“Education is not the learning of FACTS, but the training of the mind to THINK”.
Albert Einstein
Là một người đam mê về Digital Marketing và Data Analysis, tôi dành nhiều thời gian để tự học và cho rằng việc tự đào tạo bản thân đóng vai trò cực kỳ quan trọng trong việc phát triển sự nghiệp của mình. Theo tôi, trường học, viện đào tạo không phải là nơi duy nhất quyết định con đường học tập của bạn. Bạn mới chính là người biết bản thân mình cần gì, bạn làm chủ việc sắp xếp thời gian học linh hoạt và theo tiến độ riêng của mình để đạt kết quả tốt nhất. Thông qua bài viết này tôi sẽ chia sẻ với các bạn những kinh nghiệm trong việc tự học data analysis với Python, hy vọng những điều này cũng có thể áp dụng linh hoạt với việc tự học trong nhiều lĩnh vực khác.
Nội dung chính
- 1. “Problem solving” – Kỹ năng giải quyết vấn đề tốt là yếu tố then chốt để thành công
- 2. Hiểu rõ học viên mang tên “bạn”
- 3. Sử dụng tốt tiếng Anh giúp bạn tra cứu và tiếp cận tài liệu đa dạng
- 4. Hiểu cách xây dựng thói quen giúp việc tự học suôn sẻ hơn
- 5. Nội dung muốn học nên có liên hệ mật thiết với vấn đề thực tế cần giải quyết
- 6. Tạo ra các thử thách thú vị cho việc học của bạn
- 7. Vận dụng phương pháp Feynman
- 8. Tổ chức kiến thức học được một cách có hệ thống
- 9. Các nguồn tài liệu học data analysis với Python
- 10. Tiếp cận kiến thức với một tâm hồn rộng mở
- Kết luận
1. “Problem solving” – Kỹ năng giải quyết vấn đề tốt là yếu tố then chốt để thành công
“Nếu cho tôi 6 giờ để đốn hạ một cái cây, tôi sẽ dành 4 giờ đầu để mài sắc lưỡi rìu.”
Abraham Lincoln
Kỹ năng giải quyết vấn đề cung cấp cho bạn một phương pháp tư duy toàn diện khi tiếp cận và tìm cách giải quyết bất kỳ vấn đề nào trong cuộc sống, không chỉ riêng việc tự học data analysis.
Khi bắt đầu nghiên cứu bất cứ chủ đề gì, bạn cần có cái nhìn từ bao quát đến chi tiết của chủ đề đó, biết mình có những lựa chọn nào, đâu là lựa chọn phù hợp với yêu cầu đặt ra để lập kế hoạch hành động chi tiết. Bạn có thể tìm đọc cuốn sách Bulletproof Problem Solving: The One Skill That Changes Everything để nắm bắt được kỹ năng quan trọng này. Cuốn sách tuyệt vời này tôi được anh Tín Lê – đồng nghiệp cũ và cũng là người thầy đầu tiên khi bắt đầu học về Digital Marketing giới thiệu. Đây là cuốn sách đã giúp tôi rất nhiều trong tư duy, lập kế hoạch công việc cũng như giải quyết vấn đề thuộc mọi mặt cuộc sống nhất là những yêu cầu đặt ra rất mới mẻ và mơ hồ (như khi tôi chuyển đổi công việc, làm một vị trí mới và thuộc một ngành hoàn toàn mới mà mình chưa nắm rõ).
2. Hiểu rõ học viên mang tên “bạn”
“Cat: Where are you going?
Lewis Carroll, Alice in Wonderland
Alice: Which way should I go?
Cat: That depends on where you are going.
Alice: I don’t know.
Cat: Then it doesn’t matter which way you go.”
Khi tự học, bạn vừa là người học nhưng cũng chính là người thầy của chính mình, bạn có thể tự do học những thứ bạn xây dựng theo giáo trình của mình dựa trên những nguồn kiến thức có sẵn. Để đạt hiệu quả tiếp thu kiến thức tốt nhất, bạn cần hiểu rất rõ nhu cầu, khả năng và điều mình hứng thú. Đây là những câu hỏi bạn cần trả lời trước khi bắt đầu:
- Bạn mong muốn giải quyết vấn đề thực tế nào thông qua việc học?
Việc hiểu rõ mục tiêu của việc học giúp kế hoạch học tập của bạn trở nên thực tế và có chủ đích thay vì học cho vui. Nếu bạn biết rằng bạn cần biết Python để tự động hóa các báo cáo, biểu diễn dữ liệu hay sử dụng machine learning trong việc ra quyết định, vv thì lộ trình học của bạn cũng sẽ khác nhau rất nhiều. Như cuộc đối thoại của Alice và chú mèo trong Alice in Wonderland, nếu bạn không biết mình muốn đi đến đâu thì lối đi nào đối với bạn không quá quan trọng. Bạn chọn một lối đi bất kỳ là đã đạt được mục tiêu. - Hình thức học nào phù hợp nhất với bạn? Học qua video hay đọc tài liệu qua sách hoặc blog?
Tôi chọn đọc sách và tài liệu trên web là phương tiện hàng đầu để tiếp thu kiến thức mới vì có thể khuyến khích mình chủ động tư duy và dễ tra cứu nội dung trong khi học thay vì nghe thụ động qua video. Tuy vậy, video thích hợp khi bạn muốn học các thao tác thực hành và dễ dàng làm theo tutorial để thành thạo hơn. - Thời điểm nào bạn có thể tập trung và giàu năng lượng để học nhất?
Học buổi tối hay ban ngày vào cuối tuần? (nếu bạn là người đi làm). Khi làm những việc thử thách, hãy chọn thời điểm mình giàu năng lượng nhất để tăng tỉ lệ thành công. - Đâu là thời điểm bạn dễ bỏ cuộc nhất? Những lúc như vậy bạn có thể làm gì để tự động viên mình cố gắng vượt qua?
3. Sử dụng tốt tiếng Anh giúp bạn tra cứu và tiếp cận tài liệu đa dạng
Theo tôi quan sát thì tiếng Anh vẫn là một rào cản đáng kể đối với nhiều bạn khi muốn tự học data analysis. Ngay cả khi có nhiều bạn thành thạo tiếng Anh nhưng cũng thấy bối rối khi tiếp xúc với nhiều thuật ngữ chuyên ngành hoặc đơn giản là các bạn muốn học từ tài liệu bằng tiếng mẹ đẻ. Tuy vậy các tài liệu mới nhất, các khoá học miễn phí và cộng đồng trao đổi về lập trình, data analysis đông đảo nhất trên thế giới đều sử dụng tiếng Anh. Học bằng tiếng Anh, tìm kiếm thông tin bằng tiếng Anh có thể giúp hành trình tự học của bạn dễ thở hơn rất nhiều. Mỗi khi gặp lỗi, hay muốn tìm hiểu thêm điều gì về data analysis với Python hãy bắt đầu tìm kiếm Google bằng tiếng Anh, bạn có thể tìm thấy câu trả lời từ stackoverflow, medium, realpython, quora, reddit, vv ngay lập tức. Một lưu ý nho nhỏ cho các bạn nữa là không cần cố gắng dịch hết thuật ngữ mình gặp thành tiếng Việt, ngược lại cố gắng sử dụng và làm quen với các thuật ngữ đó vì bạn sẽ cần dùng chúng khi tìm kiếm các nội dung liên quan đến kiến thức đang học hoặc debug lỗi khi cần.
4. Hiểu cách xây dựng thói quen giúp việc tự học suôn sẻ hơn
Tự học data analysis với Python hay bất kỳ ngôn ngữ lập trình nào cũng chính là xây dựng cho bạn một thói quen mới trong cuộc sống. Thói quen ấy sẽ giúp bạn tự động ra quyết định nhanh chóng cho những vấn đề đã biết mà không cần mất thời gian suy nghĩ và làm quen đồng nghĩa với bạn có sự tự do để dành thời gian suy nghĩ cho những vấn đề phức tạp khác.
Với cá nhân tôi, mục đích khi tự học data analysis không phải để trở thành 1 Data Analyst nhưng giúp tôi tự do thao tác với dữ liệu và nhìn ra insights nhanh chóng từ những dữ liệu rời rạc – thứ giúp tôi ra quyết định trong công việc để tạo ra những tác động tích cực với công ty.
Bạn có thể tìm đọc cuốn sách Atomic Habits của Jame Clear để có thêm nhiều insights thú vị về sức mạnh của việc xây dựng những thói quen nhỏ trong cuộc sống giúp bạn tạo ra kết quả đáng kinh ngạc. Tôi giới thiệu sơ lược về Vòng lặp thói quen (The habit loop) ở đây để các bạn tham khảo.
Bốn giai đoạn hình thành nên thói quen được mô tả như một vòng lặp phản hồi (feeback loop). Não bộ của chúng ta sử dụng “vòng lặp thói quen” này và liên tục tìm kiếm các gợi ý từ môi trường xung quanh, dự đoán điều gì sẽ xảy ra tiếp theo, thử các phản ứng khác nhau và học hỏi từ kết quả đạt được.
4 giai đoạn hình thành thói quen
| # | Giai đoạn | Ví dụ |
|---|---|---|
| 1 | Cue (Gợi ý) | Bạn tỉnh dậy vào buổi sáng |
| 2 | Craving (Ham muốn) | Bạn muốn được tỉnh táo |
| 3 | Response (Phản hồi) | Bạn uống 1 cốc cafe |
| 4 | Reward (Phần thưởng) | Bạn cảm thấy thoả mãn với mong muốn được tỉnh táo, thói quen uống cafe được hình thành gắn liền với việc bạn thức dậy vào buổi sáng |
4 Quy luật giúp hình thành thói quen mới
| # | Giai đoạn | Quy luật | Ví dụ |
|---|---|---|---|
| 1 | Cue (Gợi ý) | Make it obvious | Đưa Visual Studio ra desktop / Đặt hình nền máy tính liên quan đến Python |
| 2 | Craving (Khao khát) | Make it attractive | Liên tưởng những điều bạn nghĩ về lợi ích sau khi học được cách sử dụng Python |
| 3 | Response (Phản hồi) | Make it easy | Sử dụng Python thay Excel, áp dụng 1 phần kiến thức của buổi học trước vào việc đang làm |
| 4 | Reward (Phần thưởng) | Make it satisfying | Hoàn thành nhiệm vụ nhỏ của bạn với Python để cảm nhận thành công bước đầu và thấy tiến bộ. |
Cách thức đơn giản giúp hình thành 1 thói quen mới là chọn “thời gian”, “địa điểm” như những dấu hiệu giúp bạn kích hoạt một hành động cụ thể.
Tôi sẽ [HÀNH ĐỘNG] lúc [THỜI GIAN] tại [ĐỊA ĐIỂM]
Ví dụ: Tôi sẽ [Đọc lại bài học Python] lúc [9PM] tại [Nhà]
(*) Để đặt nhắc nhở cho thói quen, bạn có thể sử dụng các ứng dụng như Google Calendar, Todoist hoặc thậm chí là Báo thức trên điện thoại.
Kỹ thuật Habit Stacking
Sau khi [THÓI QUEN HIỆN TẠI], Tôi sẽ [THÓI QUEN MỚI]
Ví dụ: Sau khi [tải file csv về máy tính], tôi sẽ [mở nó với Pandas trong Google Colab] thay vì dùng Excel
5. Nội dung muốn học nên có liên hệ mật thiết với vấn đề thực tế cần giải quyết
Nếu bạn có một mục tiêu học tập rõ ràng, việc học cho phép bạn từng bước giải quyết vấn đề đó thì việc học trở nên thú vị hơn rất nhiều. Để xây dựng thói quen học tập, bạn cũng cần những small win (thắng lợi nho nhỏ) để khích lệ mình tiếp tục thói quen học tập và giảm khả năng bỏ cuộc vì nếu thử thách đối với bạn quá khó để đạt được thành tích đáng kể, bạn sẽ dễ từ bỏ.
Khi tự học data analysis, bạn không nhất thiết học một cách bài bản ngay từ khi bắt đầu như khi theo học một khoá học cụ thể mà có thể chọn nội dung nào mình đang cần giải quyết trong thực tế để học, sau đó đào sâu các nội dung liên quan. Qua thời gian bạn sẽ hiểu được mối liên hệ giữa các nội dung mình học và hệ thống chúng thành một giáo trình cho riêng mình, lúc này bạn có thể học thêm chi tiết về các nội dung đó để hoàn thiện và củng cố nền móng kiến thức của mình.
Đối với tôi, khi mới bắt đầu tự học python tôi đã tiếp xúc với một số khoá học online trên Coursera và đọc cuốn sách Automate the boring stuff with python nhưng phải thừa nhận là học những kiến thức cơ bản về cấu trúc dữ liệu và kiến thức nhập môn về phép tính, hàm, điều kiện cũng khá buồn ngủ mà không thấy ngay được tính ứng dụng nên tôi đã bỏ cuộc lần đầu. Sau này khi tư duy lại tôi quyết định bắt đầu về những thao tác giúp sử dụng python thay thế Excel, Power BI hay Google Data Studio theo trình tự như: đọc dữ liệu từ nhiều nguồn khác nhau (data loading), làm sạch dữ liệu (data cleaning), tổng hợp dữ liệu (pivot & data grouping), trực quan hoá dữ liệu (data visualization) thì việc học thú vị và thiết thực hơn rất nhiều. Do đó, cuốn sách tôi chọn để đọc về Pandas có tên Pandas for everyone khá dễ hiểu, và tiếp đến là cuốn Python for Data Analysis có cách cấu trúc nội dung rất khoa học và chặt chẽ – được xem như là sách giáo khoa về Python cho data analysis. Từ những kiến thức nền móng có trong sách tôi dần dần mở rộng học thêm qua các tutorial để xử lý yêu cầu công việc và khoá học online từ Data Camp để củng cố kiến thức của mình. Khi có kiến thức cơ bản về data analysis với python, việc học sâu hơn các ứng dụng về Machine Learning vào các dự án của mình cũng dần trở nên bớt phức tạp và có thể thực hiện được.
6. Tạo ra các thử thách thú vị cho việc học của bạn
Hãy tự tạo ra cho bạn các thử thách cụ thể với độ khó mà bạn có thể đạt được nếu cố gắng và đặt ra kỷ luật cho bản thân để có thể vượt qua. Tôi hay chọn các dịp lễ hoặc kỷ niệm để có thể bắt đầu thử thách vì những lúc ấy tinh thần của mình đang sôi sục và có niềm tin quyết liệt vào việc hoàn thành thử thách ấy. Để tăng khả năng bạn sẽ hoàn thành thử thách, hãy đăng tuyên bố của mình lên Facebook/Linkedin nhằm tạo ra áp lực cho mình và ngăn chặn sự trì hoãn. Mỗi khi có ý định bỏ cuộc, bạn sẽ nghĩ đến áp lực từ bạn bè và network để tiếp tục kiên trì vượt qua.
Tôi đã từng chia sẻ về hành trình tự học của mình trong bài viết Phân tích dữ liệu với Python | Bắt đầu với Jupyter Notebook, Google Colaboratory và Rasberry Pi về câu chuyện học Python của mình. Tôi bắt đầu học Python vào đúng dịp nghỉ lễ Tết dương lịch 2021 trong thời buổi dịch Covid và giãn cách xã hội đồng thời vợ đang bầu tháng thứ 4. Bởi sợ rằng sau khi có con nhỏ tôi sẽ khó có thể tập trung vào việc học nên tôi càng khao khát chinh phục được python sớm. Tôi chọn thử thách 10 ngày học python đúng nghĩa “cày ngày cày đêm” liên tục. Lý đó đến từ việc tôi đăng ký một tài khoản trên website Oreilly.com để học và hiệu lực của thời gian dùng thử là 10 ngày. Trong thời gian nghỉ lễ này, tôi tập trung học nhiều kiến thức nhất có thể về Pandas và Python đồng thời liên hệ những kiến thức đã học vào việc vận dụng trong thực tế như thế nào. Tôi từng có kinh nghiệm học và sử dụng Google Apps Script bằng JavaScript hơn 1 năm, ngoài ra thời sinh viên tôi từng rất đam mê mày mò nhiều về hệ điều hành Linux thậm chí chạy linux trên 1 cái USB khi laptop hỏng ổ cứng và thiết kế web cơ bản nên việc học Python cũng trở nên dễ thở hơn hẳn vì đúng nghĩa Python là ngôn ngữ dễ học. Sau khi nghỉ lễ, tôi cố gắng thay thế Python với việc sử dụng Excel và PowerBI nhiều nhất có thể, có thể gọi là “think python, act python” đúng nghĩa dù ban đầu mất nhiều thời gian để thích nghi và đôi lần Sếp cũng phàn nàn vì nghĩ mình đang dùng “dao giết trâu đi mổ gà”.
7. Vận dụng phương pháp Feynman
Richard Feynman là một nhà vật lý học từng đoạt giải Nobel. Ngoài ra, ông được biết đến với khả năng giải thích những chủ đề phức tạp cho người khác bằng ngôn ngữ đơn giản. Ông cho rằng sử dụng từ ngữ mơ hồ và khó hiểu để truyền đạt kiến thức cho thấy hiểu biết thiếu chiều sâu.
Phương pháp Feynman được mô tả với bốn bước cơ bản sau:
- Xác định nội dung bạn muốn học.
- Giải thích nội dung đó bằng ngôn ngữ đơn giản mà một đứa bé 12 tuổi cũng có thể hiểu được.
- Xác định lỗ hổng kiến thức của bạn và củng cố nó. Chỉ khi nào bạn có thể giải thích những kiến thức mình nắm được một cách đơn giản, dễ hiểu thì bạn mới thực sự hiểu rõ nó.
- Đơn giản hóa kiến thức bạn học được.
Trong suốt quá trình đi làm và tự học thêm kiến thức, tôi vô tình sử dụng phương pháp này cho đến gần đây mới biết để gọi tên nó thông qua 1 bài viết trên Medium. Việc tự tìm hiểu, hệ thống hóa kiến thức một cách bài bản và tìm cách chia sẻ cho người khác theo cách dễ hiểu giúp việc ghi nhớ và sử dụng kiến thức xuyên suốt thông qua đó biến kiến thức cần học thực sự thành kiến thức của mình. Bạn có thể đọc thêm bài viết về phương pháp Feynman khá hay tại đây.
8. Tổ chức kiến thức học được một cách có hệ thống
Sứ mệnh của chúng tôi là hệ thống hóa thông tin của thế giới, giúp những thông tin đó trở nên hữu ích và dễ dàng tiếp cận trên toàn cầu.
Google
Bạn không phải là Google nhưng việc tổ chức và hệ thống hoá kiến thức sẽ là chìa khoá giúp bạn trong suốt quá trình tự học cũng như trong cuộc sống. Sự thực là đối với việc học một ngôn ngữ lập trình, khả năng ghi nhớ và viết câu lệnh không quan trọng bằng thuật toán/logic để sử dụng chúng trong giải quyết vấn đề của bạn. Khi chưa thành thạo, bạn có thể lưu trữ và tổ chức các câu lệnh mẫu để thực hiện các chức năng nhất định một cách có hệ thống, có thể dễ dàng truy cập để copy/paste khi cần. Qua thời gian sử dụng liên tục, bạn có thể nâng cấp, đơn giản hóa các câu lệnh của mình theo mức độ hiểu biết ở từng thời điểm. Tôi sử dụng Google Colab là IDE chủ yếu bên cạnh Visual Studio Code để lập trình Python. Với Google Colab, bạn có thể tìm kiếm và chèn các đoạn câu lệnh thông qua chức năng Code Snippet từ file câu lệnh mẫu mà bạn thiết lập. Gần đây, tôi còn làm thêm một bước xa hơn là tự viết luôn thư viện Python pydata_master chứa các đoạn câu lệnh mà tôi hay sử dụng để đơn giản hóa việc xử lý dữ liệu / lập trình. Dù ở bất kỳ máy tính nào, tôi có thể cài đặt thư viện này thông qua pip và import các hàm đã viết sẵn vào để sử dụng thay vì phải nhớ để viết lại các câu lệnh.
9. Các nguồn tài liệu học data analysis với Python
Tutorial và tài liệu
- Python for Data Analysis 3rd edition: là cuốn sách gối đầu giường cho những ai muốn học Python cho ứng dụng phân tích dữ liệu. Cuốn sách do Wes McKinney viết, ông đồng thời là tác giả của thư viện Pandas sử dụng rộng rãi trong Python. Bạn có thể mua sách để ủng hộ tác giả hoặc đọc phiên bản mã nguồn mở được tác giả cung cấp trực tuyến tại đây. Đây cũng là cuốn sách tôi sử dụng phần lớn cho giáo trình khóa học Phân tích dữ liệu với Python. Tuy cuốn sách được phát hành miễn phí trực tuyến, tuy nhiên không cho phép sao chép hay tái xuất bản dưới định dạng khác. Vì vậy để học trong khi chưa có phiên bản tiếng Việt thì bạn cũng cần có khả năng đọc hiểu tiếng Anh ổn. Tôi đánh giá ngôn ngữ cuốn sách sử dụng dễ hiểu và gần gũi để các bạn mới cũng có thể học được.
- Python Data Science Handbook ebook miễn phí về Python.
- Realpython nơi chia sẻ rất nhiều tutorial và kiến thức bổ ích về Python từ A-Z.
- W3school nơi có tutorial và example code ngắn gọn về tất cả các loại ngôn ngữ lập trình trong đó có Python.
- Oreilly.com Thư viện sách hàng đầu chuyên về Công nghệ thông tin. Bạn có thể đăng ký dùng thử 10 ngày và truy cập tất cả các đầu sách + tài nguyên học tập tại đây.
- Python tutorial tham khảo các tutorial về Python được phân chia thành các danh mục với cấu trúc khá tốt.
Cộng đồng
- Kaggle cộng đồng về Machine Learning và Data Science. Bạn có thể học từ các dataset thực tế và bài phân tích của cộng đồng tại đây, ngoài ra bạn có thể tham gia thi đấu giành giải thưởng giá trị thông qua các thử thách từ nhiều công ty dựa trên dự án thực tế. Kaggle cũng cung cấp một số khoá học miễn phí về Python để bạn làm quen.
- Stackoverflow Bất kỳ lập trình viên nào cũng phải mở ít nhất 1 tab Stackoverflow 1 lần trong đời. Khi gặp báo lỗi hoặc bất kỳ vấn đề gì liên quan đến quá trình sử dụng, bạn luôn có thể tìm được câu trả lời của cộng đồng thông qua tìm kiếm Google với kết quả của trang này nằm trên đầu.
Khoá học trực tuyến
- Datacamp Nền tảng học & thực hành trực tuyến chuyên về Data analysis với các ngôn ngữ chính Python, R, SQL, Excel, Google Sheets. Thời điểm có khuyến mãi giá khoảng $75/năm.
- Free Code Camp Nền tảng học tập miễn phí về lập trình. Vì miễn phí nên chất lượng và cách thức xây dựng nội dung không thể nào so lại được với Datacamp. Bạn cũng chỉ có thể đọc tài liệu và xem video sau đó tự thực hành thay vì thực hành trên các dataset được chuẩn bị sẵn cho từng nội dung học như Datacamp.
- Coursera là nền tảng học tập trực tuyến, bạn có thể tìm thấy cả khoá học miễn phí lẫn có phí chất lượng được Coursera kết hợp cùng các tên tuổi lớn như Google, IBM, Microsoft xây dựng nên. Bạn có thể xin hỗ trợ học phí/học bổng để tham gia khá nhiều khoá học đắt tiền tại đây ví dụ như Google Data Analytics Professional Certificate.
Các nguồn tài liệu được cung cấp ở trên đều được biên tập bằng tiếng Anh và phục vụ cho rất nhiều nhu cầu đa dạng. Nếu bạn quan tâm học data analysis với Python và ứng dụng trong digital marketing thì có thể tham khảo thông tin khoá học online tại blog của tôi tại đây.
10. Tiếp cận kiến thức với một tâm hồn rộng mở
Một đặc điểm tôi thường thấy ở những người có khả năng tự học tốt chính là họ có “khả năng quan sát” tốt. Khi tiếp cận môi trường xung quanh với một tâm hồn rộng mở, để tâm đến những thứ tồn tại xung quanh mình nhưng đồng thời cũng biết đặt 3 câu hỏi quan trọng: WHAT, WHY, HOW.
WHAT: thứ này là gì?
WHY: Tại sao người ta sử dụng nó ở đây? Tại sao dùng cái này mà không phải cái kia?
HOW: Mình có thể ứng dụng điều này như thế nào?
Khi bạn hiểu rằng việc học xảy ra ở ngay chính xung quanh mình chứ không phải chỉ khi bạn ngồi vào bàn, bật máy tính hay đặt mình ở trạng thái tập trung nhất thì bạn đã mở rộng cánh cửa để tiếp thu kiến thức mới.
Ngoài ra, có một mạng lưới các mối quan hệ là những người có kiến thức chuyên môn thuộc các lĩnh vực bạn muốn tìm hiểu để có thể hỏi xin lời khuyên hay trao đổi kiến thức có thể giúp bạn rất nhiều. Đôi khi, chỉ cần nghe được 1 ý tưởng trong một câu chuyện với bạn bè có thể cũng đã giúp thôi thúc bạn hành động như trường hợp của tôi khi có lần nghe đồng nghiệp nói về Python như một kỹ năng thượng thừa mà người làm Data ở công ty eCommerce đang sử dụng từ thời điểm những năm 2018.
Kết luận
Hy vọng thông qua những chia sẻ về kinh nghiệm tự học data analysis với Python của tôi có thể giúp ích cho bạn trong việc hình thành phương pháp học của riêng mình để chinh phục những kiến thức mới cho công việc và cuộc sống. Hãy đánh giá bài viết này nếu bạn thấy hữu ích và đừng quên chia sẻ nó cho bạn bè trong network của mình nhé.