PHÂN TÍCH DỮ LIỆU CƠ BẢN
Giảng viên
Giới thiệu khóa học
Dưới đây là đề‑cương 15tuần cho môn “Phântích Dữliệu Cơbản” (Fundamentals of Data Analysis). Cấu trúc, ngôn ngữ và mức chi tiết nhất quán với các học phần bạn đã xây dựng trước.
1. Tóm tắt giới thiệu môn học
Phân tích Dữ liệu Cơ bản trang bị cho sinh viên nền tảng tư duy dữ liệu, kỹ năng thu thập – làm sạch – trực quan hóa – suy luận thống kê, cùng thực hành trên Excel & Python (pandas, matplotlib). Môn học là bước đệm cho các học phần Khoa học dữ liệu, Học máy và Phân tích kinh doanh.
2. Mục tiêu môn học
Hiểu quy trình phân tích dữ liệu CRISP‑DM: BusinessUnderstanding → DataUnderstanding → Prepare → Model/Analyze → Evaluate → Deploy (report).
Thành thạo thao tác dữ liệu: nhập, chuẩn hóa, xử lý thiếu – ngoại lệ.
Áp dụng thống kê mô tả & suy luận: phân phối, kiểm định, tương quan, hồi quy tuyến tính đơn giản.
Trực quan hóa hiệu quả: biểu đồ phân bố, chuỗi thời gian, biểu đồ tương quan.
Viết báo cáo & thuyết trình kết quả dựa trên bằng chứng dữ liệu.
3. Kiến thức tiên quyết
Toán cao cấp A/B (đại số, xác suất cơ bản).
Tin học văn phòng (Excel căn bản).
Không yêu cầu lập trình trước, nhưng lợi thế nếu biết Python sơ cấp.
4. Kế hoạch học tập 15tuần
| Tuần | Chủ đề | Mục tiêu / Hoạt động chính |
|---|---|---|
| 1 | Giới thiệu Data Analytics & CRISP‑DM | Vai trò dữ liệu, quy trình, công cụ Excel/Python. |
| 2 | Loại dữ liệu & lấy dữ liệu | CSV, Excel, Web scraping đơn giản (pandas‑read_html). |
| 3 | Làm sạch dữ liệu | Xử lý NA, duplicate, định dạng ngày; profiling. |
| 4 | Thống kê mô tả | Thang đo, mean‑median‑mode, five‑number summary. |
| 5 | Trực quan hóa căn bản | Histogram, boxplot, scatter; nguyên tắc thiết kế biểu đồ. |
| 6 | Phân phối xác suất & lấy mẫu | Normal, Binomial; luật số lớn; kỹ thuật sampling. |
| 7 | Ước lượng & khoảng tin cậy | CI cho mean, proportion; cỡ mẫu. |
| 8 | Kiểm định giả thuyết | t‑test 1 & 2 mẫu, χ², p‑value; lỗi I,II. |
| 9 | Phân tích tương quan | Hệ số Pearson/Spearman; ma trận heatmap. |
| 10 | Hồi quy tuyến tính đơn | Mô hình, R², kiểm định hệ số; dự báo cơ bản. |
| 11 | Làm việc với chuỗi thời gian | Index thời gian, phân rã STL, xu hướng & mùa vụ. |
| 12 | Dữ liệu phân loại & trực quan nâng cao | Bar, stacked, mosaic; sử dụng seaborn (giới thiệu). |
| 13 | Dashboard & kể chuyện dữ liệu | Excel Pivot + slicer; intro Power BI; cấu trúc story. |
| 14 | Thuyết trình dự án nhóm (Data Story) | Nhóm trình bày phân tích bộ dữ liệu thực; phản biện. |
| 15 | Ôn tập & kiểm tra cuối kỳ | Thi lý thuyết (60%) + đánh giá dự án (40%). |
5. Phương pháp giảng dạy
Bài giảng kết hợp lab thực hành (50% thực hành).
Datasets mở (World Bank, Kaggle, GSO) cho bài tập.
Dự án nhóm phân tích dữ liệu thực tế (tuần5‑14).
Khách mời Data Analyst chia sẻ case thực.
6. Đánh giá
| Thành phần | Tỷ lệ | Hình thức |
|---|---|---|
| Quiz hàng tuần | 10% | Trắc nghiệm online |
| Bài tập cá nhân (notebook/Excel) | 20% | Làm sạch + thống kê mô tả |
| Dự án nhóm (Data Story) | 30% | Notebook + Dashboard + Pitch |
| Mid‑term (Tuần8) | 15% | Trắc nghiệm & bài tập tính |
| Final Exam (Tuần15) | 25% | Tự luận + Python/Excel |
Đề‑cương này giúp sinh viên làm chủ quy trình phân tích dữ liệu đầu cuối, biến số liệu thô thành thông tin có ý nghĩa để hỗ trợ ra quyết định trong môi trường kinh doanh và nghiên cứu.