Nội dung khóa học

• Buổi 1: Làm quen với SQL và cài đặt
Chủ đề:

- Using SQL Server
- Tạo lập cơ sở dữ liệu (CSDL)

Mục tiêu:

- Tạo lập cơ sở dữ liệu (CSDL)

Ứng dụng:

- Tạo cơ sở dữ liệu, bảng và view mới
- Chèn các bản ghi vào trong một CSDL
- Xóa các bản ghi từ một CSDL
- Lấy dữ liệu từ một CSDL
- Tổ chức một lượng lớn thông tin bằng việc lưu trữ, thu thập và quản lý

Case Study:

Xây dựng cơ sở dữ liệu trong ngành ngân hàng, bảo hiểm và thương mại điện tử...

• Buổi 2: Làm quen với SQL và cài đặt (tiếp)
Chủ đề:

- Using SQL Server
- Tạo lập cơ sở dữ liệu (CSDL)

Mục tiêu:

- Tạo lập cơ sở dữ liệu (CSDL)

Ứng dụng:

- Tạo cơ sở dữ liệu, bảng và view mới
- Chèn các bản ghi vào trong một CSDL
- Xóa các bản ghi từ một CSDL
- Lấy dữ liệu từ một CSDL
- Tổ chức một lượng lớn thông tin bằng việc lưu trữ, thu thập và quản lý

Case Study:

Xây dựng cơ sở dữ liệu trong ngành ngân hàng, bảo hiểm và thương mại điện tử...

• Buổi 3: Mô hình CSDL
Chủ đề:

- Thao tác với bảng
- Mô hình CSDL

Mục tiêu:

- Lưu trữ dữ liệu và phân tích dữ liệu

Ứng dụng:

- Xây dưng một kiểu dữ liệu hợp lý và phù hợp để tạo thuận lợi cho việc tìm kiếm dữ liễu và tối ưu bộ nhớ trong quá trình sử dụng

Case Study:

Xây dựng cơ sở dữ liệu trong ngành ngân hàng, bảo hiểm và thương mại điện tử...

• Buổi 4: Làm quen với các lệnh điều kiện, lọc dữ liệu
Chủ đề:

- Lệnh cơ bản
- Lệnh có điều kiện Where

Mục tiêu:

- Cấu trúc câu lệnh cơ bản và có điều kiện

Ứng dụng:

- Truy vấn thuận lợi và dễ dàng trong một CSDL lớn

Case Study:

Xây dựng cơ sở dữ liệu trong ngành ngân hàng, bảo hiểm và thương mại điện tử...

• Buổi 5: Thực hành SQL cơ bản và nâng cao
Chủ đề:

- Xuất ra Excel
- Các phép tính toán
- Các phép tính toán có sử dụng yếu tố ngày

Mục tiêu:

- Kiến thức chung và thực hành

Ứng dụng:

- Phân tích dữ liệu

Case Study:

Xây dựng cơ sở dữ liệu trong ngành ngân hàng, bảo hiểm và thương mại điện tử...

• Buổi 6: Mệnh đề joins cơ bản và nâng cao trong SQL
Chủ đề:

- Mệnh đề Joins cơ bản trong SQL
- Mệnh đề Joins lạ trong SQL

Mục tiêu:

- Kiến thức chung và thực hành

Ứng dụng:

- Tìm kiếm và phân tích dữ liệu từ nhiều bảng

Case Study:

- Xây dựng cơ sở dữ liệu trong ngành ngân hàng, bảo hiểm và thương mại điện tử...

• Buổi 7: Tính toán trong SQL Server
Chủ đề:

- Hàm tập hợp trong SQL
- Khung hình bảng ảo View

Mục tiêu:

- Kiến thức chung và thực hành

Ứng dụng:

- Phân tích dữ liệu

Case Study:

- Xây dựng cơ sở dữ liệu trong ngành ngân hàng, bảo hiểm và thương mại điện tử...

• Buổi 8: Mệnh đề phụ và bảng dẫn xuất
Chủ đề:

- Các mệnh đề phụ
- Bảng dẫn xuất (derived table) và CTEs

Mục tiêu:

- Giới thiệu, phân biệt và thực hành

Ứng dụng:

- Sử dụng để đặt giới hạn và hạn chế kết quả trả về của truy vấn cha trong những query phức tạp cần tham chiếu đến dữ liệu của nhiều bảng với điều kiện kết lọc phức tạp mà 1 query không thể nào xử lý được.
- Truy vấn lồng trong cơ sở dữ liệu lớn

Case Study:

- Xây dựng cơ sở dữ liệu trong ngành ngân hàng, bảo hiểm và thương mại điện tử...

• Buổi 9: Tổng kết chương trình SQL Level 1, review kiến thức, bài tập nhóm và đánh giá cá nhân
Chủ đề:

Tổng kết chương trình SQL Level 1, Review kiến thức, Bài tập nhóm và đánh giá cá nhân

Mục tiêu:

Tổng kết chương trình đã học

Ứng dụng:

Tổng kết chương trình đã học

Case Study:

Tổng kết chương trình đã học

• Buổi 10: Đại số & Đại số tuyến tính
Chủ đề:

Algebra/Linear Algebra (vectors and matrices, eigenvalues and eigenvectors, logarithmic equations, sigmoid function, matrix and tensor computing)

Mục tiêu:

Đại số/ Đại số tuyến tính
- Vectơ và ma trận
- Giá trị riêng và ký hiệu riêng
- Phương trình logarit
- Hàm sigmoid
- Tính toán ma trận và tensor

Ứng dụng:

Case Study:

• Buổi 11: Xác suất
Chủ đề:

Probability (mean, median, standard deviation, and outliers, joint distributions, conditional probability and independence, discrete random variables, continuous random variables, jointly distributed random variables, common probability distributions (Gaussian, Bernoulli, Binomial, Uniform, and Poisson))

Mục tiêu:

Xác suất
- Trung bình, trung vị
- Độ lệch chuẩn và giá trị ngoại lệ
- Phân phối chung, xác suất có điều kiện, xác suất độc lập
- Biến ngẫu nhiên rời rạc, biến ngẫu nhiên liên tục, biến ngẫu nhiên có phân phối chung, phân phối xác suất chung (Gaussian, Bernoulli, Binomial, Uniform và Poisson)

Ứng dụng:

Case Study:

• Buổi 12: Giải tích & Tối ưu hóa
Chủ đề:

Calculus & Optimization (ordinary / partial derivatives, Gradient, Hessian, chain rule, gradient descent, convex optimization)

Mục tiêu:

Giải tích & Tối ưu hóa
- Đạo hàm thông thường, đạo hàm riêng
- Gradient, Hessian
- Quy tắc chuỗi, giảm độ dốc, tối ưu hóa lồi

Ứng dụng:

Case Study:

• Buổi 13: Giới thiệu về Machine Learning
Chủ đề:

Machine Learning Introduction (Dataset, Bias/Variance, Train/Test/Validation Split, Loss Function,...)

Mục tiêu:

Giới thiệu về Machine Learning
- Tập dữ liệu
- Phương sai/ độ lệch
- Train / Test / Validation Split
- Hàm tổn thất...

Ứng dụng:

Case Study:

• Buổi 14: Thuật toán Machine Learning
Chủ đề:

Machine Learning Algorithm (Linear Regression, Logistic Regression, Principal Component Analysis (PCA), ...) Python Machine Learning (Python Tools for Machine Learning Numpy, Pandas, Scipy, Scikit-learn, Matplotlib, Pytorch)

Mục tiêu:

Thuật toán Machine Learning
- Hồi quy tuyến tính
- Hồi quy logistic
- Phân tích thành phần chính (PCA) Python Machine Learning
- Công cụ Python cho Machine Learning Numpy, Pandas, Scipy, Scikit-learning, Matplotlib, Pytorch

Ứng dụng:

Case Study:

• Buổi 15: Làm quen với Python
Chủ đề:

Làm quen với Python

Mục tiêu:

Giới thiệu về khóa học và khởi động với Python

Ứng dụng:

Phân tích dữ liệu lớn (Big Data)

Case Study:

Ôn tập Python Basic

• Buổi 16: 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:

Phân tích dữ liệu lớn (Big Data)

Case Study:

Ôn tập cú pháp Python

• Buổi 17: 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:

Phân tích dữ liệu lớn (Big Data)

Case Study:

Bài tập về nhà về cấu trúc mảng

• Buổi 18: 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 19: 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 20: 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 21: 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 22: 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 23: 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 24: 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:

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 25: 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:

Machine Learning

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 26: 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 27: 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 28: 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 29: 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 30: 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:

Machine Learning

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 31: PCA and SVM
Chủ đề:

PCA and SVM

Mục tiêu:

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

Ứng dụng:

Machine Learning

Case Study:

PCA and SVM on MNIST dataset

• Buổi 32: Decision Tree
Chủ đề:

Decision Tree

Mục tiêu:

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

Ứng dụng:

Machine Learning

Case Study:

Titanic - Machine Learning from Disaster

• Buổi 33: 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:

Deep Learning

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 34: Tổng kết
Chủ đề:

Tổng kết

Mục tiêu:

- Ứng dụng các kiến thức đã học và 1 dự án
- Giới thiệu các nội dung của khóa tiếp theo

Ứng dụng:

Machine Learning & Deep Learning

Case Study:

Project cuối khóa

• Buổi 35: Giới thiệu về Deep Learning và Mạng Nơ-ron
Chủ đề:

Cơ bản về Deep Learning và Neural Networks

Mục tiêu:

Hiểu rõ cấu trúc và nguyên lý hoạt động của mạng nơ-ron.

Ứng dụng:

Ứng dụng cơ bản trong phân tích dữ liệu.

Case Study:

Phân tích dữ liệu khách hàng.

• Buổi 36: Computer Vision và CNN
Chủ đề:

Computer Vision và Convolutional Neural Networks

Mục tiêu:

Hiểu về CNN và ứng dụng trong xử lý ảnh.

Ứng dụng:

Phân loại và phân tích hình ảnh

Case Study:

Phân loại ảnh

• Buổi 37: Mô hình Image Classification
Chủ đề:

Xây dựng mô hình Image Classification

Mục tiêu:

Tạo mô hình phân loại ảnh chính xác.

Ứng dụng:

Nhận dạng hình ảnh tự động.

Case Study:

Nhận dạng khuôn mặt

• Buổi 38: NLP và RNN
Chủ đề:

NLP và Recurrent Neural Networks

Mục tiêu:

Hiểu về RNN và ứng dụng trong NLP.

Ứng dụng:

Xử lý ngôn ngữ tự nhiên.

Case Study:

Phân tích cảm xúc từ văn bản.

• Buổi 39: Mô hình Text Classification
Chủ đề:

Xây dựng mô hình Text Classification

Mục tiêu:

Tạo mô hình phân loại văn bản

Ứng dụng:

Phân loại tin tức, email

Case Study:

Phân loại tin tức giả mạo

• Buổi 40: Audio Processing và Spectrogram
Chủ đề:

Xử lý Âm thanh và Spectrogram

Mục tiêu:

Hiểu cách xử lý âm thanh

Ứng dụng:

Nhận dạng âm thanh, phân tích âm nhạc

Case Study:

Phân loại thể loại âm nhạc

• Buổi 41: Mô hình Speech-to-Text
Chủ đề:

Speech-to-Text

Mục tiêu:

Xây dựng mô hình chuyển đổi giọng nói thành văn bản

Ứng dụng:

Trợ lý ảo, nhập liệu tự động

Case Study:

Hệ thống ghi chú từ giọng nói

• Buổi 42: Time Series và Mô Hình ARIMA
Chủ đề:

Time Series và Mô Hình ARIMA

Mục tiêu:

Hiểu cách phân tích và dự báo Time Series

Ứng dụng:

Dự báo tài chính, thời tiết

Case Study:

Dự báo giá cổ phiếu

• Buổi 43: Thực hành với ARIMA và LSTM
Chủ đề:

Xây dựng Mô Hình ARIMA và LSTM

Mục tiêu:

Tạo mô hình dự báo chính xác hơn

Ứng dụng:

Dự báo kinh tế, thị trường

Case Study:

Dự báo nhu cầu sử dụng điện.

• Buổi 44: Reinforcement Learning
Chủ đề:

Giới thiệu về Reinforcement Learning

Mục tiêu:

Tối ưu hóa chiến lược kinh doanh và quyết định giá cả.
Cải thiện quy trình xử lý hình ảnh và phân tích văn bản.

Ứng dụng:

Tối ưu hóa chiến lược kinh doanh và quyết định giá cả.
Cải thiện quy trình xử lý hình ảnh và phân tích văn bản.

Case Study:

Sử dụng Reinforcement Learning để tối ưu hóa chiến lược giá cả trong thương mại điện tử.

• Buổi 45: Gradient Descent và các biến thể
Chủ đề:

Gradient Descent


Mục tiêu:

Gradient Descent
Momentum Gradient Descent
Adaptive Gradient Algorithm

Ứng dụng:

Hiểu biết về các kỹ thuật tối ưu hóa và cải tiến trong học máy.


Case Study:

Tối ưu hóa một mô hình học máy sử dụng các kỹ thuật Gradient Descent khác nhau.


• Buổi 46: Project cuối khóa
Chủ đề:

Giải bài tập và trả lời câu hỏi.


Mục tiêu:

Hoàn thành project cuối khóa
Giải đáp các case study

Ứng dụng:

Áp dụng kiến thức đã học vào việc giải quyết các vấn đề cụ thể.


Case Study:

Áp dụng kiến thức đã học để giải quyết một vấn đề cụ thể hoặc xây dựng một ứng dụng thực tế.