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

Learn Statistics & Biostatistics Data Analysis From Scratch

Học Thống kê & Phân tích Dữ liệu Sinh học từ Con số 0

Học Thống kê & Phân tích Dữ liệu Sinh học từ Con số 0

Nắm vững nền tảng thống kê và thống kê sinh học từ cơ bản đến nâng cao với lập trình R (Bài tập code)

4.4
(265 đánh giá)
1,152 học viên
Giảng viên
Naeem Mahmood Ashraf
Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao
50.000đ 969.000đ -95%
✓ Xem giỏ hàng và thanh toán
Bao gồm phụ đề tiếng Việt, tiếng Anh
10.0 giờ video
139 bài giảng
61 bài quiz
34 bài coding
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 16/09/2026
#Data Science #Other IT & Software #Statistics #Web Development

Bạn sẽ học được gì

Các khái niệm cơ bản về Dữ liệu và Phân loại
Các chiến lược lấy mẫu khác nhau và cách áp dụng để thu thập dữ liệu
Cài đặt R và R-Studio trên hệ điều hành
Chức năng cốt lõi của R và R-Studio & Nền tảng lập trình R
Cài đặt Gói (Package) R và sử dụng các hàm trong code
Khái niệm cốt lõi của Thống kê Mô tả và Trực quan hóa Dữ liệu
Sử dụng lập trình R để tính toán Thống kê Mô tả và Trực quan hóa Dữ liệu
Khái niệm Xác suất, các loại và ứng dụng trong đời sống hàng ngày
Sử dụng lập trình R để tính toán Xác suất
Khái niệm Tương quan và các loại
Sử dụng lập trình R để tính Tương quan Pearson, Kendall và Spearman
Khái niệm chi tiết về Hồi quy và các loại
Sử dụng lập trình R để xây dựng Hồi quy Tuyến tính và Logistic
Khái niệm chi tiết về Kiểm định Giả thuyết và các loại kiểm định (Z-Test, T-Test, F-Test, ANOVA, Chi-Sq)
Sử dụng lập trình R để tính toán các thống kê kiểm định khác nhau

Yêu cầu

Khóa học này được thiết kế cho người mới bắt đầu, không yêu cầu kiến thức nền tảng. Dù bạn chưa biết gì về thống kê hay lập trình R cũng đừng lo. Chúng tôi sẽ bắt đầu từ những thứ cơ bản nhất và từng bước xây dựng kiến thức, giúp bạn nắm rõ từng khái niệm và dễ dàng theo dõi...

Đối tượng phù hợp

Khóa học phù hợp với nhiều đối tượng.
Sinh viên các ngành khoa học cơ bản, đặc biệt là khoa học sự sống, sẽ thấy khóa học này rất hữu ích vì nó được thiết kế để đáp ứng nhu cầu và nâng cao hiểu biết về lập trình R trong bối cảnh khoa học.
Sinh viên khoa học máy tính có mục tiêu theo đuổi sự nghiệp khoa học dữ liệu sẽ được hưởng lợi nhiều từ khóa học này, vì nó cung cấp các kỹ năng nền tảng về lập trình R, rất cần thiết cho việc phân tích và diễn giải dữ liệu trong lĩnh vực này.
Các nhà xã hội học thu thập dữ liệu dân số và muốn tự mình phân tích, trực quan hóa dữ liệu sẽ thấy khóa học này rất hữu ích, vì nó trang bị cho họ kỹ năng quản lý, phân tích và trình bày dữ liệu hiệu quả bằng lập trình R.
Không được khuyến khích mạnh mẽ lắm, nhưng sinh viên kinh tế và tài chính, những người phân tích xu hướng thị trường và dữ liệu tài chính, sẽ được hưởng lợi từ khóa học này vì nó cung cấp các công cụ để tự thực hiện phân tích thống kê và tạo ra các trực quan hóa dữ liệu ấn tượng.

Nội dung khóa học

8 phần • 139 bài giảng
1 Chào mừng đến với Khóa học
2 Dữ liệu là gì?
3 Các loại dữ liệu khác nhau: Dữ liệu số & Dữ liệu phân loại
4 Các loại dữ liệu phân loại: Thứ bậc (Ordinal) & Phân loại đơn giản
5 Dữ liệu giai thừa (Factorial)
6 Rời rạc hóa dữ liệu: Chuyển đổi biến số thành biến phân loại
7 Làm thế nào để có được dữ liệu? (Nghiên cứu quan sát và Nghiên cứu thực nghiệm)
8 Biến gây nhiễu (Confounding Variables)
9 Lấy mẫu ngẫu nhiên và Phân công ngẫu nhiên để thu thập dữ liệu
10 Làm thế nào để lấy dữ liệu mẫu từ tổng thể cho nghiên cứu quan sát?
11 Lấy mẫu ngẫu nhiên: Chiến lược lấy mẫu phổ biến
12 Chiến lược lấy mẫu phân tầng (Stratified Sampling) cho dữ liệu phân bố không đồng nhất
13 Chiến lược lấy mẫu cụm (Cluster) và đa giai đoạn (Multi-Stage)
1 Cài đặt R và R-Studio
2 Thiết lập thư mục làm việc trong R-Studio
3 Các kiểu dữ liệu cơ bản mà R có thể xử lý
4 Vector: Dạng dữ liệu đơn giản nhất trong R
5 Ma trận (Matrix): Dạng bảng dữ liệu trong R
6 DataFrame: Kiểu dữ liệu được sử dụng nhiều nhất trong R
7 List: Một vùng chứa lớn để lưu trữ dữ liệu
8 Biến (Variable) là gì? Quy tắc đặt tên biến
9 Gói cơ sở (Base Package) của R và các Hàm (Functions): Một video quan trọng
10 Hàm (Functions) và Gói (Packages) trong R
11 Giới thiệu ngắn gọn về Bioconductor cho dữ liệu sinh học
1 Định nghĩa cơ bản về Thống kê
2 Hai loại thống kê cơ bản
3 Phân phối của dữ liệu: Phân phối chuẩn và phân phối lệch
4 Các loại biểu đồ khác nhau để xem phân phối dữ liệu
5 Thực hành-3.1: Cách xây dựng biểu đồ trong R để xem phân phối dữ liệu
6 Khái niệm về Xu hướng trung tâm (Central Tendency) và Giá trị trung bình (Mean)
7 Khái niệm về Giá trị trung vị (Median) của dữ liệu
8 Khái niệm cơ bản về Giá trị ngoại lai (Outliers) trong dữ liệu
9 Cách xác định các giá trị ngoại lai
10 Các tính chất quan trọng của Mean và Median
11 Khi nào nên dùng Mean và Median: Một ví dụ lâm sàng
12 Khái niệm về Mode: Giá trị xuất hiện nhiều nhất trong dữ liệu
13 Thực hành-3.2: Tính Mean, Median và Mode trong R
14 Khoảng tứ phân vị (IQR): Hiểu về độ trải rộng của dữ liệu
15 Thực hành-3.3: Tính IQR trong R
16 Phương sai (Variance) và Độ lệch chuẩn (Standard Deviation) (Phần 1)
17 Thực hành-3.4: Tính Phương sai trong R
18 Phương sai và Độ lệch chuẩn (Phần 2)
19 Thực hành-3.5: Tính Độ lệch chuẩn trong R
20 Tính tất cả các Thống kê Mô tả cho Biến số cùng một lúc
1 Chào mừng đến với Module 4: Xử lý dữ liệu Phân loại
2 R có thể không nhận dạng đúng các biến phân loại
3 Thực hành-4.1: Cách sửa lỗi của R liên quan đến biến phân loại
4 Bảng tần số (Frequency Tables): Phân tích thống kê cơ bản của biến phân loại
5 Thực hành-4.2: Xây dựng bảng tần số trong R
6 Tỷ lệ phần trăm (Percentages) & Tỷ lệ (Proportions) để hiểu dữ liệu phân loại
7 Thực hành-4.3: Tính toán Tỷ lệ phần trăm & Tỷ lệ trong R
8 Mode cho dữ liệu Phân loại
9 Thực hành-4.4: Tìm Mode của dữ liệu Phân loại
10 Bảng tương liên (Contingency Table) để tìm hiểu mối quan hệ giữa hai biến phân loại
11 Thực hành-4.5: Xây dựng bảng tương liên của hai biến phân loại
12 Các phương pháp trực quan hóa khác nhau cho dữ liệu Phân loại
13 Thực hành-4.6: Xây dựng trực quan hóa cho một biến phân loại
14 Thực hành-4.7: Xây dựng trực quan hóa cho hai biến phân loại cùng nhau
1 Giới thiệu về Xác suất
2 Các loại Xác suất và Xác suất cổ điển
3 Xác suất Thực nghiệm và Chủ quan
4 Xác suất có điều kiện
1 Giới thiệu về Tương quan: Một khái niệm thống kê quan trọng
2 Phân phối Tham số (Parametric) và Phi tham số (Non-Parametric)
3 Tương quan Pearson
4 Thực hành: Tính Tương quan Pearson trong R
5 ggplot2: Giới thiệu ngắn gọn về gói trực quan hóa dữ liệu
6 ggplot2: Hướng dẫn thực hành để tạo trực quan hóa trong R-Studio
7 Tương quan Spearman
8 Ví dụ về Tương quan Spearman
9 Thực hành: Tính Tương quan Spearman trong R
10 Tương quan Kendall
11 Tổng kết về Tương quan
1 Hồi quy: Khái niệm thống kê được tôn vinh nhất
2 Định nghĩa cơ bản về Hồi quy
3 Các loại Hồi quy khác nhau
4 Hồi quy tuyến tính đơn giản: Một giải thích đơn giản
5 Khả năng dự đoán của Hồi quy tuyến tính đơn giản
6 Khái niệm về Phần dư (Residual) trong Hồi quy (Rất quan trọng)
7 Khái niệm về Giá trị R-Square trong kết quả Hồi quy
8 Giải thích Code R để xây dựng Hồi quy tuyến tính đơn giản
9 Thực hành-7.1: Xây dựng mô hình Hồi quy đơn giản trong R
10 Thực hành-7.2: Hiểu kết quả Hồi quy tuyến tính đơn giản trong R
11 Giới thiệu về Hồi quy tuyến tính bội (Multiple Linear Regression)
12 Định nghĩa về Hồi quy tuyến tính bội
13 Thực hành-7.3: Cách xây dựng mô hình Hồi quy bội trong R
14 Thực hành-7.4: Cách trực quan hóa mô hình Hồi quy bội trong R bằng ggplot
15 Thực hành-7.5: Hiểu kết quả mô hình Hồi quy bội trong R
16 Các giả định cơ bản cần đúng trong một mô hình Hồi quy bội tốt
17 Khái niệm về Tính tuyến tính (Linearity)
18 Khái niệm về Tính độc lập (Independence)
19 Giới thiệu về Hồi quy Logistic (Phần 1)
20 Giới thiệu về Hồi quy Logistic (Phần 2)
21 Giải thích Công thức thống kê của Hồi quy Logistic
22 Code R cho Hồi quy Logistic: Một giới thiệu
23 Thực hành 7.6: Xây dựng mô hình Hồi quy Logistic trong R-Studio
24 Diễn giải kết quả mô hình Logistic từ R-Studio
25 Tính toán Xác suất từ mô hình Hồi quy Logistic
26 Diễn giải Đường cong Hồi quy Logistic
1 Giới thiệu về Module
2 Giả thuyết là gì, các loại và Sai lầm Loại-I & Loại-II
3 Một vài ví dụ về việc xây dựng Giả thuyết
4 Quy trình cơ bản của Kiểm định Giả thuyết
5 Mức ý nghĩa (Level of Significance) là gì?
6 Các loại kiểm định khác nhau cho Kiểm định Giả thuyết
7 Phương pháp truyền thống để đưa ra quyết định về Giả thuyết
8 Phương pháp dựa trên Giá trị P (P-value) để đưa ra quyết định
9 Lưu ý rất quan trọng trước khi nói về các Kiểm định
10 Giới thiệu về Z-test và các loại
11 Ví dụ về Z-test để kiểm định Giả thuyết
12 Điều gì xảy ra nếu chúng ta có Giá trị Kiểm định Âm?
13 Thực hành-8.1: Thực hiện Kiểm định Z một mẫu trong R
14 Giới thiệu về T-Test
15 T-Test một mẫu và Ví dụ
16 Thực hành-8.2: Thực hiện T-test một mẫu trong R
17 T-Test hai mẫu độc lập (Independent)
18 Giải thích Code R để thực hiện T-Test hai mẫu độc lập
19 Thực hành-8.3: Thực hiện T-test hai mẫu độc lập trong R
20 T-Test hai mẫu phụ thuộc (bắt cặp) (Paired)
21 Giải thích Code R để thực hiện T-Test hai mẫu phụ thuộc (bắt cặp)
22 Thực hành-8.4: Thực hiện T-Test hai mẫu phụ thuộc (bắt cặp) trong R
23 Thực hành-8.5: Sai lầm Loại-I và Loại-II có thể xảy ra như thế nào?
24 F-Test
25 So sánh F-Test với T-Test và Z-Test
26 Giải thích Code R để thực hiện F-Test
27 Thực hành-8.6: Thực hiện F-Test trong R
28 Giới thiệu về ANOVA và các loại
29 ANOVA một yếu tố (One Way ANOVA) là gì và cách tính?
30 Giải thích Code R để thực hiện ANOVA một yếu tố
31 Thực hành-8.7: Thực hiện ANOVA một yếu tố trong R
32 ANOVA hai yếu tố (Two Way ANOVA) là gì và cách tính?
33 Giải thích Code R cho ANOVA hai yếu tố
34 Thực hành-8.8: Thực hiện ANOVA hai yếu tố trong R
35 Giới thiệu về Kiểm định Chi-Sq: Một kiểm định Phi tham số
36 Lý thuyết về Kiểm định Chi-Sq về Tính độc lập
37 Giải thích Code R của Kiểm định Chi-Sq về Tính độc lập
38 Thực hành: 8.9: Kiểm định Chi-Sq về Tính độc lập trong R
39 Kiểm định Chi-Sq Mức độ phù hợp (Goodness of Fit)
40 Giải thích Code R của Kiểm định Chi-Sq Mức độ phù hợp

Giới thiệu khóa học

Welcome to our fourth course "Learn Statistics & Biostatistics Data Analysis From Scratch". In this course, you will start from the very fundamentals of Data and slowly move forward to the analysis of the data using different statistical tools. In an era dominated by big data and machine learning, statistics is the cornerstone that allows us to make sense of the vast amounts of information we collect. It provides the methodologies for the collection, analysis, interpretation, and presentation of data. This course not only makes you literate in the language of data but also empowers you to make informed decisions in business, science, and technology.

In this course, you will also learn the R-Programming to calculate different statistics on your data. R programming is one of the most sought-after skills in the fields of statistics, biostatistics and data analysis. With its extensive libraries and frameworks, R provides an unparalleled platform for analyzing and visualizing data, making it an indispensable tool for statisticians and data scientists for statistics. This course provides hands-on experience with R, ensuring you can apply statistical methods effectively in real-world scenarios.

This course is divided into Eight Modules

  1. What is Data? - Understand the basics of data, its types, and how it's collected and organized.

  2. Introduction to R Programming - Dive into R and R-studio, a powerful tool for statistical computing and graphics, essential for modern data analysis.

  3. Descriptive Statistics - Learn to summarize and describe the essential features of numerical data, crucial for initial data exploration. You will also learn how to build their visualization.

  4. Handling Categorical Data - Explore techniques for effectively managing and analyzing categorical variables.

  5. Probabilities - Gain insights into the concepts of probability, a foundational pillar for statistical inference. You will understand the subjective, classical, conditional, etc probabilities concepts at the end of this module.

  6. Correlation - Discover the methods to measure the strength and direction of a relationship between two variables. We will explain to you the Pearson, Kendall and Spearman correlations.

  7. Regression - Understand how to model relationships between variables and make predictions. We will teach you about Simple linear Regression, Multiple Linear Regression, and Logistic Regression.

  8. Hypothesis Testing - Develop the ability to test assumptions and make decisions based on data. You will learn the Z-test, T-test and its types, F-test, ANOVA and its types, and Chi-Sq test and its types.

This course is a unique blend of theory and practical. You will learn the theory of statistical concepts and along with it you will learn the R-programming to apply those statistical concepts to your data.  We hope this journey will be enlightening for you. After having this course, you will be confident to analyze your data by your own.

Khóa học liên quan

Khám phá thêm các khoá học cùng chủ đề

Hiển thị tất cả khoá học Data Science
Hiển thị tất cả khoá học Other IT & Software
Hiển thị tất cả khoá học Statistics
Hiển thị tất cả khoá học Web Development
Zalo
Tôi có thể tư vấn khoá học cho bạn 😊