Thuộc hành trình Machine LearningMớiHành trìnhThống kê cho Machine Learning
Phần thống kê mà mọi mô hình đều dựa vào, học bằng cách mô phỏng và vẽ biểu đồ thay vì học thuộc công thức. Python thật với NumPy, pandas, SciPy và scikit-learn, và bài học nào cũng có biểu đồ.
64 bài học63 thử thách265 câu hỏi trắc nghiệm
- Phù hợp cho người mới
Trợ giúp lập trình bằng AI
Bài học tương tác thực hành
Bài trắc nghiệm để kiểm tra kiến thức
Giấy chứng nhận hoàn thành miễn phí
Đề cương
Phần này thuộc hành trình Machine Learning. Đề cương đầy đủ còn nhiều phần khác: nhấn vào bản xem trước bất kỳ bên dưới để xem trên trang hành trình.
- Phần 1Dữ liệu và biểu đồ60 bài học
Phần 2
Thống kê cho machine learning
Bắt đầu phầnBắt đầuNền tảng thống kê của mọi mô hình: xu hướng trung tâm và độ phân tán, phân phối, xác suất qua mô phỏng, mẫu, giá trị ngoại lệ, tương quan, đường xu hướng và kiểm định giữa các nhóm, sau đó là chuẩn hóa và mã hóa đặc trưng. Bạn sẽ tính toán từng khái niệm trên dữ liệu thực tế và vẽ biểu đồ.Giá trị trung tâm và độ phân tán
6 bài học625Các phân phối
6 bài học625Xác suất qua mô phỏng
6 bài học625Mẫu và tổng thể
5 bài học520Giá trị ngoại lệ
5 bài học520Mối quan hệ
6 bài học525Đường xu hướng
6 bài học625So sánh các nhóm
6 bài học625Co giãn đặc trưng
5 bài học520Mã hóa danh mục
4 bài học415Khám phá bộ dữ liệu
5 bài học520Thử thách cuối
4 bài học420- Phần 3Học có giám sát58 bài học
- Phần 4Học không giám sát51 bài học
Học qua thực hành
Viết code thật, truy vấn cơ sở dữ liệu, xây dựng trang web và làm chủ prompt AI. Các bài học tương tác bao quát mọi kỹ năng mà lập trình viên hiện đại cần.
Xây dựng streak
Học đều đặn và nhìn tiến độ của bạn lớn dần! Theo dõi thói quen code mỗi ngày, bảo vệ streak bằng ngày đóng băng và nhận phần thưởng khi học mỗi ngày.
12 ngày streak
Quay lại ngày mai để giữ streak!
January 2026
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
21
22
23
24
25
26
27
28
29
30
Gấp đôi hoặc mất hết
Ngày 5/7
Đóng băng streak
2 left
Code ở mọi nơi
Mang hành trình lập trình theo bên mình! Không cài đặt, không tải về: chỉ cần mở ra và bắt đầu code. Có trên iOS, Android và Web với đánh giá 4,9 sao.
Bạn không đơn độc
Thi đấu trên bảng xếp hạng toàn cầu, mời bạn bè để nhận phần thưởng và cùng nhau ăn mừng thành công. Học code cùng bạn bè vui hơn nhiều!
1
2
3
Vùng thăng hạngMọi cách để học
Đọc, nghe, tự kiểm tra, hỏi AI hoặc tra cứu bất cứ điều gì bạn đã học. Mỗi bài học phù hợp với trình độ của bạn.
Biến là một vùng chứa có tên, lưu một giá trị mà bạn có thể dùng lại sau trong chương trình.
Trong Python, bạn tạo biến bằng cách viết tên, dấu bằng, rồi giá trị muốn lưu.
Giá trị có thể thay đổi theo thời gian. Gán lại tên đó chỉ đơn giản là trỏ nó tới một giá trị mới.
Nhận chứng nhận
Nhận chứng nhận cho mỗi khóa học bạn hoàn thành. Thêm vào hồ sơ LinkedIn và CV để cho nhà tuyển dụng thấy kỹ năng lập trình của bạn.
Giấy chứng nhận hoàn thànhPython cơ bản
Thêm vào LinkedInVì sao nên học thống kê cho ML với Coddy
- Mô phỏng trước, rồi nhìn thấy. Tung hàng nghìn viên xúc xắc, rút hàng nghìn mẫu, xáo trộn các nhóm hàng nghìn lần, và xem histogram dần ổn định. Xác suất là một tỷ lệ bạn đếm được trước khi nó trở thành công thức.
- Bài học nào cũng có biểu đồ: histogram mật độ với đường cong chuẩn vẽ chồng lên, biểu đồ hộp cùng các giá trị ngoại lai, heatmap tương quan, đường xu hướng được khớp. Biểu đồ của bạn hiện ra trong tab Plots ngay khi chạy.
- Phần thống kê mà machine learning thật sự dùng: trung bình và trung vị, độ phân tán và phân vị, phân phối và z-score, lấy mẫu, giá trị ngoại lai, tương quan, bình phương tối thiểu và R bình phương, p-value và kiểm định t.
- Phần này kết thúc đúng chỗ mô hình bắt đầu: chuẩn hóa đặc trưng với
StandardScaler, mã hóa biến phân loại vớipd.get_dummies, và một danh sách kiểm tra để khám phá bộ dữ liệu mới trước khi huấn luyện bất cứ thứ gì.
Câu hỏi thường gặp về thống kê cho machine learning
Cần bao nhiêu kiến thức thống kê để học machine learning?
Ít hơn phần lớn mọi người lo sợ. Để huấn luyện và đánh giá mô hình tốt, bạn cần đọc được giá trị trung tâm và độ phân tán, biết phân phối và giá trị ngoại lai là gì, đo một mối quan hệ bằng tương quan, khớp một đường thẳng, và phân biệt một khác biệt thật với sự ngẫu nhiên. Đó chính là phần này. Chứng minh và lý thuyết xác suất chuyên sâu quan trọng cho nghiên cứu, không phải để dùng tốt scikit-learn.
Đây có phải cùng phần thống kê dùng cho khoa học dữ liệu không?
Đúng vậy. Thống kê mô tả, phân phối, lấy mẫu, tương quan, đường hồi quy và kiểm định giả thuyết là phần cốt lõi chung của thống kê cho khoa học dữ liệu lẫn machine learning. Các chương cuối nghiêng về mô hình, với chuẩn hóa, mã hóa và khám phá bộ dữ liệu trước khi huấn luyện.
Có cần giải tích hay đại số tuyến tính không?
Không. Mọi thứ được dạy bằng số học, mô phỏng và biểu đồ. Ở chỗ có công thức, bạn gặp nó dưới dạng một dòng code và một hình ảnh, rồi đối chiếu với một mô phỏng. Giải tích và đại số tuyến tính sẽ hữu ích sau này nếu bạn đi sâu vào cách các thuật toán được xây dựng.
Nói đơn giản thì p-value là gì?
stats.ttest_ind, lối tắt bằng công thức cho cùng câu hỏi đó.Phần này dùng những thư viện Python nào?
stats của SciPy cho phân phối và kiểm định, và scikit-learn cho StandardScaler. Tất cả đều được dạy trong phần trực quan hóa dữ liệu Python đứng trước phần này.Học phần này mất bao lâu?
64 bài học, khoảng 11 giờ theo tốc độ của bạn: ba đến bốn tuần nếu học nửa giờ mỗi ngày, gồm cả bốn thử thách cuối trên dữ liệu trông như thật.
Phần thống kê có miễn phí không?
Có. Bài học, biểu đồ, gợi ý AI và chứng nhận của phần này đều miễn phí. Tài khoản miễn phí học được vài bài mỗi ngày, còn gói Pro bỏ giới hạn hằng ngày.
