Chi tiết khóa học

Phần 1: Thu thập và xử lý dữ liệu

• Phương pháp thu thập dữ liệu 
  • Web scraping với BeautifulSoup và Scrapy
  • Sử dụng APIs (RESTful và GraphQL)
  • Kết nối và truy xuất dữ liệu từ các loại cơ sở dữ liệu (SQL và NoSQL)
  • Thực hành: Thu thập dữ liệu từ một trang web thương mại điện tử
• Xử lý dữ liệu thô và làm sạch dữ liệu 
  • Kỹ thuật xử lý dữ liệu với Pandas
  • Chuẩn hóa và mã hóa dữ liệu
  • Xử lý dữ liệu văn bản, số và categorical
  • Thực hành: Làm sạch một bộ dữ liệu thực tế
• Xử lý dữ liệu thiếu và outliers 
  • Phương pháp phát hiện dữ liệu thiếu
  • Kỹ thuật điền giá trị thiếu: mean, median, mode, KNN imputer
  • Phát hiện outliers với phương pháp thống kê và học máy
  • Xử lý outliers: loại bỏ, biến đổi, winsorization
  • Thực hành: Xử lý dữ liệu thiếu và outliers trong bộ dữ liệu y tế
• Xử lý dữ liệu mất cân bằng và Feature Engineering 
  • Kỹ thuật xử lý dữ liệu mất cân bằng: oversampling, undersampling, SMOTE
  • Feature scaling: standardization, normalization
  • Feature creation: polynomial features, interaction features
  • Feature selection: filter methods, wrapper methods, embedded methods
  • Thực hành: Xử lý dữ liệu mất cân bằng trong bài toán phát hiện gian lận

Phần 2: Khai phá dữ liệu và phân tích nâng cao 

• Khai phá dữ liệu văn bản 
  • Tiền xử lý văn bản: tokenization, stemming, lemmatization
  • Biểu diễn văn bản: Bag of Words, TF-IDF, Word Embeddings
  • Topic Modeling với LDA
  • Sentiment Analysis
  • Thực hành: Phân tích sentiment từ đánh giá sản phẩm
• Phân tích mạng xã hội 
  • Biểu diễn mạng xã hội bằng đồ thị
  • Các metrics trong phân tích mạng: centrality, clustering coefficient
  • Phát hiện cộng đồng trong mạng xã hội
  • Thực hành: Phân tích mạng xã hội Twitter
• Phân tích chuỗi thời gian nâng cao 
  • Decomposition: trend, seasonality, residuals
  • ARIMA và SARIMA models
  • Prophet for forecasting
  • Thực hành: Dự báo doanh số bán hàng
• Phân tích dữ liệu không gian và Association Rule Mining 
  • Visualization của dữ liệu không gian với GeoPandas
  • Spatial autocorrelation
  • Apriori algorithm cho Association Rule Mining
  • Thực hành: Phân tích dữ liệu địa lý và tìm quy luật mua sắm

Phần 3: Học sâu và ứng dụng 

• Neural Networks cơ bản 
  • Kiến trúc của Neural Network
  • Activation functions, loss functions, optimizers
  • Backpropagation và gradient descent
  • Thực hành: Xây dựng NN đơn giản với TensorFlow/Keras
• Convolutional Neural Networks 
  • Kiến trúc CNN: convolutional layers, pooling layers, fully connected layers
  • Transfer Learning với pre-trained models (VGG, ResNet)
  • Data augmentation cho Computer Vision
  • Thực hành: Phân loại hình ảnh với CNN
• Recurrent Neural Networks và LSTM
  • Kiến trúc RNN và LSTM
  • Bidirectional RNNs
  • Seq2Seq models
  • Thực hành: Dự báo chuỗi thời gian với LSTM
• Generative Adversarial Networks 
  • Kiến trúc GAN: Generator và Discriminator
  • Training GANs
  • Ứng dụng của GANs: image generation, style transfer
  • Thực hành: Tạo hình ảnh giả với DCGAN

Phần 4: Xử lý ngôn ngữ tự nhiên (NLP) 

• Tiền xử lý văn bản và Word Embeddings (4 giờ)
  • Advanced text preprocessing techniques
  • Word2Vec, GloVe, FastText
  • Contextual embeddings: ELMo, BERT
  • Thực hành: Tạo và visualize word embeddings
• Phân loại văn bản và phân tích cảm xúc (4 giờ)
  • Phân loại văn bản với deep learning
  • Fine-tuning BERT cho phân loại văn bản
  • Aspect-based sentiment analysis
  • Thực hành: Xây dựng hệ thống phân loại chủ đề và phân tích cảm xúc
• Mô hình ngôn ngữ và sinh văn bản (4 giờ)
  • N-gram models
  • Neural language models
  • Text generation với RNNs và Transformers
  • Thực hành: Fine-tuning GPT-2 cho sinh văn bản
• Dịch máy và chatbots (4 giờ)
  • Seq2Seq models cho dịch máy
  • Attention mechanism
  • Xây dựng chatbot với Rasa
  • Thực hành: Tạo một chatbot đơn giản

Phần 5: Big Data và Hệ thống phân tán 

• Giới thiệu về Big Data 
  • Định nghĩa và đặc điểm của Big Data (Volume, Velocity, Variety)
  • Các thách thức trong xử lý Big Data
  • Kiến trúc lambda và kappa
• Apache Hadoop và MapReduce 
  • Kiến trúc Hadoop: HDFS, YARN
  • Lập trình MapReduce
  • Hadoop ecosystem: Hive, HBase
  • Thực hành: Chạy job MapReduce trên cluster Hadoop
• Apache Spark 
  • RDDs và DataFrames
  • Spark SQL
  • Spark Streaming
  • MLlib cho machine learning trên big data
  • Thực hành: Phân tích dữ liệu lớn với PySpark
• Hệ thống lưu trữ phân tán và xử lý dữ liệu streaming
  • NoSQL databases: Cassandra, MongoDB
  • Apache Kafka cho xử lý dữ liệu streaming
  • Thực hành: Xây dựng pipeline xử lý dữ liệu real-time với Kafka và Spark Streaming

Phần 6: Triển khai mô hình và MLOps

• Đóng gói và triển khai mô hình
  • Serialization của mô hình machine learning
  • RESTful API với Flask
  • Containerization với Docker
  • Thực hành: Đóng gói và triển khai mô hình ML như một API
• CI/CD cho dự án Data Science
  • Version control cho data và models
  • Automated testing cho ML pipelines
  • Continuous integration và deployment
  • Thực hành: Thiết lập CI/CD pipeline với Jenkins hoặc GitLab CI
• Monitoring và quản lý hiệu suất mô hình 
  • Logging và monitoring cho ML systems
  • Detecting model drift
  • A/B testing cho mô hình ML
  • Thực hành: Thiết lập hệ thống monitoring cho mô hình ML
• Đạo đức trong khoa học dữ liệu và AI (4 giờ)
  • Quyền riêng tư và bảo mật dữ liệu: GDPR, CCPA
  • Bias và fairness trong mô hình AI: định nghĩa và đo lường
  • Interpretable AI: LIME, SHAP
  • Case studies về các vấn đề đạo đức trong AI