Thông tin chung

Môn học thứ 3 của chương trình Data Science đi sâu vào các phần kiến thức cơ bản của học máy và ứng dụng của nó trong các lĩnh vực khác nhau như chăm sóc sức khỏe, ngân hàng, viễn thông, v.v. Thông qua khóa học, bạn sẽ tìm hiểu về các kỹ thuật học máy hiệu quả nhất, cách sử dụng và tinh chỉnh các mô hình học máy cho bài toán cụ thể mà bạn cần giải quyết. Quan trọng hơn, bạn sẽ không chỉ nắm được lý thuyết nền tảng mà còn có cơ hội thực hành các kỹ năng thực tế cần thiết để có thể áp dụng nhanh chóng và hiệu quả các kỹ thuật này vào các vấn đề mới.

Mục tiêu môn học

Sau khi học xong môn này, học viên sẽ đạt được các chuẩn kiến thức, kỹ năng đầu ra như sau:

Có cái nhìn tổng quan về các định nghĩa và các chủ đề khác nhau trong Machine Learning: học có giám sát, học không giám sát.

Có cái nhìn tổng quan và kiến thức cơ bản về Hồi quy, Phân loại, Phân cụm và Hệ thống Đề xuất, ARIMA, sau đó áp dụng được các loại thuật toán ở trên vào giải quyết các bài toán thực tế.

Thao tác thành thạo các thư viện điển hình và cơ bản trong học máy với Python: Numpy, sklearn, pandas, matplotlib.

Hiểu các phương pháp đánh giá và số liệu trong các vấn đề và bài toán khác nhau của học máy.

Có thể áp dụng Ensemble Learning (Học máy kết hợp) trong việc tăng độ chính xác của mô hình.

Trải nghiệm học tập

Phần 1: Học máy là gì?

Bài 1: Giới thiệu về Machine Learning

Phần 2: Hồi quy

Bài 2: Hồi quy tuyến tính

Lab 1: Hồi quy tuyến tính cơ bản

Bài 3: Hồi quy nâng cao

Lab 2: Hồi quy nâng cao

Project 1 – Dự đoán số người trúng tuyển American College

Phần 3: Phân loại

Bài 4: Tổng quan về phân loại

Lab 3: KNN

Bài 5: Hồi quy logistic

Lab 4: Liệu khách hàng có quay lưng với chúng ta?

Bài 6: Cây quyết định

Lab 5: Phân loại nấm Bắc Mỹ sử dụng DT

Bài 7: Support Vector Machine

Lab 6: Dự đoán bệnh nhân mắc Parkinson với SVM

Project 2 – Dự đoán khả năng mắc bệnh tiểu đường loại 2 tại Arizona

Phần 4: Phân cụm

Bài 8: Phân cụm k-Means

Lab 7: Sử dụng k-Means để phân tập khách hàng

Bài 9: Phân cụm phân cấp

Lab 8: Agglomerative clustering

Bài 10: DBSCAN

Lab 9: Quan sát kết quả phân cụm với DBSCAN

Project 3 – Phân cụm hành vi di chuyển dựa theo dữ liệu điện thoại

Phần 5: Hệ thống Đề xuất

Bài 11: Hệ thống khuyến nghị dựa trên nội dung

Lab 10: Xây dựng RS đề xuất các mặt hàng cho người dùng dựa theo nội dung mặt hàng

Bài 12: Lọc cộng tác

Lab 11: Xây dựng RS đề xuất các mặt hàng cho người dùng dựa theo lọc cộng tác

Phần 6: Dự báo chuỗi thời gian

Bài 13: ARIMA

Đặc điểm môn học

Để bắt đầu, các bạn nên dành một vài phút khám phá môn học và cấu trúc chung. Môn học sẽ có 6 phần với 13 bài học. Xuyên suốt các bài học và cuối mỗi học phần, các bài thực hành Lab và bài tập lớn (Project) sẽ giúp các bạn tăng cường việc ghi nhớ và vận dung lý thuyết đã học vào các bài toán thực tế. Để việc học tập được hiệu quả, hãy luôn trau dồi kiến thức, không ngừng học hỏi, nghiên cứu và lập cho mình một kế hoạch học tập hợp lý để hoàn thành khóa học một cách xuất sắc.

Trong thời gian học (dự kiến là 6 tuần), việc phân bổ tuần học là rất quan trọng. Nếu các bạn có bất cứ câu hỏi nào hãy kết nối với Mentor để được giải đáp.

Nguồn học liệu

Trong thời đại hiện nay, mỗi môn học đều có nhiều nguồn tài liệu liên quan kể cả sách in và online, FUNiX Way không quy định một nguồn học liệu cụ thể mà khuyến cáo để học viên chọn được nguồn phù hợp nhất cho mình. Trong quá trình học từ nhiều nguồn khác nhau theo lựa chọn cá nhân đó, khi sinh viên phát sinh câu hỏi thì sẽ được kết nối nhanh nhất với mentor để được giải đáp. Toàn bộ phần đánh giá bao gồm các câu hỏi trắc nghiệm, bài tập, dự án và thi vấn đáp do FUNiX thiết kế, xây dựng và thực hiện.

Các môn học của FUNiX không quy định bắt buộc tài liệu học tập, sinh viên có thể chủ động tìm và học từ bất kỳ nguồn nào phù hợp, kể cả sách in hay nguồn học liệu online (MOOC) hay các website. Việc sử dụng các nguồn đó do học viên chịu trách nghiệm và đảm bảo tuân thủ các chính sách của chủ sở hữu nguồn, trừ trường hợp họ có sự hợp tác chính thức với FUNiX. Nếu cần hỗ trợ, học viên có thể liên hệ phòng đào tạo FUNiX để được hướng dẫn.

Dưới đây là một số nguồn học liệu của môn học mà học viên có thể tham khảo sử dụng. Việc liệt kê nguồn dưới đây không nhất thiết hàm ý rằng FUNiX có sự hợp tác chính thức với chủ sở hữu của nguồn: Coursera, tutorialspoint, edX Training, or Udemy.

Chi tiet Mon hoc 1

Đừng ngần ngại!

Bạn sẽ dễ dàng chuẩn bị nền tảng cùng FUNiX!

Chi tiet Mon hoc 1
  • Tầng 0, tòa nhà FPT, 17 Duy Tân, Q. Cầu Giấy, Hà Nội
  • info@funix.edu.vn
  • 0782313602 (Zalo, Viber)        

yêu cầu gọi lại