MACHINE LEARNING
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
Tham gia khóa học machine learning