Machine Learning with Python

• HV đã tham gia khóa Data Preprocessing & Analysis hoặc có kiến thức tương đương
• Sinh viên các trường Đại học, Cao đẳng
• HV có định hướng sẽ làm việc trong lĩnh vực Machine Learning/ Data Science

• Hiểu các khái niệm cơ bản của Toán được vận dụng trong Machine Learning, bao gồm Đại số ma trận; Tối ưu hàm số với Gradient Descent; Xác suất và Thống kê.
• Hiểu, áp dụng và triển khai các thuật toán trong nhóm Supervised Learning như Logistic Regression, Linear Regression, Naïve Bayes, K-Nearest Neighbors (KNN), Decision Tree, Random Forest, Support Vector Machine (SVM), Mạng Nơron;  Boosting và AdaBoost với Python.
• Hiểu, áp dụng và triển khai các thuật toán trong nhóm Unsupervised Learning như K-Means clustering, Hierarchical Clustering, Gaussian Mixture Models (GMM)
• Dimensionality Reduction với Principal Component Analysis (PCA) và  Linear Discriminant Analysis (LDA).
• Time Series Analysis với ARIMA
• Vận dụng các thuật toán Machine Learning trong việc giải quyết các vấn đề thực tế, cụ thể
• Triển khai project theo Data Science process
• Xây dựng nền tảng vững chắc về Machine Learning với Python

• Thời gian: 5 tuần
• Thời lượng: 48 giờ (64 tiết)
• Học phí: 6.000.000 đ

• Giới thiệu Machine Learning(3 giờ)
  • Giới thiệu
  • Tổng quan về Machine Learning
    • Định nghĩa
    • Lịch sử phát triển
    • Tầm quan trọng của ML trong thế giới hiện nay
  • Phân loại
    • Học có giám sát
    • Học không giám sát
    • Học tăng cường
  • Quy trình phát triển ML project (ôn lại)
  • Đánh giá mô hình
    • Đánh giá mô hình hồi quy (regression): MSE, MAE, R2
    • Đánh giá mô hình phân loại (classification): Accuracy score, TP, TF, FP, FN, ROC 
  • Hỏi đáp
• KNN(3 giờ)
  • Vector - Ma trận
  • Các thao tác cơ bản với vector – ma trận
  • Thuật toán kNN
    • Khoảng các giữa 2 vector
    • Minh họa thuật toán KNN với Excel/Python (chat GPT)
    • Sử dụng thư viện sklearn
• Tối ưu hàm số với Gradient Descent(3 giờ)
  • Giới thiệu đạo hàm
  • Một số đạo hàm cơ bản
  • Đạo hàm đa biến
  • Tim cực trị hàm số với phương pháp Gradient Descent 
  • Tối ưu hàm mất mát MSE
• Mô hình hồi quy tuyến tính (Linear Regression)(3 giờ)
  • Giới thiệu thuật toán
    • Hàm mất mát (Loss function / Cost function) MSE
  • Sử dụng thư viện sklearn
  • Vấn đề đa công tuyến trong hồi quy đa biến.
  • Chọn lựa thuộc tính với SelectKBest
• Mô hình hồi quy Logistic (Logistic Regression)(3 giờ)
  • Giới thiệu Binary classification
  • Hàm Sigmoid 
  • Hàm mất mát Cross-Entropy
  • Minh họa thuật toán Logistic (Excel/Python (Chat GPT hổ trợ))
  • Sử dụng thư viện sklearn trong bài toán hồi quy logistic đa biến.  
• Naive Bayes(3 giờ)
  • Lý thuyết xác suất
  • Công thức Bayes
  • Phân phối dữ liệu và hàm phân phối xác suất 
  • Phân phối dữ liệu (Distribution)
  • Hàm phân phối xác suất và hàm mật độ xác suất 
  • Phân phối chuẩn (Standard distribution)
  • Phân phối nhị thức (Binomial distribution)
  • Ứng dụng công thức Bayes trong bài toán phân lớp (classification)
  • Minh họa thuật toán với Excel/Python   
  • Thực hành cài đặt mô hình với thư viện sklearn
• Cây quyết định (Tree Decision) -  Rừng (Random Forest)(3 giờ)
  • Giới thiệu về cây quyết định
  • Hoạt đông tổ chức cây
    • Inpurity Gini
    • Entropy, Information gain 
  • Ưu & Khuyết điểm
  • Cài đặt ứng dụng với thư viện sklearn
  • Thuật toán Random Forest
    • Giới thiệu
    • Ensemble models
    • Ưu & khuyết điểm 
    • Thực hành cài đặt mô hình với thư viện sklearn 
  • Chọn lựa thuộc tính với FeaturesImportance 
• Các kỹ thuật khác (3 giờ)
  • Lưu trữ và tái sử dụng model
  • Pipeline
  • Đánh giá và lựa chọn mô hình (Cross validation)
  • Tối ưu các giá trị tham số (Parameters tuning)
    • Grid search
    • Random search
• SVM(1.5 giờ)
  • Cơ bản về  SVM
    • Tối đa hóa lề phân tách
      • Hard-margin
      • Soft-margin
    • Khái niệm support vector
    • Giới thiệu các Kernel trick
  • Thực hành cài đặt mô hình với sklearn
• Ensemble Techniques: Boosting(3 giờ)
  • Tổng quan về Boosting
  • Các thuật toán Boosting phổ biến
    • AdaBoost
    • XGBoost
  • Thực hành cài đặt mô hình 
• Các thuật toán giảm chiều dữ liệu  (3 giờ)
  • Phân tích thành phần chính (PCA)
    • Giới thiệu thuật toán
    • Ứng dụng PCA trong sklearn và các ví dụ cụ thể
  • Thuật toán LDA
    • Giới thiệu thuật toán
    • Ứng dụng LDA trong sklearn để giảm chiều dữ liệu
• Phân cụm dữ liệu(3 giờ)
  • KMeans
    • Hoạt động của thuật toán 
    • Chọn số nhóm (Elbow method, Sihoute)
    • Ưu và khuyết điểm
    • Thực hành cài đặt mô hình. 
  • Gausian Mixture Model (GMM)
    • Phân phối chuẩn
    • Thuật toán GMM
    • Cài đặt ứng dụng GMM  
• Time series analysis: ARIMA(3 giờ)
  • Tổng quan
  • Các thành phần
    • Trend, seasonality, cyclic patterns, and noise.
  • Stationarity.
    • Dickey-Fuller test.
  • Xác định tham số p,d,q , [P, D, Q]  m trong mô hình ARIMA và SARIMA
    • ACF và PACF 
  • Time Series Decomposition
  • Thực hành xây dựng mô hình với ARIMA, SARIMA và Auto Arima
• Mạng nơron (Neuron network)(6 giờ)
  • Tổng quan về mạng nơron
  • Cấu trúc và hoạt động của mạng noron
    • Layers:  Input, Dense, Droput, RNN (LSTM), …
    • Activation functions: RELU, Sigmoid, Softmax
    • Feed forward process
    • Back propagation 
  • Giới thiệu các khái niệm
    • Optimizer
    • Epoch, batch_size
    • Loss, metrics 
  • Ứng dụng với bài toán Time-series
• Đề thi cuối môn (Final Exam)(1.5 giờ)
• Phần thời gian dự trữ (3 giờ)

Học viên thi đạt kết quả cuối môn học sẽ được cấp chứng nhận "Machine Learning with Python - Máy học với Python"