Machine Learning Basic

Home / Machine Learning Basic

Tại Sao Lại Cần Học Machine Learning

Xu hướng hiện tại và tương lai

Cách mạng Công nghiệp 4.0 đang mang đến những thay đổi lớn trong mọi mặt của cuộc sống. “Thế giới vận hành bằng công nghệ” trở thành xu thế tất yếu, là mục tiêu tranh đua cho mọi nền kinh tế, mọi doanh nghiệp cùng hướng đến. Trong đó, Trí tuệ nhân tạo A.I và phương pháp Máy học Machine Learning là những xu hướng trọng tâm, nổi bật, đã và đang được nghiên cứu, ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau, tạo ra những bứt phá mạnh mẽ về tính hiệu quả, kịp thời, chính xác trong công tác giám sát, dự báo và hỗ trợ ra quyết định.

Định hướng nghề nghiệp

Kết thúc khóa học Machine Learning, học viên sẽ nắm được các kiến thức và kỹ năng cần thiết:

  • Thiết kế, xây dựng hệ thống học máy Machine Learning bao gồm quá trình rút trích đặc trưng, cách đánh giá dữ liệu, quá trình chọn lựa giải thuật và kĩ thuật đánh giá và cải thiện mô hình.
  • Nắm rõ qui trình thực tế từ kĩ thuật lập trình, cách tư duy, khả năng phân tích dựa trên toán học và thống kê để ra quyết định dữ liệu, kĩ thuật phân tích so sánh và đánh giá các giải pháp khác nhau.
  • Xây dựng portfolio với sự nghiệp trong lĩnh vực khoa học dữ liệu (data science) và AI (Lập trình trí tuệ nhân tạo).

Lợi Ích

30 giờ học + support online via Slack or FB group

Các kĩ thuật học máy (machine learning). Sử dụng Python và thư viện Scikit-learn cho các kỹ thuật Machine learning.

Đội ngũ giảng viên hàng đầu

Giảng viên là các chuyên gia với kinh nghiệm dày dặn, giúp bạn phát triển kỹ năng lập trình và chia sẻ thực tế về nghề.

Cơ hội việc làm & mức lương hấp dẫn

Hỗ trợ cơ hội việc làm với các đối tác lớn thông qua chỉnh sửa CV, tư vấn hướng nghiệp

Mở rộng networking và các lợi ích khác

Cơ hội tham gia các sự kiện networking, workshop dành riêng cho cựu học viên và nhận học bổng cho các khóa học tiếp theo.

Hỗ trợ học phí

Học viên được hỗ trợ chia nhỏ học phí và đóng theo từng đợt áp dụng cho mọi hình thức thanh toán.

Lộ trình khóa học

  • Lịch sử phát triển
  • Sơ lược về các các mô hình học giám sát(Supervised Learning), không giám sát (Unsupervised Learning), và nửa giám sát (Semi-supervised Learning)
  • Một số ứng dụng trong Bài toán thực tế
  • Đại số tuyến tính và làm việc với ma trận
  • Nhắc lại một số kiến thức cơ bản về giải tích và đạo hàm riêng (Partial Derivative)
  • Giới thiệu thuật toán tối ưu Gradient Descent
  • Các mô hình xác suất cơ bản (Bernoulli, Binomial, Uniformly, Gaussian, Dirichlet,…)
  • Giới thiệu phương pháp Maximum likelihood để ước lượng tham số mô hình trong một số bài toán thống kê cơ bản
  • Giải bài toán curve fitting theo các tiếp cận Least Square Error
  • Áp dụng Gradient Descent để tối ưu tham số cho hàm đa thức trong bài toán Curve fitting
  • Bài tập lập trình
  •  Giới thiệu tổng quan về bài toán classification bằng mạng Neural 1 lớp (Logistics Regression)
  • Xây dựng loss function
  • Áp dụng phương pháp Gradient Descent để tối ưu tham số cho mạng Logistics Regression
  •  Bài tập lập trình
  • Giới thiệu về cấu trúc mạng và các hàm truyền được sử dụng
  • Sơ lược về thuật toán lan truyền ngược (back propagation)
  • Áp dụng thuật toán lan truyền ngược để tối ưu tham số cho mạng Neural 3 lớp.
  • Bài tập lập trình
  • Vấn đề overfitting với mạng nhiều tham số
  • Vấn đề gradient vanishing và gradient exploding
  • Một số giải pháp liên quan (lựa chọn hàm truyền, sử dụng các phương pháp dropout và batch normalization)
  • Bài tập lập trình
  • Giới thiệu ý tưởng cơ bản và cách xây dựng hàm loss
  •  Phương pháp Lagrange multiplier và điều kiện KKT
  • Áp dụng Lagrange multiplier cho bài toán tối ưu tham số của SVM
  • Bài tập lập trình
  • Giới thiệu sơ lược về kernel và cách áp dụng kernel trong bài toán SVM
  • Một số kernel phổ biến cho bài toán phân lớp
  • Thảo luận về một số hạn chế của SVM và cách khắc phục
  • Bài tập lập trình
  • Thuật toán gom cụm phân tầng (Hierarchical clustering)
  • Thuật toán gom cụm K-means
  • Bài tập lập trình
  • Giới thiệu ý tưởng của thuật toán giảm chiều PCA (Principal Component Analysis)
  • Một số kỹ thuật đại số để giải bài toán giảm chiều PCA
  • Áp dụng PCA để giảm chiều dữ liệu và làm visualization
  • Bài tập lập trình
  • Giới thiệu sơ lược một số mô hình state-of-the-art hiện tại: CNN, LSTM, Word2vec, Residual DNN,..
  • Giới thiệu sơ lược một số thuật toán ensemble learning: Random Forest, Adaptive Boost
  • Đồ án cuối khóa
  • Giải đáp các thắc mắc về bài tập cuối khóa