[NetMiner 5] Thu thập dữ liệu bài báo và phân tích xu hướng nghiên cứu

"Bước đầu dành cho người mới bắt đầu với NetMiner 5, từ cách sử dụng cơ bản đến phân tích dữ liệu bài báo khoa học, tất cả trong một lần!"

"Cách nhanh chóng nắm bắt xu hướng dư luận xã hội! Đào tạo phân tích dữ liệu tin tức và cộng đồng trực tuyến" • Dữ liệu tin tức chứa đựng những thông tin quan trọng như các sự kiện mới nhất, biến động kinh tế, xu hướng chính trị, thiên tai..., giúp doanh nghiệp hoặc cá nhân nhanh chóng nắm bắt những thay đổi này. Dữ liệu từ các cộng đồng trực tuyến là dữ liệu văn bản chứa ý kiến và thông tin của người dùng về nhiều chủ đề khác nhau, cung cấp những hiểu biết sâu sắc về xã hội và văn hóa. • Có thể sử dụng dữ liệu tin tức, dữ liệu cộng đồng trực tuyến cùng các phương pháp phân tích văn bản và phân tích mạng lưới văn bản cho nhiều mục đích khác nhau, như phân tích thị trường, hoạch định chính sách và ra quyết định, phân tích phản ứng của công chúng, phân tích xu hướng, giáo dục và nghiên cứu, ứng phó khủng hoảng và quản lý thiên tai.

Khóa học này hướng dẫn cách thu thập, mô hình hóa và phân tích dữ liệu mạng xã hội bằng NetMiner. Nội dung học tập tập trung vào lý thuyết, ví dụ và thực hành về cách sử dụng trình thu thập dữ liệu mạng xã hội (SNS Data Collector) của NetMiner để thu thập và tổ chức dữ liệu YouTube; tìm hiểu và mô hình hóa các loại hình, cấu trúc của dữ liệu mạng xã hội; cũng như các phương pháp phân tích mạng xã hội như ảnh hưởng, chủ đề và xu hướng.

Khóa học này hướng dẫn phương pháp nắm bắt xu hướng nghiên cứu thông qua phân tích mạng xã hội, trải qua các bước trực tiếp thu thập và tiền xử lý dữ liệu bài báo. Người học sẽ thực hành các nội dung như thu thập dữ liệu bằng Trình thu thập thông tin thư mục (Biblio Data Collector), chuyển đổi mối quan hệ 2 chế độ kết nối giữa “bài báo” và “tác giả” thành mạng lưới 1 chế độ kết nối giữa “tác giả” và “tác giả”, trích xuất từ khóa từ dữ liệu văn bản phi cấu trúc như phần tóm tắt, cũng như phân tích và trực quan hóa mạng lưới từ khóa.

Khóa học này hướng dẫn thu thập, xử lý và phân tích trực tiếp dữ liệu lớn xã hội từ web, SNS... bằng Python (Python), một ngôn ngữ lập trình phù hợp cho việc phân tích dữ liệu lớn. Các bài thực hành lập trình Python được tiến hành theo hình thức “làm theo”, giúp các nhà nghiên cứu trong lĩnh vực nhân văn và khoa học xã hội chưa có kinh nghiệm lập trình cũng có thể dễ dàng học tập. Sau khi hoàn thành khóa học, bạn sẽ có thể học Python, thu thập dữ liệu và phân tích dữ liệu lớn.

Khóa học này hướng dẫn cách phân tích dữ liệu văn bản phi cấu trúc như bài báo, Twitter và bài phát biểu bằng các chức năng phân tích mạng văn bản của NetMiner. Bạn có thể xây dựng nền tảng lý thuyết về toàn bộ quy trình phân tích mạng văn bản, từ trích xuất từ ngữ trong dữ liệu văn bản phi cấu trúc, khám phá chủ đề, xây dựng và trực quan hóa mạng lưới từ ngữ, đến lựa chọn các từ khóa cốt lõi. Ngoài ra, khóa học còn có phần thực hành áp dụng các phương pháp phân tích vào dữ liệu thực tế từ bài báo và Twitter bằng NetMiner.

Mặc dù phần lớn dữ liệu trong thực tế là các mối quan hệ “2-mode”, chẳng hạn như người mua–sản phẩm, người dùng–nội dung, từ khóa–tài liệu, bạn có từng gặp phải tình trạng chỉ số bị sai lệch hoặc giới hạn trong việc chuyển đổi dữ liệu khi áp dụng máy móc các phương pháp phân tích 1-mode thông thường? Chúng tôi mang đến giải pháp rõ ràng, từ những nguyên lý cốt lõi của mạng 2-mode, các phương pháp chuyển đổi dữ liệu (Conversion) và phân tích trực tiếp (Direct/Bipartite), cho đến thực hành lập hồ sơ người dùng và phân tích mối liên hệ bằng NetMiner. Hãy rút ngắn thời gian loay hoay với việc chuyển đổi dữ liệu và tính toán chỉ số, đồng thời nâng tầm nghiên cứu và thực tiễn lên một bước mới nhờ năng lực phân tích mạng 2-mode vượt trội, bao quát dữ liệu văn bản, thư mục và SNS.

• Giới thiệu các phương pháp phân tích vai trò (Role) và vị thế (Position) trong mạng lưới, vốn đã được nghiên cứu quan trọng trong SNA; thông qua thực hành sử dụng NetMiner, người học sẽ hiểu nguyên lý và tìm hiểu các trường hợp ứng dụng. • Thông qua khóa đào tạo này, người học có thể đo lường vai trò môi giới (Brokerage) trên nhiều phương diện, xác định vai trò và vị thế của các tác nhân trong mạng lưới thông qua các mẫu quan hệ, đồng thời khái quát toàn bộ mạng lưới bằng mối quan hệ giữa các nhóm vai trò, qua đó khám phá những cấu trúc cốt lõi hình thành nên mạng lưới phức tạp.

Khóa học này giúp học viên tìm hiểu cách diễn giải thống kê các kết quả phân tích dữ liệu mạng và cách kiểm định ý nghĩa thống kê của các đại lượng thống kê. Khi áp dụng các phương pháp thống kê truyền thống như phân tích bảng chéo, phân tích phương sai, phân tích tương quan và phân tích hồi quy, cần nắm rõ ảnh hưởng của các đặc điểm của dữ liệu mạng hoặc các chỉ số mạng đối với việc kiểm định ý nghĩa, từ đó sử dụng phương pháp phù hợp. Khóa học bao gồm các ví dụ theo từng chủ đề phân tích mà các nhà nghiên cứu thường gặp, chẳng hạn như phân tích mối liên hệ giữa các biến, kiểm định ý nghĩa của các chỉ số mạng và phân tích mối liên hệ giữa nhiều mạng lưới, cùng với phần thực hành trên NetMiner.

Các nhóm trong mạng lưới mà các thực thể được kết nối với nhau với mật độ cao được gọi là nhóm liên kết. Trong số các phương pháp khác nhau thường được sử dụng để tìm ra những nhóm liên kết chặt chẽ có nhiều kết nối, khóa học này trình bày chi tiết và chuyên sâu về các phương pháp phân tích như clique, k-core, component và community. Thông qua khóa học, hãy thử tìm kiếm những nhóm cốt lõi hoặc phát hiện các cụm được kết nối chặt chẽ trong dữ liệu mạng lưới.

Mức độ quan trọng của một nút cụ thể xuất hiện trong mạng lưới được gọi là độ trung tâm của mạng lưới. Có nhiều phương pháp khác nhau để đo lường độ trung tâm, trong đó nội dung khóa học này tập trung tìm hiểu chi tiết về 7 chỉ số độ trung tâm tiêu biểu và được sử dụng phổ biến, đồng thời phân tích chúng thông qua dữ liệu thực tế. Hãy lựa chọn và áp dụng các chỉ số độ trung tâm phù hợp với nhiều loại dữ liệu mạng lưới khác nhau trong quá trình học.

Trong phân tích dữ liệu mạng, việc cơ bản nhất thường được thực hiện là phân tích các đặc trưng của mạng. Nội dung khóa học sẽ trình bày chi tiết nguyên lý và ý nghĩa của nhiều chỉ số mô tả các đặc điểm cấu trúc của mạng, bắt đầu từ tần suất của nút và liên kết, cho đến đặc tính phân bố số lượng liên kết, mật độ, khoảng cách ngắn nhất, hệ số kết dính, v.v. Nếu có thể đo lường bằng số liệu cấu trúc của một mạng, chúng ta sẽ có thể so sánh mạng đó với các mạng khác. Thông qua khóa học này, hãy thử xác định các đặc trưng của dữ liệu mạng của bạn dưới nhiều góc độ khác nhau.

Để kiểm tra dữ liệu mạng một cách trực quan, khám phá cấu trúc và thể hiện hiệu quả kết quả phân tích, bạn cần hiểu và có khả năng áp dụng nhiều phương pháp trực quan hóa khác nhau. NetMiner cung cấp các chức năng giúp thể hiện hiệu quả dữ liệu mạng và kết quả phân tích. Thông qua khóa đào tạo này, hãy trình bày kết quả phân tích mạng của bạn một cách thẩm mỹ và truyền đạt hiệu quả những nội dung cốt lõi.

Để thu được những kết quả và hàm ý chính xác, có ý nghĩa thông qua phân tích mạng lưới, cần xử lý dữ liệu phù hợp với hướng và phương pháp phân tích. Khóa đào tạo này giải thích các phương pháp tiền xử lý thiết yếu cần biết khi chuẩn bị và nhập dữ liệu mạng lưới, đồng thời thực hành nhiều phương pháp làm sạch, trích xuất và chuyển đổi dữ liệu bằng NetMiner trên dữ liệu thực tế.

Chương trình đào tạo này bắt đầu từ câu hỏi “Mạng xã hội và phân tích mạng xã hội (SNA) là gì?”, sau đó giải thích các lý thuyết và phương pháp phân tích chính có liên quan, quy trình cụ thể để hiểu dữ liệu mạng và xây dựng dữ liệu mạng từ những hiện tượng quan sát được, cũng như quá trình thiết kế nghiên cứu. Với tư cách là bước đầu tiên trong phân tích mạng xã hội, việc mô hình hóa dữ liệu vô cùng quan trọng. Thông qua chương trình đào tạo này, hãy tìm hiểu đầy đủ về 'dữ liệu mạng', một khái niệm có thể còn xa lạ, đồng thời thử thiết kế quy trình trực tiếp tạo lập hoặc thu thập dữ liệu mạng từ chủ đề mà bạn quan tâm.

"Đào tạo phân tích mạng xã hội có thể áp dụng ngay vào thực tiễn/nghiên cứu" Bạn có muốn phân tích 'mối quan hệ' trong tổ chức, xã hội và nội dung dưới dạng dữ liệu không? Phân tích mạng xã hội (SNA) là một phương pháp phân tích mạnh mẽ, giúp hiểu một cách có hệ thống các mối quan hệ giữa con người, thông tin và hệ thống, đồng thời khám phá những insight ẩn. Từ lý thuyết cốt lõi đến thực hành phân tích mạng xã hội, hãy sử dụng NetMiner 5 và áp dụng ngay vào công việc/nghiên cứu.

Bạn muốn áp dụng phân tích văn bản vào nhiều bối cảnh thực tế nhưng cảm thấy bế tắc trước rào cản lập trình xa lạ? Tập trung vào các phương pháp phân tích chủ đề mới nhất thường được sử dụng trong các bài báo khoa học và báo cáo nghiên cứu thực tế (LDA, BERTopic, BERTrend), khóa học này cô đọng những lý thuyết cốt lõi và giúp bạn nâng cao năng lực phân tích thực tiễn thông qua dữ liệu thực tế bằng NetMiner 5 mà không cần lập trình.

Khóa học này giới thiệu về công cụ phân tích NetMiner (NetMiner) và hướng dẫn các phương pháp sử dụng cơ bản. Thông qua các bài thực hành cơ bản về cách mở và chỉnh sửa tệp dữ liệu, nhập dữ liệu bên ngoài, trực quan hóa và thực hiện phân tích, khóa học giúp giảm bớt cảm giác e ngại và khó khăn cho những người lần đầu làm quen với NetMiner.

Phân tích dữ liệu hoàn tất với công cụ này. Bắt đầu với phân tích dữ liệu trí tuệ nhân tạo Orange mà không cần mã hóa!

"Tôi đã thực hiện nghiên cứu người dùng rồi... nhưng liệu đây có thực sự là kết quả đại diện cho tất cả người dùng không?" Nếu bạn đang băn khoăn về điều này, hãy chú ý! Chúng tôi sẽ hướng dẫn chi tiết cách tăng sức thuyết phục cho thiết kế của bạn dựa trên dữ liệu. ✅ Giải thích các thuật ngữ thống kê phức tạp một cách cực kỳ dễ hiểu. ✅ Chọn lọc 3 phương pháp kiểm định giả thuyết cốt lõi cần thiết cho thực tế UX, giới thiệu tỉ mỉ từ nguyên lý đến thực hành. ✅ Hướng dẫn cách phân tích dữ liệu người dùng đơn giản bằng AI mà không tốn chi phí và không lo bị ảo giác (hallucination).

Với lộ trình học tập bài bản gồm 40 bài giảng, bạn sẽ được học từ lý thuyết cơ bản về AI đến các kỹ thuật AI ứng dụng của từng thuật toán. Thông qua việc học và thực hành thuật toán bằng ngôn ngữ R cùng tư duy toán học trực quan, bạn sẽ trang bị được năng lực phát triển mô hình AI có thể áp dụng ngay vào thực tế, từ việc xây dựng và lựa chọn sử dụng các mô hình thuật toán cho phân tích dữ liệu, học máy (machine learning) và các công cụ ứng dụng liên quan.

Hãy chinh phục hoàn toàn chứng chỉ Kỹ sư Phân tích Dữ liệu lớn - một chứng chỉ bắt buộc nhưng không hề dễ dàng để tự học - trong thời gian ngắn bằng cách sử dụng R, một công cụ phân tích dữ liệu dễ học!!

Bạn đang gặp phải tình trạng kém hiệu quả do các công cụ AI rời rạc và công việc thủ công? Với những bí quyết tôi đúc kết được từ thực tiễn, tôi sẽ xây dựng quy trình tự động hóa tích hợp, giúp tối đa hóa năng suất cho bạn.

"Phân tích dữ liệu, đừng để bản thân bị mắc kẹt trong những cú pháp Python phức tạp hay các hàm Excel rắc rối nữa." Khóa học này là một lớp học chuyên sâu (Master Class) tập trung vào thực hành, giúp bạn thuê các AI Agent tiên tiến nhất làm chuyên gia phân tích dữ liệu riêng cho mình, từ đó tự động hóa toàn bộ quy trình xử lý dữ liệu từ Excel, Google Sheets cho đến phân tích liên kết với Python. Thay vì những kiến thức lập trình khó hiểu, chúng tôi áp dụng phương pháp 'Vibe Coding' mới nhất — ra lệnh bằng ngôn ngữ tự nhiên như đang trò chuyện — giúp ngay cả những người không chuyên cũng có thể bắt đầu phân tích dữ liệu mà không gặp bất kỳ rào cản nào. Thông qua các bài thực hành tổng hợp sử dụng dữ liệu thực tế trong công việc, từ tiền xử lý dữ liệu, trực quan hóa đến lập báo cáo, hãy trải nghiệm quy trình làm việc (Workflow) bằng AI mạnh mẽ mà bạn có thể áp dụng ngay vào công việc vào ngày mai. Bài giảng sử dụng AI Agent, Phân tích dữ liệu Excel, chatGPT, Gemini, (Python), Genspark, Google Colab, Chatbot, Google Antigravity, NotebookLM.

"Bước đầu dành cho người mới bắt đầu với NetMiner 5, từ cách sử dụng cơ bản đến phân tích dữ liệu bài báo khoa học, tất cả trong một lần!"

Hãy cùng tìm hiểu phương pháp phân tích dữ liệu thông qua Python, tự mình phân tích và trực quan hóa các loại dữ liệu khác nhau, rồi lập dàn ý cho câu chuyện dữ liệu của riêng bạn!

ADsP Tóm tắt + Giải đề thi. Phản ánh kỳ thi lần thứ 46 tháng 8/2025! (Cập nhật thường xuyên!)

Phân tích văn bản tiếng Hàn và xử lý ngôn ngữ tự nhiên bằng Python Trực quan hóa Word Cloud, phân tích hình thái học, mô hình hóa chủ đề, phân cụm, phân tích độ tương đồng, túi từ và TF-IDF để vector hóa dữ liệu văn bản, phân loại văn bản bằng máy học và học sâu, phương pháp sử dụng Hugging Face

Khóa học này dành cho học sinh không chuyên hoặc học sinh trung học lần đầu tiên học về khoa học dữ liệu và trí tuệ nhân tạo. Chúng tôi sẽ giúp bạn hiểu các khái niệm về trí tuệ nhân tạo và học máy, đồng thời cho bạn biết bạn cần nỗ lực gì để có được công việc liên quan.

Bạn muốn học AI nhưng lần nào cũng bị khựng lại trước các công thức đại số tuyến tính? Thay vì bắt bạn học thuộc lòng các công thức, khóa học này sẽ giúp bạn tận mắt chứng kiến các vectơ và ma trận thực sự chuyển động như thế nào trong không gian. Sau khi hoàn thành khóa học, bạn có thể tự mình đọc hiểu toán học đằng sau mạng thần kinh, PCA và SVD.

Hãy tìm hiểu về việc phân tích các vị trí nghề nghiệp liên quan đến Data Science (DS) và Artificial Intelligence (AI), cũng như lộ trình học tập và tuyển dụng để xây dựng sự nghiệp trong các lĩnh vực liên quan.

🧩 Thay vì giải thích dựa trên công thức phức tạp hay lý thuyết, chúng tôi đặt mục tiêu nắm vững các khái niệm cốt lõi của hệ thống đề xuất thông qua việc tự tay triển khai chương trình. 🛠️ Thông qua tổng cộng 12 ví dụ đa dạng và thực tiễn, chúng tôi đã từng bước thiết kế các hệ thống đề xuất có thể ứng dụng trong môi trường thực tế, bao gồm đề xuất dựa trên nội dung, lọc cộng tác và đề xuất học sâu.

Chinh phục tất cả về AI thay đổi thế giới chỉ trong 4 bài giảng! Bài 1. Bản chất thật sự của Trí tuệ nhân tạo AI không phải là phép thuật. Đó là bộ não kỹ thuật số được tạo ra bằng cách phân tích 'trí tuệ' của con người như một công thức! Chúng ta sẽ khám phá từng ngóc ngách của cấu trúc cốt lõi của AI tưởng chừng thông minh này. Bài 2. Thuật toán, phương pháp tư duy sáng tạo (?) của AI AI suy nghĩ sẽ tìm ra giải pháp như thế nào? Hãy trực tiếp tìm hiểu chiến lược của AI khi chơi cờ vây, tìm đường và dự đoán kết quả tìm kiếm của bạn. Bài 3. Phần cứng AI, động cơ biến trí tưởng tượng thành hiện thực! Con chip trong điện thoại thông minh của bạn chính là trái tim của AI. Chúng ta sẽ mổ xẻ tất cả, từ CPU, GPU, TPU cho đến những cái tên không thể biết được khác. Bài 4. Cuộc đối đầu lớn giữa Machine Learning và Deep Learning! Việc AI 'học' rốt cuộc có nghĩa là gì? Từ AI dựa trên quy tắc cổ điển, cho đến ChatGPT đang "hot" gần đây! Chúng ta sẽ theo dõi sự tiến hóa của việc học.

Bạn có thể học một cách có hệ thống phương pháp tiếp cận thống kê về giao dịch cặp S&P 500 bằng Python. Xây dựng nền tảng cho chiến lược đầu tư không cảm xúc thông qua phân tích dữ liệu chuyên nghiệp.

"Tại sao hệ thống giao dịch tự động của tôi lại sụp đổ khi thị trường đi xuống?" Tôi cũng đã từng trăn trở sâu sắc về vấn đề này. Hầu hết các logic giao dịch tự động trên thị trường có vẻ tạo ra lợi nhuận trong thị trường giá lên, nhưng lại mất khả năng ứng phó ngay khi sắc thái thị trường thay đổi. Để giải quyết vấn đề này, tôi đã kết hợp bí quyết nghiên cứu trực tiếp trong 2 năm qua cùng công nghệ AI mới nhất. Trong khóa học này, chúng ta sẽ trực tiếp thiết kế 'Mô hình Deep Learning dựa trên Transformer' có khả năng đọc hiểu đồng thời dòng chảy kinh tế vĩ mô và từng mã cổ phiếu riêng lẻ, đồng thời học cách tự động huấn luyện và triển khai trên môi trường GPU miễn phí. Đặc biệt, bằng cách áp dụng kỹ thuật chuẩn hóa dữ liệu tinh vi ở cấp độ quỹ phòng hộ, chúng ta sẽ xây dựng một 'Hệ thống điểm tổng hợp thông minh' kết hợp từ các chỉ số đơn thuần cho đến phân tích cảm xúc tin tức. Thêm vào đó là ‘Cổng an toàn AI’ được cấy ghép tầm nhìn của các nhà giao dịch có 20 năm kinh nghiệm tại Wall Street, giúp bổ sung sự xác nhận cuối cùng dưới góc nhìn của một nhà giao dịch con người ngay trước khi đặt lệnh mua. Không chỉ dừng lại ở chức năng mua bán đơn thuần, với logic chốt lời/cắt lỗ động, 8 cơ chế tự phục hồi và báo cáo thời gian thực qua Slack, bạn sẽ tự tay mình hiện thực hóa toàn bộ quy trình của một hệ thống thuật toán cấp tổ chức.

🚀 Học phát hiện bất thường AI thực tế với Databricks! 💡 Dừng các mô hình đắt đỏ và chậm chạp! Từ tối ưu hóa dữ liệu quy mô lớn đến triển khai thời gian thực, hoàn thành AI phát hiện bất thường có thể được sử dụng ngay trong thực tế kinh doanh.

"Mã nguồn Deep Learning thì chạy được, nhưng tại sao các công thức trong bài báo khoa học lại xa lạ đến thế?" Khi học về AI, sẽ có lúc bạn vấp phải bức tường của những công thức toán học. Nếu truy ngược lại nguồn gốc của bức tường đó, cuối cùng bạn sẽ nhận ra rằng mình chưa xây dựng vững chắc ngôn ngữ toán học cơ bản nhất. Khóa học này bắt đầu bằng ngôn ngữ của tập hợp, đi qua phương trình, hàm số, dãy số, lũy thừa - logarit cho đến hàm số lượng giác, chắt lọc những khái niệm cốt lõi qua 18 bài giảng. Chúng tôi không bắt bạn học thuộc lòng công thức. Mặc dù có điểm qua ngắn gọn các mối liên kết với ngữ cảnh AI, nhưng mục đích chính của khóa học này chỉ có một — đó là tạo ra một nền tảng vững chắc để bạn không bị lung lay khi học Đại số tuyến tính, Giải tích và Xác suất thống kê sau này. Đây là phần 1 của series Suminjeongeum, trong khóa học này, chúng tôi sẽ giúp bạn xây dựng ngôn ngữ chung để có thể hấp thụ tốt ba phần còn lại.

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.