- SAPP Knowledge Base
- Tự học CFA Level II (Chartered Financial Analyst)
- [Pre-CFA Level II] Quantitative Methods
-
Hỗ trợ học viên ACCA & những câu hỏi thường gặp (FAQs)
-
Hỗ trợ học viên CFA & câu hỏi thường gặp (FAQs)
-
Hỗ trợ học viên CMA và các câu hỏi thường gặp (FAQs)
-
Tự học ACCA (Association of Chartered Certified Accountant)
- Các thủ tục liên quan đến ACCA
- Tổng quan về ACCA
- Kinh nghiệm tự học và thi các môn ACCA
- [BT/F1] Business and Technology (Kinh doanh và Công nghệ)
- [MA/F2] Management Accounting (Kế toán Quản trị)
- [FA/F3] Financial Accounting (Kế toán Tài chính)
- [LW/F4] Law INT (Luật Quốc tế)
- [PM/F5] Performance Management - Quản lý Hiệu quả hoạt động
- [TX/F6] Taxation - Thuế Việt Nam
- [FR/F7] Financial Reporting (Lập báo cáo Tài chính)
- [AA/F8] Audit and Assurance (Kiểm toán và Các dịch vụ đảm bảo)
- [FM/F9] Financial Management (Quản trị Tài chính)
- [SBR/P2] Strategic Business Reporting (Báo cáo chiến lược kinh doanh)
-
Từ điển Chuyên ngành ACCA
- [ACCA BT/F1] – Từ điển môn Business and Technology
- [ACCA MA/F2] - Từ điển môn Management Accounting
- [ACCA FA/F3] - Từ điển môn Financial Accounting
- [ACCA LW/F4] - Từ điển môn Corporate and Business Law
- [ACCA PM/F5] - Từ điển môn Performance Management
- [ACCA TX/F6] - Từ điển môn Taxation
- [ACCA AA/F8] - Từ điển môn Audit and Assurance
- [ACCA FM/F9] - Từ điển môn Financial Management
-
Tự học FIA (Foundation in Accountancy)
-
Tự học CFA Level I (Chartered Financial Analyst)
- Tổng quan về CFA
- Kinh nghiệm tự học và ôn thi CFA Level I
- [Level 1] Quantitative Methods
- [Level 1] Economics
- [Level 1] Financial Statement Analysis
- [Level 1] Corporate Issuers
- [Level 1] Equity Investments
- [Level 1] Fixed Income Investments
- [Level 1] Derivatives
- [Level 1] Alternative Investments
- [Level 1] Portfolio Management
- [Level 1] Ethical & Professional Standards
- Tài liệu Pre CFA level 1
- Các thủ tục liên quan đến CFA
- Chính sách học viên CFA
-
Tự học CFA Level II (Chartered Financial Analyst)
- [Pre-CFA Level II] Quantitative Methods
- [Pre-CFA Level II] Economics
- [Pre-CFA Level II] Financial Reporting and Analysis
- [Pre-CFA Level II] Corporate finance
- [Pre-CFA Level II] Equity valuation
- [Pre-CFA Level II] Fixed Income
- [Pre-CFA Level II] Derivatives
- [Pre-CFA Level II] Alternative Investments
- [Pre-CFA Level II] Portfolio management
- [Pre-CFA Level II] Ethical and Professional Standards
-
Tự học CFA Institute Investment Foundations
-
Từ điển chuyên ngành CFA
-
Tự học CMA Part 1 (Certified Management Accountant)
-
Tự học CMA Part 2 (Certified Management Accountant)
-
Kinh nghiệm thi tuyển Big4 và Non Big
- Kinh nghiệm tuyển dụng các công ty Non- Big
- Big 4 - Các tiêu chí tuyển dụng
- Big 4 - Kinh nghiệm cho Vòng CV
- Big 4 - Kinh nghiệm cho vòng test năng lực phần kiến thức chuyên môn
- Big 4 - Kinh nghiệm cho vòng test năng lực phần Verbal reasoning
- Big 4 - Kinh nghiệm cho vòng test năng lực phần Numerical reasoning
- Big 4 - Kinh nghiệm cho vòng test năng lực phần Essay
- Big 4 - Kinh nghiệm cho vòng phỏng vấn nhóm
- Big 4 - Kinh nghiệm cho vòng phỏng vấn cá nhân
- Chia sẻ kinh nghiệm làm việc tại Big4
-
Nghề nghiệp và kinh nghiệm thi tuyển trong lĩnh vực Kế Kiểm Thuế
-
Nghề nghiệp và kinh nghiệm thi tuyển trong lĩnh vực Tài Chính
-
Kinh Nghiệm Học & Thi Chứng Chỉ Kế Toán Quản Trị Hoa Kỳ CMA
[Tổng hợp các kiến thức cơ bản] Reading 8: Big Data projects
Tổng hợp các kiến thức quan trọng, cần lưu ý khi học Reading 8 trong chương trình CFA level 2
Big Data là các tập dữ liệu có khối lượng lớn và phức tạp mà các phần mềm xử lý dữ liệu truyền thống không có khả năng thu thập, quản lý và xử lý dữ liệu trong một khoảng thời gian hợp lý.
Về mặt nền tảng kiến thức, người học cần nắm được đặc trưng của big data, phân loại và các quá trình liên quan đến kiểu dữ liệu này.
1. Đặc trưng và phân loại
1.1. Đặc trưng
Big data được đặc trưng bởi 3 khía cạnh (3-Vs): khối lượng (volume), sự đa dạng (variety), và tốc độ (velocity).
- Khối lượng (volume): “Big” data chỉ các tập dữ liệu với khối lượng khổng lồ.
- Sự đa dạng (variety): Big data là các tập dữ liệu được thu thập từ các nguồn rất đa dạng: do người dùng tạo ra, giao dịch truyền thống, thư điện tử, hình ảnh, lượt click chuột,.. Việc thu thập big data vì vậy mang lại nhiều cơ hội nhưng đem đến nhiều vấn đề đáng lưu tâm, đáng kể đến nhất là việc xâm phạm quyền riêng tư cá nhân.
- Tốc độ (velocity): chỉ tốc độ mà dữ liệu được tạo ra và được thu thập lại.
1.2. Phân loại
- Dữ liệu có cấu trúc: là các dữ liệu đã được xử lý và sắp xếp theo hàng và cột.
- Dữ liệu không có cấu trúc: là các dữ liệu chưa được sắp xếp, và các thuật toán machine learning buộc phải lần lượt kiểm tra các dữ liệu gây nhiễu (noise) để nhặt thông tin.
2. Quá trình phân tích dữ liệu
Quá trình phân tích dữ liệu bao gồm các bước như sau:
- Bước 1: Khái quát hóa mục tiêu của mô hình (Conceptualization of the modeling task)
Ở bước này, chúng ta cần phải chỉ ra được vấn đề cần giải quyết (1), đầu ra của mô hình (2), mô hình sẽ được sử dụng như thế nào và đối tượng sử dụng là ai (3), và liệu mô hình này có sẽ được tích hợp trong quy trình kinh doanh nào hay không? (4)
- Bước 2: Thu thập dữ liệu (Data collection)
- Bước 3: Chuẩn bị và xử lý dữ liệu (Data preparation and wrangling)
Ở bước này, nhà nghiên cứu cần phải làm sạch bộ dữ liệu để đưa vào mô hình. Làm sạch bộ dữ liệu, tức là việc xử lý các dữ liệu bị bỏ trống, và xác minh các dữ liệu đang nằm ngoài giới hạn cho phép (out-of-range data). Tiền xử lý dữ liệu (preprocessing) chính là việc tổng hợp, lọc và trích xuất các biến số liên quan.
- Bước 4: Thăm dò dữ liệu (Data exploration)
Lựa chọn các biến (features), cũng như bước phân tích dữ liệu thăm dò.
- Bước 5: Huấn luyện mô hình (Model training)
Xác định thuật toán Machine learning phù hợp, đánh giá mô hình bằng tập dữ liệu huấn luyện, và tiến hành tinh chỉnh mô hình. Việc lựa chọn mô hình phụ thuộc vào bản chất mối quan hệ giữa các biến độc lập (feature) và biến phụ thuộc (target variable).
Nếu bạn cần thêm thông tin, đừng quên liên hệ với chúng tôi: