Lịch học dự kiến diễn ra
Lớp: | PY07SA10L1 LEVEL 1 |
---|---|
Địa điểm: | 59 Cao Thắng, Quận 3, HCM |
Thời gian học: | Thứ 3 - 19H00 - 21H30 & Thứ 7 - 19H00 - 21H30 |
Lịch khai giảng: | Oct. 12, 2024 |
Thời gian kết thúc: | Nov. 12, 2024 |
Giảng viên dự kiến: | Tamtt.Py |
Lớp: | PYTHON LEVEL 1 |
---|---|
Địa điểm: | Tầng 5, Tòa nhà Star City, 23 Lê Văn Lương, HN |
Thời gian học: | Thứ 5 - 19H00 - 21H30 & Thứ 7 - 19H00 - 21H30 |
Lịch khai giảng: | Oct. 26, 2024 |
Thời gian kết thúc: | Nov. 28, 2024 |
Giảng viên dự kiến: | Khuongvd_SQL |
Lớp: | PY78SA10L2 LEVEL 2 |
---|---|
Địa điểm: | 59 Cao Thắng, Quận 3, HCM |
Thời gian học: | Thứ 3 - 19H00 - 21H30 & Thứ 5 - 19H00 - 21H30 |
Lịch khai giảng: | Oct. 22, 2024 |
Thời gian kết thúc: | Nov. 21, 2024 |
Giảng viên dự kiến: | None |
Lớp: | PY86A10L2 LEVEL 2 |
---|---|
Địa điểm: | Tầng 5, Tòa nhà Star City, 23 Lê Văn Lương, HN |
Thời gian học: | Thứ 4 - 19H00 - 21H30 & Thứ 7 - 19H00 - 21H30 |
Lịch khai giảng: | Oct. 23, 2024 |
Thời gian kết thúc: | Nov. 23, 2024 |
Giảng viên dự kiến: | Quangnk.py |
Combo Python Level 1 & Level 2
Đây là chương trình đào tạo gồm 02 khóa học về Python, từ cơ bản đến nâng cao, ứng dụng trong phân tích dữ liệu lớn (Big Data Analyst) và quản trị rủi ro kinh doanh, ứng dụng nâng cao trong lĩnh vực Học máy (Machine Learning), Học sâu (Deep Learning) và AI (trí tuệ nhân tạo)
Hình thức đào tạo online và offline trong thời lượng 20 buổi học, mỗi buổi học từ 2.5 - 3 tiếng. Tên 02 khóa học cụ thể:
1. Python Foundation in Data Analytics (Python Level 1) với 10 buổi học
2. Python For Machine Learning And Deep Learning (Python Level 2) với 10 buổi học
Cơ hội nghề nghiệp nổi bật sau khi tốt nghiệp chương trình combo 02 khóa học này là các vị trí hot sau:
• Data Analyst (Chuyên viên Phân tích Dữ liệu)
• Machine Learning (ML) Engineer (Kĩ sư Học máy)
• Artificial Intelligence (AI) Engineer (Kĩ sư Trí tuệ Nhân tạo)
• Data Scientist (Nhà Khoa học Dữ liệu)
Đối tượng
• Sinh viên khối kinh tế, kĩ thuật có định hướng tham gia ngành Data Science, Data Analytics đang bắt đầu tìm hiểu các kiến thức liên quan Python, Machine Learning, Deep Learning và học cách ứng dụng Python vào các dự án thực tế tại doanh nghiệp.• Người đã đi làm mong muốn cải thiện kỹ năng làm việc với dữ liệu, kỹ năng giải quyết và ra quyết định với các bài toán thực tế trong công việc dựa trên phân tích dữ liệu chuyên sâu và hiệu quả với Python.
• Các bạn có mong muốn chuyển ngang sang ngành Data Analysis, Data Science & Machine Learning để có mức thu nhập cao hơn lên tới 1000$/tháng và phát triển sự nghiệp rộng mở hơn.
Yêu cầu đầu vào
Không yêu cầu đầu vàoBạn sẽ học những gì
• Nắm vững các kiến thức cơ bản về Python và các cấu trúc dữ liệu.• Sử dụng thành thạo thư viện Numpy để xử lý dữ liệu số học và mảng.
• Xử lý dữ liệu hiệu quả với Pandas, bao gồm tải, lưu trữ, làm sạch và định dạng dữ liệu.
• Trực quan hóa dữ liệu với các thư viện như Matplotlib và Seaborn.
• Phân tích dữ liệu thăm dò (EDA) để hiểu rõ dữ liệu và phát hiện các mẫu ẩn.
• Sử dụng Selenium và Python để thực hiện web crawling và thu thập dữ liệu từ web.
• Hiểu biết cơ bản về Machine Learning và Linear Regression, cùng với các thuật ngữ quan trọng trong ML.
• Áp dụng các thuật toán Machine Learning như Gradient Descent, Logistic Regression, KNN, Naive Bayes, Decision Tree, và Neutral Network.
• Thực hiện học không giám sát với các kỹ thuật như K-means và Hierarchical Clustering.
• Sử dụng PCA và SVM cho phân tích thành phần chính và phân loại dữ liệu.
• Tích hợp kiến thức và kỹ năng thông qua các dự án capstone để giải quyết các vấn đề thực tế.
Nội dung khóa học
- Buổi 1: Làm quen với Python
- Buổi 2: Python Basic
- Buổi 3: Python Basic (Tiếp)
- Buổi 4: Numpy
- Buổi 5: Pandas: Data Loading, Storage, and File Formats; Data Cleaning and Preparation
- Buổi 6: Pandas nâng cao
- Buổi 7: Pandas: Time Series
- Buổi 8: Trực quan hóa dữ liệu
- Buổi 9: Phân tích dữ liệu thăm dò (EDA)
- Buổi 10: Web Crawling using Selenium and Python & Capstone
- Buổi 11: Giới thiệu về Machine Learning và Linear Regression
- Buổi 12: Polynomial và một số thuật ngữ quan trọng trong ML
- Buổi 13: Gradient Descent
- Buổi 14: Logistic Regression
- Buổi 15: KNN and Naive Bayes
- Buổi 16: Unsupervised learning: Kmean, Hierarchical Clustering
- Buổi 17: PCA and SVM
- Buổi 18: Decision Tree
- Buổi 19: Neutral network
- Buổi 20: Tổng kết
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)
Ôn tập Python Basic
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
- Kiểu dữ liệu và chuỗi
- Toán tử
- Cấu trúc điều khiển
Ôn tập cú pháp Python
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
- Hàm cơ bản
- List, set, Dict comprehension
- Cách tạo hàm
- Xử lý lỗi trong Python
Bài tập về nhà về cấu trúc mảng
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
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
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
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
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
Data Visualization
Case Study:Trực quan hóa dữ liệu phân tích doanh thu
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
EDA
Case Study:Phân tích EDA bộ dữ liệu IT salary
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
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
- Xây dựng mô hình trên Scikit-learn
- Triển khai thuật toán Linear Regression
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.
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
Machine Learning
Case Study:Using Polynomial Regression with House Prices - Kaggle Competitions
Gradient Descent
Mục tiêu:- Nắm được về thuật toán, một số phiên bản của Gradient Descent
- Kỹ thuật Normalization Features
Machine Learning
Case Study:House Prices - Advanced Regression Techniques
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
Học máy có giám sát nâng cao
Case Study:Housing Prediction with Logistic Regression
KNN and Naive Bayes
Mục tiêu:- Nắm được cách triển khai thuật toán:
- KNN và tối ưu giá trị của k
- Naive Bayes
Machine Learning
Case Study:Housing classification with KNN
Unsupervised learning: Kmean, Hierarchical Clustering
Mục tiêu:Nắm được cách triển khai và tối ưu của thuật toán :
- Kmean
- Hierarchical
- Kmean
- Hierarchical
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.
PCA and SVM
Mục tiêu:Nắm được và triển khai thuật toán:
- PCA
- SVM
- Giới thiệu về SVM : Thuật toán, phiên bản
- Giới thiệu về PCA: Thuật toán
- Các triển khai trong thư viện Scikit learn
PCA and SVM on MNIST dataset
Decision Tree
Mục tiêu:Nắm được và triển khai thuật toán:
- Decision Tree
- Random Forests
- XGBoost
- 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
Titanic - Machine Learning from Disaster
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
- 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
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.
Tổng kết
Mục tiêu:- Ứng dụng các kiến thức đã học vào 1 dự án
- Tổng kết các kiến thức
Machine Learning & Deep Learning
Case Study:Project cuối khóa
Tại sao khóa học tại MCI phù hợp với bạn
1. Lộ trình khóa học thiết kế khoa học, theo quy trình làm việc thực tế giúp bạn tiếp thu và nắm chắc kiến thức theo trình tự khoa học2. Giáo trình đào tạo theo chuẩn Quốc tế kết hợp giữa lý thuyết và thực hành qua các case study thực tế
3. 100% Giảng viên tại MCI là các chuyên gia tư vấn tại Big4 các tập đoàn lớn tại Việt Nam, có chứng chỉ đào tạo nghiên cứu quốc tế trong lĩnh vực lập trình và dữ liệu
4. Giảng viên hướng dẫn tận tay giúp bạn thành thạo Python trong thời gian ngắn nhất
5. Cam kết chất lượng đào tạo, miễn phí học lại trọn đời nếu chưa nắm rõ kiến thức
Đội ngũ giảng viên
Nguyễn Hữu Minh
- 5 năm kinh nghiệm trong ngành Khoa học dữ liệu và Công nghệ thông tin tại Việt Nam
- Hiện đảm nhân vị trí Data Scientist, AI Researcher tại Công ty PIXTA Vietnam Co. Ltd
- Giải nhất cuộc thi Sinh viên Nghiên cứu Khoa học - Khoa Toán ứng dụng và Hệ thống thông tin
- Kĩ sư Toán và Thông tin tại trường Bách Khoa Hà Nội
Đỗ Văn Hiếu
- Đã có 8 năm kinh nghiệm trong Phân tích dữ liệu tại Prudential, VNG, Zalo...
- Đảm nhận vị trí chuyên viên phân tích dữ liệu cao cấp tại Công ty Prudential Việt Nam
- Trưởng nhóm Phân tích dữ liệu tại Tập đoàn VNG Việt Nam
- Trưởng nhóm Phân tích kinh doanh tại Công ty Zalo Việt Nam
- Cuộc thi/Dự án trên Kaggle:
1. Phân tích và dự đoán giá nhà ở - House Prices - Advanced Regression Techniques
2. Thị giác máy tính - Nhận diện và phân biệt chữ số viết tay - Computer vision - Digit numbers classification (MNIST Dataset)
Bùi Thế Anh
- 10 năm kinh nghiệm trong ngành Phân tích định lượng và Dữ liệu lớn tại Việt Nam
- Chuyên viên quản lý tối ưu kinh doanh cao cấp tại Tập đoàn One Mount Group
- Chuyên viên định lượng cao cấp tại Công ty Cổ phần Chứng khoán BIDV Việt Nam
- Chuyên viên Phân tích kinh doanh tại Tập đoàn Vingroup
- Tốt nghiệp Thạc sĩ tài chính tại Mỹ, trường University of Cincinnati, Carl H. Lindner College of Business, US
Nguyễn Kim Quang
- Tốt nghiệp Thạc sĩ Tài chính ngân hàng
- Đã đảm nhận các vị trí Kế toán tín dụng, Chuyên viên thẩm định, thư ký Phó TGĐ, chuyên viên phân tích tài chính doanh nghiệp và dự án tại Quỹ đầu tư phát triển Thành phố Hà Nội.
- Hiện tại đang làm ví trí Phân tích tài chính doanh nghiệp và dự án tại Quỹ đầu tư phát triển Thành phố Hà Nội (từ 2008 đến nay)
- Có hơn 14 năm kinh nghiệm trong phân tích tài chính, phân tích dự báo rủi ro, bảo vệ phương án cho các dự án.
- Sử dụng thành thạo các công cụ SQL, Python đặc biệt các libraries phân tích và trực quan hóa dữ liệu, Machine Learning
- CÁC CHỨNG CHỈ
+ IBM Data Science Professional Certificate (IBM)
+ Python 3 Programming Specialization (University of Michigan)
+ SQL advanced certification (HackerRank)
+ STATSX0001: Statistical Learning (Stanford University)
+ Statistics with Python (University of Michigan)
Nguyễn Hữu Đạt
- Hơn 5 năm kinh nghiệm giảng dạy các bộ môn lập trình : Scratch, Minecraft, Python
- Hiện tại đang giữ vị trí Phó phòng Đào tạo tại Công ty cổ phần Công nghệ và Truyền thông VTC Netviet
- Software: Python Excel, AutoCAD, Production Management Software
- Tools & Techniques: Python, Selenium, Kivy, Django, MS Office, SwiftUI, Flutter, PHP
Châu Ngọc Sơn
- Hơn 4 năm kinh nghiệm trong lĩnh vực dữ liệu, hiện tại đang làm vị trí Senior Business Intelligent Developer tại Lotte Data Communication
- Hơn 2 năm kinh nghiệm tuyển dụng và đào tạo nhân sự mới trong BI team
- Chứng chỉ Tiếng Anh IELTS 7.5 năm 2019
- Skill:
+ Data ETL with Python, SQL, Pyspark, Excel
+ Database administration: SQL Server, PostgreSQL, MySQL, AWS S3
+ ETL automation with Apache Airflow
+ Data Visualization with Tableau, Python, PowerBI