Module 1- Căn bản về Predictive analytics & machine learning
1. 3 level của Business analytics.
2. Phân loại các mảng trong AI, Machine Learning, Deep Learning.
3. Các loại mô hình dự đoán.
4. Tư duy: Máy học như thế nào?
5. Demo dự án phân tích dự báo mẫu.
Module 2- Python 1 – Kiến thức nhập môn
1. Kiến thức nhập môn về lập trình Python: biến dữ liệu, kiểu dữ liệu, hàm số, cấu trúc điều khiển,….
2. Thực hành tính toán cơ bản trên Python.
Module 3- Python 2 – Cấu trúc dữ liệu và làm sạch dữ liệu
1. Data structure trong python (List, Tuple, Dictionary, Set) và các built-in function, cách đọc hiểu list và dictionary, cách tạo lập hàm số.
2. Làm sạch dữ liệu, xử lý data bị thiếu, biến đổi dữ liệu, xử lý dữ liệu dạng chuỗi, kết hợp các dataset với nhau, các phép toán với ‘join’, các phép toán tổng hợp dữ liệu.
Module 4- Python 3 – Thư viện Pandas, Numpy & Seaborn
1. Giới thiệu thư viện Python cho tính toán, xử lý dữ liệu và trực quan hoá: Pandas, Numpy, Seaborn, Matplotlib.
2. Thực hành sử dựng thư viện để trực quan hoá.
Module 5- Python 4 – Phân tích mô tả
Thực hành Case study: Phân tích business performance sử dụng Python (tải dữ liệu, làm sạch, trực quan hoá)
Module 6- Phân loại khách hàng với thuật toán KNN
1. Nguyên lý cơ bản của thuật toán K-Nearest Neighbors
2. Ưu điểm và nhược điểm của thuật toán KNN
3. Ứng dụng KNN cho bài toán phân loại
4. Thực hành thuật toán KNN trên Google Colab
Module 7- Assignment 1: Thực hành KNN phân loại khách hàng
Case study: Customer Classification
– Phân tích EDA – khám phá dữ liệu khách hàng
– Xây dựng mô hình KNN để phân loại khách hàng
– Đánh giá độ hiệu quả của mô hình
Module 8- Dự báo doanh thu với Linear Regression
1. Nguyên lý cơ bản của thuật toán Linear Regression
2. Ưu điểm và nhược điểm của thuật toán Linear Regression
3. Ứng dụng Linear Regression cho bài toán dự báo
4. Thực hành thuật toán Linear Regression trên Google Colab
Module 9- Dự đoán giá với Multivariate & Polynomial regression
1. Nguyên lý cơ bản của Multivariate & Polynomial Regression
2. Case study: Dự đoán giá bất động sản
– Phân tích EDA để phân tích dữ liệu
– Xây dựng mô hình Multivariate/ Polynomial Regression để dự đoán giá bất động sản
– Đánh giá độ hiệu quả của mô hình
Module 10- Dự đoán rủi ro khách hàng với Logistic Regression
1. Nguyên lý cơ bản của thuật toán Logistic Regression
2. Ưu điểm và nhược điểm của thuật toán Logistic Regression
3. Ứng dụng Logistic Regression cho bài toán phân loại
4. Case study: Loan default prediction
– Xây dựng mô hình Logistic Regression để dự đoán khách hàng có rủi ro cao
– Đánh giá độ hiệu quả
Module 11- Chọn và chuẩn hóa mô hình training
1. Các kĩ thuật cross validation để điều chỉnh mô hình dự báo
2. Các metrics đo lường hiệu quả của thuật toán Regression & Classification
3. Kỹ thuật xử lý Overfitting: Regularization L1, L2
Module 12- Assignment 2: Capstone project (Regression)
Case study tối ưu marketing budget/ ROI
– Phân tích EDA khám phá dữ liệu chi phí marketing và revenue
– Xây dựng mô hình Multivariate/ Polynomial Regression để dự đoán revenue
– Tối ưu chi phí marketing từ mô hình dự đoán
– Đánh giá độ hiệu quả của mô hình
