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
  • ​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)
    • Các bước thực hiện
    • Đánh giá mô hình
  • Hỏi đáp
• KNN
  • ​Vector - Ma trận
  • Các thao tác cơ bản với vector – ma trận
  • Thuật toán kNN
    • Khoảng các giữa 2 vector
    • Cài đặt thuật KNN  (ChatGPT hổ trợ)
    • Sử dụng thư viện sklearn
• Tối ưu hàm số với Gradient Descent
  • ​Giới thiệu đạo hàm
  • Một số đạo hàm cơ bản
  • Đạo hàm đa biến
  • Tim cực trị hàm số với phương pháp Gradient Descent
• Mô hình hồi quy tuyến tính (Linear Regression)
  • ​Hàm mất mát (Loss function / Cost function) MSE
  • Tối ưu  hàm mất mát MSE
    • Ứng dụng phân rã SVD tìm ma trận giả đảo
    • Ứng dụng thuật toán Gradient Descent tối thiểu hóa 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)
  • ​Giới thiệu
  • Binary classification
  • Hàm Sigmoid
  • Cài đặt Logistic Regression với Gradient Descent
  • Multi class classification với Logistic Regression
    • Khái niệm OVR và OVO
    • Sử dụng thư viện sklearn trong bài toán hồi quy logistic đa biến.   
  • Chọn lựa thuộc tính với SelectKBest
• Naive Bayes
  • ​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
• Đánh giá và lựa chọn mô hình (Cross validation)
• Cây quyết định (Tree Decision) -  Rừng (Random Forest)
  • ​Giới thiệu về cây quyết định
  • Hoạt đông tổ chức cây
    • Entropy, Information gain
    • Inpurity Gini
  • 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
• Mạng nơron (Neuron network)
  • ​Tổng quan về mạng nơron
  • Các thành phần của một mạng noron đơn giản
    • Layers
    • Activation functions
    • Feed forward process
    • Back propagation
  • Biến thể của Gradient Descent
    • Stochastic
    • Mini-batch
  • Cài đặt một mạng noron đơn giản
  • Giới thiệu Deep Learning

• SVM
  • ​Cơ bản về  SVM
  • Tối đa hóa lề phân tách
  • Khái niệm support vector
  • Kernel Trick và bài toán phân tách không tuyến tính (non-linear separate)
    • Giới thiệu các Kernel trick
    • Giới thiệu các siêu tham số (C, gamma) trong SVM
  • Thực hành cài đặt mô hình với sklearn
• Các kỹ thuật khác
  • ​Pipeline
  • Lưu trữ và tái sử dụng model
  • Tối ưu các giá trị tham số (Parameters tuning)
    • ​Grid search
    • Random search
• Ensemble Techniques: Boosting
  • ​Tổng quan về Boosting
  • Các thuật toán Boosting phổ biến
    • AdaBoost
    • GradientBoost
    • XGBoost
  • Thực hành cài đặt mô hình
• Các thuật toán giảm chiều dữ liệu 
  • ​Tổng quan giảm chiều dữ liệu
  • Các kiến thức Toán liên quan
    • Eigen values và Eigen Vectors
    • Eigen decomposition
    • Phân tích thành phần chính (PCA)
  • Các ứng dụng của PCA
    • Trực quan hóa
    • Giảm chiều dữ liệu
  • Thuật toán LDA
    • Giới thiệu
    • Các ứng dụng
• Phân cụm dữ liệu
  • ​KMeans
    • Hoạt động của thuật toán
    • Chọn số nhóm (Elbow method, Sihoute)
    • Ưu và khuyết điểm
    • Các biến thể của KMeans
    • Thực hành cài đặt mô hình.
  • Hierachical clustering
    • Hoạt động của thuật toán
    • Dendogram
    • Ưu và khuyết điểm
    • Thực hành cài đặt mô hình.
  • Gausian Mixture Model (GMM)
    • ​Phân phối chuẩn
    • Thuật toán GMM
    • Giới thiệu EM
    • Cài đặt ứng dụng GMM 
• Time series analysis: ARIMA
  • ​Tổng quan
  • Các thành phần
    • Trend, seasonality, cyclic patterns, and noise.
  • Phân loại
    • Univariate vs. multivariate time series.
  • Stationarity.
    • Dickey-Fuller test.
  • Time Series Decomposition
  • Thuật toán ARIMA
• Đồ án cuối môn

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