.png_m_1689689363.jpg)
[vitri]Online[/vitri]
[phongngu]Liên tục[/phongngu]
[mota]
Khóa học trang bị kiến thức xử lý dữ liệu lớn với Python, Pandas, Matplotlib, Seaborn, Numpy, Machine Learning,... cho tất cả mọi người
[/mota]
[tongquan]
Bạn sẽ học được gì
Thành thạo trong việc xử lý, biến đổi, làm sạch dữ liệu với Pandas và Python.
Dễ dàng trực quan hóa dữ liệu và tìm insight với Matplotlib và Seaborn.
Học và thực hành trên các data thực tế.
Được học thêm về các case study thực tiễn.
Nắm bắt cơ hội nghề nghiệp trong lĩnh vực Data Analyst, Data Scientist và Business Analyst.
Hiểu và thực hành quy trình xây dựng model Machine Learning: Linear Regression và Logistic Regression.
Giới thiệu khóa học
Nếu bạn đang có nhu cầu hoặc băn khoăn trong việc:Trang bị kiến thức xử lý dữ liệu lớn để làm các công việc Data Analyst, Data Scientist, Business Analyst,...
Sinh viên hoặc người đi làm muốn xử lý dữ liệu để phục vụ cho các đồ án, dự án cá nhân.
Lập trình viên, nhà phân tích hệ thống... muốn mở rộng kỹ năng phân tích dữ liệu bằng việc sử dụng Python
Người làm việc trong lĩnh vực kinh doanh, tài chính cần kiến thức kỹ năng dữ liệu, trực quan hóa dữ liệu bằng biểu đồ, xây dựng model để dự đoán trong ngữ cảnh về tài chính, kinh doanh.
Hoặc bạn là bất cứ ai đang cần kiến thức về việc ứng dụng ngôn ngữ Python trong việc xử lý dữ liệu.
Thì khóa học THÀNH THẠO XỬ LÝ DỮ LIỆU VỚI PYTHON TỪ SỐ 0 - 2023 chính là câu trả lời cho các câu hỏi trên.
Với hơn 80 videos bài giảng, được đúc kết từ những kiến thức làm việc thực tế với vai trò là Data Scientist và Giảng viên, đã được giảng dạy cho hàng trăm học viên khác nhau, kể cả online và offline, chúng tôi tin rằng đây là sẽ một khóa học chi tiết nhất và thực tiễn nhất của giảng viên Tâm mà bạn có thể tìm kiếm trên internet hiện nay.
Đặc biệt, khóa học được thiết kế cho tất cả mọi người, mọi trình độ đều có thể đi vào hành trình chinh phục xử lý dữ liệu bằng Python một cách dễ dàng.
Được chia làm 9 học phần tương ứng với 9 ngày học xuyên suốt từ những thứ cơ bản nhất đến việc thành thạo xử lý dữ liệu với Python, mỗi ngày bạn chỉ cần bỏ ra khoảng 2 tiếng và sau 9 ngày, bạn sẽ thành thạo một bộ kỹ năng sẽ giúp bạn nổi bật trước mắt các nhà tuyển dụng như sau:Thành thạo việc sử dụng Python vào các dự án về Data Analysis hay Machine learning.
Thoải mái biến đổi, xử lý dữ liệu lớn theo mong muốn cá nhân với Pandas.
Thực hành các kỹ thuật làm sạch dữ liệu
Hiểu được Outlier, cách xác định outlier và xử lý chúng.
Thành thạo trực quan hóa dữ liệu với thư viện Matplotlib và Seaborn từ đó dễ dàng tìm insight từ dữ liệu.
Được thực hành trên dữ liệu thực tế
Hiểu được luồng làm việc để xây dựng được một model Machine Learning.
Học về Numpy tối ưu hóa việc xử lý dữ liệu số.
Ngoài ra, trong khóa học còn có lồng ghép các case study thú vị trong việc ứng dụng sức mạnh của dữ liệu trong doanh nghiệp, giúp làm giàu kiến thức thực tiễn cho các bạn.
... Và còn nhiều điều thú vị khác nữa!
Nào! Cùng nhau bắt đầu tham gia hành trình chinh phục việc Thành Thạo Xử lý Dữ Liệu Với Python trong vòng 9 ngày này
Nội dung khóa học
Phần 1: Giới thiệu về Python
Bài 1: Welcome to class & Câu chuyện tập đoàn TARGET
Bài 2: Cài đặt Vscode, Anaconda
Bài 3: Lưu ý nhỏ về khóa học
Bài 4: Làm việc với số và biến
Bài 5: Làm việc với chuỗi
Bài 6: Indexing và Slicing cho chuỗi
Bài 7: String functions
[/mota]
[tongquan]
Bạn sẽ học được gì
Thành thạo trong việc xử lý, biến đổi, làm sạch dữ liệu với Pandas và Python.
Dễ dàng trực quan hóa dữ liệu và tìm insight với Matplotlib và Seaborn.
Học và thực hành trên các data thực tế.
Được học thêm về các case study thực tiễn.
Nắm bắt cơ hội nghề nghiệp trong lĩnh vực Data Analyst, Data Scientist và Business Analyst.
Hiểu và thực hành quy trình xây dựng model Machine Learning: Linear Regression và Logistic Regression.
Giới thiệu khóa học
Nếu bạn đang có nhu cầu hoặc băn khoăn trong việc:Trang bị kiến thức xử lý dữ liệu lớn để làm các công việc Data Analyst, Data Scientist, Business Analyst,...
Sinh viên hoặc người đi làm muốn xử lý dữ liệu để phục vụ cho các đồ án, dự án cá nhân.
Lập trình viên, nhà phân tích hệ thống... muốn mở rộng kỹ năng phân tích dữ liệu bằng việc sử dụng Python
Người làm việc trong lĩnh vực kinh doanh, tài chính cần kiến thức kỹ năng dữ liệu, trực quan hóa dữ liệu bằng biểu đồ, xây dựng model để dự đoán trong ngữ cảnh về tài chính, kinh doanh.
Hoặc bạn là bất cứ ai đang cần kiến thức về việc ứng dụng ngôn ngữ Python trong việc xử lý dữ liệu.
Thì khóa học THÀNH THẠO XỬ LÝ DỮ LIỆU VỚI PYTHON TỪ SỐ 0 - 2023 chính là câu trả lời cho các câu hỏi trên.
Với hơn 80 videos bài giảng, được đúc kết từ những kiến thức làm việc thực tế với vai trò là Data Scientist và Giảng viên, đã được giảng dạy cho hàng trăm học viên khác nhau, kể cả online và offline, chúng tôi tin rằng đây là sẽ một khóa học chi tiết nhất và thực tiễn nhất của giảng viên Tâm mà bạn có thể tìm kiếm trên internet hiện nay.
Đặc biệt, khóa học được thiết kế cho tất cả mọi người, mọi trình độ đều có thể đi vào hành trình chinh phục xử lý dữ liệu bằng Python một cách dễ dàng.
Được chia làm 9 học phần tương ứng với 9 ngày học xuyên suốt từ những thứ cơ bản nhất đến việc thành thạo xử lý dữ liệu với Python, mỗi ngày bạn chỉ cần bỏ ra khoảng 2 tiếng và sau 9 ngày, bạn sẽ thành thạo một bộ kỹ năng sẽ giúp bạn nổi bật trước mắt các nhà tuyển dụng như sau:Thành thạo việc sử dụng Python vào các dự án về Data Analysis hay Machine learning.
Thoải mái biến đổi, xử lý dữ liệu lớn theo mong muốn cá nhân với Pandas.
Thực hành các kỹ thuật làm sạch dữ liệu
Hiểu được Outlier, cách xác định outlier và xử lý chúng.
Thành thạo trực quan hóa dữ liệu với thư viện Matplotlib và Seaborn từ đó dễ dàng tìm insight từ dữ liệu.
Được thực hành trên dữ liệu thực tế
Hiểu được luồng làm việc để xây dựng được một model Machine Learning.
Học về Numpy tối ưu hóa việc xử lý dữ liệu số.
Ngoài ra, trong khóa học còn có lồng ghép các case study thú vị trong việc ứng dụng sức mạnh của dữ liệu trong doanh nghiệp, giúp làm giàu kiến thức thực tiễn cho các bạn.
... Và còn nhiều điều thú vị khác nữa!
Nào! Cùng nhau bắt đầu tham gia hành trình chinh phục việc Thành Thạo Xử lý Dữ Liệu Với Python trong vòng 9 ngày này
Nội dung khóa học
Phần 1: Giới thiệu về Python
Bài 1: Welcome to class & Câu chuyện tập đoàn TARGET
Bài 2: Cài đặt Vscode, Anaconda
Bài 3: Lưu ý nhỏ về khóa học
Bài 4: Làm việc với số và biến
Bài 5: Làm việc với chuỗi
Bài 6: Indexing và Slicing cho chuỗi
Bài 7: String functions
Bài 8: Toán tử so sánh & hàm Input
Bài 9: Giải bài tập buổi 1
Phần 2: Buil-in Data Structure & Control Flow Statements
Bài 10: List & List Indexing, Slicing
Bài 11: List functions
Bài 12: Dictionary
Bài 13: Thử thách cho bạn
Bài 14: Tuple và Set
Bài 15: Câu điều kiện if-else
Bài 16: Vòng lặp For
Bài 17: Vòng lặp While và Break, Continue, Pass
Bài 18: Giải bài tập buổi 2
Phần 3: Control Flow Statements (tiếp theo) và Function
Bài 19: Slide - Câu chuyện về công ty Blue Apron
Bài 20: Hàm Zip & In, Not In
Bài 21: Thư viện random & hàm Join
Bài 22: List comprehensive
Bài 9: Giải bài tập buổi 1
Phần 2: Buil-in Data Structure & Control Flow Statements
Bài 10: List & List Indexing, Slicing
Bài 11: List functions
Bài 12: Dictionary
Bài 13: Thử thách cho bạn
Bài 14: Tuple và Set
Bài 15: Câu điều kiện if-else
Bài 16: Vòng lặp For
Bài 17: Vòng lặp While và Break, Continue, Pass
Bài 18: Giải bài tập buổi 2
Phần 3: Control Flow Statements (tiếp theo) và Function
Bài 19: Slide - Câu chuyện về công ty Blue Apron
Bài 20: Hàm Zip & In, Not In
Bài 21: Thư viện random & hàm Join
Bài 22: List comprehensive
Bài 23: Function
Bài 24: Bài tập nhỏ
Bài 25: Hàm ẩn danh Lambda
Bài 26: Sử dụng Try, Except để xử lý lỗi
Bài 27: Giải bài tập buổi 3
Phần 4: Xử lý dữ liệu lớn với Pandas
Bài 28: Slide - giới thiệu về Pandas
Bài 29: Xem tổng quan dữ liệu
Bài 24: Bài tập nhỏ
Bài 25: Hàm ẩn danh Lambda
Bài 26: Sử dụng Try, Except để xử lý lỗi
Bài 27: Giải bài tập buổi 3
Phần 4: Xử lý dữ liệu lớn với Pandas
Bài 28: Slide - giới thiệu về Pandas
Bài 29: Xem tổng quan dữ liệu
Bài 30: Chọn Trường & Filter
Bài 31: Hàm Loc
Bài 32: Hàm Iloc
Bài 33: Các Aggregation function
Bài 34: Nối (Concat) nhiều dataframe
Bài 35: Merge
Bài 36: Các phép toán với trường & save file
Bài 37: Group by
Bài 38: Pivot table
Bài 39: Apply
Bài 40: Làm việc với Time series
Bài 41: Giải bài tập buổi 4 - Restaurant lab
Bài 42: Giải bài tập buổi 4 - Titanic lab
Bài 43: Giải bài tập buổi 4 - Titanic for fun
Phần 5: Làm sạch dữ liệu với Pandas
Bài 44: Chuyển đổi kiểu dữ liệu cho các trường dữ liệu
Bài 45: Làm việc với thiếu dữ liệu - phần 1
Bài 46: Làm việc với thiếu dữ liệu - phần 2
Bài 47: Làm việc với thiếu dữ liệu - phần 3
Bài 48: Làm việc với dữ liệu bị lặp
Bài 49: Outlier và cách xác định outlier bằng phương pháp IQR
Bài 50: Giải bài tập buổi 5 - Kickstarter lab
Phần 6: Trực quan hóa dữ liệu với Matplotlib và Seaborn
Bài 51: Slide - Tại sao chúng ta cần phải Trực quan hóa dữ liệu?
Bài 52: Chart đầu tiên
Bài 53: Chart thứ 2 và chỉ số Pearson
Bài 54: Chart thứ 3 và bar label
Bài 55: Chart thứ 4
Bài 56: Vẽ nhiều chart với hàm subplot
Bài 57: Vẽ nhiều kiểu biểu đồ trên một chart với hàm twinx
Bài 31: Hàm Loc
Bài 32: Hàm Iloc
Bài 33: Các Aggregation function
Bài 34: Nối (Concat) nhiều dataframe
Bài 35: Merge
Bài 36: Các phép toán với trường & save file
Bài 37: Group by
Bài 38: Pivot table
Bài 39: Apply
Bài 40: Làm việc với Time series
Bài 41: Giải bài tập buổi 4 - Restaurant lab
Bài 42: Giải bài tập buổi 4 - Titanic lab
Bài 43: Giải bài tập buổi 4 - Titanic for fun
Phần 5: Làm sạch dữ liệu với Pandas
Bài 44: Chuyển đổi kiểu dữ liệu cho các trường dữ liệu
Bài 45: Làm việc với thiếu dữ liệu - phần 1
Bài 46: Làm việc với thiếu dữ liệu - phần 2
Bài 47: Làm việc với thiếu dữ liệu - phần 3
Bài 48: Làm việc với dữ liệu bị lặp
Bài 49: Outlier và cách xác định outlier bằng phương pháp IQR
Bài 50: Giải bài tập buổi 5 - Kickstarter lab
Phần 6: Trực quan hóa dữ liệu với Matplotlib và Seaborn
Bài 51: Slide - Tại sao chúng ta cần phải Trực quan hóa dữ liệu?
Bài 52: Chart đầu tiên
Bài 53: Chart thứ 2 và chỉ số Pearson
Bài 54: Chart thứ 3 và bar label
Bài 55: Chart thứ 4
Bài 56: Vẽ nhiều chart với hàm subplot
Bài 57: Vẽ nhiều kiểu biểu đồ trên một chart với hàm twinx
Bài 58: Thay đổi style biểu đồ & hàm Plot
Bài 59: Giải bài tập buổi 6 - Bicycle lab
Phần 7: Numpy
Bài 60: Slide - Cách làm giàu bằng lý thuyết thống kê
Bài 61: Giới thiệu về numpy và tạo mảng đơn giản
Bài 62: Concatenate & Reshape mảng
Bài 63: Thêm chiều cho mảng
Bài 64: Transposing, Indexing, slicing
Bài 65: Filter & các phép toán với mảng
Bài 66: Phép tích vô hướng & Phép nhân ma trận
Bài 67: Aggregate functions
Bài 68: Broadcasting
Bài 69: Giải bài tập buổi 7
Phần 8: Machine learning với model Linear Regression
Bài 70: Slide - Machine learning là gì?
Bài 71: Model Linear Regression
Bài 72: Case 1: Train model với một feature
Bài 73: Case 2: Train model với nhiều feature
Bài 74: Case 3: Sử dụng MinMaxScaler
Bài 75: Case 4: Polinomial Feature - phần 1
Bài 76: Case 4: Polinomial Feature - phần 2 & Bài tập buổi 8
Phần 9: Machine learning với model Logistic Regression
Bài 77: Pre-processing data
Bài 78: Model Logistic Regression
Bài 59: Giải bài tập buổi 6 - Bicycle lab
Phần 7: Numpy
Bài 60: Slide - Cách làm giàu bằng lý thuyết thống kê
Bài 61: Giới thiệu về numpy và tạo mảng đơn giản
Bài 62: Concatenate & Reshape mảng
Bài 63: Thêm chiều cho mảng
Bài 64: Transposing, Indexing, slicing
Bài 65: Filter & các phép toán với mảng
Bài 66: Phép tích vô hướng & Phép nhân ma trận
Bài 67: Aggregate functions
Bài 68: Broadcasting
Bài 69: Giải bài tập buổi 7
Phần 8: Machine learning với model Linear Regression
Bài 70: Slide - Machine learning là gì?
Bài 71: Model Linear Regression
Bài 72: Case 1: Train model với một feature
Bài 73: Case 2: Train model với nhiều feature
Bài 74: Case 3: Sử dụng MinMaxScaler
Bài 75: Case 4: Polinomial Feature - phần 1
Bài 76: Case 4: Polinomial Feature - phần 2 & Bài tập buổi 8
Phần 9: Machine learning với model Logistic Regression
Bài 77: Pre-processing data
Bài 78: Model Logistic Regression
Bài 79: Train model
Bài 80: Đánh giá hiệu suất model Classification
Bài 81: Cải thiện model & Phương pháp Oversampling với SMOTE & Bài tập buổi 9
Bài 82: Bonus & Lời chào[/tongquan]
[bando]https://www.google.com/maps/embed?pb=!1m18!1m12!1m3!1d14895.8586897809!2d105.77983080781252!3d21.034099500000004!2m3!1f0!2f0!3f0!3m2!1i1024!2i768!4f13.1!3m3!1m2!1s0x3135ab421c765871%3A0xdaf2f296477de0c8!2zVW5pY2Eudm4gLSBI4buNYyBPbmxpbmUgbeG7jWkga-G7uSBuxINuZyB04burIGNodXnDqm4gZ2lh!5e0!3m2!1svi!2s!4v1675328418045!5m2!1svi!2s[/bando]
[video]https://www.youtube.com/embed/XfxTQ64nKe8[/video]
[xem360] [/xem360]
Bài 80: Đánh giá hiệu suất model Classification
Bài 81: Cải thiện model & Phương pháp Oversampling với SMOTE & Bài tập buổi 9
Bài 82: Bonus & Lời chào[/tongquan]
[bando]https://www.google.com/maps/embed?pb=!1m18!1m12!1m3!1d14895.8586897809!2d105.77983080781252!3d21.034099500000004!2m3!1f0!2f0!3f0!3m2!1i1024!2i768!4f13.1!3m3!1m2!1s0x3135ab421c765871%3A0xdaf2f296477de0c8!2zVW5pY2Eudm4gLSBI4buNYyBPbmxpbmUgbeG7jWkga-G7uSBuxINuZyB04burIGNodXnDqm4gZ2lh!5e0!3m2!1svi!2s!4v1675328418045!5m2!1svi!2s[/bando]
[video]https://www.youtube.com/embed/XfxTQ64nKe8[/video]
[xem360]