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

Machine Learning using Python

Học Máy sử dụng Python

Học Máy sử dụng Python

(Có Phòng Lab Thực hành) Hồi quy Tuyến tính & Hồi quy Logistic, Cây Quyết định, XGBoost, SVM và các mô hình ML khác trong Python

4.5
(817 đánh giá)
30,396 học viên
Giảng viên
Start-Tech Academy
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
19.0 giờ video
171 bài giảng
13 bài quiz
5 bài coding
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 30/05/2026
#Data Science #Machine Learning #Python #Statistics

Bạn sẽ học được gì

Học cách giải quyết vấn đề thực tế bằng kỹ thuật Học máy
Các mô hình Học máy Nâng cao như Cây quyết định, Rừng Ngẫu nhiên, SVM, v.v.
Cách thực hiện các phép toán thống kê cơ bản và chạy mô hình ML trong Python
Hiểu biết cơ bản về thống kê và các khái niệm của Học máy
Cách chuyển đổi vấn đề kinh doanh thành bài toán Học máy
Kiến thức chuyên sâu về thu thập và tiền xử lý dữ liệu cho bài toán Học máy

Yêu cầu

Học viên cần cài đặt phần mềm Anaconda, nhưng chúng tôi có một bài giảng riêng để hướng dẫn bạn cài đặt

Đối tượng phù hợp

Dành cho người theo đuổi sự nghiệp khoa học dữ liệu
Chuyên gia đang làm việc bắt đầu hành trình với Dữ liệu

Nội dung khóa học

27 phần • 165 bài giảng
1 Chào mừng đến với khóa học
2 Tài nguyên khóa học
1 Cài đặt Python và Anaconda
2 Đây là một Cột mốc!
3 Mở Jupyter Notebook
4 Giới thiệu về Jupyter
5 Toán tử số học trong Python: Kiến thức cơ bản Python
6 Chuỗi trong Python: Kiến thức cơ bản Python
7 Danh sách, Tuple và Từ điển: Kiến thức cơ bản Python
8 Làm việc với Thư viện Numpy của Python
9 Làm việc với Thư viện Pandas của Python
10 Làm việc với Thư viện Seaborn của Python
11 Tệp Python để thực hành bổ sung
1 Các loại Dữ liệu
2 Các loại Thống kê
3 Mô tả dữ liệu bằng Đồ thị
4 Các số đo Xu hướng Trung tâm
5 Các số đo Độ phân tán
1 Giới thiệu về Học máy
2 Xây dựng một Mô hình Học máy
1 Thu thập Kiến thức Nghiệp vụ
2 Khám phá Dữ liệu
3 Bộ Dữ liệu và Từ điển Dữ liệu
4 Nhập Dữ liệu vào Python
5 Phân tích Đơn biến và EDD
6 EDD trong Python
7 Xử lý Giá trị Ngoại lai
8 Xử lý Giá trị Ngoại lai trong Python
9 Xử lý Giá trị Thiếu
10 Xử lý Giá trị Thiếu trong Python
11 Tính thời vụ trong Dữ liệu
12 Phân tích Song biến và Biến đổi Biến số
13 Biến đổi và Xóa biến trong Python
14 Các biến không thể sử dụng
15 Tạo biến Giả: Xử lý dữ liệu Định tính
16 Tạo biến Giả trong Python
17 Phân tích Tương quan
18 Phân tích Tương quan trong Python
19 Về phần đóng vai sắp tới.
1 Phát biểu Bài toán
2 Phương trình Cơ bản và phương pháp Bình phương Tối thiểu (OLS)
3 Đánh giá độ chính xác của các hệ số dự đoán
4 Đánh giá Độ chính xác Mô hình: RSE và R bình phương
5 Hồi quy Tuyến tính Đơn biến trong Python
6 Hồi quy Tuyến tính Đa biến
7 Thống kê F
8 Diễn giải kết quả của các biến Phân loại
9 Hồi quy Tuyến tính Đa biến trong Python
10 Chia Tập Kiểm tra - Huấn luyện
11 Sự đánh đổi Độ chệch - Phương sai
12 Chia Tập Kiểm tra - Huấn luyện trong Python
13 Các mô hình Hồi quy khác ngoài OLS
14 Kỹ thuật Lựa chọn Tập con
15 Phương pháp Thu hẹp: Ridge và Lasso
16 Hồi quy Ridge và Lasso trong Python
17 Phương sai Sai số không đồng nhất
1 Ba mô hình phân loại và Bộ dữ liệu
2 Nhập dữ liệu vào Python
3 Các phát biểu bài toán
4 Tại sao không thể dùng Hồi quy Tuyến tính?
1 Hồi quy Logistic
2 Huấn luyện Mô hình Logistic Đơn giản trong Python
3 Kết quả của Hồi quy Logistic Đơn giản
4 Hồi quy Logistic với nhiều biến dự báo
5 Huấn luyện mô hình Logistic nhiều biến dự báo trong Python
6 Ma trận Nhầm lẫn
7 Tạo Ma trận Nhầm lẫn trong Python
8 Đánh giá hiệu suất mô hình
9 Đánh giá hiệu suất mô hình trong Python
1 Phân tích Biệt thức Tuyến tính
2 LDA trong Python
1 Chia Tập Kiểm tra - Huấn luyện
2 Chia Tập Kiểm tra - Huấn luyện trong Python
3 Bộ phân loại K Láng giềng Gần nhất
4 K Láng giềng Gần nhất trong Python: Phần 1
5 K Láng giềng Gần nhất trong Python: Phần 2
1 Hiểu kết quả của các mô hình phân loại
2 Tóm tắt ba mô hình
1 Giới thiệu về Cây quyết định
2 Kiến thức cơ bản về Cây quyết định
3 Hiểu về Cây Hồi quy
4 Tiêu chí dừng để kiểm soát sự phát triển của cây
5 Nhập Bộ Dữ liệu vào Python
6 Xử lý giá trị thiếu trong Python
7 Tạo biến Giả trong Python
8 Tách Dữ liệu Phụ thuộc - Độc lập trong Python
9 Chia Tập Kiểm tra - Huấn luyện trong Python
10 Tạo Cây quyết định trong Python
11 Đánh giá hiệu suất mô hình trong Python
12 Vẽ Cây quyết định trong Python
13 Tỉa cây
14 Tỉa cây trong Python
1 Cây Phân loại
2 Bộ Dữ liệu cho bài toán Phân loại
3 Cây Phân loại trong Python: Tiền xử lý
4 Cây Phân loại trong Python: Huấn luyện
5 Ưu điểm và Nhược điểm của Cây Quyết định
1 Kỹ thuật Tập hợp 1 - Bagging
2 Kỹ thuật Tập hợp 1 - Bagging trong Python
1 Kỹ thuật Tập hợp 2 - Rừng Ngẫu nhiên
2 Kỹ thuật Tập hợp 2 - Rừng Ngẫu nhiên trong Python
3 Sử dụng Tìm kiếm Lưới trong Python
1 Boosting
2 Kỹ thuật Tập hợp 3a - Boosting trong Python
3 Kỹ thuật Tập hợp 3b - AdaBoost trong Python
4 Kỹ thuật Tập hợp 3c - XGBoost trong Python
1 Giới thiệu về SVM
2 Khái niệm Siêu phẳng
3 Bộ phân loại Biên Tối đa
4 Hạn chế của Bộ phân loại Biên Tối đa
1 Bộ phân loại Vectơ Hỗ trợ
2 Hạn chế của Bộ phân loại Vectơ Hỗ trợ
1 Máy Vectơ Hỗ trợ dựa trên Hàm nhân
1 Mô hình Hồi quy và Phân loại
2 Nhập và tiền xử lý dữ liệu trong Python
3 Chuẩn hóa dữ liệu
4 Mô hình Hồi quy dựa trên SVM trong Python
5 Mô hình Phân loại - Tiền xử lý
6 Mô hình Phân loại - Chuẩn hóa dữ liệu
7 Mô hình Phân loại dựa trên SVM
8 Điều chỉnh Siêu tham số
9 Hàm nhân Đa thức với Điều chỉnh Siêu tham số
10 Hàm nhân Hướng tâm với Điều chỉnh Siêu tham số
1 Giới thiệu
2 Dự báo Chuỗi Thời gian - Các trường hợp sử dụng
3 Tạo mô hình Dự báo - Các bước
4 Tạo mô hình Dự báo - Bước 1 (Mục tiêu)
5 Chuỗi Thời gian - Ký hiệu Cơ bản
1 Tải Dữ liệu trong Python
2 Chuỗi Thời gian - Kiến thức cơ bản về Trực quan hóa
3 Chuỗi Thời gian - Trực quan hóa trong Python
4 Chuỗi Thời gian - Kiến thức cơ bản về Kỹ thuật Đặc trưng
5 Chuỗi Thời gian - Kỹ thuật Đặc trưng trong Python
6 Chuỗi Thời gian - Tăng và Giảm tần số lấy mẫu
7 Chuỗi Thời gian - Tăng và Giảm tần số lấy mẫu trong Python
8 Chuỗi Thời gian - Biến đổi Lũy thừa
9 Trung bình Trượt
10 Làm mũ Mũ
1 Nhiễu Trắng
2 Bước đi Ngẫu nhiên
3 Phân rã Chuỗi Thời gian trong Python
4 Sai phân
5 Sai phân trong Python
1 Chia Tập Kiểm tra - Huấn luyện trong Python
2 Mô hình Ngây thơ (Bền vững) trong Python
3 Mô hình Tự Hồi quy - Kiến thức cơ bản
4 Tạo Mô hình Tự Hồi quy trong Python
5 Tự Hồi quy với Xác thực Đi tới trong Python
6 Mô hình Trung bình Trượt - Kiến thức cơ bản
7 Mô hình Trung bình Trượt trong Python
8 Tính năng AI Mới trong Python (Các Cập nhật Mới nhất Bạn Phải Biết)
1 ACF và PACF
2 Mô hình ARIMA - Kiến thức cơ bản
3 Mô hình ARIMA trong Python
4 Mô hình ARIMA với Xác thực Đi tới trong Python
1 Mô hình SARIMA
2 Mô hình SARIMA trong Python
3 Chuỗi Thời gian Dừng
4 Nhiệm vụ Thực hành 1
5 Nhiệm vụ Thực hành 2
6 Nhiệm vụ Thực hành 3
7 Câu hỏi Chuẩn bị Phỏng vấn Toàn diện
8 Cột mốc cuối cùng!
1 Thông tin về chứng chỉ
2 Bài giảng bổ sung

Giới thiệu khóa học

You're looking for a complete Machine Learning course in Python that can help you launch a flourishing career in the field of Data Science and Machine Learning, right?

You've found the right Machine Learning course!

After completing this course, you will be able to:

· Confidently build predictive Machine Learning models using Python to solve business problems and create business strategy

· Answer Machine Learning related interview questions

· Participate and perform in online Data Analytics competitions such as Kaggle competitions

Check out the table of contents below to see what all Machine Learning models you are going to learn.

How will this course help you?

A Verifiable Certificate of Completion is presented to all students who undertake this Machine learning basics course.

If you are a business manager or an executive, or a student who wants to learn and apply machine learning, Python and predictive modelling in Real world problems of business, this course will give you a solid base for that by teaching you the most popular techniques of machine learning, Python and predictive modelling.

Why should you choose this course?

This course covers all the steps that one should take while solving a business problem through linear regression. This course will give you an in-depth understanding of machine learning and predictive modelling techniques using Python.

Most courses only focus on teaching how to run the analysis but we believe that what happens before and after running analysis is even more important i.e. before running analysis it is very important that you have the right data and do some pre-processing on it. And after running analysis, you should be able to judge how good your model is and interpret the results to actually be able to help your business.

What makes us qualified to teach you?

The course is taught by Abhishek and Pukhraj. As managers in Global Analytics Consulting firm, we have helped businesses solve their business problem using machine learning techniques using R, Python, and we have used our experience to include the practical aspects of data analysis in this course.

We are also the creators of some of the most popular online courses - with over 1 million enrollments and thousands of 5-star reviews like these ones:

This is very good, i love the fact the all explanation given can be understood by a layman - Joshua

Thank you Author for this wonderful course. You are the best and this course is worth any price. - Daisy

Our Promise

Teaching our students is our job and we are committed to it. If you have any questions about the course content, machine learning, Python, predictive modelling, practice sheet or anything related to any topic, you can always post a question in the course or send us a direct message.

Download Practice files, take Quizzes, and complete Assignments

With each lecture, there are class notes attached for you to follow along. You can also take quizzes to check your understanding of concepts of machine learning, Python and predictive modelling. Each section contains a practice assignment for you to practically implement your learning on machine learning, Python and predictive modelling.

Below is a list of popular FAQs of students who want to start their Machine learning journey-

What is Machine Learning?

Machine Learning is a field of computer science which gives the computer the ability to learn without being explicitly programmed. It is a branch of artificial intelligence based on the idea that systems can learn from data, identify patterns, and make decisions with minimal human intervention.

What are the steps I should follow to be able to build a Machine Learning model?

You can divide your learning process into 3 parts:

Statistics and Probability - Implementing Machine learning techniques require basic knowledge of Statistics and probability concepts. Second section of the course covers this part.

Understanding of Machine learning - Fourth section helps you understand the terms and concepts associated with Machine learning and gives you the steps to be followed to build a machine learning model

Programming Experience - A significant part of machine learning is programming. Python and R clearly stand out to be the leaders in the recent days. Third section will help you set up the Python environment and teach you some basic operations. In later sections there is a video on how to implement each concept taught in theory lecture in Python

Understanding of models - Fifth and sixth section cover Classification models and with each theory lecture comes a corresponding practical lecture where we actually run each query with you.

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