1️⃣ 🌱 Giai đoạn khởi động – Hiểu “khoa học dữ liệu” thật sự là gì

Rất nhiều người nhảy ngay vào học Machine Learning, nhưng không hiểu mình đang giải quyết bài toán gì.
Data Science là quy trình biến dữ liệu thành quyết định gồm 5 bước:

1️⃣ Hiểu vấn đề →
2️⃣ Thu thập dữ liệu →
3️⃣ Làm sạch & chuẩn hóa →
4️⃣ Phân tích & mô hình →
5️⃣ Diễn giải & hành động.

🎯 Mục tiêu ban đầu:

• Nắm được quy trình tư duy CRISP-DM.

• Phân biệt AI – ML – DL – DS.

• Biết chọn hướng học phù hợp (Phân tích – Machine Learning – Business Analytics).

📘 Bài tập thực tế:
Hãy chọn 1 vấn đề gần gũi: “Dự đoán điểm thi”, “Phân loại review tốt/xấu”, “Dự báo doanh thu”.
Từ đó, học theo quy trình Data Science end-to-end.

2️⃣ 🔍 Làm chủ Python cho Data Science

Python là “ngôn ngữ mẹ” của Data Science.
Mọi thứ bạn học sau này – từ EDA đến AI – đều chạy trên Python.

🎯 Học từng mảng:

💡 Project đề xuất:
Phân tích dữ liệu khách hàng bán lẻ: tìm nhóm khách hàng trung thành nhất.
→ vừa dùng pandas, vừa vẽ chart.

📘 Gợi ý:
“Python for Data Analysis” (Wes McKinney) – cuốn sách gối đầu của mọi Data Scientist.

3️⃣ 📊 Thống kê & Xác suất – nền tảng tư duy khoa học dữ liệu

Không thể làm Data Science mà không hiểu phân phối, xác suất, kiểm định giả thuyết.

🧠 Học những gì quan trọng nhất:

• Mean, Median, Mode, Variance, Standard Deviation.

• Normal Distribution, Skewness, Kurtosis.

• Correlation & Causation.

• Hypothesis Testing (A/B Test).

• Confidence Interval & p-value.

💡 Ví dụ dễ hiểu:

Giả sử bạn có 2 chiến dịch marketing. Dùng A/B Test để xác định xem chiến dịch nào hiệu quả hơn.
Học để kết luận dựa trên dữ liệu, không dựa vào cảm tính.

📘 Project gợi ý:
Phân tích tỷ lệ click quảng cáo – kiểm định xem “màu nút” có ảnh hưởng tới hành vi mua hàng không.

4️⃣ 🧹 Data Cleaning & Feature Engineering – bước không thể bỏ qua

Dữ liệu luôn bẩn. Và Data Scientist giỏi là người biết làm sạch và biến đổi dữ liệu đúng cách.

🎯 Kỹ năng bắt buộc:

• Xử lý missing values, outliers, duplicate.

• Encoding (OneHot, LabelEncoder).

• Scaling (MinMax, StandardScaler).

• Tạo feature mới từ ngày tháng, text, logs.

💡 Rule vàng:

“Garbage in → Garbage out.”
Không có model nào cứu nổi dữ liệu sai.

📘 Bài tập:
Làm sạch dataset review sản phẩm (Shopee/Tiki) → chuyển text thành feature (length, sentiment).

5️⃣ 🤖 Machine Learning cơ bản – học để hiểu, không học để thuộc

Đây là phần mọi người hứng thú nhất – nhưng cũng dễ lạc hướng nhất.
Đừng nhảy thẳng vào Deep Learning. Hãy hiểu nguyên lý của Machine Learning truyền thống trước.

🧩 Các nhóm thuật toán chính:

📘 Cách học hiệu quả:
1️⃣ Hiểu công thức toán (trực quan, không cần chứng minh).
2️⃣ Code lại ví dụ nhỏ (scikit-learn).
3️⃣ Tự chạy model với dataset thật (Kaggle).
4️⃣ Giải thích kết quả bằng biểu đồ, không chỉ bằng accuracy.

6️⃣ ⚙️ Đánh giá & Tối ưu mô hình

Sau khi train model, bạn phải biết đánh giá, chọn model tốt, và tối ưu.

🎯 Học các metric chính:

• Classification: Accuracy, Precision, Recall, F1-score, ROC-AUC.

• Regression: MAE, MSE, RMSE, R².

• Cross-validation, GridSearchCV, RandomizedSearchCV.

💡 Mini project:
Huấn luyện 3 model khác nhau (Linear, Tree, XGBoost) → so sánh kết quả bằng ROC Curve.
Viết nhận xét: “Model nào hiệu quả hơn, vì sao?”

7️⃣ 🧭 Visualization & Storytelling – kể chuyện bằng dữ liệu

Data Scientist không chỉ code – họ kể chuyện bằng số liệu.

🎨 Kỹ năng cần rèn:

• Dùng seaborn / matplotlib / Power BI để kể insight.

• Biết chọn biểu đồ phù hợp (Bar, Line, Heatmap, Funnel…).

• Học cách viết báo cáo tóm tắt theo cấu trúc “What – So What – Now What”.

💡 Project:
Tạo dashboard “Customer Behavior” → thể hiện tỷ lệ chuyển đổi theo tháng.

📘 Công cụ nên học thêm: Power BI, Tableau, Looker Studio.

8️⃣ 🚀 Lộ trình học Data Science trong 6 tháng

🎯 Sau 6 tháng, bạn có thể:

• Làm project Data thực tế.

• Viết báo cáo có insight.

• Ứng tuyển Data Analyst / Junior Data Scientist.

🌟 Insight tổng kết

✅ Học Data Science = học tư duy phân tích, không chỉ học code.
✅ Dữ liệu phải sạch trước khi mô hình được thông minh.
✅ Tập trung làm project nhỏ nhưng đủ quy trình: từ thu thập → phân tích → báo cáo.
✅ Mỗi model bạn tạo ra, phải trả lời được câu hỏi “nó giúp ra quyết định gì?”.

“Machine Learning không thay thế con người,
nhưng giúp con người ra quyết định thông minh hơn.”

📞 0352.433.233 | 🌐 mcivietnam.com
📺 youtube.com/@HocVienMCI
👥 facebook.com/groups/dataaivn