Khóa học Machine learning cơ bản

TRÍ TUỆ NHÂN TẠO
Machine learning cơ bản

Mục tiêu khóa học:

Nắm được các kiến thức cần thiết về Machine Learning và biết cách vận dụng các thuật toán Machine Learning trong việc giải quyết các vấn đề thực tế, cụ thể thông qua việc sử dụng các bộ thư viện, công cụ mạnh mẽ, mã nguồn mở như Python, Numpy, Pandas, Matplotlib, sklearn, TensorFlow, Keras…

Nội dung khóa học:

  • Sử dụng thành thạo ngôn ngữ lập trình Python các tools, libraries, framework phục vụ cho Machine Learning
  • Hiểu và vận dụng được các bước trong quy trình triển khai dự án Machine Learning
  • Có kỹ năng quan sát, phân tích và trình bày dữ liệu dưới dạng có ý nghĩa giúp cho việc đưa ra quyết định hiệu quả hơn.
  • Nắm được các kiến thức thức cần thiết về toán, xác suất thống kê dành cho Machine Learning
  • Có kỹ năng thu thập dữ liệu, khám phá, phân tích, thống kê tạo ra các báo cáo. 
  • Biết cách vận dụng các thư viện toán, xác suất thống kê của Python để giải quyết các vấn đề Machine Learning
  • Hiểu và áp dụng hiệu quả các thuật toán, framework và công nghệ Machine Learning khác nhau cho các vấn đề, yêu cầu khác nhau trong thực tế.
  • Vận dụng và triển khai các thuật toán quan trọng thuộc nhóm Supervised Learning và Unsupervised Learning trong việc giải quyết các vấn đề thực tế như phân loại, dự đoán các xu thế, xu hướng, phân cụm dữ liệu, gợi ý đề xuất…

Thông tin chi tiết khóa học

Lộ trình học

1. Giới thiệu về machine learning

  • Giới thiệu về học máy
  • Lập trình python cơ bản và thư viện numpy
  • Giới thiệu về học giám sát và học không giám sát

2. Các bài toán hồi quy (regression)

Phần này sẽ giới thiệu về hồi quy, nội dung sẽ bao gồm các thuật toán hồi quy tuyến tính (Linear), phi tuyến tính (Non-linear), bài toán đơn và đa hồi quy cùng các ứng dụng của các thuật toán. Bài thực hành sẽ được thực hiện trên 2 bộ dữ liệu. Ngoài ra phần này sẽ hướng dẫn về cách đánh giá mô hình hồi quy và tính toán độ chính xác của mô hình.

  • Giới thiệu về hồi quy
  • Hồi quy tuyến tính
  • Simple Linear Regression
  • Model Evaluation in Regression Models
  • Evaluation Metrics in Regression Models
  • Multiple Linear Regression
  • Non-Linear Regression

Có thêm 1 bài thực hành để luyện tập

3. Bài toán phân lớp classification

Phần này sẽ hướng dẫn về kỹ thuật phân loại. Với các thuật toán phân loại khác nhau như KNN, Cây quyết định, Hồi quy logistic và SVM. Ngoài ra phần này sẽ hướng dẫn về cách đánh giá mô hình phân lớp và tính toán độ chính xác của mô hình.

  • Giới thiệu về mô hình phân lớp
  • K-Nearest Neighbours
  • Evaluation Metrics trong Classification
  • Giới thiệu về Decision Trees
  • Thực hiện thuật toán Decision Trees
  • Giới thiệu về hồi quy Logistic
  • So sánh hồi quy Logistic với hồi quy tuyến tính
  • Thuật toán hồi quy logistic
  • Support Vector Machine

Bài thực hành bài toán phân lớp

4. Bài toán phân cụm Clustering: Giới thiệu và tìm hiểu các kỹ thuật phân cụm dữ liệu

  • Giới thiệu về bài toán phân cụm Clustering
  • Giới thiệu thuật toán k-Means
  • Giới thiệu về Hierarchical Clustering
  • DBSCAN

Bài thực hành về bài toán phân cụm với k-Means

5. Hệ thống khuyến nghị recommender system

Phần này sẽ giới thiệu về các hệ thống khuyến nghị, các ý tưởng chính đằng sau các hệ thống này.  Sau đó sẽ tìm hiểu về hai loại thuật toán khuyến nghị chính, đó là lọc dựa trên nội dung và lọc cộng tác. (Content-based và Collaborative Filtering)

  • Giới thiệu về Recommender Systems
  • Content-based Recommender Systems
  • Collaborative Filtering

6. Đồ án cuối khóa

Học viên sẽ lựa chọn đề tài và thực hiện đề tài. Học viên sẽ phải viết báo cáo và bảo vệ trước lớp. Sau khi thực hiện xong đồ án, học viên sẽ được cấp chứng chỉ hoàn thành khóa học.

Khóa học tại CodeCamp