PHẦN 1: MÔI TRƯỜNG LÀM VIỆC VÀ TIỀN XỬ LÝ DỮ LIỆU BAN ĐẦU (xem)

Chương 1: Python và Hệ sinh thái công cụ cho phân tích kinh tế  (xem)

1.1. Sự chuyển đổi từ phân tích truyền thống sang khoa học dữ liệu (xem)

1.2. Môi trường Google Colab/Jupyter Notebook: Cài đặt và tích hợp Google Drive (xem)

Video hướng dẫn cài đặt Google Colaboratory

Video hướng dẫn upload dữ liệu lên Google colap

1.3. Hệ sinh thái thư viện cốt lõi: NumPy, Pandas, Matplotlib, Seaborn, Scipy và Scikit-learn (xem)

Các ví dụ minh họa chuyên sâu cho 1.3 (xem)

Chương 2: Thao tác và làm sạch dữ liệu (Data Cleaning)  (xem)

2.1. Tầm quan trọng của dữ liệu sạch và các lỗi thường gặp (xem)

2.2. Nhận diện và xử lý dữ liệu khuyết thiếu (Missing values) (xem)

2.3. Nhận diện và xử lý dữ liệu trùng lặp (Duplicates) (xem)

2.4. Phát hiện và xử lý giá trị ngoại lai (Outliers) bằng IQR và Z-score (xem)

Chương 3: Biến đổi, Chuẩn hóa và Mã hóa dữ liệu (Data Transformation & Preprocessing) (XEM)

3.1. Kỹ thuật tái cấu trúc và gom nhóm: GroupBy và Pivot Table (xem)

3.2. Chuyển đổi dữ liệu chuỗi và tạo biến mới (Feature Engineering) (xem)

3.3. Chuẩn hóa dải đo dữ liệu (Data Scaling): Min-Max Scaling và Z-score Standardization (xem)

3.4. Mã hóa biến phân loại (Encoding): Label Encoding và One-hot Encoding (xem)

PHẦN 2: ÁP DỤNG HỌC MÁY (MACHINE LEARNING) DỰ ĐOÁN DỮ LIỆU (XEM)

Chương 4: Tổng quan về Machine Learning và Phương pháp Đánh giá (XEM)

4.1. Khái niệm, phân loại (Học có giám sát, không giám sát, bán giám sát, tăng cường) (xem)

4.2. Vòng đời dự án và Pipeline học máy (Train/Validation/Test Split) (xem)

4.3. Sự đánh đổi Bias-Variance, Overfitting và Underfitting 

4.4. Các thang đo đánh giá: MAE, MSE, RMSE, R-squared, Accuracy, Precision, Recall, F1-Score, Confusion Matrix, ROC-AUC 

Chương 5: Học có giám sát - Các thuật toán Hồi quy (Regression) 

5.1. Hồi quy tuyến tính đơn biến, đa biến và hồi quy đa thức (Linear & Polynomial Regression) 

Ví dụ minh họa: Dự đoán chi tiêu theo thu nhập 

5.2. K-Nearest Neighbors Regressor (KNN) 

5.3. Cây quyết định hồi quy (Decision Tree Regressor) 

Ví dụ minh họa: Dự đoán doanh số bán hàng (Sales Prediction) 

5.4. Rừng ngẫu nhiên hồi quy (Random Forest Regressor) 

Ví dụ minh họa: Dự báo nhu cầu hàng hóa chuỗi cung ứng (Demand Forecasting) 

5.5. Gradient Boosting và XGBoost Regression 

Ví dụ minh họa: Dự đoán giá nhà dựa trên các bộ dữ liệu House Prices / Boston House Prices / California Housing 

Chương 6: Học có giám sát - Các thuật toán Phân lớp (Classification) 

6.1. Hồi quy Logistic (Logistic Regression) 

Ví dụ minh họa: Dự đoán nguy cơ mắc bệnh tiểu đường (Pima Indians Diabetes Dataset) 

6.2. Thuật toán K-Nearest Neighbors (KNN) 

Ví dụ minh họa: Phân loại tình trạng bệnh tim (Heart Disease Dataset) 

6.3. Cây quyết định (Decision Tree Classifier) 

Ví dụ minh họa: Dự báo phê duyệt khoản vay tín dụng (Loan Approval Prediction) 

6.4. Rừng ngẫu nhiên (Random Forest Classifier) 

Ví dụ minh họa: Phát hiện gian lận thẻ tín dụng (Credit Card Fraud Detection) 

6.5. Máy Vector Hỗ Trợ (SVM) và Naive Bayes 

Ví dụ minh họa: Dự báo khách hàng rời bỏ dịch vụ ngân hàng (Bank Customer Churn Prediction) 

Chương 7: Học không giám sát - Phân cụm dữ liệu (Clustering) 

7.1. Định nghĩa và ứng dụng của Phân cụm 

7.2. Phân cụm K-Means và xác định K tối ưu (Elbow Method, Silhouette Score) 

Ví dụ minh họa: Phân khúc khách hàng trung tâm thương mại (Mall Customers) 

Ví dụ minh họa: Phân cụm khách hàng trong ngành bảo hiểm (Market Segmentation in Insurance) 

7.3. Phân cụm phân cấp (Hierarchical Clustering) 

Ví dụ minh họa: Phân loại tự động 3 loài hoa (Iris Dataset)

7.4. Thuật toán DBSCAN dựa trên mật độ 

Ví dụ minh họa: Phân tích hoạt động vận hành logistics (DataCo Global Supply Chain Dataset) 

Chương 8: Học không giám sát - Khai phá Quy luật kết hợp (Association Rules) 

8.1. Các độ đo cốt lõi: Support, Confidence, Lift 

8.2. Phân tích giỏ hàng (Market Basket Analysis) với thuật toán Apriori 

Ví dụ minh họa: Phân tích giỏ hàng bán lẻ (Online Retail II Dataset) 

8.3. Thuật toán FP-Growth 

Ví dụ minh họa: Phân tích giỏ hàng siêu thị (Kaggle Instacart Grocery / Groceries Dataset) 

PHẦN 3: ÁP DỤNG HỌC SÂU (DEEP LEARNING) TRONG KINH TẾ 

Chương 9: Tổng quan về Học sâu và Mạng Nơ-ron (Neural Networks) 

9.1. Sự khác biệt giữa Deep Learning và Machine Learning truyền thống 

9.2. Cấu trúc Mạng Nơ-ron nhân tạo thẳng (Feedforward Neural Networks - FNN/MLP) 

9.3. Các hàm kích hoạt (Sigmoid, ReLU, Softmax) và Hàm mất mát 

9.4. Thuật toán tối ưu hóa (Gradient Descent, Adam), Lan truyền xuôi/ngược (Forward/Backpropagation) 

9.5. Kỹ thuật chống Overfitting: Regularization, Dropout, Early Stopping, Batch Normalization 

Chương 10: Deep Learning cho các bài toán Hồi quy và Chuỗi thời gian 

10.1. Mạng MLP trong dự đoán số liệu liên tục 

Ví dụ minh họa: Dự báo chi phí bảo hiểm y tế cá nhân (Medical Cost Personal Dataset) 

Ví dụ minh họa: Dự đoán giá nhà với dữ liệu bảng (California Housing Dataset / KC House Data) 

Ví dụ minh họa: Dự báo chi phí vận chuyển trong quản lý chuỗi cung ứng (SCMS Delivery History Dataset) 

10.2. Mạng RNN, LSTM và GRU cho phân tích Chuỗi thời gian (Time-series) 

Ví dụ minh họa: Dự báo giá chứng khoán (Cổ phiếu Yahoo / Cổ phiếu FPT / Cổ phiếu Amazon) 

Ví dụ minh họa: Dự đoán tiêu thụ điện năng (Appliances Energy Prediction / AEP Hourly) 

Chương 11: Deep Learning cho các bài toán Phân lớp và Phát hiện bất thường 

11.1. Mạng nơ-ron đa tầng (MLP) cho phân lớp nhị phân và đa lớp 

Ví dụ minh họa: Dự báo khả năng vỡ nợ tín dụng / Chấm điểm tín dụng (Default of Credit Card Clients Dataset / LendingClub) 

Ví dụ minh họa: Dự đoán phân khúc giá nhà (California Housing) 

Ví dụ minh họa: Dự báo khách hàng rời bỏ dịch vụ viễn thông/ngân hàng (Customer Churn Dataset) 

11.2. Mạng Autoencoder cho phân tích bất thường và dữ liệu mất cân bằng 

Ví dụ minh họa: Hệ thống tự động phân tích cảm xúc đánh giá từ khách hàng dựa trên TextBlob (Sentiment Analysis) 

Ví dụ minh họa: Phân loại xu hướng giá cổ phiếu (S&P 500 Stock Data)