Học máy (Machine Learning)
Khóa học Học máy (Machine Learning) cung cấp cho học viên kiến thức cơ bản và kỹ năng cần thiết để hiểu và triển khai các thuật toán học máy trong thực tế. Nội dung khóa học tập trung vào các thuật toán phổ biến như hồi quy tuyến tính, logistic, SVM, Decision Tree, Random Forest, và các phương pháp phân cụm (clustering) như K-means. Học viên sẽ học cách xây dựng, triển khai và tối ưu hóa các mô hình học máy thông qua thực hành với các tập dữ liệu thực tế.
Thời lượng: 36h
Bạn đạt được gì sau khi hoàn thành khóa học
KHÁI NIỆM VÀ THUẬT TOÁN HỌC MÁY CƠ BẢN
Hiểu rõ các khái niệm cơ bản của học máy (Machine Learning) và các thuật toán học máy.
XÂY DỰNG MÔ HÌNH HỒI QUY TUYẾN TÍNH VÀ LOGISTIC
Xây dựng và triển khai thành thạo các mô hình hồi quy tuyến tính và hồi quy logistic để giải quyết các bài toán dự đoán.
ÁP DỤNG SVM, DECISION TREE, RANDOM FOREST
Áp dụng và triển khai các thuật toán học máy quan trọng như Support Vector Machine (SVM), Decision Tree, và Random Forest.
XỬ LÝ VÀ CHUẨN BỊ DỮ LIỆU CHO HỌC MÁY
Khả năng xử lý và chuẩn bị dữ liệu trước khi áp dụng các thuật toán học máy.
XÂY DỰNG CHƯƠNG TRÌNH TỰ ĐỘNG HÓA TRÊN LINUX
Xây dựng được các chương trình Python đơn giản phục vụ cho các nhu cầu tự động hóa tác vụ trên Linux.
ĐÁNH GIÁ VÀ TỐI ƯU HÓA MÔ HÌNH HỌC MÁY
Kỹ năng đánh giá và tối ưu hóa mô hình bằng cách sử dụng các phương pháp như cross-validation, điều chỉnh hyperparameter.
Đối tượng tham gia
Sinh viên và người mới ra trường ngành CNTT, Khoa học Máy tính, hoặc Toán Tin.
Kỹ sư phần mềm, chuyên viên dữ liệu muốn ứng dụng học máy vào công việc.
Người có nền tảng Python, cần áp dụng thuật toán học máy vào bài toán thực tế.
Người muốn học xây dựng và tối ưu hóa mô hình học máy.
Yêu cầu tiên quyết
Kiến thức cơ bản về lập trình Python. Hiểu biết cơ bản về xác suất, thống kê và đại số tuyến tính. Khuyến khích đã hoàn thành khóa học về “Toán trong AI/ML” hoặc tương đương.
Nội dung khóa học
1. Giới thiệu về học máy (Machine Learning)
- Khái niệm cơ bản về học máy: supervised learning, unsupervised learning.
- Phân loại các thuật toán học máy và các ứng dụng phổ biến.
- Quy trình xây dựng mô hình học máy từ dữ liệu đến triển khai.
2. Hồi quy tuyến tính (Linear Regression)
- Khái niệm và nguyên lý hoạt động của hồi quy tuyến tính.
- Xây dựng mô hình hồi quy tuyến tính với Python.
- Đánh giá và tối ưu hóa mô hình hồi quy tuyến tính.
3. Hồi quy logistic (Logistic Regression)
- Giới thiệu về hồi quy logistic cho các bài toán phân loại nhị phân.
- Xây dựng mô hình hồi quy logistic và đánh giá hiệu quả.
- Sử dụng mô hình logistic cho các bài toán phân loại thực tế.
4. Support Vector Machine (SVM)
- Khái niệm và nguyên tắc của thuật toán SVM.
- Áp dụng SVM cho các bài toán phân loại và hồi quy.
- Tối ưu hóa mô hình SVM với kernel trick.
5. Cây quyết định (Decision Tree)
- Cấu trúc và cách hoạt động của Decision Tree.
- Xây dựng mô hình Decision Tree cho các bài toán phân loại.
- Ưu và nhược điểm của Decision Tree.
6. Random Forest
- Giới thiệu về thuật toán Random Forest và cách hoạt động.
- Áp dụng Random Forest cho các bài toán phân loại và hồi quy.
- Tối ưu hóa và đánh giá mô hình Random Forest.
7. Clustering và K-means
- Giới thiệu về các thuật toán phân cụm (Clustering).
- Nguyên tắc và cách hoạt động của K-means.
- Áp dụng K-means để phân nhóm dữ liệu và các ứng dụng thực tế.
8. Đánh giá và tối ưu hóa mô hình
- Các phương pháp đánh giá mô hình: accuracy, precision, recall, F1-score.
- Cross-validation và điều chỉnh hyperparameter.
- Thực hành tối ưu hóa và cải thiện hiệu suất mô hình học máy.
Bài viết liên quan
