Trong mô-đun này, bạn sẽ hiểu sự cần thiết của các cấu trúc dữ liệu tuần tự như Danh sách, Tuple, Tập hợp và Từ điển. Bạn cũng sẽ hiểu cách xác định và xử lý cấu trúc dữ liệu tuần tự thông qua một vài ứng dụng thời gian thực.

Trong mô-đun này, bạn sẽ hiểu chuỗi và biểu thức chính quy là gì, cách khai báo một chuỗi, cách một chuỗi được lưu trữ trong bộ nhớ và một vài hàm chuỗi.

Trong mô-đun này, bạn sẽ học cách nhận ra sự cần thiết của các hàm, đệ quy và PyTest, minh họa các phần khác nhau trong cách viết một hàm với các ví dụ và hiểu cách các tham số được truyền cho các hàm bằng cách sử dụng truyền theo giá trị và chuyển bằng tham chiếu.

Trong mô-đun này, bạn sẽ được tiếp xúc với các hoạt động và chức năng liên quan đến Ngày và Giờ cũng như cách mở tệp, đóng tệp, đọc từ tệp và ghi vào tệp. Các hàm này rất hữu ích khi thực hiện chênh lệch ngày tháng, định dạng ngày tháng và trích xuất các phần tử (mim, giờ, giây, v.v.) từ ngày đã cho.

Trong mô-đun này, bạn sẽ học cách tạo các lớp và đối tượng của lớp và xác định các phương thức, các kiểu quan hệ khác nhau với các lớp và thế nào là Liên kết, Tổng hợp, Thành phần và tất cả chúng cho một chức năng cụ thể, nhiều cách để tạo đối tượng, truy cập các công cụ sửa đổi trong python và cách xen kẽ các lớp bằng các khái niệm này.

Trong mô-đun này, bạn sẽ tìm hiểu kế thừa là gì và các kiểu kế thừa khác nhau (Kế thừa đơn giản, Đa cấp và Đa cấp) và các lớp Trừu tượng và các từ khóa cần thiết và triển khai các khái niệm đã học trên các câu hỏi để viết mã.

Trong mô-đun này, bạn sẽ học cách xử lý Ngoại lệ trong Python và các lớp liên quan đến Ngoại lệ, mệnh đề try-last-catch, chú thích và sử dụng các chú thích có sẵn, để xác định chú thích tùy chỉnh, biểu thức Lambda, quy tắc xác định phạm vi cho biểu thức Lambda và triển khai cấp mã xử lý ngoại lệ và Lambda trong Python.

Trong mô-đun này, bạn sẽ áp dụng các khái niệm hướng đối tượng Python để giải quyết các nghiên cứu trường hợp thời gian thực phức tạp.

Trong mô-đun này, bạn sẽ tìm hiểu cách thực hiện các thao tác như đảo ngược danh sách được liên kết, sắp xếp danh sách được liên kết theo thứ tự tăng dần, sắp xếp danh sách được liên kết, các phép toán đa thức và Ngăn xếp bằng phương pháp đẩy và cách dữ liệu bị xóa khỏi Ngăn xếp bằng cách sử dụng hàm pop và Hàng đợi sử dụng phương thức xếp hàng và cách dữ liệu bị xóa khỏi Hàng đợi bằng hàm dequeue được thực hiện bằng các thao tác cơ bản.

Trong mô-đun này, bạn sẽ học cách cây được sử dụng để lưu trữ hệ thống dữ liệu, để tăng hiệu quả của việc truy xuất dữ liệu và biểu diễn ma trận và danh sách liên kết của biểu đồ. Bạn cũng sẽ tìm hiểu về các thao tác khác nhau, như chèn, tìm kiếm, cập nhật và xóa dữ liệu, được thực hiện trên Cây nhị phân hoàn chỉnh và trực quan hóa các biểu diễn bằng cách giải các câu hỏi trắc nghiệm phân tích được đưa ra trong mô-đun này.

Trong mo-đun này, bạn sẽ học các kỹ thuật băm khác nhau được sử dụng để ánh xạ dữ liệu thành một khóa và phân tích mức độ phức tạp của một vấn đề nhất định liên quan đến thời gian và không gian. Bạn cũng sẽ thấy các kỹ thuật khác nhau được sử dụng để tránh va chạm và các phương pháp băm lại và các chiến lược thiết kế khác nhau trong lập trình.

Trong mô-đun này, bạn sẽ học cách hoạt động của các thuật toán tìm kiếm như tìm kiếm tuyến tính và tìm kiếm nhị phân và cách dữ liệu đã cho được sắp xếp bằng cách sử dụng các thuật toán sắp xếp khác nhau. Bạn cũng sẽ phân tích độ phức tạp của thuật toán.

Thuật toán tham lam là một mô hình thuật toán tuân theo kinh nghiệm giải quyết vấn đề để đưa ra lựa chọn tối ưu cục bộ ở mỗi giai đoạn với mục đích tìm ra mức tối ưu toàn cục. Lập trình động đề cập đến việc đơn giản hóa một vấn đề phức tạp bằng cách chia nhỏ nó thành các vấn đề con đơn giản hơn theo cách đệ quy. Trong mô-đun này, bạn sẽ học cách giải quyết vấn đề bằng cách sử dụng chiến lược đó.

Trong mô-đun này, bạn sẽ học cách cung cấp một bản tóm tắt ngắn gọn về các mẫu và các biện pháp được thực hiện trong một nghiên cứu cụ thể.

Trong học phần này, bạn sẽ học cách dự đoán khả năng xảy ra các sự kiện trong tương lai bằng cách sử dụng xác suất, đây là cơ sở để phát triển Mô hình xác suất.

Trong mô-đun này, bạn sẽ học cách nhận ra sự cần thiết của các hàm, đệ quy và PyTest, minh họa các phần khác nhau trong cách viết một hàm với các ví dụ và hiểu cách các tham số được truyền cho các hàm bằng cách sử dụng truyền theo giá trị và chuyển bằng tham chiếu.

Trong mô-đun này, bạn sẽ học cách tính toán dữ liệu thống kê cho một tổng thể khổng lồ bằng cách sử dụng Phương pháp tham chiếu.

Trong học phần này, bạn sẽ học cách khám phá một vấn đề dưới dạng mô hình toán học hoặc thuật toán.

Trong mô-đun này, bạn sẽ học cách thực hiện các hoạt động trên Vectơ và Ma trận, đây sẽ là cấu trúc lưu trữ cho các tính năng của dữ liệu.

Trong học phần này, bạn sẽ học cách tích phân và phân biệt trong phương trình, điều này sẽ giúp ích cho việc tìm kiếm các giải pháp tối ưu.

In this module you will learn how to summarize a given data set using Descriptive Statistics.

Trong mô-đun này, bạn sẽ học cách biểu diễn dữ liệu đã cho dưới dạng khung dữ liệu và làm việc trên đó một cách hợp lý bằng cách sử dụng các cấu trúc và chức năng điều khiển.

Trong mô-đun này, bạn sẽ học cách phân tích dữ liệu bằng đồ thị bằng cách phân chia các biểu đồ khác nhau.

Trong mô-đun này, bạn sẽ học cách thực hiện Suy luận Thống kê bằng Kiểm tra Giả thuyết.

Trong mô-đun này, bạn sẽ học cách thực hiện Làm sạch dữ liệu và Tiền xử lý, đây là bước quan trọng nhất trong Học máy, vì kết quả cuối cùng chỉ phụ thuộc vào điều này.

Trong mô-đun này, bạn sẽ học cách thực hiện nhiệm vụ để dự đoán một giá trị biến phụ thuộc dựa trên một biến độc lập đã cho bằng cách sử dụng hồi quy tuyến tính.

Trong mô-đun này, bạn sẽ học cách thực hiện nhiệm vụ dự đoán một giá trị biến phụ thuộc dựa trên một biến độc lập đã cho bằng cách sử dụng hồi quy Logistic và cách hồi quy Logistic trở thành một kỹ thuật phân loại.

Trong mô-đun này, bạn sẽ học cách tạo mô hình quyết định dạng cây bằng cách sử dụng thuật toán Cây quyết định.

Trong mô-đun này, bạn sẽ học cách so sánh các thuật toán học máy khác nhau và chọn một thuật toán tốt nhất.

Trong mô-đun này, bạn sẽ học cách tạo Mô hình mạng thần kinh và sử dụng nó để dự đoán lớp.

Trong mô-đun này, bạn sẽ biết cách biểu diễn mô hình SVM đã học có thể được sử dụng để đưa ra dự đoán cho dữ liệu mới.

Trong mô-đun này, bạn sẽ học cách xây dựng một thuật toán phân loại bao gồm nhiều cây quyết định.

Người học sẽ thực hiện các hướng dẫn từng bước như hướng dẫn để triển khai Học máy trong các vấn đề của riêng họ.

Người học sẽ bảo vệ kết quả thực tập của mình và nhận được phản hồi từ người cố vấn.