Trường hợp Sử dụng
4 Duyệt / Thu thập Trường hợp Sử dụng ML & AI
5 Kiểm tra Quy trình
6 Kiểm tra Quy trình: Tận dụng Các nguyên tắc Cải tiến Quy trình
7 Kiểm tra Quy trình: Phân tích các KPI của bạn
8 Các Chủ đề ML
9 Chủ đề ML 1: Thay thế Hệ thống Dựa trên Quy tắc Không hoàn hảo
10 Chủ đề ML 2: Phá vỡ Mức Trung bình
11 Chủ đề ML 3: Phân bổ Nguồn lực Hạn chế
12 Chủ đề ML 4: Phân tích Quyết định của Con người
13 Chủ đề ML 5: Phân tích Hoạt động ở Quy mô Lớn
14 Chủ đề ML 6: Dự đoán Sự kiện
15 Chủ đề ML 7: Dự đoán Con người
16 AI & Chatbot
17 Kết luận Phần 2
1 Giới thiệu Phần 3
2 Yếu tố Loại trừ Tiềm năng: Vấn đề Đạo đức
3 Yếu tố Loại trừ Tiềm năng: Tính phù hợp cho Mục đích Sử dụng
4 Phân tích Tính khả thi
5 Phân tích Tính khả thi: Thiết lập Giả thuyết Kinh doanh
6 Phân tích Tính khả thi: Phác thảo Quy trình Kinh doanh
7 Phân tích Tính khả thi: Ước tính ROI Cấp cao
8 Tùy chọn: Xác định Mục tiêu & Tổng thể Mục tiêu
9 Phân tích Tính khả thi: Đánh giá Dữ liệu của Bạn - Mục tiêu Mô hình
10 Phân tích Tính khả thi: Đánh giá Dữ liệu của Bạn - Chúng ta có đủ dữ liệu không?
11 Phân tích Tính khả thi: Đánh giá Dữ liệu của Bạn - Tính sẵn có & Sẵn sàng
12 Phân tích Tính khả thi: Đánh giá Dữ liệu của Bạn - Chất lượng Dữ liệu
13 Phân tích Tính khả thi: Xác định Yêu cầu Mô hình
14 Phân tích Tính khả Thi: Tổng kết
15 Đo lường Hiệu suất
16 Đo lường Hiệu suất: Giới thiệu Phân tích Mô hình Hồi quy
17 Đo lường Hiệu suất: Sai số Tuyệt đối Trung bình (MAE)
18 Đo lường Hiệu suất: Ví dụ Mô phỏng Hồi quy
19 Đo lường Hiệu suất: Mô phỏng Quy trình Lặp lại
20 Đo lường Hiệu suất: Đường cơ sở Trung vị Lịch sử
21 Đo lường Hiệu suất: Tóm tắt Đo lường Mô hình Hồi quy
22 Đo lường Hiệu suất: Phân tích Mô hình Phân loại
23 Đo lường Hiệu suất: Hạn chế của Độ chính xác & Mất cân bằng Lớp
24 Đo lường Hiệu suất: Kết quả & Giá trị của Mô hình Phân loại
25 Đo lường Hiệu suất: Đường cơ sở cho Mô hình Phân loại
26 Đo lường Hiệu suất: Sử dụng Xác suất Thuộc về Lớp
27 Đo lường Hiệu suất: Tóm tắt Đo lường Mô hình Phân loại
28 Tùy chọn: Đánh giá Hiệu chuẩn Mô hình Phân loại
29 Thiết kế Thử nghiệm
30 Kết luận Phần 3
1 Giới thiệu Phần 4 & Bối cảnh Tổ chức
2 Mua Phần mềm & Dịch vụ
3 Mua Phần mềm & Dịch vụ: Cấu hình Triển khai
4 Mua Phần mềm & Dịch vụ: Câu hỏi Then chốt
5 Hợp đồng Tư vấn
6 Cơ sở hạ tầng - MLOps
7 Cơ sở hạ tầng: Vấn đề về Dữ liệu
8 Cơ sở hạ tầng: Vấn đề về Năng lực Tính toán
9 Cơ sở hạ tầng: Điện toán Đám mây
10 Cơ sở hạ tầng: AutoML
11 Kết luận Phần 4
1 Giới thiệu Phần 5 & Tối ưu hóa Doanh nghiệp của Bạn
2 Tối ưu hóa Doanh nghiệp của Bạn: Cơ hội & Xác suất
3 Tối ưu hóa Doanh nghiệp của Bạn: Con người & Học máy
4 AutoML
5 Chiến lược Thông tin
6 Kết luận

Giới thiệu khóa học

Machine learning is a capability that business leaders should grasp if they want to extract value from data.   There's a lot of hype; but there's some truth: the use of modern data science techniques could translate to a leap forward in progress or a significant competitive advantage.  Whether your are building or buying "AI-powered" solutions, you should consider how your organization could benefit from machine learning. 

No coding or complex math. This is not a hands-on course. We set out to explain all of the fundamental concepts you'll need in plain English.

This course is broken into 5 key parts:

  • Part 1: Models, Machine Learning, Deep Learning, & Artificial Intelligence Defined

    • This part has a simple mission: to give you a solid understanding of what Machine Learning is.  Mastering the concepts and the terminology is your first step to leveraging them as a capability.  We walk through basic examples to solidify understanding.

  • Part 2: Identifying Use Cases

    • Tired of hearing about the same 5 uses for machine learning over and over?  Not sure if ML even applies to you?  Take some expert advice on how you can discover ML opportunities in *your* organization. 

  • Part 3: Qualifying Use Cases

    • Once you've identified a use for ML, you'll need to measure and qualify that opportunity.  How do you analyze and quantify the advantage of an ML-driven solution?  You do not need to be a data scientist to benefit from this discussion on measurement.  Essential knowledge for business leaders who are responsible for optimizing a business process.

  • Part 4: Building an ML Competency

    • Key considerations and tips on building / buying ML and AI solutions.

  • Part 5: Strategic Take-aways

    • A view on how ML changes the landscape over the long term; and discussion of things you can do *now* to ensure your organization is ready to take advantage of machine learning in the future.


Khóa học liên quan

Khám phá thêm các khoá học cùng chủ đề

Hiển thị tất cả khoá học Artificial Intelligence
Hiển thị tất cả khoá học Business Analytics
Hiển thị tất cả khoá học Data Science
Hiển thị tất cả khoá học Machine Learning
Zalo
Tôi có thể tư vấn khoá học cho bạn 😊