Khoa học Dữ liệu (Data Science) là sự giao thoa giữa Toán học, Khoa học máy tính và lĩnh vực ứng dụng (domain knowledge).
Dưới đây là các kiến thức quan trọng mà người học hoặc làm việc trong lĩnh vực này cần nắm:
1. Toán học và Thống kê
Cốt lõi để hiểu, mô hình hóa và đánh giá dữ liệu.
- Xác suất & Thống kê:
- Phân phối xác suất (Normal, Binomial, Poisson, v.v.)
- Ước lượng, kiểm định giả thuyết (t-test, chi-square…)
- Hồi quy tuyến tính, logistic
- Sai số, độ tin cậy, độ lệch chuẩn, phương sai
- Đại số tuyến tính:
- Ma trận, vector, phép nhân ma trận
- Eigenvalue, PCA (phân tích thành phần chính)
- Giải tích & Tối ưu hóa:
- Đạo hàm, gradient, cực trị
- Gradient descent, regularization
- Lý thuyết thông tin (Information theory):
- Entropy, mutual information (quan trọng trong ML)
2. Lập trình & Công cụ
Công cụ giúp triển khai, xử lý và mô hình hóa dữ liệu.
- Ngôn ngữ chính:
- Python (NumPy, Pandas, Scikit-learn, TensorFlow, PyTorch)
- R (ggplot2, caret, dplyr)
- Xử lý dữ liệu:
- Làm sạch (data cleaning), biến đổi (data wrangling)
- Kết nối cơ sở dữ liệu (SQL, NoSQL)
- Tự động hóa & scripting: Bash, Git, API
- Công cụ tính toán phân tán: Spark, Hadoop (cho dữ liệu lớn – Big Data)
- Quản lý môi trường: Docker, conda, Jupyter Notebook
3. Khai phá và Trực quan hóa dữ liệu (EDA & Visualization)
Giúp hiểu dữ liệu trước khi mô hình hóa.
- Kỹ thuật khám phá dữ liệu: thống kê mô tả, phát hiện ngoại lệ, tương quan
- Biểu đồ: histogram, scatter, boxplot, heatmap
- Công cụ: Matplotlib, Seaborn, Plotly, Power BI, Tableau
4. Học máy (Machine Learning)
Trái tim của Khoa học Dữ liệu hiện đại.
- Học có giám sát (Supervised): Hồi quy, phân loại (Linear Regression, Random Forest, XGBoost)
- Học không giám sát (Unsupervised): Phân cụm (K-means, DBSCAN)
- Giảm chiều (PCA, t-SNE)
- Đánh giá mô hình: precision, recall, F1-score, ROC-AUC, cross-validation
- Học sâu (Deep Learning): Mạng nơ-ron, CNN, RNN, Transformer
- Frameworks: TensorFlow, PyTorch
5. Kỹ năng hiểu & diễn giải dữ liệu
- Giúp biến kết quả phân tích thành tri thức và quyết định.
- Trình bày kết quả bằng ngôn ngữ dễ hiểu
- Tạo dashboard, báo cáo trực quan
- Giải thích mô hình (Explainable AI)
- Tư duy phản biện và đặt câu hỏi đúng
6. Xử lý dữ liệu thực tế & Big Data
- Làm việc với lượng dữ liệu lớn, đa dạng, liên tục.
- Dữ liệu phi cấu trúc: văn bản, hình ảnh, video, log web
- Hệ sinh thái Big Data: Hadoop, Spark, Kafka
- Cloud: AWS, Azure, Google Cloud (BigQuery, Databricks)
7. Kiến thức về lĩnh vực ứng dụng (Domain Knowledge)
Giúp giải thích dữ liệu đúng ngữ cảnh.
- Ví dụ:
Tài chính → tín dụng, rủi ro, lãi suất
Y tế → dữ liệu bệnh nhân, xét nghiệm
Marketing → hành vi khách hàng, phân khúc thị trường
8. Kỹ năng mềm & Tư duy dữ liệu
- Tư duy phân tích logic
- Kỹ năng đặt giả thuyết và kiểm chứng
- Giao tiếp kỹ thuật với nhóm phi kỹ thuật
- Làm việc nhóm, quản lý dự án dữ liệu (Agile, Scrum)
