Tên Combo: Combo Python
Hiệu lực áp dụng: từ ngày 01/05/2025.
Thông tin chung
-
Thời lượng: 16 buổi
-
Cấu trúc học:
-
Python Cơ bản: Phân tích dữ liệu thực chiến
-
05 buổi học online tương tác trực tiếp (Zoom, giảng viên hướng dẫn từ A–Z)
-
03 buổi học qua video theo dự án thực tế
-
01 buổi Project Day (tự thực hiện & trình bày phân tích dữ liệu)
-
-
Python Nâng cao: Machine Learning & Deep Learning thực chiến
-
06 buổi học qua video theo dự án nâng cao (project-based learning)
-
01 buổi Project Day (tự thực hiện & trình bày sản phẩm cuối khoá)
-
-
-
Lịch học:
-
Python Cơ bản: mỗi tuần 02 buổi, từ 19h15 – 21h15 (giờ Việt Nam)
-
Python Nâng cao: học linh hoạt qua video + hỗ trợ tương tác từ giảng viên
-
-
Hình thức:
-
Học trực tuyến, hỗ trợ qua Zalo / Telegram / Email / Google Drive
-
Bạn sẽ học được gì:
-
Thành thạo thao tác dữ liệu thực tế với Pandas & Numpy
-
Phân tích thống kê & trực quan hóa chuyên nghiệp
-
Xây dựng mô hình học máy có giám sát (Supervised ML)
-
Phân tích không giám sát (Unsupervised ML)
-
Sử dụng pipeline & kỹ thuật đánh giá mô hình hiện đại
-
Trình bày dự án phân tích dữ liệu đầu cuối (end-to-end)
-
Tư duy lập trình có cấu trúc, tổ chức code rõ ràng
-
Tận dụng AI hỗ trợ lập trình và phân tích
| Buổi | Mục tiêu | Nội dung chính |
| SYLLABUS KHOÁ PYTHON CƠ BẢN | ||
| 1 | Làm quen Jupyter Notebook, xử lý file và nắm cấu trúc dữ liệu cơ bản | – Python cơ bản & Jupyter – Cấu trúc dữ liệu, xử lý file & thư mục – Hàm & modules |
| 2 | Làm chủ thao tác với array, dataframe và thống kê mô tả | – Array, broadcasting, random walk – Series & DataFrame – Đọc CSV/Excel, filter, aggregate |
| 3 | Làm sạch dữ liệu, định dạng đúng và gộp bảng hiệu quả | – Missing values, duplicates – Merge, concat, reshape – GroupBy nâng cao, pivot table |
| 4 | Trực quan hóa dữ liệu và phân tích chuỗi thời gian | – Matplotlib & Seaborn – Line/bar/heatmap – Datetime parsing, resample, moving average |
| 5 | Hiểu supervised vs. unsupervised learning & Áp dụng sklearn | – Train/test split, model pipeline – Accuracy, confusion matrix, ROC – Case: Credit risk scoring |
| Video 1 | Phân tích hành vi và phân nhóm khách hàng | – RFM Analysis, phân nhóm bằng KMeans – Trực quan hóa & phân tích kết quả |
| Video 2 | Huấn luyện và đánh giá mô hình phân loại | – Xử lý dữ liệu khách hàng ngân hàng – Mô hình logistic regression – Đánh giá độ chính xác |
| Video 3 | Dự báo doanh số bằng hồi quy thời gian | – Dữ liệu thời gian (monthly sales) – Hồi quy & dự báo đơn giản – So sánh chiến lược dự báo |
| 9 | Thực hiện dự án end-to-end, phản biện và trình bày | – Học viên chọn 1 trong 3 dự án – Trình bày, giải thích kết quả – Nhận feedback từ giảng viên & peers |
| SYLLABUS KHOÁ PYTHON NÂNG CAO | ||
| 1 | Hiểu các khái niệm cơ bản về AI và học máy; sẵn sàng môi trường làm việc ML | – Tổng quan AI, các loại học máy, lịch sử phát triển – Phân loại học máy: supervised, unsupervised, reinforcement – Cài đặt thư viện Scikit-learn, Pandas, Matplotlib – Ứng dụng ChatGPT để phân tích bài toán & setup môi trường |
| 2 | Làm chủ mô hình hồi quy tuyến tính và các kỹ thuật đánh giá | – Hồi quy tuyến tính: đơn, đa biến, polynomial – Tạo pipeline, chuẩn hóa dữ liệu – Đánh giá bằng MAE, RMSE, R2 – Case: Dự đoán lead score CRM – Sử dụng Gemini sinh mã, Copilot kiểm tra dữ liệu |
| 3 | Hiểu cơ chế tối ưu và áp dụng vào mô hình ML | – Gradient Descent và biểu diễn trực quan – GridSearchCV để chọn tham số tốt nhất – Visual quá trình huấn luyện – Viết hàm đánh giá tùy biến với ChatGPT |
| 4 | Thực hành toàn bộ quy trình phân tích và huấn luyện mô hình | – Phân tích bộ dữ liệu Boston Housing – So sánh các mô hình hồi quy – Visual hóa tương quan dữ liệu – Dùng AI đề xuất cải tiến mô hình & tạo dashboard |
| 5 | Làm chủ phân loại nhị phân và các chỉ số đánh giá | – Hàm sigmoid, lý thuyết logistic regression – So sánh với hồi quy tuyến tính – Confusion Matrix, Accuracy, F1-score, ROC/AUC – Tối ưu pipeline & đánh giá mô hình với ChatGPT |
| 6 | Nắm vững các thuật toán phân nhóm không giám sát | – PCA, KMeans, Hierarchical Clustering – Phân biệt supervised vs. unsupervised – Case: Phân nhóm khách hàng theo RFM – Gemini tạo báo cáo và trực quan hóa kết quả |
| 7 | Thực hành triển khai dự án từ đầu đến cuối | – Chọn 1 trong 3 đề tài: Lead Score, Credit Score, Customer Segmentation – Xây dựng pipeline hoàn chỉnh – Trình bày kết quả, nhận phản biện – Dùng Gemini tạo báo cáo trình bày cuối khoá |
Tài nguyên đi kèm:
- Slide + video hướng dẫn chi tiết mỗi buổi
- Bộ dữ liệu thực hành đa dạng (.csv, Excel, API, case thật)
- Notebook + code mẫu + template báo cáo cuối khoá
- Prompt ChatGPT/Gemini hỗ trợ phân tích, sinh mã, debug
- Tài liệu học thuật & ebook bổ trợ
- Hỗ trợ qua Zalo / Telegram / Email / Google Drive
Hỗ trợ sau khóa:
- Coaching/Mentoring 1-1 (tối đa 1h/tuần, kéo dài 01 tháng sau khi học xong)
- Hỗ trợ xây dựng CV dự án, chuẩn bị phỏng vấn vị trí data analyst/data intern
- Hướng dẫn học chuyên sâu: TensorFlow/Keras, Recommendation System, MLOps
Giảng viên:
-
Giảng viên trình bày rõ ràng, dễ nắm bắt, giúp học viên hình thành tư duy phân tích có hệ thống.
-
Mỗi bài học đều bám sát bài toán thực tế trong doanh nghiệp, mang lại giá trị ứng dụng cao.
-
Thầy/cô luôn nhiệt tình hỗ trợ, giải thích tận tình và đồng hành cùng học viên khi cần.
-
Nội dung giảng dạy được cập nhật liên tục với các công cụ mới như AI, Copilot, Power BI Service, giúp học viên bắt kịp xu hướng.
Đội ngũ Chuyên gia
Đội ngũ MCNA tập hợp các chuyên gia giàu kinh nghiệm từ nhiều lĩnh vực, mang đến kiến thức chuyên sâu và góc nhìn đa chiều cho mọi hoạt động đào tạo và tư vấn.
