Business Intelligence with PowerBI

Khóa học "Khai phá Dữ liệu Doanh nghiệp với PowerBI"

Khai giảng: 11/2019 - Địa điểm: HN/TPHCM

Liên hệ: 0399678936 - info@s-lab.vn - http://s-lab.vn

Facebook: Học Machine Learning và Deep Learning;

 

KẾT QUẢ NHẬN ĐƯỢC

  • Hiểu và sử dụng thành thạo các công cụ khác nhau của PowerBI
  • Sử dụng Query Editor để kết nối và xây dựng cấu trúc dữ liệu
  • Xây dựng các bảng, đồ thị khác nhau từ dữ liệu doanh nghiệp
  • Xác định các quan hệ giữa các yếu tố ảnh hưởng, xây dựng và đo lường các phép đo mới
  • Xây dựng các bảng/màn trực quan tương tác (Dashboard)
  • Chia sẻ các kết quả phân tích và truy cập từ các thiết bị khác nhau

ĐỐI TƯỢNG PHÙ HỢP

- Muốn tìm hiểu và bắt đầu với PowerBI

- Sử dụng PowerBI để khai phá tri thức trong dữ liệu

- Xây dựng các màn hình dữ liệu trực quan hỗ trợ ra quyết định

 

CHƯƠNG TRÌNH HỌC: 15h - 2 ngày Thứ 7 - CN từ 8h30 - 17h

Phần 1: Giới thiệu

  • Giới thiệu khóa học
  • Giới thiệu bộ công cụ PowerBI
  • Cài đặt và khởi động dự án đầu tiên
    • Kết nối nhanh dữ liệu
    • Xây dựng kiến trúc dữ liệu và đồ họa
  • Giới thiệu chi tiết nội dung khóa học

Phần 2: Công cụ PowerBI bản Desktop

  • Giới thiệu Workflow
  • Xây dựng Data Model
  • Query dữ liệu với Query Editor
  • Tương tác, truy vấn dữ liệu
  • Biến đổi, làm sạch dữ liệu
  • Tách biến, tạo biến từ dữ liệu

Phần 3: Mô hình dữ liệu và quan hệ

  • Xây dựng mô hình dữ liệu với Data Model
  • Biểu diễn các mối quan hệ dữ liệu
  • Giới thiệu M-Language và DAX
  • Phân tích dữ liệu phân loại

Phần 4: Xây dựng báo cáo

  • Workflow cho báo cáo
  • Khởi tạo các biểu diễn hình ảnh (visualization)
  • Màu sắc, thông tin, tương tác trên hình ảnh
  • Biến cấp bậc, drill-down dữ liệu
  • Thay đổi format và sắp xếp
  • Format và lọc dữ liệu
  • Các kiểu đồ thị khác nhau

Phần 5: Xây dựng màn hình dữ liệu và Kết nối

  • Workflow cho màn hình dữ liệu
  • Xây dựng mà hình dữ liệu (Dashboard)
  • Cộng tác và chia sẻ qua App Workspaces
  • Thực hành xây dựng các màn hình khác nhau

Phần 6: Các công cụ nâng cao

  • Kết nối nhiều nguồn dữ liệu khác nhau
  • Xây dựng báo cáo và màn hình chuyên biệt
  • Giới thiệu và cài đặt d3.js (Data Driven Documents)
  • Truy xuất dữ liệu
  • Hiển thị thông tin người dùng
  • Đặc tính nâng cao

 

CÁC BỘ DỮ LIỆU DOANH NGHIỆP THỰC HÀNH

- Dữ liệu bán hàng toàn quốc

- Dữ liệu khách hàng vay nợ tiêu dùng

- Dữ liệu giáo dục Việt Nam


DATA FUNDAMENTALS FOR MANAGERS

DATA FUNDAMENTALS FOR MANAGERS

Thấu hiểu tầm quan trọng và định lượng giá trị của Dữ liệu trong Doanh nghiệp

Khóa học tập trung vào vai trò và giá trị của Dữ liệu trong Doanh nghiệp, giới thiệu các mô hình, công cụ và chiến lược liên quan. Đặc biệt, các ví dụ được lấy từ các bộ dữ liệu doanh nghiệp và thực hành trên các công cụ kéo thả là Tableau và BigML*, giúp học viên nhanh chóng nắm bắt các khái niệm và bản chất. Sau khóa học, các học viên có thể ước lượng được giá trị mà dữ liệu có thể mang lại cho doanh nghiệp mình, và lên kế hoạch để triển khai quá trình chuyển đổi.


CHƯƠNG TRÌNH HỌC (2 ngày cuối tuần từ 8h30-17h00)

Phần 1: Giá trị từ dữ liệu

  • Dữ liệu là gì?
  • Vì sao dữ liệu trở nên quan trọng?
  • Phân tích Dữ liệu mang lại giá trị gì cho doanh nghiệp?
  • Sự dịch chuyển của tri thức và năng lực cạnh tranh
  • Các phương pháp khai phá dữ liệu là gì và như thế nào?
  • Các công cụ và nền tảng
  • Case Studies: các doanh nghiệp đã sử dụng giải pháp analytics (Facebook, Target, HomeCredit)
  • Thực hành: xác định giá trị dữ liệu của doanh nghiệp bán lẻ

Phần 2: Nắm bắt tổng quan dữ liệu doanh nghiệp

  • Tập trung dữ liệu và Datawarehouse
  • Chuẩn hóa và chuẩn bị dữ liệu
  • Nhanh chóng nắm bắt bức tranh tổng quan
  • Tạo các biểu diễn hình ảnh, dashboard và câu chuyện dữ liệu
  • Thực hành: Business Intelligence với Tableau
    – Dữ liệu doanh nghiệp bán lẻ với Tableau
    – Dữ liệu ngân hàng với Tableau

Phần 3: Tăng năng suất kinh doanh với máy học

  • Machine Learning là gì? AI là gì?
  • Sự khác nhau giữa Business Intelligence và Machine -Learning và chiến lược của doanh nghiệp
  • Xây dựng và đánh giá mô hình Machine Learning
  • Mô hình giám sát – scoring
  • Mô hình giám sát – classification
  • Mô hình không giám sát – clustering và basket analysis
  • Thực hành: Dự báo giá bất động sản với BigML
  • Thực hành: Dự báo rủi ro tín dụng với BigML
  • Thực hành: Dự báo rủi ro bảo hiểm với BigML
  • Thực hành: Phân cụm khách hàng với BigML
  • Tổng hợp các mô hình Machine Learning

Phần 4: Vượt lên trong thời đại dữ liệu

  • Xây dựng văn hóa Dữ liệu
  • Quy trình 6 bước Analytics and Data Science
  • Big-data là gì và các công cụ của nó
  • Khi nào cần AI và Deep Learning?
  • Kỹ năng và đội ngũ


DEEP LEARNING

Chi tiết khóa học

Deep Learning (DL) là gì?

  • Vì sao Deep Learning?
  • Tác nhân thúc đẩy Deep Learning?

Ôn tập Đại số tuyến tính

  • Vector, cộng vector, nhân vô hướng, tích vector
  • Ma trận, định thức, nhân ma trận, ma trận nghịch đảo
  • Giá trị riêng, vector riêng, phân tích thành phần chính

Giới thiệu về Mạng Neuron

  • Neuron, cách hoạt động
  • Hàm activation
  • Mạng Neuron (NN) hoạt động thế nào?
  • Mạng Neuron Ảo (ANN) học thế nào?
  • Gradient Descent là gì?
  • Gradient Descent ngẫu nhiên là gì?
  • Lan truyền ngược (Backpropagation) là gì?
  • Thực hành xây dựng NN với python và keras
  • Đánh giá, cải tiến và tinh chỉnh mạng NN: Hyperparameter tuning, Regularization và Optimization

Mạng Neuron Tích chập (CNN)

  • CNN là gì? Vì sao?
  • Cách hoạt động của CNN
  • Hàm ReLu
  • Pooling, Flattening, Full Connection là gì?
  • Softmax và Cross-Entropy?
  • Thực hành xây dựng CNN

Mạng Neuron Hồi quy (RNN)

  • Đánh giá, cải tiến và tinh chỉnh mạng CNN
  • Ý tưởng của mạng RNN
  • Vấn đề suy biến đạo hàm (Vanishing Gradient)
  • Mạng bộ nhớ dài-ngắn (Long Short Term Memory networks)
  • Thực hành xây dựng RNN
  • Đánh giá, cải tiến và tinh chỉnh mạng RNN

Mạng neural tự tổ chức SOM (Self-Organizing Map)

  • Ý tưởng của SOMs là gì?
  • SOMs hoạt động thế nào?
  • Liên hệ với K-Mean
  • Thực hành xây dựng SOM
  • Đánh giá, cải tiến và tinh chỉnh mạng SOM

Mạng AutoEncoders

  • Ý tưởng của AutoEncoders là gì?
  • AutoEncoders hoạt động thế nào?
  • Các biến thể của AutoEncoders

DATA ANALYTICS

DATA ANALYTICS

with R

Những ai có thể học khóa Data Analytics with R

  • Bạn là một nhân viên doanh nghiệp, hàng ngày tổng hợp dữ liệu với Excel nhưng loay hoay vì:
    • Giới hạn số dòng < 1,000,000. Làm sao tổng hợp mọi giao dịch trong 10 năm?
    • Vlookup không nổi với hàng chục ngàn dòng
    • Câu lệnh so sánh ký tự treo quá lâu
    • Pivotable trên dữ liệu thô cũng treo
    • Lặp lại một thao tác cho nhiều cửa hàng
    • Mô hình dự báo làm thế nào?
  • Bạn làm ở phòng dữ liệu, làm sao báo cáo và hiển thị được xu hướng tổng quan, hiệu quả hay điểm bất thường của hoạt động kinh doanh?
  • Bạn là một kỹ sư công nghệ, muốn biết Machine Learning làm được gì?
  • Bạn có thể là một giảng viên, dữ liệu không quá lớn nhưng nhiều chiều (học sinh, môn học, điểm số, đánh giá,…), có mô hình nào dự báo, đánh giá hay phân loại không?
  • Bạn là một quản lý, làm sao tăng giá trị và năng suất của doanh nghiệp với các mô hình Machine Learning?
  • Bạn là sinh viên, cần chuẩn bị kỹ năng cho công việc thời đại 4.0

Trong thời đại này, dữ liệu có ở trong mọi ngành, mọi doanh nghiệp. Bạn hãy biết cách làm chủ và khai thác nó để tăng năng suất cho mình và cho doanh nghiệp. R là một công cụ cơ bản và hữu hiệu để bạn bắt đầu. Các phương pháp giảng dạy của

Kỹ năng đạt được:

  1. Thành thạo lập trình ngôn ngữ R
  2. Khai phá dữ liệu: tổng hợp, làm sạch, chuẩn hóa, biến đổi dữ liệu kinh doanh
  3. Biểu diễn hình ảnh và tạo lập các báo cáo Business Intelligence hiệu quả
  4. Sử dụng các phương pháp thống kê để phân tích dữ liệu kinh doanh
  5. Xây dựng các mô hình dự báo xu hướng và rủi ro
  6. Làm chủ quá trình triển khai dự án khoa học dữ liệu trong Doanh nghiệp

Các bộ dữ liệu thực hành:

Các bộ dữ liệu sử dụng bao gồm:
1. Churn customer: Dự báo khách hàng chuyển mạng viễn thông
2. Home credit default customer: Dự báo khách hàng nợ xấu
3. Bikesharing: Dự báo số lượt thuê xe đạp
4. Old car price: Dự báo giá xe cũ
5. US College: Phân cụm các trường học ở Mỹ
6. Vietnamese retail shop: Phân tích giỏ hàng siêu thị VN

Công cụ, phần mềm: R, RStudio, RMarkdown, Tableau

Các mô hình Machine Learning:

  1. Hồi quy tuyến tính
  2. K-Nearest Neighbors (KNN)
  3. Hồi quy Logistics
  4. Decision Tree
  5. Random Forest
  6. Naive Bayes
  7. K-mean Clustering
  8. Hierarchical Clustering
  9. Association Rules
  10. Neural Network

Chi tiết khóa học

Tổng Quan

  • Giá trị của Dữ liệu và vai trò của Khoa học dữ liệu
  • Cách nhận diện bài toán Dữ liệu trong DN
  • Giới thiệu công cụ: R, Rstudio, Markdown, Git
  • Ngôn ngữ lập trình R: từ cơ bản đến nâng cao

Xử lý dữ liệu kinh doanh:

  • Tải dữ liệu, tổng hợp, xây dựng từ điển dữ liệu
  • Ghép nối dữ liệu

Khai phá dữ liệu kinh doanh (EDA):

  • Thống kê đơn biến phân loại và liên tục
  • Thống kê đa biến, nhóm dữ liệu
  • Biểu diễn hình ảnh dữ liệu với ggplot2
  • Nhóm dữ liệu
  • Phân tích xu hướng

Biến đổi dữ liệu:

  • Làm sạch dữ liệu
  • Chuẩn hóa dữ liệu
  • Tìm kiếm điểm bất thường
  • Giảm chiều dữ liệu
  • Tạo biến mới từ dữ liệu

Thống kê dữ liệu:

  • Phân tích tương quan
  • Các kiểm định và độ tin cậy: so sánh trung bình
  • So sánh trung bình với phương pháp phân tích phương sai (ANOVA)
  • Bootstraping dữ liệu

Mô hình Hồi quy:

  • Phương pháp bình phương tối thiểu
  • Hồi quy đơn biến
  • Phân tích sai số
  • Hồi quy đa biến
  • Hồi quy logistics

Cơ bản về Machine Learning:

  • Mô tả các bài toán Machine Learning
  • Các mô hình hồi quy và cây quyết định
  • Các khái niệm training, validation, testing, bias và variance
  • Regularization
  • Bài toán tối ưu, phương pháp gradient descent
  • Các mô hình không giám sát
  • Quy trình dự án Machine Learning
  • Cách chuyển đổi bài toán doanh nghiệp thành bài toán ML
  • Trình bày kết quả dự án ML


MACHINE LEARNING

MACHINE LEARNING

Chi tiết khóa học

Giới thiệu về Machine Learning (ML)

  • Chương trình ML
  • Khả năng khai thác tri thức từ dữ liệu của ML
  • Tác nhân thúc đẩy ML
  • Phân biệt các khái nhiệm ML, Data Science, AI, IoT, Big-data
  • Các bài toán ML – Supervised và Unsupervised Learning
  • Tối tương quan giữa ML và Thống kê

Lập trình dữ liệu với Python

  • Jupyter notebook
  • Python cơ bản
  • Numpy và Pandas
  • Biểu diễn đồ thị với python (Matplotlib, Seaborn, Pandas)

Mô hình Regression

  • Giới thiệu
  • Bài toán Regression 1 biến
  • Các khái niệm Cost Function, Gradient Descent
  • Thực hành và đánh giá Regression nhiều biến
  • Các khái niệm Generalization, Capacity, Overfitting and Underfitting
  • Các khái niệm training, validation, testing, bias và variance
  • Ôn tập về Đại số tuyến tính
  • Thực hành và đánh giá Regression nhiều biến
  • Biến đổi biến trong Regression
  • Các vấn đề lưu ý với Regression: phân tích residuals, collinearity, cách xây dựng mô hình
  • Hồi quy đa thức

Hồi quy Logistics

  • Bài toán phân loại
  • Giả thuyết và biên quyết định
  • Hàm Cost và tối ưu
  • Regularization trong Regression
  • Thực hành Logistic trên dữ liệu thực tế

Mô hình cây quyết định

  • Thực hành và đánh giá Mô hình cây quyết định
  • Bootstraping dữ liệu
  • Mô hình Bagging và Random forest
  • Mô hình Boosting
  • So sánh mô hình cây và SVM

Các mô hình Unsupervised Learning

  • Mô hình K-means clustering
  • Mô hình Hierarchical clustering
  • Mô hình Association rules

Các hệ thống khuyến nghị (Recommender Systems)

  • Content Based Recommendations
  • Collaborative Filtering

Thực hành Dự án ML

  • Xử lý dữ liệu văn bản (Text)
  • Lấy dữ liệu, tiền xử lý dữ liệu văn bản
  • Phương pháp TFIDF
  • Phân loại văn bản: Topic modeling & Sentiment analysis
  • Machine Learning trên dữ liệu lớn (Big-data)
  • Giới thiệu về Neural Network và Deep Learning