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

One Week of Data Science in Python - New 2026!

Một Tuần Khoa Học Dữ Liệu với Python - Phiên bản Mới 2026!

Một Tuần Khoa Học Dữ Liệu với Python - Phiên bản Mới 2026!

Nắm vững Kiến thức Nền tảng Khoa Học Dữ Liệu Nhanh chóng & Hiệu quả chỉ trong một tuần! Khóa học được Thiết kế cho Người bận rộn

4.8
(368 đánh giá)
4,406 học viên
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
145 bài giảng
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 30/05/2026

Bạn sẽ học được gì

Thực hiện phân tích thống kê trên các bộ dữ liệu thực tế
Hiểu các chiến lược và công cụ kỹ thuật đặc trưng (feature engineering)
Thực hiện mã hóa one-hot và chuẩn hóa (normalization)
Hiểu sự khác biệt giữa chuẩn hóa (normalization) và chuẩn tắc hóa (standardization)
Xử lý dữ liệu bị thiếu bằng pandas
Thay đổi kiểu dữ liệu của DataFrame trong pandas
Định nghĩa hàm và áp dụng nó vào một cột trong Pandas DataFrame
Thực hiện các thao tác và lọc dữ liệu với Pandas
Tính toán và hiển thị heatmap ma trận tương quan
Thực hiện trực quan hóa dữ liệu bằng thư viện Seaborn và Matplotlib
Vẽ biểu đồ đường đơn, biểu đồ tròn và nhiều biểu đồ con bằng matplotlib
Vẽ pairplot, countplot và heatmap tương quan bằng Seaborn
Vẽ biểu đồ phân phối (distplot), biểu đồ tần suất (histogram) và biểu đồ phân tán (scatterplot)
Hiểu những nguyên lý cơ bản của hồi quy trong học máy
Học cách tối ưu tham số mô hình bằng phương pháp tổng bình phương nhỏ nhất
Chia dữ liệu thành tập huấn luyện và tập kiểm tra bằng Thư viện SK Learn
Thực hiện trực quan hóa dữ liệu và phân tích dữ liệu thăm dò cơ bản
Xây dựng, huấn luyện và kiểm tra mô hình hồi quy đầu tiên của chúng ta trong Scikit-Learn
Đánh giá hiệu suất của mô hình học máy hồi quy đã được huấn luyện
Hiểu lý thuyết và trực giác đằng sau kỹ thuật boosting
Huấn luyện thuật toán XG-boost trong Scikit-Learn để giải quyết các bài toán hồi quy
Huấn luyện một số mô hình phân loại như Hồi quy Logistic, Máy vectơ hỗ trợ (SVM), K-Láng giềng Gần nhất (KNN) và Rừng Ngẫu nhiên (Random Forest)
Đánh giá hiệu suất mô hình đã huấn luyện bằng các chỉ số KPI như độ chính xác (accuracy), độ chính xác dự đoán (precision), độ nhạy (recall), F1-score, AUC và ROC.
So sánh hiệu suất của mô hình phân loại bằng các chỉ số KPI khác nhau.
Áp dụng AutoGluon để giải quyết các bài toán hồi quy và phân loại
Sử dụng thư viện AutoGluon để tạo nguyên mẫu các mô hình AI/ML chỉ với vài dòng code
Vẽ biểu đồ hiệu suất của nhiều mô hình trên bảng xếp hạng (leaderboard)
Tối ưu siêu tham số (hyperparameters) cho mô hình hồi quy và phân loại bằng SK-Learn
Tìm hiểu sự khác biệt giữa các chiến lược tối ưu siêu tham số như tìm kiếm lưới (grid search), tìm kiếm ngẫu nhiên (randomized search) và tối ưu Bayes (Bayesian optimization).
Thực hiện tối ưu hóa siêu tham số bằng thư viện Scikit-Learn.
Hiểu sự đánh đổi phương sai - độ chệch (bias variance trade-off) và kỹ thuật chính quy hóa L1, L2

Yêu cầu

Kỹ năng lập trình Python cơ bản

Đối tượng phù hợp

Khóa học hướng đến bất kỳ ai muốn có hiểu biết nền tảng về Khoa học Dữ liệu và giải quyết các vấn đề kinh doanh thực tế
Nhà Khoa học Dữ liệu mới bắt đầu muốn thăng tiến sự nghiệp và xây dựng portfolio
Chuyên gia tư vấn dày dặn kinh nghiệm muốn chuyển đổi doanh nghiệp bằng cách tận dụng Khoa học Dữ liệu
Những người đam mê công nghệ, mới tìm hiểu về Khoa học Dữ liệu & AI và muốn có kinh nghiệm thực hành

Nội dung khóa học

11 phần • 135 bài giảng
1 Lời chào mừng đến với khóa học
2 Giới thiệu, Thực hành Tốt nhất & Mẹo để Thành công
3 Nội dung Khóa học
4 Khoa học Dữ liệu là gì?
5 Hồ sơ, Học vấn, Kinh nghiệm & Mức lương điển hình của một Nhà Khoa học Dữ liệu?
6 Nhà Khoa học Dữ liệu THỰC SỰ làm gì?
7 Nhà tuyển dụng tìm kiếm điều gì ở ứng viên Khoa học Dữ liệu?
8 Có những công việc Khoa học Dữ liệu nào trên thị trường?
1 Lời chào mừng Ngày #1
2 Giới thiệu Dự án & Nhập môn Chuẩn bị Dữ liệu
3 Nhiệm vụ Lập trình #1 - Nhập Dữ liệu và Lấy Thống kê Tổng quan
4 Bài tập #1 [Tùy chọn]
5 Nhiệm vụ Lập trình #2 - Xử lý Giá trị Bị thiếu
6 Bài tập #2 [Tùy chọn]
7 Nhiệm vụ Lập trình #3 - Thực hiện Mã hóa One-Hot
8 Bài tập #3 [Tùy chọn]
9 Nhập môn Chuẩn hóa Đặc trưng
10 Nhiệm vụ Lập trình #4 - Thực hiện Chuẩn hóa Đặc trưng: Normalization & Standardization
11 Bài tập #4 [Tùy chọn]
12 Nhiệm vụ Lập trình #5 - Thực hiện Thao tác Lọc
13 Bài tập #5 [Tùy chọn]
14 Nhiệm vụ Lập trình #6 - Thực hiện EDA trên Cả hai Nhóm
15 Bài tập #6 [Tùy chọn]
16 Nhiệm vụ Lập trình #7 - Sử dụng Hàm với Pandas
17 Bài tập #7 [Tùy chọn]
18 Nhiệm vụ Lập trình #8 - Tương quan và Biểu đồ Tần suất
19 Bài tập #8 [Tùy chọn]
20 Tổng quan Dự án Tổng kết Cuối cùng
21 Lời giải Dự án Tổng kết Cuối cùng
22 Kết thúc Ngày #1
1 Lời chào mừng Ngày #2
2 Tổng quan Dự án và Kết quả Học tập Chính
3 Nhập môn Trực quan hóa Dữ liệu
4 Nhiệm vụ Lập trình #1 - Vẽ Biểu đồ Tròn với Matplotlib
5 Bài tập #1 [Tùy chọn]
6 Nhiệm vụ Lập trình #2 - Vẽ Biểu đồ Đường Đơn & Nhiều đường
7 Bài tập #2 [Tùy chọn]
8 Nhiệm vụ Lập trình #3 - Vẽ Biểu đồ Phân tán
9 Bài tập #3 [Tùy chọn]
10 Nhiệm vụ Lập trình #4 - Vẽ Biểu đồ Tần suất
11 Bài tập #4 [Tùy chọn]
12 Nhiệm vụ Lập trình #5 - Seaborn Phần 1
13 Bài tập #5 [Tùy chọn]
14 Nhiệm vụ Lập trình #6 - Seaborn Phần 2
15 Bài tập #6 [Tùy chọn]
16 Tổng quan Dự án Tổng kết Cuối cùng
17 Lời giải Dự án Tổng kết Cuối cùng
18 Kết thúc Ngày #2
1 Lời chào mừng Ngày #3
2 Tổng quan Dự án và Kết quả Học tập Chính
3 Hồi quy là gì?
4 XGBoost là gì? và Tại sao nên dùng?
5 Nhiệm vụ Lập trình #1 - Nhập Thư viện và Bộ Dữ liệu
6 Bài tập #1 [Tùy chọn]
7 Nhiệm vụ Lập trình #2 - Phân tích Dữ liệu Thăm dò (EDA) & Trực quan hóa
8 Bài tập #2 [Tùy chọn]
9 Nhiệm vụ Lập trình #3 - Chuẩn bị Dữ liệu Trước khi Huấn luyện Mô hình
10 Bài tập #3 [Tùy chọn]
11 Nhiệm vụ Lập trình #4 - Huấn luyện Mô hình XG-Boost
12 Bài tập #4 [Tùy chọn]
13 Tổng quan Dự án Tổng kết Cuối cùng
14 Lời giải Dự án Tổng kết Cuối cùng
15 Kết thúc Ngày #3
1 Lời chào mừng Ngày #4
2 Giới thiệu & Tổng quan Dự án
3 Các chỉ số KPI cho Mô hình Phân loại
4 Nhiệm vụ Lập trình #1 - Nhập Thư viện và Bộ Dữ liệu
5 Bài tập #1 [Tùy chọn]
6 Nhiệm vụ Lập trình #2 - Thực hiện Trực quan hóa Dữ liệu
7 Bài tập #2 [Tùy chọn]
8 Nhiệm vụ Lập trình #3 - Vẽ Biểu đồ Tầm quan trọng của Đặc trưng
9 Nhiệm vụ Lập trình #4 - Huấn luyện & Đánh giá Mô hình Phân loại Hồi quy Logistic
10 Bài tập #3 [Tùy chọn]
11 Nhiệm vụ Lập trình #5 - Huấn luyện & Đánh giá Máy vectơ Hỗ trợ (SVM)
12 Nhiệm vụ Lập trình #6 - Huấn luyện & Đánh giá Mô hình Phân loại Rừng Ngẫu nhiên
13 Nhiệm vụ Lập trình #7 - Huấn luyện & Đánh giá Mô hình Phân loại K-Láng giềng Gần nhất
14 Bài tập #4 [Tùy chọn]
15 Nhiệm vụ Lập trình #8 - Huấn luyện & Đánh giá Mô hình Phân loại Naïve Bayes
16 Bài tập #5 [Tùy chọn]
17 Nhiệm vụ Lập trình #9 - So sánh các Mô hình Phân loại
18 Nhiệm vụ Lập trình #10 - Nhận xét Kết luận
19 Dự án Tổng kết Cuối cùng
20 Lời giải Dự án Tổng kết Cuối cùng Phần #1
21 Lời giải Dự án Tổng kết Cuối cùng Phần #2
22 Lời giải Dự án Tổng kết Cuối cùng Phần #3
23 Kết thúc Ngày #4
1 Lời chào mừng Ngày #5
2 Giới thiệu và Tổng quan Dự án
3 AutoGluon là gì?
4 Nhiệm vụ Lập trình #1 - Nhập AutoGluon, Các Thư viện Chính & Bộ Dữ liệu
5 Bài tập #1 [Tùy chọn]
6 Nhiệm vụ Lập trình #2 - Thực hiện Phân tích Dữ liệu Thăm dò (EDA)
7 Bài tập #2 [Tùy chọn]
8 Nhiệm vụ Lập trình #3 - Thực hiện Trực quan hóa Dữ liệu
9 Bài tập #3 [Tùy chọn]
10 Nhiệm vụ Lập trình #4 - Huấn luyện Mô hình Hồi quy Tự động
11 Nhiệm vụ Lập trình #5 - Đánh giá các Mô hình Hồi quy đã Huấn luyện
12 Bài tập #4 [Tùy chọn]
13 Tổng quan Dự án Tổng kết Cuối cùng
14 Lời giải Dự án Tổng kết Cuối cùng
15 Kết thúc Ngày #5
1 Lời chào mừng Ngày #6
2 Tổng quan Dự án
3 Nhập môn Siêu tham số
4 Các Chiến lược Tối ưu hóa
5 Nhiệm vụ Lập trình #1 - Nhập Thư viện và Bộ Dữ liệu
6 Bài tập #1 [Tùy chọn]
7 Nhiệm vụ Lập trình #2 - Thực hiện Làm sạch Dữ liệu
8 Nhiệm vụ Lập trình #3 - Thực hiện Trực quan hóa Dữ liệu
9 Bài tập #2 [Tùy chọn]
10 Nhiệm vụ Lập trình #4 - Chuẩn bị Dữ liệu Trước khi Huấn luyện Mô hình
11 Nhiệm vụ Lập trình #5 - Huấn luyện Thuật toán XG-Boost (Không Tối ưu hóa)
12 Bài tập #3 [Tùy chọn]
13 Nhiệm vụ Lập trình #6 - Tối ưu hóa bằng GridSearchCV
14 Bài tập #4 [Tùy chọn]
15 Nhiệm vụ Lập trình #7 - Tối ưu hóa Tìm kiếm Ngẫu nhiên
16 Nhiệm vụ Lập trình #8 - Tối ưu hóa Tìm kiếm Bayes
17 Câu hỏi Dự án Tổng kết Cuối cùng
18 Lời giải Dự án Tổng kết Cuối cùng
19 Kết thúc Ngày #6
1 Nhiệm vụ #1. Tổng quan Dự án
2 Nhiệm vụ #2. Tải lên và Khám phá Dữ liệu
3 Nhiệm vụ #3. Huấn luyện Mô hình Mạng Nơ-ron S
4 Task #4. Explainable AI and Model Understanding
1 Regression Math
2 Least Sum of Squares
3 Scikit Learn
4 XG-Boost Fundaments
5 XG-Boost Deep Dive
6 What is Boosting?
7 Ensemble Learning
1 Bias Variance Tradeoff
2 L2 regularization (Ridge)
3 L1 regularization (Lasso)
1 test

Giới thiệu khóa học

Do you want to learn Data Science and build robust applications Quickly and Efficiently?

Are you an absolute beginner who wants to break into Data Science and look for a course that includes all the basics you need?

Are you a busy aspiring entrepreneur who wants to maximize business revenues and reduce costs with Data Science but lacks the time to do so quickly and efficiently?


This course is for you if the answer is yes to any of these questions!

Data Science is one of the hottest tech fields to be in now!

The field is exploding with opportunities and career prospects.

Data Science is widely adopted in many sectors, such as banking, healthcare, transportation, and technology.

In business, Data Science is applied to optimize business processes, maximize revenue, and reduce cost.

This course aims to provide you with knowledge of critical aspects of data science in one week and in a practical, easy, quick, and efficient way.

This course is unique and exceptional in many ways. It includes several practice opportunities, quizzes, and final capstone projects.

Every day, we will spend 1-2 hours together and master a data science topic.

First, we will start with the Data Science essential starter pack and master key Data Science Concepts, including the Data Science project lifecycle, what recruiters look for, and what jobs are available.

Next, we will understand exploratory data analysis and visualization techniques using Pandas, matplotlib, and Seaborn libraries.

In the following section, we will learn about regression fundamentals. We will learn how to build, train, test, and deploy regression models using the Scikit Learn library.

In the following section, we will learn about hyperparameter optimization strategies such as grid search, randomized search, and Bayesian optimization.

Next, we will learn how to train several classification algorithms such as Logistic Regression, Support Vector Machine, K-Nearest Neighbors, Random Forest Classifier, and Naïve Bayes in SageMaker and SK-Learn libraries.

Next, we will cover Data Science on Autopilot! We will learn how to use the AutoGluon library for prototyping multiple AI/ML models and deploying the best one.

So who is this course for?

The course targets anyone wanting to gain a fundamental understanding of Data Science and solve practical, real-world business problems.

In this course:

  1. You will have an actual practical project-based learning experience. We will build over ten projects together

  2. You will have access to all the codes and slides

  3. You will get a certificate of completion that you can post on your LinkedIn profile to showcase your skills in Data Science to employers.

  4. All this comes with a 30-day money-back guarantee, so you can give a course a try risk-free!


Check out the preview videos and the outline to get an idea of the projects we will cover.

Enroll today, and let’s harness the power of Data Science together!



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 Deep Learning
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 😊