Machine Learning Developer

1. Giới thiệu

Theo báo cáo của PwC, trí tuệ nhân  tạo sẽ giúp GDP toàn cầu sẽ tăng thêm  14% và đóng góp 15,7 nghìn tỷ USD cho  nền kinh tế toàn cầu vào năm 2030. Còn  theo Gartner, giá trị kinh doanh toàn cầu có  yếu tố AI sẽ tăng lên mức 1,2 nghìn tỉ  USD trong năm nay, tăng hơn 70% so với  năm ngoái. Con số này tiếp tục tăng  trong những năm sau. Tới năm 2022, giá trị  này sẽ lên tới 3,9 nghìn tỉ USD.

Trong 5 năm trở lại đây,  với sự phát triển bùng nổ của Trí Tuệ  Nhân Tạo (AI) và là nền tảng tạo lên  cuộc cách mạng công nghiệp 4.0. Để  đạt được thành tựu như vậy, là do  ngày càng nhiều dữ liệu, tốc độ tính  toán của phần cứng tăng nhanh và đặc  biệt là do có một số đột phá trong các thuật toán về Học máy (Machine  Learning) – một lĩnh vực quan trọng  của AI.

Học máy (Machine learning) là ứng dụng của trí tuệ nhân tạo (AI) cung cấp cho máy móc khả năng tự động học hỏi và cải thiện mà không cần được lập trình rõ ràng cho từng tác vụ. Trọng tâm chính của Machine learning là cung cấp các thuật toán để xây dựng và huấn luyện các hệ thống để chúng có thể giải quyết các vấn đề trong thực tế.

Chương trình Machine Learning trang bị các kiến thức cơ bản về hồi quy, phân loại, học sâu, phân cụm và xử lý dữ liệu cho bài toán ML để sinh viên có được hiểu biết cơ bản về Machine Learning và ứng dụng.

2. Đầu ra sau khi hoàn thành khoá học Machine Learning

Sau khi học xong, học viên có cơ hội:

– Gia nhập các công ty phần mềm ở lĩnh vực Machine Learning ở các công ty phần mềm của Việt Nam như FPT Software, Tinh Vân, CMC, các công ty khởi nghiệp, …

– Có thể tham gia vào các khâu trong dự án liên quan trực tiếp đến AI và học máy (Machine Learning).

– Học viên có thể làm vị trí kỹ sư phát triển hệ thống về AI và học máy trong các doanh nghiệp.

TÌM HIỂU CHI TIẾT KHOÁ HỌC MACHINE LEARNING

3. Mục tiêu (Học viên học xong có năng lực gì?)

– Nắm được các khái niệm cơ bản, ý nghĩa và vai trò của học máy trong các bài toán thực tế.

– Hiểu và nắm bắt được bài toán hồi quy, thuật toán liên quan đến kỹ thuật hồi quy trong học máy.

– Hiểu và nắm bắt được bài toán phân loại, phân lớp và các thuật toán liên quan đến Supervised Learning.

– Học viên hiểu và nắm bắt được các thuật toán học sâu với các bài toán về thị giác máy tính và xử lý ngôn ngữ tự nhiên.

– Nắm được quy trình đầy đủ và chi tiết trong việc giải quyết các bài toán thực tế liên quan đến học máy.

– Học viên thành thục các kỹ năng xử lý và trích chọn đặc trưng trong dữ liệu, nắm được các phương pháp xử lý dữ liệu mất cân bằng.

4. Yêu cầu đầu vào đối với sinh viên

Ai cũng có thể học Machine  Learning, đặc biệt đối với một số các bạn  học viên có nền tảng:

– Lập trình Python cơ bản
– Xác suất thống kê
– Cấu trúc dữ liệu và giải thuật với Python

Học viên có thể tự trang bị lại, hoặc  củng cố lại với các khóa học miễn phí trên  mạng, hoặc có thể đăng ký học lại các môn  nền tảng này tại FUNiX. Chi tiết về hai cách này, bạn có thể đăng ký để cán bộ  tuyển sinh để được tư vấn cụ thể.

5. Chương trình học

Môn 1: Introduction to Machine Learning – Giới thiệu về Học máy

Môn học này giới thiệu cho người học các khái niệm cơ bản trong học máy (machine learning) bao gồm machine learning là gì, các chủ đề và thuật toán trong machine learning, các ứng dụng của machine learning trong thực tế, sử dụng Python trên Ipython Notebook trên môi trường web trong các ứng dụng. Cung cấp kiến thức giúp người học làm quen với một trong những thuật toán machine learning là Regression (hồi quy) được sử dụng trong việc học có giám sát (Supervised Learning). Qua đó người học có đánh giá ban đầu về việc xây dựng một hệ thống machine learning.

Mục tiêu:
– Hiểu các khái niệm cơ bản của Machine learning.
– Hiểu các khái niệm cơ bản liên quan đến ML về Giải tích, Đại số tuyến tính và Xác suất thống kê
– Ôn lại và thực hành lập trình Python cơ bản, các cấu trúc dữ liệu trong Python, làm việc với Pandas and Numpy, Lớp và Tính kế thừa
– Hiểu và thực hành các công cụ của Machine learning: sklearn, jupyter notebook.
– Nắm được những kiến thức cơ bản về Học tập có giám sát và không giám sát trong Machine Learning với các Case study

Môn 2: Machine Learning: Regression – Học máy: Kỹ thuật Hồi quy

Regression là một trong những bài toán cơ bản được nghiên cứu trong machine learning. Môn học này cung cấp kiến thức giúp người học làm quen với một trong những thuật toán machine learning là Regression (hồi quy) được sử dụng trong việc học có giám sát (Supervised Learning). Qua đó người học có đánh giá ban đầu về việc xây dựng một hệ thống machine learning.

Mục tiêu:
– Nắm rõ mục tiêu và các phương pháp tiếp cận giải bài toán hồi quy.
– Triển khai được các thuật toán thông dụng để giải bài toán hồi quy: 1 biến, đa biến, Lasso, Ridge.
– Giải quyết các vấn đề underfit và overfit trong bài toán hồi quy.
– Thành thạo các phương pháp trích xuất và chọn lọc đặc trưng từ dữ liệu.
– Làm quen với các thuật toán hồi quy nâng cao: SVR, Tree, Random Forest.

Môn 3: Machine learning: Classification – Học máy: Kỹ thuật Phân loại

Bên cạnh kỹ thuật hồi quy (Regression), kỹ thuật Phân loại, phân lớp (Classification) thường được sử dụng trong việc học có giám sát (Supervised Learning). Classification là một trong những bài toán được nghiên cứu nhiều nhất trong machine learning. Môn học này cung cấp kiến thức về bài toán Classification, cách thức vận dụng kỹ thuật này để giải quyết quá trình phân lớp, mô hình phân lớp, kiểm tra dữ liệu và đánh giá mô hình phân lớp. Học viên được trang bị kiến thức, cách thức làm việc với các thuật toán liên quan đến kỹ thuật phân lớp và áp dụng trong các bài toán học máy.

Mục tiêu: 

– Nắm rõ mục tiêu và các phương pháp tiếp cận giải bài toán phân loại.
– Triển khai được các thuật toán thông dụng để giải bài toán phân loại: Hồi quy Logistic, mạng nơron nông và sâu (DNN), cây quyết định (DT), SVM.
– Giải quyết các vấn đề underfit, overfit, optimization và regularization trong bài toán phân loại.
– Thành thạo các phương pháp trích xuất và chọn lọc đặc trưng từ dữ liệu cho bài toán phân loại.
– Làm quen với các thuật toán phân loại nâng cao: Adaboost, Random Forest.
– Xử lý được vấn đề mất cân bằng dữ liệu trong bài toán phân loại.
– Nắm được các phương pháp ensemble khác nhau cho các bài toán ML và cách áp dụng chúng: Ensembling, boosting, bagging, stacking.
– Có thể thực thi được 1 pipeline hoàn chỉnh để giải quyết bài toán phân loại.
– Có năng lực về chuẩn hóa dữ liệu, xây dựng và đánh giá, phân tích lỗi, cải thiện và tối ưu model trong các bài toán ML.

Môn 4

Sau khi kết thúc được 3 môn đầu tiên của hóa học, học viên sẽ chọn môn thứ 4 theo định hướng công việc tương lai của bản thân, hiện có 2 lựa chọn dành cho học viên.

Môn 4.1: Machine learning:  Clustering & Retrieval – Học máy: Kỹ  thuật phân cụm và thu hồi

Bên cạnh các kỹ thuật sử dụng trong việc học có giám sát (Supervised Learning), các kỹ thuật khác hay được sử dụng trong việc học không giám sát (Unsupervised learning). Môn học cung cấp kiến thức cơ bản về học máy không giám sát với các thuật toán Phân nhóm và rút trích (Clustering & Retrieval). Nắm bắt và sử dụng các thuật toán này trong học máy để giải quyết các ứng dụng trong thực tế.

• Hiểu được vấn đề và bài toán liên quan đến phân nhóm và rút trích trong học máy
• Kiến thức về Nearest Neighbor Search
• Kiến thức về Clustering với k-means
• Trang bị kiến thức về vấn đề Mixture Models
• Hiểu và nắm bắt vấn đề Mixed Membership Modeling via Latent Dirichlet Allocation
• Nắm bắt các kỹ thuật liên quan đến Hierarchical Clustering
• Thực hành các thuật toán Clustering và Retrieval trong các bài toán thực tế

Môn 4.2: Machine learning:  Introduction to Deep learning – Học máy:  Kỹ thuật học sâu

Mục đích của môn học trang bị cho người học kiến thức cơ bản về các mạng nơ ron hiện nay và ứng dụng trong thị giác máy tính và xử lý ngôn ngữ tự nhiên. Môn học bao gồm chủ đề về stochastic optimization, các thủ thuật khi huấn luyện mạng nơ ron, cách xây dựng mạng nơ ron. Học viên còn được học về các kiến trúc mạng nơ ron phức tạp trên các framework Tensorflow và Keras. Người học sẽ biết cách sử dụng các thuật toán học sâu để giải quyết các bài toán AI.

• Nắm được khái niệm cơ bản, ứng dụng và vai trò của Deep Learning hiện nay trong thị giác máy tính và xử lý ngôn ngữ tự nhiên.Nắm được khái niệm cơ bản, ứng dụng và vai trò của Deep Learning hiện nay trong thị giác máy tính và xử lý ngôn ngữ tự nhiên
• Nắm được các ứng dụng của DL vào trong thị giác máy tính thông qua kiến trúc mạng CNN (CNN, VGG, Resnet, Inception, MobileNet, EfficientNet): Bài toán phân loại hình ảnh, nhận diện vật thể, phân vùng theo nhóm, nhận diện khuôn mặt.
• Nắm được ứng dụng của DL vào trong xử lý ngôn ngữ tự nhiên thông qua các kiến trúc mạng về RNN (RNN, LSTM, GRU, Attention và Transformation): Nhận diện cảm xúc thông qua văn bản, dịch máy, xây dựng và sử dụng Word Embedding.
• Sử dụng được Tensorflow để xây dựng một dự án hoàn chỉnh về Machine Learning và Deep Learning.
• Có năng lực về chuẩn hóa dữ liệu, xây dựng và đánh giá, phân tích lỗi, cải thiện và tối ưu model trong các dự án ML/DL.

Môn 5: Final project – Đồ án cuối  khóa

Mục đích của môn học trang bị cho người học vận dụng các kiến thức cơ bản về Kết hợp các mô hình để thực hiện các kỹ thuật liên quan Supervised Learning, Unsupervised Learning để thực hiện việc huấn luyện và đoán nhận trong mô hình học máy. Vận dụng các kỹ thuật cơ bản trong việc giải quyết các bài toán thực tế liên quan đến học máy.

• Nắm được tổng quan về các topic trong machine learning: supervised learning, unsupervised learning
• Hiểu và thực hành các thuật toán về Regression
• Hiểu và thực hành các thuật toán về Classification
• Hiểu và thực hành các thuật toán về Clustering
• Thực hành cách thuật toán vào bài toán thực tế.

6. Phương thức đào tạo

FUNiX có platform học trực tuyến riêng cho học viên. Sinh viên được cấp tài khoản học trực tuyến để học lý thuyết nền tảng, thực hành các project được các chuyên gia trong ngành công nghiệp cung cấp từ những bài toán thực tế. Thời gian thực hành chiếm 60%-70% thời gian học tập. 

Khi có khó khăn chuyên môn, sinh viên hỏi đáp 1-1 với mentor. Ngoài ra, sinh viên có trợ lý học tập cá nhân (Hannah) hỗ trợ, đồng hành giúp tạo lập thói quen tự học.  

Học viên nộp project và được review chi tiết cá nhân để hoàn thiện từng bài. Học viên hoàn tất các bài kiểm tra đánh giá khác để đủ điều kiện thi. Thi cuối môn có hình thức vấn đáp với hội đồng thi

Hoàn tất chương trình, học viên được cấp Chứng chỉ của xSeries FUNiX.

7. Phương thức đánh giá

Học viên được đánh giá theo quá trình và trọng tâm đánh giá đặt vào phần thực hành với tính xác thực rõ ràng. Cụ thể:

8. Đội ngũ xây dựng khóa học

Khóa học được xây dựng và thẩm định bởi các chuyên gia hàng đầu về giảng dạy và làm việc trong lĩnh vực Machine Learning tại Việt Nam, bao gồm:

Đội ngũ xây dựng chương trình: TS Nguyễn Văn Vinh và các thành viên dự án

TEAM LEADER

Chuyên gia phản biện khóa học:

Đội ngũ đánh giá và thẩm định: 

Mọi thông tin về Khóa học, vui lòng xem thêm TẠI ĐÂY hoặc liên hệ:

• Hotline/ Zalo: 078.231.3602
• Email: info@funix.edu.vn