Tổng quan

Môn học cung cấp nền tảng về khoa học dữ liệu với vòng đời dữ liệu (data lifecycle) và quy trình CRISP-DM: thu thập, làm sạch, biến đổi, EDA (khám phá dữ liệu), quản trị/chất lượng dữ liệu (data governance & data quality) và tái lập kết quả (reproducibility) thông qua notebook, SQL/Python và kiểm soát phiên bản. Nhấn mạnh đạo đức và quyền riêng tư dữ liệu.vòng đời dự án (từ dữ liệu thô đến quyết định), tiêu chuẩn dữ liệu, đạo đức và khả năng tái lập. Học viên làm quen với tư duy dữ liệu, quy trình EDA và các công cụ cốt lõi.

Mục tiêu 

• Hiểu vòng đời dự án dữ liệu (CRISP-DM) và vai trò từng giai đoạn.
• Thu thập, làm sạch, biến đổi và quản trị dữ liệu ở mức cơ bản.
• Thực hiện EDA để khám phá mẫu, bất thường và cơ hội.
• Vận dụng notebook/SQL/Python và kiểm soát phiên bản nhằm bảo đảm tái lập.
• Nhận diện rủi ro đạo đức và nguyên tắc sử dụng dữ liệu có trách nhiệm.

• Xem chi tiết về Mục tiêu Chương trình, Chủ đề và Tài liệu tham khảo TẠI ĐÂY.

Tổng quan

• Trang bị nền tảng xác suất–thống kê để suy luận từ dữ liệu: ước lượng, kiểm định, hồi quy và thiết kế thí nghiệm/AB test.

Mục tiêu 

• Vận dụng biến ngẫu nhiên và các phân phối chính (rời rạc/liên tục).
• Thực hiện lấy mẫu, ước lượng, khoảng tin cậy và kiểm định giả thuyết.
• Phân tích tương quan, hồi quy tuyến tính và suy luận tham số.
• Thiết kế–đánh giá AB test; giải thích p-value, power, lỗi loại I/II.
• Trình bày kết quả thống kê chính xác, tránh ngụy biện thường gặp.

Tổng quan

• Tập trung vào kỹ thuật dự đoán nâng cao: đặc trưng, điều chuẩn, mô hình tổ hợp, tinh chỉnh siêu tham số, dự báo chuỗi thời gian và hiệu chuẩn xác suất.

Mục tiêu 

• Xây dựng pipeline dự đoán end-to-end gắn KPI rõ ràng.
• Áp dụng điều chuẩn L1/L2/Elastic Net; SVM; cây và ensembles (RF, GBM).
• Tinh chỉnh với cross-validation, grid/bayesian search; xử lý mất cân bằng.
• Đánh giá theo ROC-AUC, PR-AUC, RMSE, MAPE và hiệu chuẩn xác suất.
• Thực hiện dự báo chuỗi thời gian kèm backtesting phù hợp.

Tổng quan

• Khai thác và kể chuyện bằng dữ liệu: phân tích mô tả/chẩn đoán đến trực quan hóa hiệu quả, dashboard và hỗ trợ ra quyết định.

Mục tiêu 

• Thực hiện phân tích tổng hợp, so sánh, phân khúc và theo dõi chỉ số.
• Chọn biểu đồ phù hợp (chuỗi thời gian, phân bố, tương quan, bản đồ).
• Thiết kế dashboard/BI rõ ràng, nhất quán, có khả năng hành động.
• Tuân thủ nguyên tắc khả dụng, tiếp cận (accessibility) và đạo đức trực quan hóa.
• Trình bày insight thuyết phục cho các bên liên quan.

Tổng quan

• Toàn cảnh khai phá dữ liệu, học máy và AI: phân loại, hồi quy, phân cụm, giảm chiều, phát hiện bất thường; giới thiệu NLP/CV.

Mục tiêu 

• Xây dựng pipeline ML có/không giám sát cho các dạng bài toán phổ biến.
• Áp dụng và so sánh các thuật toán chủ đạo (logistic, cây, kNN, Naive Bayes, SVM, k-means, PCA…).
• Đánh giá mô hình theo ngữ cảnh, kiểm soát overfitting và bias.
• Làm quen NLP/CV (biểu diễn văn bản, đặc trưng ảnh) và ứng dụng thực tế.
• Nhận diện rủi ro đạo đức, fairness và nguyên tắc AI có trách nhiệm.

Tổng quan

• Phương pháp nghiên cứu nâng cao cho lĩnh vực máy tính & dữ liệu: thiết kế nghiên cứu, tổng quan tài liệu, đạo đức, thực nghiệm/khảo sát và viết học thuật.

Mục tiêu 

• Xác định vấn đề, câu hỏi và giả thuyết có thể kiểm định.
• Thực hiện tổng quan tài liệu có hệ thống; trích dẫn và quản lý tài liệu.
• Lựa chọn thiết kế nghiên cứu định lượng/định tính/hỗn hợp phù hợp mục tiêu.
• Thiết kế thí nghiệm, chọn mẫu, đo lường; thu thập và phân tích dữ liệu.
• Viết đề cương và báo cáo/paper khoa học; bảo đảm đạo đức, tái lập và quản trị dữ liệu.

Capstone Project là dự án tổng hợp ở giai đoạn cuối chương trình, nơi học viên áp dụng toàn bộ kiến thức và kỹ năng đã học để giải quyết một bài toán dữ liệu thực tế. Đây là cơ hội để học viên thể hiện năng lực chuyên môn trong việc xây dựng một dự án khoa học dữ liệu hoàn chỉnh, từ khâu xử lý dữ liệu đến mô hình hóa và trực quan hóa kết quả phục vụ ra quyết định.

Khác với các bài kiểm tra lý thuyết, Capstone Project yêu cầu học viên giải quyết vấn đề thật hoặc mô phỏng sát thực tế trong các lĩnh vực như kinh doanh, y tế, giáo dục, tài chính hay công nghiệp.

Đặc điểm chính của Capstone Project

• Ứng dụng thực tiễn: Học viên thực hiện các dự án có giá trị đo lường được, sử dụng dữ liệu thực hoặc dữ liệu mô phỏng để giải quyết bài toán cụ thể.
• Tích hợp kiến thức: Dự án đòi hỏi khả năng kết hợp nhiều kỹ năng — từ thu thập, làm sạch, phân tích và mô hình hóa dữ liệu đến trực quan hóa và diễn giải kết quả — thể hiện tư duy hệ thống và khả năng áp dụng vào thực tế.
• Thành phần nghiên cứu: Capstone không chỉ là triển khai kỹ thuật mà còn bao gồm quá trình nghiên cứu, thu thập và phân tích dữ liệu để đưa ra kết luận và khuyến nghị hợp lý.
• Nộp và/hoặc thuyết trình: Sau khi hoàn thành, học viên nộp và/hoặc thuyết trình Capstone Project với trường.

Lợi ích của Dự án Capstone:

• Kinh nghiệm thực tế: Cơ hội tiếp cận và xử lý các vấn đề dữ liệu gần gũi với môi trường doanh nghiệp.
• Phát triển kỹ năng: Nâng cao năng lực phân tích, giải quyết vấn đề, tư duy phản biện, nghiên cứu và trình bày kết quả.
• Xây dựng hồ sơ nghề nghiệp: Sản phẩm cuối cùng là minh chứng năng lực nổi bật trong portfolio cá nhân, hữu ích cho việc phỏng vấn hoặc thăng tiến sự nghiệp.
• Kết nối chuyên môn: Học viên có thể hợp tác với doanh nghiệp, mentor hoặc chuyên gia trong ngành để mở rộng mạng lưới và cơ hội nghề nghiệp.

Trong suốt quá trình hình thành Capstone Project sẽ được hỗ trợ bởi trợ giảng nghiên cứu và hệ thống hỗ trợ tiếng Anh, hỗ trợ học thuật của London Academy of Sciences Việt Nam.