Nhập môn Khoa học dữ liệu: Kiến thức và lộ trình học

Nhập môn Khoa học dữ liệu là bước làm quen với cách thu thập, quản lý, phân tích và diễn giải dữ liệu để trả lời câu hỏi hoặc hỗ trợ ra quyết định. Người mới thường cần học đồng thời kiến thức về thống kê, lập trình, cơ sở dữ liệu, trực quan hóa và tư duy giải quyết vấn đề.

Khoa học dữ liệu không chỉ là xây dựng mô hình Machine Learning và cũng không chỉ làm việc với dữ liệu lớn. Trong nhiều bài toán thực tế, phần tốn nhiều thời gian hơn nằm ở việc xác định đúng câu hỏi, kiểm tra chất lượng dữ liệu, làm sạch, phân tích khám phá và truyền đạt kết quả.

Nhập môn Khoa học dữ liệu là gì?

NIST định nghĩa Khoa học dữ liệu là lĩnh vực kết hợp kiến thức chuyên môn, kỹ năng lập trình, toán học và thống kê để trích xuất những hiểu biết có ý nghĩa từ dữ liệu (1). ACM cũng nhấn mạnh tính liên ngành của lĩnh vực này, trong đó dữ liệu của một lĩnh vực được kết nối với khoa học máy tính và công cụ thống kê để hỗ trợ khám phá và ra quyết định (2).

Ở cấp độ nhập môn, người học cần hiểu ba thành phần chính:

• Dữ liệu: Dữ liệu đến từ đâu, được đo như thế nào, có thiếu hoặc sai lệch không.
• Phương pháp: Sử dụng thống kê, lập trình, truy vấn, trực quan hóa hoặc Machine Learning để phân tích.
• Bối cảnh: Kết quả có ý nghĩa gì đối với người dùng, doanh nghiệp, nghiên cứu hoặc cộng đồng.

Khoa học dữ liệu có thể làm việc với dữ liệu nhỏ hoặc lớn, dữ liệu dạng bảng, văn bản, hình ảnh, âm thanh, chuỗi thời gian, dữ liệu không gian và nhiều định dạng khác. Quy mô dữ liệu không phải tiêu chí duy nhất để xác định một bài toán có thuộc Khoa học dữ liệu hay không.

Khoa học dữ liệu khác những lĩnh vực liên quan thế nào?

Lĩnh vực	Trọng tâm thường gặp	Đầu ra minh họa
Data Analytics	Phân tích dữ liệu để mô tả kết quả, theo dõi chỉ số và trả lời câu hỏi cụ thể.	Báo cáo, dashboard, phân tích xu hướng và nguyên nhân.
Data Science	Quy trình liên ngành nhằm tạo ra thông tin, mô hình hoặc sản phẩm từ dữ liệu.	Phân tích, thí nghiệm, dự báo, phân loại hoặc khuyến nghị.
Machine Learning	Xây dựng thuật toán học mẫu từ dữ liệu để dự đoán hoặc thực hiện nhiệm vụ.	Mô hình hồi quy, phân loại, phân cụm hoặc xếp hạng.
Data Engineering	Xây dựng hạ tầng thu thập, lưu trữ, biến đổi và cung cấp dữ liệu.	Pipeline, kho dữ liệu, data lake và hệ thống xử lý.
Artificial Intelligence	Xây dựng hệ thống tạo ra dự đoán, nội dung, khuyến nghị hoặc quyết định.	Chatbot, thị giác máy tính, hệ thống khuyến nghị hoặc tác nhân thông minh.

Các lĩnh vực có phần giao nhau. Một Data Scientist có thể sử dụng Machine Learning, nhưng cũng có thể giải quyết bài toán bằng thống kê, SQL hoặc thiết kế thí nghiệm mà không cần mô hình phức tạp.

Quy trình Khoa học dữ liệu cơ bản

NIST mô tả vòng đời dữ liệu là tập hợp các quá trình biến đổi dữ liệu thô thành tri thức có thể hành động (3). Trên thực tế, quy trình Khoa học dữ liệu thường có tính lặp: kết quả ở bước sau có thể buộc người làm quay lại điều chỉnh câu hỏi, dữ liệu hoặc phương pháp.

1. Xác định vấn đề

Trước khi mở dữ liệu hoặc chọn thuật toán, cần xác định:

• Câu hỏi cần trả lời là gì?
• Ai sẽ sử dụng kết quả?
• Quyết định nào có thể được thay đổi nhờ phân tích?
• Tiêu chí thành công là gì?
• Những ràng buộc về thời gian, chi phí, pháp lý và đạo đức là gì?

Ví dụ chưa rõ: Phân tích khách hàng.

Ví dụ rõ hơn: Xác định nhóm khách hàng có nguy cơ ngừng sử dụng dịch vụ trong 30 ngày tới để đội chăm sóc ưu tiên hỗ trợ.

2. Thu thập và hiểu dữ liệu

Dữ liệu có thể đến từ cơ sở dữ liệu, bảng tính, API, khảo sát, hệ thống giao dịch, cảm biến hoặc nguồn công khai. Người phân tích cần hiểu:

• Đơn vị quan sát là gì?
• Mỗi cột đại diện cho biến nào?
• Dữ liệu được ghi nhận trong khoảng thời gian nào?
• Có thay đổi định nghĩa hoặc quy trình thu thập hay không?
• Người dùng có quyền sử dụng dữ liệu cho mục đích này không?

3. Kiểm tra chất lượng và làm sạch

Các vấn đề phổ biến gồm:

• Giá trị bị thiếu.
• Bản ghi trùng lặp.
• Sai kiểu dữ liệu.
• Đơn vị đo không thống nhất.
• Ngoại lệ bất thường.
• Nhãn sai hoặc định nghĩa biến thay đổi.
• Dữ liệu không đại diện cho nhóm cần nghiên cứu.

Làm sạch không có nghĩa là tự động xóa mọi giá trị khác thường. Cần kiểm tra nguyên nhân và tác động trước khi chỉnh sửa hoặc loại bỏ.

4. Phân tích khám phá dữ liệu

Exploratory Data Analysis – EDA giúp người học hiểu phân phối, xu hướng, mối liên hệ và vấn đề chất lượng dữ liệu. Các hoạt động thường gồm:

• Tính số lượng, trung bình, trung vị và độ phân tán.
• So sánh giữa các nhóm.
• Kiểm tra dữ liệu theo thời gian.
• Vẽ biểu đồ phân phối và mối quan hệ.
• Tìm các biến có thể gây rò rỉ dữ liệu hoặc sai lệch.

Tương quan không tự chứng minh quan hệ nhân quả. Khi mục tiêu là xác định tác động, người phân tích cần thiết kế nghiên cứu hoặc thí nghiệm phù hợp.

5. Xây dựng phương pháp hoặc mô hình

Phương pháp có thể đơn giản hoặc phức tạp tùy câu hỏi:

• Truy vấn SQL và thống kê mô tả.
• Kiểm định giả thuyết.
• Hồi quy.
• Phân loại.
• Phân cụm.
• Dự báo chuỗi thời gian.
• Mô hình Machine Learning.

Nên xây dựng một baseline đơn giản trước khi thử mô hình phức tạp. Baseline giúp đánh giá mô hình mới có thực sự tạo thêm giá trị hay không.

6. Đánh giá kết quả

Đánh giá không chỉ dựa trên một chỉ số kỹ thuật. Cần xem xét:

• Mô hình có tốt hơn baseline không?
• Kết quả có ổn định trên dữ liệu chưa thấy không?
• Loại sai lầm nào gây hậu quả lớn hơn?
• Có nhóm người dùng nào bị ảnh hưởng bất lợi không?
• Chi phí triển khai và vận hành có hợp lý không?
• Kết quả có thể giải thích cho bên sử dụng không?

7. Truyền đạt và đưa vào sử dụng

Kết quả có thể được chuyển thành báo cáo, dashboard, khuyến nghị, API hoặc tính năng trong sản phẩm. Người làm dữ liệu cần trình bày rõ:

• Kết luận chính.
• Dữ liệu và phương pháp đã dùng.
• Mức độ bất định.
• Giới hạn và giả định.
• Hành động được đề xuất.

8. Theo dõi và cập nhật

Dữ liệu và hành vi có thể thay đổi theo thời gian. Sau khi triển khai, cần theo dõi chất lượng dữ liệu, hiệu suất mô hình, mức độ sử dụng và tác động thực tế.

Ứng dụng của Khoa học dữ liệu

Y tế

Dữ liệu có thể hỗ trợ quản lý nguồn lực, phân tích hình ảnh, theo dõi chất lượng điều trị và nghiên cứu. Các ứng dụng ảnh hưởng đến sức khỏe cần được kiểm định cẩn thận, bảo vệ dữ liệu cá nhân và duy trì giám sát chuyên môn.

Tài chính và ngân hàng

Khoa học dữ liệu có thể hỗ trợ phát hiện giao dịch bất thường, quản trị rủi ro, phân khúc khách hàng và dự báo. Mô hình tài chính cần được kiểm tra về sai lệch, khả năng giải thích và tác động đến người dùng.

Marketing và bán lẻ

Doanh nghiệp có thể phân tích hành trình khách hàng, đo lường chiến dịch, dự báo nhu cầu và xây dựng hệ thống gợi ý. Cá nhân hóa cần tuân thủ quyền riêng tư và không sử dụng dữ liệu vượt quá kỳ vọng hợp lý của khách hàng.

Giáo dục

Dữ liệu có thể hỗ trợ theo dõi tiến độ, đánh giá chương trình và phân bổ nguồn lực. Không nên sử dụng một mô hình dự đoán đơn lẻ để gắn nhãn hoặc quyết định tương lai của người học.

Sản xuất và logistics

Ứng dụng phổ biến gồm dự báo nhu cầu, quản lý tồn kho, tối ưu tuyến đường, phát hiện lỗi và bảo trì dự đoán. Kết quả mô hình phải được kiểm tra với các ràng buộc vận hành thực tế.

Sản phẩm số

Đội sản phẩm có thể phân tích hành vi sử dụng, thử nghiệm tính năng, dự báo rời bỏ và tối ưu trải nghiệm. Chỉ số sử dụng cần được cân bằng với chất lượng, sự an toàn và lợi ích dài hạn của người dùng.

Các kỹ năng cần có khi nhập môn Khoa học dữ liệu

Tư duy vấn đề và kiến thức lĩnh vực

Người làm dữ liệu cần hiểu vấn đề thực tế trước khi xây dựng phân tích. Kiến thức lĩnh vực giúp xác định biến quan trọng, kiểm tra kết quả bất thường và tránh diễn giải sai.

Toán học và thống kê

Người mới nên tập trung vào:

• Thống kê mô tả.
• Xác suất cơ bản.
• Phân phối và lấy mẫu.
• Khoảng tin cậy và kiểm định giả thuyết.
• Tương quan và hồi quy.
• Đại số tuyến tính cơ bản.

Không cần hoàn thành toàn bộ toán nâng cao trước khi thực hành. Có thể học theo vòng lặp: làm dự án, gặp khái niệm nào thì quay lại học sâu khái niệm đó.

SQL và cơ sở dữ liệu

SQL là kỹ năng nền tảng vì nhiều dữ liệu tổ chức nằm trong cơ sở dữ liệu. Người mới nên biết:

• SELECT, WHERE và ORDER BY.
• GROUP BY và hàm tổng hợp.
• JOIN.
• Subquery và Common Table Expression.
• Window Function ở mức cơ bản.

Lập trình

Python hoặc R đều có thể dùng để bắt đầu. Người học cần hiểu:

• Biến, kiểu dữ liệu và cấu trúc điều khiển.
• Hàm và mô-đun.
• Đọc, ghi và biến đổi dữ liệu.
• Xử lý lỗi.
• Kiểm tra và tổ chức mã nguồn.

Làm sạch và xử lý dữ liệu

Kỹ năng này gồm chọn cột, lọc dòng, nối bảng, chuyển đổi kiểu dữ liệu, xử lý giá trị thiếu, chuẩn hóa văn bản và kiểm tra tính nhất quán.

Trực quan hóa dữ liệu

Biểu đồ cần trả lời câu hỏi, không chỉ tạo hình ảnh đẹp. Người học nên biết chọn loại biểu đồ phù hợp, đặt tiêu đề rõ, ghi đơn vị, tránh trục gây hiểu lầm và làm nổi bật thông tin chính.

Machine Learning cơ bản

Sau khi có nền tảng dữ liệu và thống kê, có thể học:

• Chia tập huấn luyện và kiểm tra.
• Hồi quy tuyến tính và logistic.
• Cây quyết định.
• K-nearest neighbors.
• Phân cụm.
• Cross-validation.
• Overfitting và regularization.
• Chọn chỉ số đánh giá.

Giao tiếp và kể chuyện bằng dữ liệu

Một phân tích có giá trị khi người sử dụng hiểu kết quả và biết nên hành động thế nào. Người làm dữ liệu cần giải thích thuật ngữ, giới hạn và mức độ chắc chắn bằng ngôn ngữ phù hợp với đối tượng.

Đạo đức, quyền riêng tư và quản trị rủi ro

NIST AI Risk Management Framework khuyến nghị đưa yếu tố đáng tin cậy vào quá trình thiết kế, phát triển, sử dụng và đánh giá hệ thống AI. Ngay cả dự án không dùng AI cũng cần xem xét nguồn dữ liệu, quyền sử dụng, bảo mật, sai lệch và tác động đến cá nhân.

Lộ trình nhập môn Khoa học dữ liệu cho người mới

Bước 1: Học bảng tính và tư duy dữ liệu

Bắt đầu với dữ liệu dạng bảng, công thức, lọc, Pivot Table và biểu đồ. Mục tiêu là hiểu hàng, cột, kiểu dữ liệu và cách kiểm tra số liệu.

Bước 2: Học SQL

Thực hành truy vấn trên một cơ sở dữ liệu nhỏ. Hãy tập trung vào câu hỏi kinh doanh thay vì chỉ ghi nhớ cú pháp.

Bước 3: Học Python hoặc R

Chọn một ngôn ngữ trước. Với Python, nên học cú pháp cơ bản, hàm, danh sách, từ điển, tệp và môi trường ảo.

Bước 4: Học thống kê ứng dụng

Học cách mô tả dữ liệu, hiểu biến ngẫu nhiên, lấy mẫu, khoảng tin cậy và kiểm định. Mỗi khái niệm nên gắn với dữ liệu thực tế.

Bước 5: Làm sạch và phân tích khám phá

Thực hành với dữ liệu thiếu, trùng, sai kiểu và ngoại lệ. Viết lại các bước xử lý để người khác có thể tái lập.

Bước 6: Học trực quan hóa và trình bày

Tạo báo cáo ngắn gồm câu hỏi, biểu đồ, kết luận, giới hạn và đề xuất. Tránh trình bày toàn bộ biểu đồ đã thử nếu chúng không hỗ trợ thông điệp chính.

Bước 7: Học Machine Learning cơ bản

Bắt đầu từ baseline, chia tập dữ liệu và đánh giá mô hình. Không nên đi thẳng vào mạng nơ-ron nếu chưa hiểu hồi quy, cây quyết định và overfitting.

Bước 8: Hoàn thành dự án đầu tiên

Một dự án nhập môn nên có:

• Một câu hỏi rõ ràng.
• Mô tả nguồn và phạm vi dữ liệu.
• Các bước kiểm tra, làm sạch.
• Phân tích khám phá.
• Phương pháp hoặc mô hình phù hợp.
• Đánh giá kết quả.
• Kết luận, giới hạn và đề xuất.
• Mã nguồn hoặc notebook có thể chạy lại.

Gợi ý dự án nhập môn Khoa học dữ liệu

Phân tích doanh số

Trả lời các câu hỏi như sản phẩm nào đóng góp doanh thu lớn, tháng nào tăng trưởng, khu vực nào có tỷ lệ hoàn trả cao.

Phân tích hành vi Website

Phân tích nguồn truy cập, trang đích, tỷ lệ chuyển đổi và hành trình người dùng. Cần bảo vệ dữ liệu cá nhân và tuân thủ chính sách theo dõi.

Phân tích dữ liệu khảo sát

Kiểm tra chất lượng câu trả lời, phân phối, khác biệt giữa các nhóm và giới hạn do phương pháp lấy mẫu.

Dự báo chuỗi thời gian đơn giản

Dự báo nhu cầu hoặc lưu lượng theo thời gian. Luôn so sánh với baseline như giá trị gần nhất hoặc trung bình mùa vụ.

Mô hình phân loại cơ bản

Dự đoán một nhãn như khách hàng rời bỏ hoặc giao dịch bất thường. Cần phân tích precision, recall và chi phí của từng loại sai lầm.

Các công cụ phổ biến trong Khoa học dữ liệu

Python và R

Python là ngôn ngữ đa mục đích có hệ sinh thái dữ liệu rộng. R có thế mạnh trong thống kê, nghiên cứu và trực quan hóa. Người mới chỉ cần chọn một ngôn ngữ để xây dựng nền tảng trước.

Jupyter Notebook và JupyterLab

Project Jupyter mô tả notebook là tài liệu có thể chia sẻ, kết hợp mã nguồn, nội dung giải thích, dữ liệu và trực quan hóa trong cùng một môi trường tương tác. Notebook phù hợp cho khám phá và trình bày, nhưng dự án lớn vẫn cần cấu trúc mã nguồn, kiểm thử và quản lý phiên bản.

pandas

Tài liệu chính thức của pandas cho biết thư viện hỗ trợ khám phá, làm sạch và xử lý dữ liệu dạng bảng thông qua cấu trúc DataFrame. Người mới nên học đọc dữ liệu, chọn dòng/cột, xử lý thiếu, tổng hợp, nối bảng và biến đổi dữ liệu.

NumPy

NumPy cung cấp cấu trúc mảng và các phép tính số làm nền tảng cho nhiều thư viện khoa học trong Python. Ở cấp nhập môn, người học cần hiểu mảng, kích thước, indexing và phép toán vector hóa.

Matplotlib và công cụ BI

Matplotlib hỗ trợ trực quan hóa bằng Python. Tableau hoặc Power BI phù hợp khi cần dashboard và chia sẻ báo cáo cho người dùng nghiệp vụ. Công cụ nên được chọn theo yêu cầu, không phải theo mức độ phổ biến.

scikit-learn

Tài liệu chính thức mô tả scikit-learn là thư viện Machine Learning hỗ trợ học có giám sát, học không giám sát, tiền xử lý, lựa chọn mô hình và đánh giá. Thư viện phù hợp để học quy trình Machine Learning cổ điển trước khi đi sâu vào Deep Learning.

SQL và hệ quản trị cơ sở dữ liệu

PostgreSQL, MySQL, SQL Server hoặc hệ thống dữ liệu đám mây có thể được dùng để lưu trữ và truy vấn. Kiến thức SQL thường có giá trị lâu dài hơn việc chỉ học giao diện của một công cụ.

Git và GitHub

Git giúp theo dõi thay đổi mã nguồn, quay lại phiên bản trước và cộng tác. Người mới nên biết commit, branch, merge và cách không đưa dữ liệu nhạy cảm lên kho mã công khai.

Cấu trúc một notebook Khoa học dữ liệu tốt

1. Mục tiêu: Nêu câu hỏi và người sử dụng kết quả.
2. Dữ liệu: Mô tả nguồn, thời gian, đơn vị và quyền sử dụng.
3. Kiểm tra chất lượng: Thiếu, trùng, ngoại lệ và sai kiểu.
4. Tiền xử lý: Ghi rõ các bước biến đổi.
5. EDA: Chỉ giữ biểu đồ hỗ trợ phân tích.
6. Phương pháp: Giải thích vì sao chọn mô hình hoặc phép kiểm định.
7. Đánh giá: Dùng chỉ số phù hợp và so sánh baseline.
8. Kết luận: Trả lời câu hỏi ban đầu.
9. Giới hạn: Nêu những điều dữ liệu chưa chứng minh được.
10. Khả năng tái lập: Ghi phiên bản thư viện, seed và hướng dẫn chạy.

Những lỗi phổ biến của người mới

• Học quá nhiều công cụ cùng lúc: Nên tập trung vào một stack cơ bản trước.
• Bỏ qua SQL: Chỉ học Python khiến người mới khó làm việc với dữ liệu trong doanh nghiệp.
• Đi thẳng vào Deep Learning: Dễ thiếu nền tảng đánh giá và xử lý dữ liệu.
• Không kiểm tra chất lượng dữ liệu: Mô hình tốt không sửa được dữ liệu sai.
• Rò rỉ dữ liệu: Vô tình dùng thông tin của tương lai hoặc tập kiểm tra khi huấn luyện.
• Chỉ nhìn accuracy: Chỉ số này có thể gây hiểu lầm với dữ liệu mất cân bằng.
• Nhầm tương quan với nhân quả: Hai biến cùng thay đổi chưa chứng minh biến này gây ra biến kia.
• Không có baseline: Không biết mô hình phức tạp có thực sự tốt hơn cách đơn giản.
• Không ghi lại các bước xử lý: Làm giảm khả năng tái lập và kiểm tra.
• Bỏ qua quyền riêng tư và đạo đức: Dữ liệu có thể hợp lệ về kỹ thuật nhưng không phù hợp để sử dụng.

Câu hỏi thường gặp về nhập môn Khoa học dữ liệu

Không giỏi toán có học Khoa học dữ liệu được không?

Có thể bắt đầu, nhưng cần sẵn sàng học thống kê, xác suất và đại số tuyến tính theo từng giai đoạn. Không cần thành thạo toàn bộ trước khi làm dự án đầu tiên.

Nên học Python hay R trước?

Python phù hợp nếu muốn kết hợp phân tích, Machine Learning và phát triển phần mềm. R phù hợp với thống kê và nghiên cứu. Chọn một ngôn ngữ theo chương trình hoặc mục tiêu rồi học đủ sâu.

Có cần học Excel không?

Có. Bảng tính vẫn phổ biến và hữu ích cho kiểm tra dữ liệu, phân tích nhanh và trao đổi với người dùng nghiệp vụ. Tuy nhiên, dữ liệu lớn hoặc quy trình lặp lại nên được xử lý bằng SQL hoặc mã nguồn.

Có cần học Machine Learning ngay không?

Không. Người mới nên ưu tiên SQL, Python/R, thống kê, làm sạch dữ liệu, EDA và trực quan hóa. Machine Learning sẽ dễ hiểu hơn sau khi đã có nền tảng này.

Mất bao lâu để học nhập môn Khoa học dữ liệu?

Không có thời gian cố định. Người học đều đặn có thể hoàn thành nền tảng đầu tiên và một dự án nhỏ trong vài tháng, nhưng năng lực nghề nghiệp cần nhiều dự án và trải nghiệm với dữ liệu thực tế.

Có cần máy tính cấu hình mạnh không?

Phần lớn nội dung nhập môn không cần máy quá mạnh. Dữ liệu lớn hoặc Deep Learning có thể cần Cloud hoặc GPU, nhưng không nên là điểm bắt đầu.

Kaggle có đủ để học Khoa học dữ liệu không?

Kaggle hữu ích để luyện mô hình và làm việc với bộ dữ liệu, nhưng công việc thực tế còn gồm xác định vấn đề, thu thập dữ liệu, quản trị, triển khai và giao tiếp với các bên liên quan.

Data Scientist có phải chỉ xây mô hình không?

Không. Công việc có thể bao gồm truy vấn, làm sạch, thống kê, thiết kế thí nghiệm, trực quan hóa, trao đổi với chuyên gia lĩnh vực và đánh giá tác động.

Kết luận

Nhập môn Khoa học dữ liệu nên bắt đầu từ tư duy đặt câu hỏi, hiểu dữ liệu và phân tích cơ bản trước khi đi sâu vào Machine Learning. SQL, thống kê, Python hoặc R, làm sạch dữ liệu và trực quan hóa là nền tảng thiết thực cho người mới.

Một lộ trình hiệu quả cần gắn kiến thức với dự án nhỏ, tài liệu rõ ràng và phản hồi thường xuyên. Bên cạnh kỹ thuật, người học phải chú ý đến chất lượng dữ liệu, khả năng tái lập, quyền riêng tư, sai lệch và giới hạn của kết quả.

Nên học ngành Khoa học dữ liệu ở đâu uy tín?

Chương trình đào tạo ngành Khoa học dữ liệu tại Đại học VinUni giúp phát triển những nhà lãnh đạo trẻ trong lĩnh vực này. Sinh viên sẽ nắm vững các nguyên lý cơ bản về máy tính, thống kê và quản lý dữ liệu, đồng thời có kinh nghiệm với các kỹ thuật phân tích dữ liệu hiện đại. Mục tiêu là giúp sinh viên có khả năng tạo ra giá trị từ dữ liệu, hiểu vai trò của mình trong tổ chức và xã hội, từ đó áp dụng kiến thức một cách hiệu quả và có trách nhiệm. Sau khi tốt nghiệp, sinh viên sẽ có đủ khả năng để đóng góp vào các dự án công nghệ, thể hiện sự sáng tạo, lãnh đạo, và tính chuyên nghiệp.

Chương trình đặt ra mục tiêu giúp sinh viên phát triển trong các lĩnh vực sau: tiếp tục học cao hơn, đảm nhận vai trò lãnh đạo kỹ thuật hoặc quản lý trong các ngành công nghiệp, hoặc khởi nghiệp. Trong những vị trí này, sinh viên cần thể hiện kiến thức vững chắc về khoa học dữ liệu và kỹ năng phát triển các sản phẩm, hệ thống, tuân theo các tiêu chuẩn kinh tế, đạo đức và xã hội. Ngoài ra, sinh i cũng phải sẵn sàng học hỏi suốt đời và có khả năng đóng góp tích cực vào cộng đồng và ngành nghề.

Nhập môn Khoa học dữ liệu là bước khởi đầu mà bạn cần biết nếu muốn theo đuổi ngành này lâu dài. Bên cạnh đó, bạn hãy cố gắng trau dồi kinh nghiệm thật nhiều từ sách vở và những người đi trước nhé!

Nguồn tham khảo

Nguồn tham khảo

(1) https://csrc.nist.gov/glossary/term/data_science

(2) https://ccecc.acm.org/guidance

(3) https://csrc.nist.gov/glossary/term/data_life_cycle