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

• Nắm vững các kỹ thuật lập trình Python cho AI và Data Science.
• Thành thạo việc sử dụng các thư viện quan trọng như NumPy, Pandas, Matplotlib, Scikit-learn.
• Hiểu và áp dụng được các thuật toán Machine Learning cơ bản.
• Có khả năng xây dựng và huấn luyện các mô hình Deep Learning đơn giản.
• Biết cách xử lý, phân tích và trực quan hóa dữ liệu.
• Có nền tảng để tiếp tục tự học và phát triển trong lĩnh vực AI và Data Science.
• Học viên sẽ được cấp chứng nhận hoàn tất khóa học theo quy định của ITSTARVN.
  

Khóa học phù hợp với:

• Sinh viên ngành Công nghệ thông tin, Khoa học máy tính, hoặc các ngành liên quan muốn chuyên sâu về AI và Data Science.
• Các lập trình viên muốn mở rộng kỹ năng sang lĩnh vực AI và Data Science.
• Các nhà phân tích dữ liệu muốn nâng cao kỹ năng lập trình và áp dụng AI vào công việc.
• Các nhà nghiên cứu từ các lĩnh vực khác (như Vật lý, Sinh học, Kinh tế) muốn áp dụng AI và Data Science vào nghiên cứu của mình.

Nội dung khóa học (40 giờ)

Phần 1: Ôn tập Python và Giới thiệu về Data Science

• Ôn tập cú pháp Python cơ bản
• Cấu trúc dữ liệu trong Python (list, tuple, dictionary, set)
• Hàm và module trong Python
• Giới thiệu về Data Science và AI

Phần 2: Thư viện NumPy và Xử lý dữ liệu số

• Giới thiệu về NumPy
• Mảng NumPy và các thao tác cơ bản
• Indexing, slicing, và reshaping mảng
• Các phép toán trên mảng và broadcasting
• Hàm ufunc và vectorization

Phần 3: Pandas và Xử lý dữ liệu có cấu trúc

• Giới thiệu về Pandas
• Series và DataFrame
• Đọc và ghi dữ liệu (CSV, Excel, SQL)
• Xử lý dữ liệu thiếu và dữ liệu trùng lặp
• Lọc, sắp xếp và nhóm dữ liệu
• Pivot tables và cross-tabulation
• Xử lý dữ liệu thời gian

Phần 4: Trực quan hóa dữ liệu với Matplotlib và Seaborn

• Cơ bản về Matplotlib
• Các loại biểu đồ cơ bản (line, bar, scatter, histogram)
• Tùy chỉnh và định dạng biểu đồ
• Giới thiệu về Seaborn và các biểu đồ thống kê

Phần 5: Xử lý dữ liệu nâng cao và Feature Engineering

• Kỹ thuật xử lý dữ liệu text
• One-hot encoding và label encoding
• Scaling và normalization
• Tạo và chọn features

Phần 6: Machine Learning với Scikit-learn (8 giờ)

• Giới thiệu về Machine Learning và Scikit-learn
• Chia tập dữ liệu và cross-validation
• Thuật toán học có giám sát:
• Linear Regression
• Logistic Regression
• Decision Trees và Random Forests
• Support Vector Machines
• Thuật toán học không giám sát:
• K-means clustering
• Principal Component Analysis (PCA)
• Đánh giá mô hình và tinh chỉnh siêu tham số

Phần 7: Deep Learning với TensorFlow và Keras

• Giới thiệu về Neural Networks và Deep Learning
• Cơ bản về TensorFlow và Keras
• Xây dựng mô hình Neural Network đơn giản
• Convolutional Neural Networks (CNN) cho xử lý ảnh
• Recurrent Neural Networks (RNN) cho xử lý chuỗi thời gian

Phần 8: Xử lý ngôn ngữ tự nhiên (NLP) cơ bản

• Giới thiệu về NLP và các ứng dụng
• Tiền xử lý văn bản (tokenization, stemming, lemmatization)
• Biểu diễn văn bản (Bag of Words, TF-IDF)
• Sentiment Analysis với Scikit-learn