Search this site
Embedded Files
Skip to main content
Skip to navigation
DATA SCIENCE
Trang chủ
PHẦN 1: MÔI TRƯỜNG LÀM VIỆC VÀ TIỀN XỬ LÝ DỮ LIỆU BAN ĐẦU
Chương 1: Python và Hệ sinh thái công cụ cho phân tích kinh tế
1.1. Sự chuyển đổi từ phân tích truyền thống sang khoa học dữ liệu
1.2. Môi trường Google Colab/Jupyter Notebook: Cài đặt và tích hợp Google D
Vid cài Google Colab
Vid upload data lên GG colab
1.3. Hệ sinh thái thư viện cốt lõi
Ví dụ minh họa 1.3
Chương 2: Thao tác và làm sạch dữ liệu (Data Cleaning)
2.1. Tầm quan trọng của dữ liệu sạch và các lỗi thường gặp
2.2. Nhận diện và xử lý dữ liệu khuyết thiếu (Missing values)
2.3. Nhận diện và xử lý dữ liệu trùng lặp (Duplicates)
2.4. Phát hiện và xử lý giá trị ngoại lai (Outliers) bằng IQR và Z-score
Chương 3: BIẾN ĐỔI, CHUẨN HÓA VÀ MÃ HÓA DỮ LIỆU
3.1. Kỹ thuật tái cấu trúc và gom nhóm: GroupBy và Pivot Table
3.2. Chuyển đổi dữ liệu chuỗi và tạo biến mới (Feature Engineering)
3.3. Chuẩn hóa dải đo dữ liệu (Data Scaling)
3.4. Mã hóa biến phân loại (Encoding): Label Encoding và One-hot Encoding
PHẦN 2: ÁP DỤNG HỌC MÁY (MACHINE LEARNING) DỰ ĐOÁN DỮ LIỆU
Chương 4: Tổng quan về Machine Learning và Phương pháp Đánh giá
4.1. Khái niệm, phân loại
4.2. Vòng đời dự án và Pipeline học máy (Train/Validation/Test Split)
4.3. Sự đánh đổi Bias-Variance, Overfitting và Underfitting
DATA SCIENCE
Trang chủ
PHẦN 1: MÔI TRƯỜNG LÀM VIỆC VÀ TIỀN XỬ LÝ DỮ LIỆU BAN ĐẦU
Chương 1: Python và Hệ sinh thái công cụ cho phân tích kinh tế
1.1. Sự chuyển đổi từ phân tích truyền thống sang khoa học dữ liệu
1.2. Môi trường Google Colab/Jupyter Notebook: Cài đặt và tích hợp Google D
Vid cài Google Colab
Vid upload data lên GG colab
1.3. Hệ sinh thái thư viện cốt lõi
Ví dụ minh họa 1.3
Chương 2: Thao tác và làm sạch dữ liệu (Data Cleaning)
2.1. Tầm quan trọng của dữ liệu sạch và các lỗi thường gặp
2.2. Nhận diện và xử lý dữ liệu khuyết thiếu (Missing values)
2.3. Nhận diện và xử lý dữ liệu trùng lặp (Duplicates)
2.4. Phát hiện và xử lý giá trị ngoại lai (Outliers) bằng IQR và Z-score
Chương 3: BIẾN ĐỔI, CHUẨN HÓA VÀ MÃ HÓA DỮ LIỆU
3.1. Kỹ thuật tái cấu trúc và gom nhóm: GroupBy và Pivot Table
3.2. Chuyển đổi dữ liệu chuỗi và tạo biến mới (Feature Engineering)
3.3. Chuẩn hóa dải đo dữ liệu (Data Scaling)
3.4. Mã hóa biến phân loại (Encoding): Label Encoding và One-hot Encoding
PHẦN 2: ÁP DỤNG HỌC MÁY (MACHINE LEARNING) DỰ ĐOÁN DỮ LIỆU
Chương 4: Tổng quan về Machine Learning và Phương pháp Đánh giá
4.1. Khái niệm, phân loại
4.2. Vòng đời dự án và Pipeline học máy (Train/Validation/Test Split)
4.3. Sự đánh đổi Bias-Variance, Overfitting và Underfitting
More
Trang chủ
PHẦN 1: MÔI TRƯỜNG LÀM VIỆC VÀ TIỀN XỬ LÝ DỮ LIỆU BAN ĐẦU
Chương 1: Python và Hệ sinh thái công cụ cho phân tích kinh tế
1.1. Sự chuyển đổi từ phân tích truyền thống sang khoa học dữ liệu
1.2. Môi trường Google Colab/Jupyter Notebook: Cài đặt và tích hợp Google D
Vid cài Google Colab
Vid upload data lên GG colab
1.3. Hệ sinh thái thư viện cốt lõi
Ví dụ minh họa 1.3
Chương 2: Thao tác và làm sạch dữ liệu (Data Cleaning)
2.1. Tầm quan trọng của dữ liệu sạch và các lỗi thường gặp
2.2. Nhận diện và xử lý dữ liệu khuyết thiếu (Missing values)
2.3. Nhận diện và xử lý dữ liệu trùng lặp (Duplicates)
2.4. Phát hiện và xử lý giá trị ngoại lai (Outliers) bằng IQR và Z-score
Chương 3: BIẾN ĐỔI, CHUẨN HÓA VÀ MÃ HÓA DỮ LIỆU
3.1. Kỹ thuật tái cấu trúc và gom nhóm: GroupBy và Pivot Table
3.2. Chuyển đổi dữ liệu chuỗi và tạo biến mới (Feature Engineering)
3.3. Chuẩn hóa dải đo dữ liệu (Data Scaling)
3.4. Mã hóa biến phân loại (Encoding): Label Encoding và One-hot Encoding
PHẦN 2: ÁP DỤNG HỌC MÁY (MACHINE LEARNING) DỰ ĐOÁN DỮ LIỆU
Chương 4: Tổng quan về Machine Learning và Phương pháp Đánh giá
4.1. Khái niệm, phân loại
4.2. Vòng đời dự án và Pipeline học máy (Train/Validation/Test Split)
4.3. Sự đánh đổi Bias-Variance, Overfitting và Underfitting
Vid cài Google Colab
xem tiếp 1.3. Hệ sinh thái thư viện cốt lõi
Google Sites
Report abuse
Page details
Page updated
Google Sites
Report abuse