STT

Môn học

Các nội dung / Chủ đề

Thời lượng

1

Python

Môn học này cung cấp cho bạn kiến thức và kỹ năng được sử dụng phổ biến nhất và đặc biệt hữu ích đối với bất cứ một lập trình viên Machine Learning nào. Sau khi hoàn thành môn học này, bạn sẽ có những kiến thức và kỹ năng sau: Các kiến thức cốt lõi đặc thù của ngôn ngữ ngôn lập trình Python; Các cấu trúc dữ liệu cung cấp bởi Python và methods có sẵn cho từng cấu trúc dữ liệu khác nhau: String, List, Dictionary, Tuple, Set.; Biên dịch, debug và thực thi chương trình trên một IDE (Visual Studio Code, Pycharm...). Cài đặt và sử dụng được các thư viện của Python: Numpy, Pandas, Matplotlib, Scikit-learn

Introduction to Python:

Data types; Operators; Loops; Conditional statements

Python Data Structures:

Strings; Dictionaries; Sets; Tuples

Functions, Modules, Error Handling:

Modules; Packages; Try…except…finally; Assert; Raise

Python libraries: Numpy, Pandas:

Numpy; Pandas

Python libraries: Matplotlib, Scikit-learn:

Matplotlib; Scikit-learn

24h

8 buổi

2

Machine Learning

Môn học này cung cấp các kiến thức về các dạng bài toán phổ biến trong machine learning, các giải thuật machine learning phổ biến và các cách thức để đánh giá hiệu năng của mô hình. Hàng loạt các bài tập Lab gắn liền với các bài học giúp người học thực hành và rèn luyện kỹ năng và áp dụng được những kiến thức đã học. Học viên hoàn thành có khả năng: Có kỹ năng xử lý các dạng dữ liệu được thu thập tư các nguồn khác nhau và tổng hợp dưới dạng có thể sử dụng được cho machine learning. Có kỹ năng quan sát, phân tích và trực quan hóa dữ liệu giúp đưa ra quyết định một các có hiệu quả. Hiểu và áp dụng hiệu quả các thuật toán và công nghệ machine learning khác nhau cho các dạng dữ liệu có nhãn và không có nhãn khác trong thực tế. Có kiến thức tốt về các dạng bài toán phổ biến trong machine learning. Hiểu biết một số tham số liên quan đến từng thuật toán machine learning và biết cách tùy chỉnh để cải thiện hiệu năng của mô hình. Vận dụng và triển khai các thuật toán quan trọng thuộc nhóm học có giám sát (Supervised Learning) và không có giám sát (Unsupervised learning). Vận dụng và triển khai các thuật toán quan trọng thuộc nhóm Recommendation System. Hiểu biết về các đại lượng tính độ chính xác như mean square error, confusion matrix, F1 score, R-squared, các cách tính độ chính xác và vận dụng các chỉ số độ chính xác phù hợp cho từng bài toán machine learning.

Regression:

Math Review: Linear Algebra; Linear Regression with one variable; Linear Regression with multiple variables; Polynomial Regression; Ridge Regression.

Classification:

Decision Tree; Random Forest; Support Vector Machine; Logistic Regression; Perceptron and Multiple Layer Perceptron; Math Review: Calculus; Gradient Descent; Neural Networks

Unsupervised Learning:

Hierarchical Clustering; k-Means Clustering

Recommendation Systems:

Collaborative filtering; Content-based filtering

Tuning machine learning models:

Learn about the Bias-Variance Trade-off; Learn about different Evaluation Models; Advice for Applying Machine Learning; Machine Learning System Design

Final Exam

56h

19 buổi