Machine Learning

Giới thiệu

Nhu cầu công việc liên quan Machine Learning gần đây là rất lớn. Các đơn vị doanh nghiệp công nghệ đều thiếu và cần rất nhiều nhân lực liên quan đến lĩnh vực này.

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.

Đầu ra sau khi hoàn thành chương trình

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.

Yêu cầu đầu vào đối với sinh viên

Có kiến thức về lập trình cơ bản.
Có kiến thức về Đại số tuyến tính và xác suất thống kê cơ bản.

Đối tượng học

Khóa học phù hợp với sinh viên CNTT năm thứ 3
Sinh viên khoa toán năm thứ 3 có mong muốn làm việc liên quan đến các dự án AI và machine learning.

Chương trình học

Môn 1: Introduction to Machine Learning – Nhập môn về Học máy

Hiểu được các khái niệm cơ bản của machine learning, các ứng dụng của Machine Learning trong các bài toán
Biết sử dụng Python để lập trình trên môi trường Ipython Notebook cho việc thử nghiệm các bài toán về học máy.
Biết cách sử dụng Scikit-learn trên môi trường Ipython Notebook
Hiểu được các bước để phát triển ứng dụng học máy, các thách thức và vấn đề liên quan học máy.
Học viên biết về thống kê mô tả
Nắm được hệ số tương quan tuyến tính và hồi quy tuyến tính
Hiểu được các kiến thức trong xác suất: biến ngẫu nhiên, xác suất, xác suất có điều kiện
Nắm vững kiến thức về phân bố xác suất
Biết cách lập trình Python cơ bản, làm việc với các cấu trúc dữ liệu trong Python.

Môn 2: Machine Learning: Regression – Kỹ thuật hồi quy trong học máy

Hiểu được các khái niệm cơ bản Regression
Hiểu và thực hành các thuật toán về Simple Linear Regression
Hiểu và thực hành các thuật toán về Multiple Regression
Hiểu về Assessing Performance
Hiểu về Ridge Regression
Tìm hiểu về Feature Selection & Lasso
Hiểu và nắm bắt nội dung về Nearest Neighbors & Kernel Regression
Thực hành các thuật toán vào bài toán thực tế

Môn 3: Machine learning: Classification – Kỹ thuật phân loại trong học máy

Hiểu được vấn đề và bài toán liên quan đến phân loại, phân lớp trong học máy
Tìm hiểu về Linear Classifiers & Logistic Regression
Kiến thức về Learning Linear Classifiers
Trang bị kiến thức về vấn đề Overfitting & Regularization trong Logistic Regression
Nắm bắt được thuật toán về Decision Trees, vấn đề Overfitting và Missing Data trong Decision Trees
Nắm bắt được thuật toán Naïve Bayes
Nắm bắt được thuận toán SVM
Hiểu và nắm bắt được thuật toán Neural Network
Học về kỹ thuật Boosting
Hiểu và nắm bắt được về Precision- Recall
Nắm bắt các kỹ thuật liên quan đến Scaling to Huge Datasets & Online Learning
Thực hành các thuật toán classification trong các bài toán thực tế

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 – Kỹ thuật phân cụm và thu hồi trong học máy

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

Nắm được khái niệm cơ bản, ứng dụng và vai trò của Deep Learning hiện nay và cách sử dụng, triển khai các mạng shallow và deep neural network.
Có kiến thức về ố DL: G d D , -batch GD, hyper-parameter optimization và các thuật toán bổ trợ GD(RMSProp, Adam,…)
Nắm được các ứng dụng của DL vào trong thị giác máy tính thông qua kiến trúc mạng CNN: Bài toán phân loại hình ảnh, nhận diện vật thể, phân biệt khuôn mặt.
Nắm được ứng dụng của DL vào trong xử lý ngôn ngữ tự nhiên thông qua các kiến trúc mạng về RNN, LSTM, GRU và Attention: Nhận diện cảm xúc thông qua vă bản, dịch máy, xây dựng và sử dụng Word Embedding.
Có năng lực về chuẩn hóa dữ liệu, xây dựng và đánh giá, phân tích lỗi, cải thiện và tối ưu model với Tensorflow trong các dự án ML/DL.

Môn 5: Final project

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.

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