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

The Data Science Course: Complete Data Science Bootcamp 2026

Khóa Học Khoa Học Dữ Liệu: Bootcamp Khoa Học Dữ Liệu Toàn Diện 2026

Khóa Học Khoa Học Dữ Liệu: Bootcamp Khoa Học Dữ Liệu Toàn Diện 2026

Đào tạo Khoa học Dữ liệu Toàn diện: Toán học, Thống kê, Python, Thống kê Nâng cao trong Python, Máy học và Học sâu

4.5
(159,966 đánh giá)
794,468 học viên
Giảng viên
365 Careers
Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao
79.000đ 599.000đ -87%
✓ Xem giỏ hàng và thanh toán
Bao gồm phụ đề tiếng Việt, tiếng Anh
32.0 giờ video
555 bài giảng
275 bài quiz
131 bài coding
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 07/06/2026

Bạn sẽ học được gì

Khóa học cung cấp toàn bộ công cụ cần thiết để bạn trở thành một nhà khoa học dữ liệu
Làm đẹp CV với các kỹ năng khoa học dữ liệu đang "hot": Phân tích thống kê, Lập trình Python với NumPy, pandas, matplotlib và Seaborn, Phân tích thống kê nâng cao, Tableau, Máy học với statsmodels và scikit-learn, Học sâu với TensorFlow
Gây ấn tượng với nhà tuyển dụng bằng cách thể hiện sự am hiểu về lĩnh vực khoa học dữ liệu
Học cách tiền xử lý dữ liệu
Hiểu được toán học đằng sau Máy học (điều tối quan trọng mà các khóa học khác thường bỏ qua!)
Bắt đầu viết code Python và học cách sử dụng nó cho phân tích thống kê
Thực hiện hồi quy tuyến tính và hồi quy logistic trong Python
Thực hiện phân tích cụm và phân tích nhân tố
Có khả năng tạo các thuật toán Máy học trong Python, sử dụng NumPy, statsmodels và scikit-learn
Áp dụng kỹ năng của bạn vào các tình huống kinh doanh thực tế
Sử dụng các framework Học sâu hiện đại như TensorFlow của Google. Phát triển tư duy kinh doanh trong khi lập trình và giải quyết các bài toán với dữ liệu lớn
Khám phá sức mạnh của mạng nơ-ron sâu
Cải thiện thuật toán Máy học bằng cách tìm hiểu về underfitting, overfitting, training, validation, kiểm định chéo n-fold, testing và cách các siêu tham số có thể cải thiện hiệu suất
Hãy sẵn sàng vì bạn sẽ nóng lòng muốn áp dụng tất cả những gì học được vào ngày càng nhiều tình huống thực tế

Yêu cầu

Không yêu cầu kinh nghiệm trước đó. Chúng ta sẽ bắt đầu từ những kiến thức cơ bản nhất
Bạn cần cài đặt Anaconda. Chúng tôi sẽ hướng dẫn bạn từng bước một
Microsoft Excel 2003, 2010, 2013, 2016 hoặc 365

Đối tượng phù hợp

Bạn nên tham gia khóa học này nếu muốn trở thành Nhà khoa học Dữ liệu hoặc muốn tìm hiểu về lĩnh vực này
Khóa học này dành cho bạn nếu bạn muốn có một sự nghiệp tuyệt vời
Khóa học cũng lý tưởng cho người mới bắt đầu, vì nó bắt đầu từ nền tảng và dần dần xây dựng kỹ năng của bạn

Nội dung khóa học

66 phần • 525 bài giảng
1 Ví Dụ Thực Tế: Bạn Sẽ Học Gì Trong Khóa Học Này
2 Khóa Học Bao Gồm Những Gì
3 Tải Xuống Tất Cả Tài Nguyên và Câu Hỏi Thường Gặp Quan Trọng
1 Các Thuật Ngữ Thông Dụng trong Khoa Học Dữ Liệu và Kinh Doanh: Tại Sao Lại Có Nhiều Đến Vậy?
2 Sự Khác Biệt Giữa Phân Tích (Analysis) và Phân Tích Dữ Liệu (Analytics)
3 Phân Tích Kinh Doanh, Phân Tích Dữ Liệu và Khoa Học Dữ Liệu: Một Giới Thiệu
4 Tiếp Tục với BI, ML và AI
5 AI Truyền Thống vs. AI Sáng Tạo (Generative AI)
6 Thêm Ví Dụ về AI Sáng Tạo
7 Phân Tích Chi Tiết Infographic Khoa Học Dữ Liệu Của Chúng Tôi
1 Áp Dụng Dữ Liệu Truyền Thống, Dữ Liệu Lớn, BI, Khoa Học Dữ Liệu Truyền Thống và ML
1 Lý Do Đằng Sau Các Chuyên Ngành Này
1 Kỹ Thuật Làm Việc Với Dữ Liệu Truyền Thống
2 Ví Dụ Thực Tế Về Dữ Liệu Truyền Thống
3 Kỹ Thuật Làm Việc Với Dữ Liệu Lớn
4 Ví Dụ Thực Tế Về Dữ Liệu Lớn
5 Kỹ Thuật Trí Tuệ Kinh Doanh (BI)
6 Ví Dụ Thực Tế Về Trí Tuệ Kinh Doanh (BI)
7 Kỹ Thuật Làm Việc Với Các Phương Pháp Truyền Thống
8 Ví Dụ Thực Tế Về Các Phương Pháp Truyền Thống
9 Kỹ Thuật Máy Học (ML)
10 Các Loại Hình Máy Học
11 Sự Phát Triển và Xu Hướng Mới Nhất Của Máy Học (ML)
12 Ví Dụ Thực Tế Về Máy Học (ML)
1 Các Ngôn Ngữ Lập Trình và Phần Mềm Cần Thiết Dùng Trong Khoa Học Dữ Liệu
1 Tìm Việc Làm - Những Điều Cần Mong Đợi và Tìm Kiếm
1 Phân Tích Các Quan Niệm Sai Lầm Thường Gặp
1 Công Thức Xác Suất Cơ Bản
2 Tính Toán Giá Trị Kỳ Vọng
3 Tần Suất
4 Biến Cố và Biến Cố Đối
1 Nguyên Lý Cơ Bản Của Tổ Hợp
2 Hoán Vị và Cách Sử Dụng
3 Các Phép Toán Cơ Bản Với Giai Thừa
4 Giải Bài Toán Chỉnh Hợp Lặp
5 Giải Bài Toán Chỉnh Hợp Không Lặp
6 Giải Bài Toán Tổ Hợp
7 Tính Chất Đối Xứng Của Tổ Hợp
8 Giải Bài Toán Tổ Hợp Với Các Không Gian Mẫu Riêng Biệt
9 Tổ Hợp Trong Thực Tế: Xổ Số
10 Tóm Tắt Về Tổ Hợp
11 Ví Dụ Thực Tế Về Tổ Hợp
1 Tập Hợp và Biến Cố
2 Các Cách Tập Hợp Có Thể Tương Tác
3 Phép Giao Của Các Tập Hợp
4 Phép Hợp Của Các Tập Hợp
5 Các Tập Hợp Xung Khắc
6 Tính Phụ Thuộc và Độc Lập Của Các Tập Hợp
7 Công Thức Xác Suất Có Điều Kiện
8 Định Luật Xác Suất Toàn Phần
9 Quy Tắc Cộng
10 Quy Tắc Nhân
11 Định Luật Bayes
12 Ví Dụ Thực Tế Về Suy Luận Bayes
1 Nguyên Lý Cơ Bản Của Phân Phối Xác Suất
2 Các Loại Phân Phối Xác Suất
3 Đặc Điểm Của Phân Phối Rời Rạc
4 Phân Phối Rời Rạc: Phân Phối Đều
5 Phân Phối Rời Rạc: Phân Phối Bernoulli
6 Phân Phối Rời Rạc: Phân Phối Nhị Thức
7 Phân Phối Rời Rạc: Phân Phối Poisson
8 Đặc Điểm Của Phân Phối Liên Tục
9 Phân Phối Liên Tục: Phân Phối Chuẩn
10 Phân Phối Liên Tục: Phân Phối Chuẩn Tắc
11 Phân Phối Liên Tục: Phân Phối T Student
12 Phân Phối Liên Tục: Phân Phối Chi-Bình Phương
13 Phân Phối Liên Tục: Phân Phối Mũ
14 Phân Phối Liên Tục: Phân Phối Logistic
15 Ví Dụ Thực Tế Về Phân Phối Xác Suất
1 Xác Suất Trong Tài Chính
2 Xác Suất Trong Thống Kê
3 Xác Suất Trong Khoa Học Dữ Liệu
1 Tổng Thể và Mẫu
1 Các Loại Dữ Liệu
2 Các Mức Đo Lường
3 Biến Phân Loại - Kỹ Thuật Trực Quan Hóa
4 Bài Tập Về Biến Phân Loại
5 Biến Số - Bảng Phân Phối Tần Suất
6 Bài Tập Về Biến Số
7 Biểu Đồ Tần Suất (Histogram)
8 Bài Tập Về Biểu Đồ Tần Suất
9 Bảng Chéo và Biểu Đồ Phân Tán
10 Bài Tập Về Bảng Chéo và Biểu Đồ Phân Tán
11 Trung bình, trung vị và mode
12 Bài Tập Về Trung Bình, Trung Vị và Mode
13 Độ Lệch
14 Bài Tập Về Độ Lệch
15 Phương Sai
16 Bài Tập Về Phương Sai
17 Độ Lệch Chuẩn và Hệ Số Biến Thiên
18 Bài Tập Về Độ Lệch Chuẩn và Hệ Số Biến Thiên
19 Hiệp Phương Sai
20 Bài Tập Về Hiệp Phương Sai
21 Hệ Số Tương Quan
22 Bài Tập Về Hệ Số Tương Quan
1 Ví Dụ Thực Tế: Thống Kê Mô Tả
2 Bài Tập Ví Dụ Thực Tế: Thống Kê Mô Tả
1 Giới Thiệu
2 Phân Phối Là Gì
3 Phân Phối Chuẩn
4 Phân Phối Chuẩn Tắc
5 Bài Tập Về Phân Phối Chuẩn Tắc
6 Định Lý Giới Hạn Trung Tâm
7 Sai Số Chuẩn
8 Ước Lượng và Giá Trị Ước Lượng
1 Khoảng Tin Cậy Là Gì?
2 Khoảng Tin Cậy; Phương Sai Tổng Thể Đã Biết; Điểm Z
3 Bài Tập: Khoảng Tin Cậy; Phương Sai Tổng Thể Đã Biết; Điểm Z
4 Làm Rõ Về Khoảng Tin Cậy
5 Phân Phối T Student
6 Khoảng Tin Cậy; Phương Sai Tổng Thể Chưa Biết; Điểm T
7 Bài Tập: Khoảng Tin Cậy; Phương Sai Tổng Thể Chưa Biết; Điểm T
8 Sai Số Biên
9 Khoảng tin cậy. Hai giá trị trung bình. Mẫu phụ thuộc
10 Bài tập: Khoảng tin cậy. Hai giá trị trung bình. Mẫu phụ thuộc
11 Khoảng tin cậy. Hai giá trị trung bình. Mẫu độc lập (Phần 1)
12 Bài tập: Khoảng tin cậy. Hai giá trị trung bình. Mẫu độc lập (Phần 1)
13 Khoảng tin cậy. Hai giá trị trung bình. Mẫu độc lập (Phần 2)
14 Bài tập: Khoảng tin cậy. Hai giá trị trung bình. Mẫu độc lập (Phần 2)
15 Khoảng tin cậy. Hai giá trị trung bình. Mẫu độc lập (Phần 3)
1 Ví Dụ Thực Tế: Thống Kê Suy Diễn
2 Bài Tập Ví Dụ Thực Tế: Thống Kê Suy Diễn
1 Giả Thuyết Khống vs Giả Thuyết Thay Thế
2 Đọc Thêm Về Giả Thuyết Khống và Giả Thuyết Thay Thế
3 Miền Bác Bỏ và Mức Ý Nghĩa
4 Sai Lầm Loại I và Sai Lầm Loại II
5 Kiểm Định Giá Trị Trung Bình. Phương Sai Tổng Thể Đã Biết
6 Bài Tập: Kiểm Định Giá Trị Trung Bình. Phương Sai Tổng Thể Đã Biết
7 Giá trị p
8 Kiểm Định Giá Trị Trung Bình. Phương Sai Tổng Thể Chưa Biết
9 Bài Tập: Kiểm Định Giá Trị Trung Bình. Phương Sai Tổng Thể Chưa Biết
10 Kiểm Định Giá Trị Trung Bình. Mẫu Phụ Thuộc
11 Bài Tập: Kiểm Định Giá Trị Trung Bình. Mẫu Phụ Thuộc
12 Kiểm định giá trị trung bình. Mẫu độc lập (Phần 1)
13 Bài tập: Kiểm định giá trị trung
14 Test for the mean. Independent Samples (Part 2)
15 Test for the mean. Independent Samples (Part 2). Exercise
1 Practical Example: Hypothesis Testing
2 Practical Example: Hypothesis Testing Exercise
1 Introduction to Programming
2 Why Python?
3 Why Jupyter?
4 Installing Python and Jupyter
5 Intro to Using Jupyter
6 Jupyter - Working with Notebook Files
1 Variables
2 Python Coding Exercises - Part I
3 Numbers and Boolean Values in Python
4 Python Strings
1 Using Arithmetic Operators in Python
2 The Double Equality Sign
3 How to Reassign Values
4 Add Comments
5 Understanding Line Continuation
6 Truy cập phần tử bằng chỉ số
7 Cấu trúc mã với thụt lề
1 Toán tử so sánh
2 Toán tử logic và toán tử định danh
1 Câu lệnh IF
2 Câu lệnh ELSE
3 Câu lệnh ELIF
4 Lưu ý về giá trị Boolean
1 Cách định nghĩa một hàm trong Python
2 Cách tạo hàm có tham số
3 Định nghĩa hàm trong Python - Phần II
4 Cách sử dụng hàm bên trong một hàm khác
5 Câu lệnh điều kiện và hàm
6 Hàm chứa nhiều đối số
7 Các hàm tích hợp sẵn trong Python
1 Danh sách (List)
2 Sử dụng phương thức
3 Cắt danh sách (List Slicing)
4 Bộ giá trị (Tuple)
5 Từ điển (Dictionary)
1 Vòng lặp For
2 Vòng lặp While và cách tăng giá trị
3 Danh sách với hàm range()
4 Câu lệnh điều kiện và vòng lặp
5 Câu lệnh điều kiện, hàm và vòng lặp
6 Cách lặp qua từ điển
1 Lập trình hướng đối tượng
2 Module và Package
3 Thư viện chuẩn là gì?
4 Cách nhập module trong Python
1 Giới thiệu phân tích hồi quy
1 Mô hình hồi quy tuyến tính
2 Tương quan so với Hồi quy
3 Biểu diễn hình học của mô hình hồi quy tuyến tính
4 Cài đặt gói Python
5 Mô hình hồi quy đầu tiên trong Python
6 Bài tập: Mô hình hồi quy đầu tiên trong Python
7 Sử dụng Seaborn để vẽ đồ thị
8 Cách diễn giải bảng hồi quy
9 Phân tích phương sai
10 OLS là gì?
11 Hệ số xác định R-Squared
1 Hồi quy tuyến tính bội
2 Hệ số xác định hiệu chỉnh (Adjusted R-Squared)
3 Bài tập: Hồi quy tuyến tính bội
4 Kiểm định ý nghĩa mô hình (F-Test)
5 Các giả định của OLS
6 A1: Tính tuyến tính
7 A2: Không có nội sinh
8 A3: Tính chuẩn và phương sai đồng nhất
9 A4: Không có tự tương quan
10 A5: Không có đa cộng tuyến
11 Xử lý dữ liệu phân loại - Biến giả
12 Xử lý dữ liệu phân loại - Biến giả
13 Dự đoán với mô hình hồi quy tuyến tính
1 sklearn là gì và khác biệt với các gói khác ra sao?
2 Cách tiếp cận phần này
3 Hồi quy tuyến tính đơn giản với sklearn
4 Hồi quy tuyến tính đơn giản với sklearn - Bảng tóm tắt kiểu StatsModels
5 Lưu ý về chuẩn hóa
6 Bài tập: Hồi quy tuyến tính đơn giản với sklearn
7 Hồi quy tuyến tính bội với sklearn
8 Tính hệ số xác định hiệu chỉnh trong sklearn
9 Bài tập: Tính hệ số xác định hiệu chỉnh trong sklearn
10 Lựa chọn đặc trưng (F-regression)
11 Lưu ý về cách tính P-values với sklearn
12 Tạo bảng tóm tắt với P-values
13 Bài tập: Hồi quy tuyến tính bội
14 Chuẩn hóa đặc trưng (Standardization)
15 Lựa chọn đặc trưng thông qua chuẩn hóa trọng số
16 Dự đoán với hệ số đã chuẩn hóa
17 Bài tập: Chuẩn hóa đặc trưng
18 Underfitting và Overfitting
19 Giải thích về Tách dữ liệu Huấn luyện - Kiểm tra
1 Ví dụ thực tế: Hồi quy tuyến tính (Phần 1)
2 Ví dụ thực tế: Hồi quy tuyến tính (Phần 2)
3 Lưu ý về đa cộng tuyến
4 Ví dụ thực tế: Hồi quy tuyến tính (Phần 3)
5 Bài tập: Biến giả và hệ số phóng đại phương sai (VIF)
6 Ví dụ thực tế: Hồi quy tuyến tính (Phần 4)
7 Bài tập: Biến giả
8 Ví dụ thực tế: Hồi quy tuyến tính (Phần 5)
9 Bài tập: Hồi quy tuyến tính
1 Giới thiệu hồi quy Logistic
2 Ví dụ đơn giản trong Python
3 Hàm Logistic so với hàm Logit
4 Xây dựng mô hình hồi quy Logistic
5 Bài tập: Xây dựng mô hình hồi quy Logistic
6 Mẹo lập trình vô giá
7 Hiểu bảng kết quả hồi quy Logistic
8 Bài tập: Hiểu bảng kết quả hồi quy Logistic
9 Tỷ lệ Odds thực sự có ý nghĩa gì?
10 Biến dự đoán nhị phân trong hồi quy Logistic
11 Bài tập: Biến dự đoán nhị phân trong hồi quy Logistic
12 Tính độ chính xác của mô hình
13 Tính độ chính xác của mô hình
14 Underfitting và Overfitting
15 Kiểm thử mô hình
16 Bài tập: Kiểm thử mô hình
1 Giới thiệu phân tích phân cụm
2 Một số ví dụ về cụm
3 Sự khác biệt giữa Phân loại và Phân cụm
4 Kiến thức toán cần thiết
1 Phân cụm K-Means
2 Ví dụ đơn giản về phân cụm
3 Bài tập: Ví dụ đơn giản về phân cụm
4 Phân cụm dữ liệu phân loại
5 Bài tập: Phân cụm dữ liệu phân loại
6 Cách chọn số lượng cụm
7 Bài tập: Cách chọn số lượng cụm
8 Ưu và nhược điểm của phân cụm K-Means
9 Có nên chuẩn hóa dữ liệu hay không?
10 Mối quan hệ giữa phân cụm và hồi quy
11 Phân khúc thị trường với phân tích phân cụm (Phần 1)
12 Phân khúc thị trường với phân tích phân cụm (Phần 2)
13 Phân cụm hữu ích như thế nào?
14 BÀI TẬP: Phân đoạn loài với phân tích phân cụm (Phần 1)
15 BÀI TẬP: Phân đoạn loài với phân tích phân cụm (Phần 2)
1 Các loại phân cụm
2 Biểu đồ Dendrogram
3 Biểu đồ Heatmap
1 Phương pháp khoa học dữ liệu truyền thống và vai trò của ChatGPT
2 Cách cài đặt ChatGPT
3 ChatGPT có thể tăng năng suất của bạn như thế nào
4 Tiền xử lý dữ liệu với ChatGPT
5 Thử nghiệm đầu tiên với học máy bằng ChatGPT
6 Phân tích cơ sở dữ liệu khách hàng với ChatGPT trong Python
7 Phân tích cơ sở dữ liệu khách hàng với ChatGPT – phân tích sản phẩm hàng đầu
8 Phân tích cơ sở dữ liệu khách hàng với ChatGPT – phân tích khách hàng hàng đầu, RFM
9 Phân tích dữ liệu thăm dò (EDA) với ChatGPT - biểu đồ histogram và scatter plot
10 Phân tích dữ liệu thăm dò (EDA) với ChatGPT - ma trận tương quan, phát hiện ngoại lệ
11 Bài tập 1
12 Kiểm định giả thuyết với ChatGPT
13 Cơ sở dữ liệu truyện tranh Marvel: Giới thiệu Biểu thức chính quy (RegEx)
14 Giải mã dữ liệu truyện tranh: Biểu thức chính quy Python và ChatGPT
15 Bài tập 2
16 Đề xuất thuật toán: Phân tích cơ sở dữ liệu phim với ChatGPT
17 Đề xuất thuật toán: Hệ thống đề xuất phim với ChatGPT
18 Nguyên tắc đạo đức trong sử dụng dữ liệu và AI
19 Sử dụng ChatGPT cho các cân nhắc đạo đức
1 Giới thiệu nghiên cứu tình huống
2 Thuật toán Naive Bayes
3 Tokenization và Vectorization
4 Tập dữ liệu mất cân bằng
5 Khắc phục dữ liệu mất cân bằng trong học máy
6 Tải tập dữ liệu và tiền xử lý
7 Tối ưu hóa đánh giá người dùng: Tiền xử lý dữ liệu & EDA
8 Reg Ex để phân tích dữ liệu đánh giá văn bản
9 Hiểu sự khác biệt giữa Naive Bayes Đa thức và Bernoulli
10 Học máy với Naïve Bayes (Lần thử đầu tiên)
11 Học máy với Naïve Bayes – chuyển bài toán thành bài toán nhị phân
12 Kiểm thử mô hình trên dữ liệu mới
1 Ma trận là gì?
2 Vô hướng và Vectơ
3 Đại số tuyến tính và Hình học
4 Mảng trong Python - Cách biểu diễn ma trận thuận tiện
5 Tensor là gì?
6 Phép cộng và trừ ma trận
7 Lỗi khi cộng ma trận
8 Ma trận chuyển vị
9 Tích vô hướng
10 Tích vô hướng của ma trận
11 Tại sao Đại số tuyến tính hữu ích?
1 Bạn sẽ học gì trong phần này?
1 Giới thiệu mạng nơ-ron
2 Huấn luyện mô hình
3 Các loại hình học máy
4 Mô hình tuyến tính (Phiên bản đại số tuyến tính)
5 Mô hình tuyến tính với nhiều đầu vào
6 Mô hình tuyến tính với nhiều đầu vào và nhiều đầu ra
7 Biểu diễn đồ họa của mạng nơ-ron đơn giản
8 Hàm mục tiêu là gì?
9 Hàm mục tiêu phổ biến: Hàm mất mát L2-norm
10 Hàm mục tiêu phổ biến: Hàm mất mát Cross-Entropy
11 Thuật toán tối ưu: Gradient Descent 1 tham số
12 Thuật toán tối ưu: Gradient Descent n tham số
1 Ví dụ NN cơ bản (Phần 1)
2 Ví dụ NN cơ bản (Phần 2)
3 Ví dụ NN cơ bản (Phần 3)
4 Ví dụ Mạng Neural Cơ bản (Phần 4)
5 Bài tập về Ví dụ Mạng Neural Cơ bản
1 Cách cài đặt TensorFlow 2.0
2 Tổng quan về TensorFlow và So sánh với các Thư viện khác
3 TensorFlow 1 so với TensorFlow 2
4 Lưu ý về Cú pháp TensorFlow 2
5 Các định dạng tệp hỗ trợ TensorFlow
6 Phác thảo Mô hình với TensorFlow 2
7 Diễn giải Kết quả và Trích xuất Trọng số cùng Độ lệch
8 Tùy chỉnh Mô hình TensorFlow 2
9 Mạng Neural Cơ bản với TensorFlow: Bài tập
1 Layer là gì?
2 Deep Net là gì?
3 Tìm hiểu sâu về Deep Net
4 Tính phi tuyến và Mục đích của chúng
5 Hàm kích hoạt
6 Hàm kích hoạt: Softmax Activation
7 Lan truyền ngược
8 Hình ảnh minh họa Lan truyền ngược
9 Lan truyền ngược - Một cái nhìn vào Toán học của Tối ưu hóa
1 Overfitting là gì?
2 Underfitting và Overfitting trong Phân loại
3 Validation là gì?
4 Tập dữ liệu Huấn luyện, Validation và Kiểm tra
5 N-Fold Cross Validation
6 Dừng sớm hay Khi nào nên ngừng Huấn luyện
1 Khởi tạo là gì?
2 Các phương pháp Khởi tạo Đơn giản
3 Phương pháp Hiện đại - Khởi tạo (Xavier) Glorot
1 Stochastic Gradient Descent
2 Vấn đề với Gradient Descent
3 Momentum
4 Lịch trình Tốc độ học, hay Cách chọn Tốc độ học Tối ưu
5 Minh họa trực quan Lịch trình Tốc độ học
6 Lịch trình Tốc độ học Thích ứng (AdaGrad và RMSprop)
7 Adam (Adaptive Moment Estimation)
1 Giới thiệu về Tiền xử lý
2 Các loại Tiền xử lý Cơ bản
3 Chuẩn hóa
4 Tiền xử lý Dữ liệu Phân loại
5 Mã hóa Nhị phân và One-Hot
1 MNIST: Bộ dữ liệu
2 MNIST: Cách tiếp cận MNIST
3 MNIST: Nhập các Gói liên quan và Tải dữ liệu
4 MNIST: Tiền xử lý Dữ liệu - Tạo Tập Validation và Chuẩn hóa
5 MNIST: Tiền xử lý Dữ liệu - Chuẩn hóa Dữ liệu Kiểm tra - Bài tập
6 MNIST: Tiền xử lý Dữ liệu - Xáo trộn và Phân nhóm
7 MNIST: Tiền xử lý Dữ liệu - Xáo trộn và Phân nhóm - Bài tập
8 MNIST: Phác thảo Mô hình
9 MNIST: Chọn Hàm mất mát và Bộ tối ưu
10 MNIST: Quá trình Học
11 MNIST - Bài tập
12 MNIST: Kiểm tra Mô hình
1 Tình huống Kinh doanh: Khám phá Bộ dữ liệu và Xác định Biến dự đoán
2 Tình huống Kinh doanh: Phác thảo Giải pháp
3 Tình huống Kinh doanh: Cân bằng Bộ dữ liệu
4 Tình huống Kinh doanh: Tiền xử lý Dữ liệu
5 Tình huống Kinh doanh: Tiền xử lý Dữ liệu - Bài tập
6 Tình huống Kinh doanh: Tải Dữ liệu đã Tiền xử lý
7 Tình huống Kinh doanh: Tải Dữ liệu đã Tiền xử lý - Bài tập
8 Tình huống Kinh doanh: Học và Diễn giải Kết quả
9 Tình huống Kinh doanh: Thiết lập Cơ chế Dừng sớm
10 Thiết lập Cơ chế Dừng sớm - Bài tập
11 Tình huống Kinh doanh: Kiểm tra Mô hình
12 Tình huống Kinh doanh: Bài tập Cuối cùng
1 Tóm tắt những gì bạn đã học
2 Những gì còn ngoài kia trong lĩnh vực Machine Learning
3 DeepMind và Deep Learning
4 Tổng quan về CNN
5 Tổng quan về RNN
6 Tổng quan về các Phương pháp không dùng Neural Network
1 HÃY ĐỌC TÔI!!!!
2 Cách cài đặt TensorFlow 1
3 Lưu ý về Cài đặt Gói trong Anaconda
4 Giới thiệu TensorFlow
5 Giới thiệu Thực tế về TensorFlow
6 Các định dạng Tệp hỗ trợ Tensor
7 Ví dụ Mạng Neural Cơ bản với TF: Đầu vào, Đầu ra, Mục tiêu, Trọng số, Độ lệch
8 Ví dụ Mạng Neural Cơ bản với TF: Hàm mất mát và Gradient Descent
9 Ví dụ Mạng Neural Cơ bản với TF: Đầu ra Mô hình
10 Bài tập về Ví dụ Mạng Neural Cơ bản với TF
1 MNIST: Bộ dữ liệu MNIST là gì?
2 MNIST: Cách tiếp cận MNIST
3 MNIST: Các Gói liên quan
4 MNIST: Phác thảo Mô hình
5 MNIST: Hàm mất mát và Thuật toán Tối ưu hóa
6 Tính toán Độ chính xác của Mô hình
7 MNIST: Phân nhóm và Dừng sớm
8 MNIST: Quá trình Học
9 MNIST: Kết quả và Kiểm tra
10 MNIST: Bài tập
11 MNIST: Lời giải
1 Tình huống Kinh doanh: Làm quen với Bộ dữ liệu
2 Tình huống Kinh doanh: Phác thảo Giải pháp
3 Tầm quan trọng của việc Làm việc với Bộ dữ liệu Cân bằng
4 Tình huống Kinh doanh: Tiền xử lý
5 Tình huống Kinh doanh: Bài tập Tiền xử lý
6 Tạo Data Provider
7 Tình huống Kinh doanh: Phác thảo Mô hình
8 Tình huống Kinh doanh: Tối ưu hóa
9 Tình huống Kinh doanh: Diễn giải
10 Tình huống Kinh doanh: Kiểm tra Mô hình
11 Tình huống Kinh doanh: Nhận xét về Bài tập về nhà
12 Tình huống Kinh doanh: Bài tập Cuối cùng
1 Dữ liệu, Máy chủ, Máy khách, Yêu cầu và Phản hồi là gì?
2 Kết nối Dữ liệu, API và Endpoint là gì?
3 Tìm hiểu kỹ hơn về API
4 Giao tiếp giữa các Sản phẩm Phần mềm thông qua Tệp văn bản
5 Tích hợp Phần mềm - Giải thích
1 Kế hoạch cho Bài tập Kinh doanh Python, SQL và Tableau này
2 Nhiệm vụ Kinh doanh
3 Giới thiệu Bộ dữ liệu
1 Những gì sẽ có trong các Phần tiếp theo?
2 Nhập dữ liệu Absenteeism vào Python
3 Kiểm tra Nội dung của Bộ dữ liệu
4 Giới thiệu các Thuật ngữ có Nhiều nghĩa
5 Phân tích Hồi quy là gì - Ôn tập nhanh
6 Sử dụng Phương pháp Thống kê để Giải quyết Bài tập
7 Xóa một Cột khỏi DataFrame trong Python
8 BÀI TẬP - Xóa một Cột khỏi DataFrame trong Python
9 LỜI GIẢI - Xóa một Cột khỏi DataFrame trong Python
10 Phân tích Lý do Vắng mặt
11 Tạo Dummy từ một Đặc trưng Đơn lẻ
12 BÀI TẬP - Tạo Dummy từ một Đặc trưng Đơn lẻ
13 LỜI GIẢI - Tạo Dummy từ một Đặc trưng Đơn lẻ
14 Xóa một Biến Dummy khỏi Bộ dữ liệu
15 Thêm về Biến Dummy: Góc nhìn Thống kê
16 Phân loại các Lý do Vắng mặt khác nhau
17 Sử dụng .concat() trong Python
18 BÀI TẬP - Sử dụng .concat() trong Python
19 LỜI GIẢI - Sử dụng .concat() trong Python
20 Sắp xếp lại Cột trong Pandas DataFrame trong Python
21 BÀI TẬP - Sắp xếp lại Cột trong Pandas DataFrame trong Python
22 LỜI GIẢI - Sắp xếp lại Cột trong Pandas DataFrame trong Python
23 Tạo Checkpoint khi Lập trình trong Jupyter
24 BÀI TẬP - Tạo Checkpoint khi Lập trình trong Jupyter
25 LỜI GIẢI - Tạo Checkpoint khi Lập trình trong Jupyter
26 Phân tích Ngày tháng từ Bộ dữ liệu Ban đầu
27 Trích xuất Giá trị Tháng từ Cột "Date"
28 Trích xuất Thứ trong tuần từ Cột "Date"
29 BÀI TẬP - Xóa Cột "Date"
30 Phân tích một số Cột "Đơn giản" cho Bài tập này
31 Làm việc với "Education", "Children" và "Pets"
32 Nhận xét Cuối cùng của Phần này
33 Lưu ý về Xuất Dữ liệu dưới dạng Tệp *.csv
1 Khám phá Vấn đề với Tư duy Machine Learning
2 Tạo Mục tiêu cho Hồi quy Logistic
3 Chọn Đầu vào cho Hồi quy Logistic
4 Chuẩn hóa Dữ liệu
5 Chia Dữ liệu để Huấn luyện và Kiểm tra
6 Huấn luyện Mô hình và Đánh giá Độ chính xác
7 Tạo Bảng Tóm tắt với Hệ số và Hệ số chặn
8 Diễn giải Hệ số cho Bài toán của chúng ta
9 Chỉ Chuẩn hóa các Biến Số (Tạo Scaler Tùy chỉnh)
10 Diễn giải Hệ số của Hồi quy Logistic
11 Loại bỏ Ngược hay Cách Đơn giản hóa Mô hình của bạn
12 Kiểm tra Mô hình chúng ta đã Tạo
13 Lưu Mô hình và Chuẩn bị Triển khai
14 BÀI VIẾT - Lưu ý về 'pickling'
15 BÀI TẬP - Lưu Mô hình (và Scaler)
16 Chuẩn bị Triển khai Mô hình thông qua một Module
1 Bạn có chắc mình đã sẵn sàng chưa?
2 Triển khai 'absenteeism_module' - Phần I
3 Triển khai 'absenteeism_module' - Phần II
4 Xuất Bộ dữ liệu Thu được dưới dạng *.csv
1 BÀI TẬP - Tuổi so với Xác suất
2 Phân tích Tuổi so với Xác suất trong Tableau
3 BÀI TẬP - Lý do so với Xác suất
4 Phân tích Lý do so với Xác suất trong Tableau
5 BÀI TẬP - Chi phí Di chuyển so với Xác suất
6 Phân tích Chi phí Di chuyển so với Xác suất trong Tableau
1 Sử dụng Phương thức .format()
2 Bài tập Lập trình Python - Phần II
3 Lặp qua các Đối tượng Range
4 Giới thiệu về Vòng lặp For Lồng nhau
5 Vòng lặp For Lồng nhau Ba cấp
6 List Comprehensions
7 Hàm Ẩn danh (Lambda)
1 Giới thiệu về pandas Series
2 Lưu ý về Việc Hoàn thành các Bài tập Lập trình Sắp tới
3 Làm việc với Phương thức trong Python - Phần I
4 Làm việc với Phương thức trong Python - Phần II
5 Tham số và Đối số trong pandas
6 Cách sử dụng .unique() và .nunique()
7 Cách sử dụng .sort_values()
8 Giới thiệu về pandas DataFrames - Phần I
9 Giới thiệu về pandas DataFrames - Phần II
10 pandas DataFrames - Các thuộc tính thông dụng
11 Chọn dữ liệu trong pandas DataFrames
12 pandas DataFrames - Truy cập chỉ mục bằng .iloc[]
13 pandas DataFrames - Truy cập chỉ mục bằng .loc[]
1 Bài giảng bổ sung: Các bước tiếp theo

Giới thiệu khóa học

The Problem

Data scientist is one of the best suited professions to thrive this century. It is digital, programming-oriented, and analytical. Therefore, it comes as no surprise that the demand for data scientists has been surging in the job marketplace.     

However, supply has been very limited. It is difficult to acquire the skills necessary to be hired as a data scientist.    

And how can you do that?  

Universities have been slow at creating specialized data science programs. (not to mention that the ones that exist are very expensive and time consuming)   

Most online courses focus on a specific topic and it is difficult to understand how the skill they teach fit in the complete picture  

The Solution   

Data science is a multidisciplinary field. It encompasses a wide range of topics.   

  • Understanding of the data science field and the type of analysis carried out  

  • Mathematics  

  • Statistics   

  • Python   

  • Applying advanced statistical techniques in Python   

  • Data Visualization  

  • Machine Learning  

  • Deep Learning  

Each of these topics builds on the previous ones. And you risk getting lost along the way if you don’t acquire these skills in the right order. For example, one would struggle in the application of Machine Learning techniques before understanding the underlying Mathematics. Or, it can be overwhelming to study regression analysis in Python before knowing what a regression is.   

So, in an effort to create the most effective, time-efficient, and structured data science training available online, we created The Data Science Course 2024.   

We believe this is the first training program that solves the biggest challenge to entering the data science field – having all the necessary resources in one place.  

Moreover, our focus is to teach topics that flow smoothly and complement each other. The course teaches you everything you need to know to become a data scientist at a fraction of the cost of traditional programs (not to mention the amount of time you will save).   

The Skills

   1. Intro to Data and Data Science

Big data, business intelligence, business analytics, machine learning and artificial intelligence. We know these buzzwords belong to the field of data science but what do they all mean?     

Why learn it? As a candidate data scientist, you must understand the ins and outs of each of these areas and recognise the appropriate approach to solving a problem. This ‘Intro to data and data science’ will give you a comprehensive look at all these buzzwords and where they fit in the realm of data science.  

   2. Mathematics 

Learning the tools is the first step to doing data science. You must first see the big picture to then examine the parts in detail.   

We take a detailed look specifically at calculus and linear algebra as they are the subfields data science relies on.   

Why learn it?  

Calculus and linear algebra are essential for programming in data science. If you want to understand advanced machine learning algorithms, then you need these skills in your arsenal.

   3. Statistics 

You need to think like a scientist before you can become a scientist. Statistics trains your mind to frame problems as hypotheses and gives you techniques to test these hypotheses, just like a scientist.  

Why learn it?  

This course doesn’t just give you the tools you need but teaches you how to use them. Statistics trains you to think like a scientist.

   4. Python

Python is a relatively new programming language and, unlike R, it is a general-purpose programming language. You can do anything with it! Web applications, computer games and data science are among many of its capabilities. That’s why, in a short space of time, it has managed to disrupt many disciplines. Extremely powerful libraries have been developed to enable data manipulation, transformation, and visualisation. Where Python really shines however, is when it deals with machine and deep learning.

Why learn it?   

When it comes to developing, implementing, and deploying machine learning models through powerful frameworks such as scikit-learn, TensorFlow, etc, Python is a must have programming language.  

   5. Tableau

Data scientists don’t just need to deal with data and solve data driven problems. They also need to convince company executives of the right decisions to make. These executives may not be well versed in data science, so the data scientist must but be able to present and visualise the data’s story in a way they will understand. That’s where Tableau comes in – and we will help you become an expert story teller using the leading visualisation software in business intelligence and data science.

Why learn it?   

A data scientist relies on business intelligence tools like Tableau to communicate complex results to non-technical decision makers.  

   6. Advanced Statistics 

Regressions, clustering, and factor analysis are all disciplines that were invented before machine learning. However, now these statistical methods are all performed through machine learning to provide predictions with unparalleled accuracy. This section will look at these techniques in detail.  

Why learn it?  

Data science is all about predictive modelling and you can become an expert in these methods through this ‘advance statistics’ section.  

   7. Machine Learning 

The final part of the program and what every section has been leading up to is deep learning. Being able to employ machine and deep learning in their work is what often separates a data scientist from a data analyst. This section covers all common machine learning techniques and deep learning methods with TensorFlow.  

Why learn it?   

Machine learning is everywhere. Companies like Facebook, Google, and Amazon have been using machines that can learn on their own for years. Now is the time for you to control the machines.  

**What you get**

  • A $1250 data science training program   

  • Active Q&A support  

  • All the knowledge to get hired as a data scientist  

  • A community of data science learners  

  • A certificate of completion   

  • Access to future updates  

  • Solve real-life business cases that will get you the job   

You will become a data scientist from scratch   We are happy to offer an unconditional 30-day money back in full guarantee. No risk for you. The content of the course is excellent, and this is a no-brainer for us, as we are certain you will love it.

Why wait? Every day is a missed opportunity.

Click the “Buy Now” button and become a part of our data scientist program today.  

 

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 😊