Machine Learning Certificate

• Sinh viên Đại học, Cao Đẳng từ năm 3 trở lên hoặc bất kỳ ai quan tâm đến việc phát triển các kỹ năng và kinh nghiệm để theo đuổi sự nghiệp trong lĩnh vực Machine Learning.
• Điều kiện cần khi tham gia khóa học: HV có kiến thức tin học văn phòng và sử dụng Internet
• Chú ý: HV tự trang bị kiến thức về Domain Knowledge (lĩnh vực mà HV sẽ vận dụng Machine Learning vào công việc)

• Thời gian: 8 – 9 tháng
• Thời lượng: 341 tiết học trực tiếp trên máy + 67 tiết đồ án
• Học phí dành cho Học viên đăng ký bổ sung từ môn LDS3 là 18.000.000đ (tổng 2 lần đóng 23.500.000đ)

***Lưu ý: Học phí chỉ áp dụng cho Học viên đã đăng ký combo LDS1+LDS2 khóa 270-271-272 (Năm 2021 trở về trước)

*** Mọi thông tin tư vấn, Học viên liên hệ bạn Tú Trinh (email: ntttrinh@csc.hcmus.edu.vn) hoặc Thu Nga (email: tttnga@csc.hcmus.edu.vn) để được hướng dẫn thêm.

• Course 1: Fundamentals of Python (Lập trình Python cơ bản)
  • Kiến thức nền tảng về Python – một ngôn ngữ lập trình cấp cao, thông dịch, hướng đối tượng và đa mục đích
  • Sử dụng các cấu trúc trong ngôn ngữ lập trình Python để xây dựng ứng dụng
  • Nắm vững và sử dụng các kiểu dữ liệu, toán tử, cấu trúc điều khiển, cấu trúc lặp để giải quyết các bài toán
  • Sử dụng các thư viện Number, String, Date & Time để xử lý số, chuỗi và thời gian
  • Làm việc với List, Tuple và Dictionary để lưu trữ và xử lý danh sách các phần tử.
  • Tạo và sử dụng các phương thức, module/package giúp tái sử dụng code
  • Làm việc với tập tin và thư mục với File I/O
  • Rèn luyện và phát triển kỹ năng lập trình, tư duy logic.
  • Xây dựng nền tảng cơ bản vững chắc trong ngôn ngữ lập trình Python tạo tiền đề cho việc học các kiến thức lập trình
• Course 2: Python For Machine Learning, Data Science and Data Visualization (Python cho Máy học, Khoa học dữ liệu và Trực quan hóa dữ liệu)
  • Kiến thức tổng quát về Data Science, một trong những chuyên ngành “hot” của thế kỷ 21.
  • Cách thu thập dữ liệu, khám phá, phân tích, thống kê tạo ra các báo cáo thông qua việc sử dụng các bộ thư viện, công cụ mạnh mẽ, mã nguồn mở như Python, Jupyter Notebooks, Numpy, Pandas …
  • Cách trích xuất và trình bày dữ liệu dưới dạng có ý nghĩa thông qua nhiều kỹ thuật trình bày dữ liệu một cách trực quan trong Python như Matplotlib, Seaborn và Folium.
  • Tìm hiểu các công cụ trực quan hóa dữ liệu khác như Google Chart, IBM Watson Analytics.
  • Vận dụng cách tìm dữ liệu, xây dựng câu hỏi nghiên cứu, sử dụng các công cụ và kỹ thuật tìm ra câu trả lời và đưa ra quyết định hiệu quả hơn
  • Thực hiện phân tích thống kê cơ bản
  • Thực hiện các project cụ thể trong bối cảnh giải quyết các vấn đề khoa học dữ liệu hấp dẫn
• Course 3: Mathematics and Statistics for Data Science (Toán và Thống Kê cho Khoa học dữ liệu)
  • Các kiến thức cần thiết về toán dành cho Data Science như Đại số tuyến tính (Linear Algebra), Giải tính (Calculus), Phương trình vector ma trận (Matrix-Vector Equations), Matrix Factorization, Eigenvalues và Eigenvectors, Singular Value Decomposition (SVD), Phân tích thành phần chính (Principal Component Analysis - PCA)
  • Các kiến thức cần thiết xác suất thống kê dành cho Data Science như Thống kê mô tả (Descriptive Statistics), Xác suất (Probability), Thống kê suy luận (Inferential Statistics), Ước lượng (Estimation), Tương quan (Correlation)
  • Vận dụng các thư viện toán, xác suất thống kê của Python để giải quyết các vấn đề về khoa học dữ liệu.
  • Thực hiện phân tích thống kê, đưa ra nhận xét trên những bộ dữ liệu thực tế
• Course 4: Machine Learning with Python (Máy học với Python)
  • Kiến thức nền tảng, cần thiết về Machine Learning, một nhánh rất “hot” của Trí tuệ nhân tạo (AI)
  • Sử dụng các bộ thư viện, công cụ mạnh mẽ, mã nguồn mở như Python, Jupyter Notebooks, Numpy, Pandas, Matplotlib, sklearn… dành cho Machine Learning
  • Kiến thức và kỹ năng vận dụng và triển khai các thuật toán quan trọng thuộc nhóm Supervised Learning như Logistic Regression, Linear Regression, Naïve Bayes, K-Nearest Neighbors (KNN), Decision Tree, Random Forest, Support Vector Machine (SVM), Boosting và AdaBoost, XGBoost với Python
  • Kiến thức và kỹ năng vận dụng và triển khai các thuật toán quan trọng thuộc nhóm Unsupervised Learning như K-Means clustering, Hierarchical Clustering, Apriori, Equivalence Class Clustering and bottom up Lattice Traversal (ECLAT), Gaussian Mixture Models (GMM), Dimensionality Reduction với Principal Component Analysis (PCA), Locally Linear Embedding (LLE) với Python
  • Vận dụng các thuật toán Machine Learning trong việc giải quyết các vấn đề thực tế, cụ thể
  • Xây dựng nền tảng vững chắc về Machine Learning với Python, tạo tiền đề cho việc tìm hiểu kiến thức về Deep Learning.
• Course 5: Deep Learning with Python
  • Các kiến thức cần thiết về Deep Learning, một nhánh của Machine Learning.
  • Kiến thức và kỹ năng vận dụng các thuật toán quan trọng thuộc nhóm Supervised Learning (Artificial Neural Network (ANN) – mạng neuron nhân tạo, Convolutional Neural Network (CNN) – mạng neuron tích chập, Recurrent neural network (RNN) - mạng neuron hồi quy), Unsupervised Learning (Self-Organizing Map (SOM) – mạng tự tổ chức), AutoEncoder, Deep Learning và Computer Vision (Face detection – nhận diện khuôn mặt, Object detection - nhận diện vật thể, Pre-trained CNN model, Generative Adversarial Networks (GANs)) thông qua việc sử dụng các bộ thư viện, công cụ mạnh mẽ, mã nguồn mở như Python, Numpy, Pandas, Matplotlib, sklearn, TensorFlow, Keras…
  • Lựa chọn, áp dụng và triển khai các thuật toán trong nhóm Supervised Learning, Unsupervised Learning, Deep Learning và Computer Vision một cách thích hợp dựa trên các yêu cầu cụ thể.
  • Hiểu và vận dụng các thuật toán Deep Learning trong việc giải quyết các vấn đề thực tế.
• Course 6: Big Data in Machine Learning (Dữ liệu lớn trong Máy học)
  • Các công nghệ trong Big Data: cách lưu trữ, quản lý, xử lý và phân tích dữ liệu lớn để mang lại các số liệu theo yêu cầu của hoạt động doanh nghiệp
  • Làm việc với Spark, Big Data Technology mới nhất
  • Trang bị các kiến thức và kỹ năng làm việc với PySpark (Python package tích hợp Spark dùng để thực hiện tính toán song song với các bộ dữ liệu lớn) như PySpark RDD’s, PySpark DataFrame, PySpark SQL, PySpark Mllib, PySpark Streaming
  • Áp dụng Machine Learning với Big Data
• Capstone Project – Đồ án tốt nghiệp (50 giờ)

Học viên thi đạt kết quả cuối môn học sẽ được cấp chứng chỉ "Applied Machine Learning" do Trung Tâm Tin Học - Trường ĐH Khoa học Tự nhiên TP.HCM cấp.