Chương trình cung cấp kiến thức về các kỹ thuật và thuật toán ML phổ biến giúp học viên không chỉ hiểu về mặt khái niệm mà còn có thể áp dụng vào các bài toán thực tế. Nội dung bao gồm các thuật toán học có giám sát, học không giám sát, kỹ thuật chuẩn hóa, tối ưu hóa tham số và các phương pháp Ensemble learning. Học viên sẽ được thực hành thông qua các bài tập, dự án và case study sử dụng các bộ dữ liệu thực tế.

Thời lượng: 72 giờ

Sau khi hoàn thành khóa học, học viên có khả năng:

• Nắm vững các khái niệm cơ bản và nâng cao trong Machine Learning.
• Hiểu và áp dụng được các thuật toán học có giám sát và không giám sát phổ biến.
• Có khả năng xử lý dữ liệu, chọn mô hình phù hợp và đánh giá hiệu suất mô hình.
• Thành thạo việc sử dụng các thư viện ML phổ biến như scikit-learn, pandas, và numpy.
• Hiểu và áp dụng được các kỹ thuật chuẩn hóa và tối ưu hóa tham số.
• Có khả năng xây dựng và triển khai các mô hình Ensemble learning.
• Phát triển khả năng giải quyết vấn đề thực tế bằng cách áp dụng các kỹ thuật ML.
• Có nền tảng vững chắc để tiếp tục học tập và nghiên cứu sâu hơn trong lĩnh vực ML và AI.
• Học viên sẽ được cấp chứng nhận hoàn tất khóa học theo quy định của ITSTARVN.
  

Nội dung khóa học

Phần 1: Giới thiệu Machine Learning và các thư viện (4 giờ)

Tổng quan về Machine Learning (1 giờ)

• Định nghĩa và phân loại ML
• Các ứng dụng của Machine Learning trong thực tế
• Quy trình xây dựng một dự án ML

• NumPy và Pandas cho xử lý dữ liệu
• Scikit-learn cho các thuật toán ML
• Matplotlib và Seaborn cho visualization

Phần 2: Các thuật toán học có giám sát (36 giờ)

• Hồi quy tuyến tính đơn biến và đa biến
• Gradient Descent
• Đánh giá mô hình hồi quy

• Lý thuyết và ứng dụng trong phân loại nhị phân
• Hàm mất mát và tối ưu hóa
• Mở rộng cho bài toán đa lớp

• Linear SVM
• Kernel SVM
• Ứng dụng trong phân loại và hồi quy

• Xây dựng cây quyết định
• Các tiêu chí chia nhánh (Gini, Entropy)
• Cắt tỉa cây để tránh overfitting

• Naive Bayes
• Bayesian Networks
• Ứng dụng trong phân loại văn bản và lọc spam

Phần 3: Chuẩn hóa và Tối ưu hóa tham số (4 giờ)

• L1 và L2 regularization
• Dropout

• Grid Search
• Random Search
• Bayesian Optimization

Phần 4: Các thuật toán học không giám sát (16 giờ)

• K-means clustering
• Hierarchical clustering
• DBSCAN
• Mean Shift

• Principal Component Analysis (PCA)
• t-Distributed Stochastic Neighbor Embedding (t-SNE)
• Linear Discriminant Analysis (LDA)

Phần 5: Ensemble learning (12 giờ)

• Nguyên lý của Bagging
• Random Forest
• Extra Trees

• AdaBoost
• Gradient Boosting