Toán trong AI/ML
Khóa học Toán trong AI/ML cung cấp cho học viên kiến thức nền tảng về các khái niệm toán học quan trọng được ứng dụng trong lĩnh vực trí tuệ nhân tạo (AI) và học máy (ML). Nội dung khóa học tập trung vào đại số tuyến tính, xác suất thống kê và các phương pháp tối ưu hóa như Gradient Descent, giúp học viên nắm vững các công cụ toán học để xây dựng và tối ưu hóa mô hình AI/ML.
Thời lượng: 18h
Bạn đạt được gì sau khi hoàn thành khóa học
ĐẠI SỐ TUYẾN TÍNH TRONG AI/ML
Nắm vững các khái niệm cơ bản về đại số tuyến tính và cách áp dụng vào các mô hình AI/ML.
XÁC SUẤT VÀ THỐNG KÊ TRONG PHÂN TÍCH DỮ LIỆU
Hiểu và áp dụng xác suất và thống kê để phân tích dữ liệu và xây dựng mô hình.
PHƯƠNG PHÁP TỐI ƯU HÓA VÀ GRADIENT DESCENT
Hiểu rõ các phương pháp tối ưu hóa, đặc biệt là Gradient Descent, để tối ưu hóa mô hình học máy.
ÁP DỤNG THUẬT TOÁN TỐI ƯU HÓA MÔ HÌNH
Áp dụng các thuật toán tối ưu hóa để cải thiện hiệu suất của các mô hình AI/ML.
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.
Đối tượng tham gia
Sinh viên và người mới ra trường ngành CNTT, Khoa học Máy tính.
Người mới học lập trình, quan tâm đến Linux và Python.
Chuyên viên phân tích dữ liệu, kỹ sư phần mềm cần xử lý dữ liệu với Python.
Người muốn tự động hóa tác vụ trên Linux bằng Python.
Yêu cầu tiên quyết
Hiểu biết cơ bản về công nghệ thông tin. Không yêu cầu kinh nghiệm lập trình trước đó, nhưng cần tinh thần học hỏi và thực hành.
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.
6. 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
