Machine Learning là tập hợp các thuật toán giúp chúng ta khai thác được tri thức từ dữ liệu một cách tự động. Làm chủ được các thuật toán Machine Learning sẽ giúp bạn mở ra khả năng thu nhận được kiến thức vô hạn với dữ liệu đang có trên thế giới hiện nay. Theo góc độ lập trình, các chương trình Machine Learning không thể hiện các quy tắc hành động một cách tường minh mà tiếp nhận dữ liệu để học ra các quy tắc và hành động tương ứng.

Khóa học “Machine Learning with Python” của S-LAB là level thứ 2 của chương trình “Easy Data Science”, mang tới những kỹ năng cơ bản và nâng cao về các mô hình Machine Learning cho dự báo, phân loại, … là bước quan trọng để làm chủ dữ liệu và chuẩn bị cho những ứng dụng AI tiếp theo.

KẾT QUẢ NHẬN ĐƯỢC

  • Thành thạo lập trình ngôn ngữ Python
  • Xử lý, khai phá & biểu diễn hình ảnh dữ liệu với Python
  • Xây dựng các mô hình Machine Learning: 
    • Hồi quy: dự báo giá nhà, dự báo doanh số film
    • Phân loại: dự báo rủi ro trả nợ, khách hàng rời bỏ dịch vụ
    • Không giám sát: phân cụm khách hàng, hệ thống khuyến nghị
    • Mô hình nâng cao: svm, xgboost
    • Mô hình nâng cao: k-mean và mean-shift cho phân vùng ảnh
    • Mô hình nâng cao: phân cụm phổ cho phân tích dữ liệu mạng xã hội
  • Xây dựng các mô hình Deep Learning cơ bản:
    • Mạng neuron học sâu ứng dụng cho nhận dạng chữ viết tay
    • Mạng neuron tích chập (CNN) cho phân loại đối tượng trong ảnh và video
  • Ôn tập các kiến thức Toán cần thiết
  • Các thư viện Python: Scikit-learn, Tensorflow, Keras

DÀNH CHO HỌC VIÊN MUỐN TRỞ THÀNH

  • Data Analyst
  • Data Engineer
  • Machine Learning specialist
  • Junior Data scientist
  • Data Manager

Chi tiết khóa học

Giới thiệu về Machine Learning (ML)

  • Chương trình ML
  • Khả năng khai thác tri thức từ dữ liệu của ML
  • Tác nhân thúc đẩy ML
  • Phân biệt các khái nhiệm ML, Data Science, AI, IoT, Big-data
  • Các bài toán ML – Supervised và Unsupervised Learning
  • Tối tương quan giữa ML và Thống kê

Lập trình dữ liệu với Python

  • Jupyter notebook
  • Python cơ bản
  • Numpy và Pandas
  • Biểu diễn đồ thị với python (Matplotlib, Seaborn, Pandas)

Mô hình Regression

  • Giới thiệu
  • Bài toán Regression 1 biến
  • Các khái niệm Cost Function, Gradient Descent
  • Thực hành và đánh giá Regression nhiều biến
  • Các khái niệm Generalization, Capacity, Overfitting and Underfitting
  • Các khái niệm training, validation, testing, bias và variance
  • Ôn tập về Đại số tuyến tính
  • Thực hành và đánh giá Regression nhiều biến
  • Biến đổi biến trong Regression
  • Các vấn đề lưu ý với Regression: phân tích residuals, collinearity, cách xây dựng mô hình
  • Hồi quy đa thức

Hồi quy Logistics

  • Bài toán phân loại
  • Giả thuyết và biên quyết định
  • Hàm Cost và tối ưu
  • Regularization trong Regression
  • Thực hành Logistic trên dữ liệu thực tế

Mô hình cây quyết định

  • Thực hành và đánh giá Mô hình cây quyết định
  • Bootstraping dữ liệu
  • Mô hình Bagging và Random forest
  • Mô hình Boosting
  • So sánh mô hình cây và SVM

Các mô hình Unsupervised Learning

  • Mô hình K-means clustering
  • Mô hình Hierarchical clustering
  • Mô hình Association rules

Các hệ thống khuyến nghị (Recommender Systems)

  • Content Based Recommendations
  • Collaborative Filtering

Thực hành Dự án ML

  • Xử lý dữ liệu văn bản (Text)
  • Lấy dữ liệu, tiền xử lý dữ liệu văn bản
  • Phương pháp TFIDF
  • Phân loại văn bản: Topic modeling & Sentiment analysis
  • Machine Learning trên dữ liệu lớn (Big-data)
  • Giới thiệu về Neural Network và Deep Learning

VỀ S-LAB.VNS-lab.vn là sản phẩm của SongCau Co. Ltd.

Liên hệ với chúng tôi
Email: khoahocdulieudedang@gmail.com Facebook: Học Machine Learning và Deep Learning Điện Thoại: 093.736.7366 (Hồ Chí Minh); 094.749.8786 (Hà Nội)

Privacy Preference Center