Nội dung khóa học

• Buổi 1: Làm quen với Python
Chủ đề:

Làm quen với Python

Mục tiêu:

Giới thiệu về khóa học và khởi động với Python

Ứng dụng:

- Nắm được 1 framework phân tích dữ liệu
- Làm quen với Google Colab
- Làm quen với Markdown
- Biết ngôn ngữ lập trình Python là gì, và một số lý do tại sao Python phổ biến
- Biết được cấu trúc cú pháp cơ bản trong Python (Language Semantic)

Case Study:

Ôn tập Python Basic

• Buổi 2: Python Basic
Chủ đề:

Python Basic

Mục tiêu:

Nắm được kiến thức:
- Một số kiểu dữ liệu của Python;
- Các phép toán tử;
- Các kiểu dữ liệu dạng chuỗi;
- Các cấu trúc điều khiển trong Python

Ứng dụng:

- Kiểu dữ liệu và chuỗi
- Toán tử
- Cấu trúc điều khiển

Case Study:

Ôn tập cú pháp Python

• Buổi 3: Python Basic (Tiếp)
Chủ đề:

Python Basic (Tiếp)

Mục tiêu:

Nắm được kiến thức:
- Một số hàm cơ bản: pass, range, zip, enumerate, sorted;
- List, set, Dict comprehension
- Cách tạo ra hàm
- Các xử lý lỗi trong python

Ứng dụng:

- Hàm cơ bản
- List, set, Dict comprehension
- Cách tạo hàm
- Xử lý lỗi trong Python

Case Study:

Bài tập về nhà về cấu trúc mảng

• Buổi 4: Numpy
Chủ đề:

Numpy

Mục tiêu:

Nắm được cách xử lý mảng dữ liệu

Ứng dụng:

Phân tích dữ liệu lớn (Big Data)

Case Study:

Bài tập mảng một chiều mảng 2 chiều

• Buổi 5: Pandas: Data Loading, Storage, and File Formats; Data Cleaning and Preparation
Chủ đề:

Pandas

Mục tiêu:

Nắm được cách trích xuất, làm sạch và xử lý dữ liệu trống

Ứng dụng:

Làm sạch dữ liệu

Case Study:

Bài tập về nhà

• Buổi 6: Pandas nâng cao
Chủ đề:

Pandas: Data Wrangling: Join, Combine, and Reshape

Mục tiêu:

Nắm được các kỹ thuật xử lý cấu trúc dữ liệu

Ứng dụng:

Làm sạch dữ liệu

Case Study:

Bài tập về nhà: Cleaning data

• Buổi 7: Pandas: Time Series
Chủ đề:

Pandas: Time Series

Mục tiêu:

Hiểu được về dữ liệu thời gian, cách xử lý dữ liệu thời gian

Ứng dụng:

Time series

Case Study:

Xử lý dữ liệu chứng khoán

• Buổi 8: Trực quan hóa dữ liệu
Chủ đề:

Trực quan hóa dữ liệu

Mục tiêu:

- Nắm được kỹ thuật vẽ các biểu đồ cơ bản
- Cách thêm các thành phân trong biểu đồ
- Kỹ thuật vẽ multiple plot
- Một số kỹ năng quan trọng trong trực quan hóa dữ liệu

Ứng dụng:

Data Visualization

Case Study:

Trực quan hóa dữ liệu phân tích doanh thu

• Buổi 9: Phân tích dữ liệu thăm dò (EDA)
Chủ đề:

Phân tích dữ liệu thăm dò (EDA)

Mục tiêu:

- Nắm được kỹ thuật khai phá dữ liệu
- Sử dụng các công cụ đã học để phân tích khai phá dữ liệu

Ứng dụng:

EDA

Case Study:

Phân tích EDA bộ dữ liệu IT salary

• Buổi 10: Web Crawling using Selenium and Python & Capstone
Chủ đề:

Web Crawling using Selenium and Python & Capstone

Mục tiêu:

Học viên nắm được kỹ thuật Web Crawling

Ứng dụng:

Kỹ thuật Web Crawling

Case Study:

Dùng selenium để lấy dữ liệu từ SSI sau đó tiến hành các bước làm sạch, khai phá dữ liệu

• Buổi 11: Giới thiệu về Machine Learning và Linear Regression
Chủ đề:

Giới thiệu về Machine Learning và Linear Regression

Mục tiêu:

- Nắm được khái niệm cơ bản về ML, một số ứng dụng phổ biến và phân loại machine learning
- Biết về thư viện scikit learn các triển khai xây dựng mô hình trên scikitlearn
- Nắm được thuật toán linear regression và triển khai
- Một số thước đo cơ bản của bài toán regression

Ứng dụng:

- Xây dựng mô hình trên Scikit-learn
- Triển khai thuật toán Linear Regression

Case Study:

Media Company Case Study (Linear Regression)
A digital media company (similar to Voot, Hotstar, Netflix, etc.) had launched a show. Initially, the show got a good response, but then witnessed a decline in viewership. The company wants to figure out what went wrong.

• Buổi 12: Polynomial và một số thuật ngữ quan trọng trong ML
Chủ đề:

Polynomial và một số thuật ngữ quan trọng trong ML

Mục tiêu:

- Hiểu được việc thuật toán Polynomial và cách triển khai
- Nắm được một số kỹ thuật xây dựng mô hình machine learning

Ứng dụng:

Machine Learning

Case Study:

Using Polynomial Regression with House Prices - Kaggle Competitions

• Buổi 13: Gradient Descent
Chủ đề:

Gradient Descent

Mục tiêu:

- Nắm được về thuật toán, một số phiên bản của Gradient Descent
- Kỹ thuật Normalization Features

Ứng dụng:

Machine Learning

Case Study:

House Prices - Advanced Regression Techniques

• Buổi 14: Logistic Regression
Chủ đề:

Logistic Regression

Mục tiêu:

- Nắm được về thuật toán phân lớp bằng Logistic Regression và triển khai trên thư viện Scikit-learn
- Một số thước đo phổ biến của bài toán phân lớp và ưu nhược điểm của nó

Ứng dụng:

Học máy có giám sát nâng cao

Case Study:

Housing Prediction with Logistic Regression

• Buổi 15: KNN and Naive Bayes
Chủ đề:

KNN and Naive Bayes

Mục tiêu:

- Nắm được cách triển khai thuật toán:
- KNN và tối ưu giá trị của k
- Naive Bayes

Ứng dụng:

Machine Learning

Case Study:

Housing classification with KNN

• Buổi 16: Unsupervised learning: Kmean, Hierarchical Clustering
Chủ đề:

Unsupervised learning: Kmean, Hierarchical Clustering

Mục tiêu:

Nắm được cách triển khai và tối ưu của thuật toán :
- Kmean
- Hierarchical

Ứng dụng:

- Kmean
- Hierarchical

Case Study:

Online Retail K-means & Hierarchical Clustering:
Online retail is a transnational data set which contains all the transactions occurring between 01/12/2010 and 09/12/2011 for a UK-based and registered non-store online retail. The company mainly sells unique all-occasion gifts. Many customers of the company are wholesalers.

• Buổi 17: PCA and SVM
Chủ đề:

PCA and SVM

Mục tiêu:

Nắm được và triển khai thuật toán:
- PCA
- SVM

Ứng dụng:

- Giới thiệu về SVM : Thuật toán, phiên bản
- Giới thiệu về PCA: Thuật toán
- Các triển khai trong thư viện Scikit learn

Case Study:

PCA and SVM on MNIST dataset

• Buổi 18: Decision Tree
Chủ đề:

Decision Tree

Mục tiêu:

Nắm được và triển khai thuật toán:
- Decision Tree
- Random Forests
- XGBoost

Ứng dụng:

- Giới thiệu về Decision tree
- Hàm entropy và thuật toán tối ưu của Decision tree
- Decision tree cho bài toán regression
- Emsemble tree: Giới thiệu về Bagging, boosting, random forests
- Cách triển khai bài toán decision tree, randomforest trên thư viện scikit-learn
- Giới thiệu về gradient boosting và thư viện XGBoost
- Một số ưu và nhược điểm của thuật toán

Case Study:

Titanic - Machine Learning from Disaster

• Buổi 19: Neutral network
Chủ đề:

Neutral network

Mục tiêu:

- Phân biệt được giữa ML và Deep Learning
- Hiểu được cách xây dựng và tìm phương án tối ưu của mạng Neural Network
- Cách triển khai mạng Neural Network bằng thư viện TensorFlow

Ứng dụng:

- Phân biệt giữa Machine learning vs Deep learning
- Giới thiệu về Neutral network
- Cách xây dựng mạng neutral
- Một số non-linear fuction cơ bản trong mạng neutral: softmax, relu, tanh...
- Feedforward and back propagation
- Triển khai Neutral network trên thư viện tensorflow

Case Study:

Taylor Swift's YouTube Stats Symphony
Dive into the data-driven world of Taylor Swift's YouTube empire with the "Swift's YouTube Stats Symphony" dataset! This collection offers an analytical look at the performance metrics of each video from the global music icon's official channel, providing a wealth of insights into views, popularity, and engagement trends.

• Buổi 20: Tổng kết
Chủ đề:

Tổng kết

Mục tiêu:

- Ứng dụng các kiến thức đã học vào 1 dự án
- Tổng kết các kiến thức

Ứng dụng:

Machine Learning & Deep Learning

Case Study:

Project cuối khóa