인프런 - 라이프타임 커리어 플랫폼

Đây không phải là một bài giảng về đầu tư. Khóa học này tập trung vào việc thu thập, phân tích và trực quan hóa dữ liệu thông qua dữ liệu chứng khoán. Bạn sẽ được làm việc với nhiều định dạng dữ liệu khác nhau và học các kỹ thuật tiền xử lý văn bản đa dạng. Khóa học cũng đề cập đến các kỹ thuật trực quan hóa dữ liệu chuỗi thời gian, phương pháp biểu diễn quy mô (scale) và một số kỹ thuật để giải mã dữ liệu giá cổ phiếu. Đây là khóa học giúp bạn tìm ra cách đạt được thông tin chi tiết (insight) thông qua phân tích dữ liệu. Nội dung học từ dữ liệu giá cổ phiếu được thiết kế để bạn có thể áp dụng vào việc thu thập, phân tích và trực quan hóa các loại dữ liệu sử dụng chuỗi thời gian khác như nhu cầu, hàng tồn kho, doanh số và lưu lượng truy cập.

SQL là một trong những yếu tố cốt lõi của phân tích dữ liệu. Thông qua các bài giảng và thực hành chi tiết về các yếu tố cốt lõi của SQL, chúng tôi sẽ giúp bạn xây dựng nền tảng vững chắc để trở thành chuyên gia phân tích dữ liệu SQL.

Chúng tôi sẽ hướng dẫn cách để những người không chuyên hoặc người mới bắt đầu có thể nhanh chóng lấy được chứng chỉ thực hành Phân tích Dữ liệu lớn (Big Data Analysis)! Lý thuyết nhẹ nhàng, thực hành chắc chắn – không cần kiến thức nền tảng phức tạp, chúng ta sẽ tập trung học những điểm mấu chốt chắc chắn xuất hiện trong kỳ thi thông qua các câu hỏi đã từng ra.

Có tin đồn rằng Ediya thường mở cửa hàng gần Starbucks. Liệu vị trí cửa hàng của Ediya và Starbucks thực sự khác biệt như thế nào? Liệu xu hướng biến động giá bất động sản từ năm 2013 đến 2019 có được phản ánh vào giá bán căn hộ hay không? Có những công viên nào ở khu phố của chúng ta? Làm thế nào để tận dụng dữ liệu trên Cổng dữ liệu công cộng một cách hiệu quả? Mục tiêu là làm quen với Python và các thư viện phân tích dữ liệu khác nhau thông qua việc xử lý nhiều dạng dữ liệu công cộng.

Hãy học hỏi quy trình xác định vấn đề và xây dựng giả thuyết, những năng lực cốt lõi cho phân tích dữ liệu!

Thông qua khóa học này, bạn có thể học được kiến thức về SQL và cơ sở dữ liệu, cú pháp SQL, thiết kế cơ sở dữ liệu để ứng dụng thực tế, sử dụng cơ sở dữ liệu thông qua lập trình, và cả các trường hợp ứng dụng phân tích dữ liệu.

Tôi muốn tạo một bot giao dịch thuật toán có thể kiếm tiền vô hạn và chạy nó tự động. Tôi nên bắt đầu từ đâu?

Đây là bài giảng giới thiệu/cơ bản về tiếp thị kỹ thuật số. Chúng tôi đề cập đến cách thiết kế tiếp thị kỹ thuật số dựa trên dữ liệu và các ví dụ thực tế khác nhau. Nó chứa đựng những câu chuyện về 14 năm kinh nghiệm tiếp thị của tôi trong nhiều lĩnh vực khác nhau, từ các đại lý tiếp thị kỹ thuật số đến các nhà tiếp thị nội bộ tại các tập đoàn lớn và những điều tôi muốn kể cho bạn. Đề xuất cho những ai muốn hiểu tiếp thị kỹ thuật số nói chung.

Cách đọc thế giới bằng dữ liệu: Khám phá khoa học dữ liệu riêng của bạn! Khám phá sâu sắc và thực tế các công cụ và kỹ thuật cốt lõi của khoa học dữ liệu hiện đại. Đặc biệt, bạn sẽ học cách phân tích dữ liệu và triển khai thuật toán bằng Anaconda, Numpy, Pandas và Scikit-learn, những yếu tố cần thiết của khoa học dữ liệu.

Đây là khóa học dành cho các PM muốn tận dụng dữ liệu. Khóa học bao gồm tất cả các quy trình sử dụng dữ liệu trong vai trò PM, gói gọn toàn bộ luồng công việc từ ngày đầu tiên đi làm cho đến khi bắt đầu và kết thúc dự án. Đây là khóa học nhập môn về dữ liệu nhằm nuôi dưỡng khả năng tư duy, bao gồm mọi thứ từ tư duy dựa trên dữ liệu, tư duy logic, định nghĩa chỉ số, thiết kế log, thiết kế thử nghiệm cho đến việc xây dựng văn hóa dữ liệu. Mặc dù được xây dựng như một khóa học dành cho PM, nhưng nội dung cũng rất hữu ích cho các nhà phân tích dữ liệu (trên thực tế, đã có rất nhiều nhà phân tích tham gia khóa học này). Ngoài ra, các bạn đang làm trong lĩnh vực marketing, thiết kế và lập kế hoạch kinh doanh cũng đang theo học rất nhiều.

Đầu tư thực chiến không chỉ dừng lại ở những kiến thức cơ bản, hãy tự mình xây dựng mô hình lợi nhuận bằng bí quyết học máy (machine learning) của chuyên gia định lượng (quant) 10 năm kinh nghiệm.

Nó nhắm đến cả những người mới bắt đầu chưa có kinh nghiệm lập trình hoặc những người có một số kiến ​​thức lý thuyết về Python. Dựa trên các dự án thực tế, mục đích chính của khóa học là phát triển niềm yêu thích và hứng thú với Python. Tôi hy vọng bạn có thêm ý tưởng và có nhiều niềm vui hơn với Python thông qua khóa học này.

Hãy cùng tìm hiểu về Columnar Storage, một loại lưu trữ định hướng cột cho phép xử lý cả dữ liệu có cấu trúc và không cấu trúc một cách dễ dàng và cho phép định dạng bảng tự do, cũng như BigQuery, một cơ sở dữ liệu đa năng do GCP cung cấp.

Bài giảng này là bài giảng tiếp theo về Đầu tư định lượng dựa trên dữ liệu vào cổ phiếu bằng Python Phần 1. Nếu phần 1 thiên về giới thiệu thì Phần 2 sẽ nói nhiều hơn về trải nghiệm tổng thể của việc thực hiện chiến lược thực tế và đầu tư định lượng phát triển Đây là một bài giảng trung tâm, chuyên sâu. Trong lớp này, chúng tôi tập trung vào các kỹ thuật Pandas nâng cao xử lý dữ liệu chuỗi thời gian và cách triển khai các chiến lược dựa trên tín hiệu dựa trên chiến lược phân bổ tài sản tĩnh/động yêu cầu điều chỉnh tỷ lệ tài sản ở các giai đoạn khác nhau. Hơn nữa, nó không dừng lại ở việc thực hiện chiến lược mà còn bao gồm một 'khuôn khổ mã' trực tiếp xác minh và kiểm tra lại các chiến lược đầu tư khác nhau với việc sửa đổi mã tối thiểu cũng như cách mở rộng và cải thiện nó để dẫn đến đầu tư thực tế. Tìm hiểu về những điều cần chú ý trong quá trình này. Ngoài các thành phần lập trình, các nội dung lý thuyết như hai loại khái niệm lợi nhuận (lợi nhuận đơn giản, lợi nhuận nhật ký) và các chỉ số đánh giá liên quan đến backtesting cũng được trình bày chuyên sâu về mặt toán học, mang lại kết quả tốt nhất không thể tìm thấy trong sách, blog đầu tư thương mại, YouTube, v.v. Bạn có thể trải nghiệm luồng đầu tư định lượng bằng Python.

Trong lớp này, bạn sẽ tìm hiểu các nguyên tắc và phương pháp phân tích và xử lý các loại dữ liệu tài chính khác nhau bằng thư viện Pandas của Python, áp dụng những nguyên tắc này vào các tình huống bạn có thể gặp phải trong thực tế và cuối cùng là tìm hiểu về cách triển khai dựa trên kiểm tra ngược. trên dữ liệu sao kê (dựa trên cuốn sách 'Bạn có thể làm đầu tư định lượng' của Kang Hwan-guk). Kết quả là, bạn sẽ có thể thoát khỏi vai trò là một “nhà đầu tư thụ động”, người chỉ làm theo những gì người khác nói mà không cần xác minh hoặc có cơ sở về logic đầu tư và sẽ sử dụng Python và Pandas để triển khai nhiều yếu tố cần thiết cho việc thực hiện chiến lược. một nhà đầu tư năng động và tự định hướng, người có thể tự do trích xuất dữ liệu và phân tích nó một cách định lượng.

Học công nghệ NoSQL để xử lý Big Data - một trong những kỹ thuật cơ bản của công nghệ Full-stack và Data Science được các startup hiện đại sử dụng. MongoDB là công nghệ dễ nhất và có thể ứng dụng nhanh nhất trong số các NoSQL. Trong khóa học này, chúng ta sẽ học các kiến thức cơ bản về MongoDB trong thời gian ngắn và học cả kỹ thuật xử lý và ứng dụng MongoDB bằng Python.

Nếu bạn làm việc với dữ liệu, SQL là một kỹ năng cơ bản cần phải biết. Trong khóa học này, chúng ta sẽ học SQL từ góc độ phân tích dữ liệu, tập trung vào thực hành. Chúng ta sẽ thực hành với DuckDB trong Google Colab.

Phân tích dữ liệu dễ dàng và mạnh mẽ mọi lúc, mọi nơi! Ngay cả khi không biết lập trình, bạn vẫn có thể thực hiện dễ dàng với Orange 3!

Cách chắc chắn nhất để xây dựng khung xương cho dữ liệu Ngừng ngay việc tiếp thu kiến thức rời rạc. Từ việc kiểm chứng chứng chỉ DAsP (Chuyên gia sơ cấp về kiến trúc dữ liệu) cho đến năng lực mô hình hóa thực tế, đây là lớp học Master duy nhất được cấu trúc hoàn hảo nhất. "Mô hình hóa dữ liệu, bạn vẫn còn đang phụ thuộc vào việc học thuộc lòng từng phần sao?" Năng lực của một 'người thiết kế' - người chuyển dịch các yêu cầu kinh doanh phức tạp thành cấu trúc dữ liệu rõ ràng - là vũ khí không thể thay thế nhất trong hệ sinh thái IT. Khóa học này không chỉ dừng lại ở việc giúp bạn thi đỗ chứng chỉ, mà còn cung cấp cái nhìn thực tế sắc bén để thấu hiểu luồng dữ liệu của toàn doanh nghiệp.

Tiến hành phân tích log ứng dụng theo định dạng dữ liệu của Google Analytics 4, Firebase. Nội dung bao gồm các kiến thức hữu ích khi sử dụng thực tế như mảng, hàm window, phễu, retention, Google Sheets, v.v.