Skip to main content

Final Project - Data Science

Thông tin chung

Mã môn học: DSP305x
Tên môn học: Đồ án cuối khóa - Khoa học dữ liệu
Số tín chỉ: 3
Thời gian học: 6 tuần

Bạn đã hoàn thành bốn khóa học của Chương trình Data Science (Khoa học Dữ liệu). Bắt đầu với khóa học Intro to Data Science bạn đã học về các khái niệm, phương pháp luận, thuật toán và ứng dụng của Data Science. Trong khóa học thứ hai, Data Analysis (Phân tích dữ liệu), bạn đã học được cách truy vấn dữ liệu từ cơ sở dữ liệu, xử lý dữ liệu bằng Python và phân tích dữ liệu bằng phương pháp trực quan hóa. Sau đó, trong khóa học về Machine Learning (Học máy), bạn đã học được những kiến thức cơ bản về học máy và ứng dụng của nó trong các lĩnh vực khác nhau như chăm sóc sức khỏe, ngân hàng, viễn thông và về các kỹ thuật học máy hiệu quả nhất. Cũng trong khóa học về Deep Learning (Học sâu), bạn có được kiến thức về mạng nơ-ron hiện đại và các ứng dụng của chúng trong computer vision (thị giác máy tính) và natural language understanding (thấu hiểu ngôn ngữ tự nhiên).

Trong đồ án cuối khóa này, bạn sẽ có cơ hội tham gia vào một dự án thực tế và thực sự trải nghiệm trực tiếp các nhiệm vụ của một data scientist (nhà khoa học dữ liệu). Đối với các yêu cầu của dự án, bạn sẽ mô tả Business Understanding (Tìm hiểu về nghiệp vụ) trong một báo cáo. Sau đó, bạn sẽ sử dụng kỹ năng phân tích của mình để hiểu dữ liệu được cung cấp để tìm ra các đặc điểm tốt nhất. Sau đó, bạn sẽ áp dụng machine learning (học máy) để xây dựng mô hình dự đoán. Cuối cùng, bạn sẽ học cách tạo API RestFul để đưa ra dự đoán với dữ liệu mới.

Đề bài cụ thể của dự án thực tế có thể do bạn tự tìm hiểu và lựa chọn bài toán phù hợp mà mình muốn nghiên cứu và theo đuổi. 


MỤC TIÊU MÔN HỌC

  • Vận dụng toàn diện vòng đời của khoa học dữ liệu vào một vấn đề thực tế.
  • Áp dụng các kỹ năng phân tích và trực quan hóa để phân tích dữ liệu và việc hoàn thành việc lựa chọn tính năng.
  • Chọn các thuật toán Machine Learing phù hợp và các chỉ số đánh giá hợp lý cho một vấn đề thực tế.
  • Áp dụng nhiều kỹ thuật để cải thiện độ chính xác của mô hình.
  • Hiểu và áp dụng Flask để tạo API cho một dự án khoa học dữ liệu.
  • Có thể viết một báo cáo khoa học dữ liệu chi tiết.

CẤU TRÚC MÔN HỌC

Bước 1: Tổng quan Đồ án

Bước 2: Chi tiết Đồ án

Bước 3: Hướng dẫn Đồ án

Bước 4: Cách thức đánh giá Đồ án

Bước 5: Hướng dẫn lập kế hoạch Đồ án

Bước 6: Hướng dẫn nộp và bảo vệ Đồ án

ĐỘI NGŨ THIẾT KẾ MÔN HỌC

THIẾT KẾ MÔN HỌC

M.S. Vũ Thương Huyền

  • Nhà khoa học dữ liệu tại FPT Software - FPT
  • Thạc sĩ Kỹ thuật phần mềm, Đại học Công nghệ, Đại học Quốc gia Hà Nội
  • Cử nhân Kỹ thuật, Toán ứng dụng và Tin học, Đại học Bách Khoa Hà Nội
  • Lĩnh vực nghiên cứu: Machine learning, Deep learning, Reinforcement Learning, Natural Language Processing…
  • Profile online: https://www.linkedin.com/in/thuong-huyen-3969747a/ 

M.Sc. Nguyễn Hải Nam

  • Chief mentor & chuyên gia thiết kế khóa học tại FUNiX
  • Thạc sĩ Khoa học Máy tính, Đại học Cassino, Ý
  • Cử nhân Khoa học ứng dụng, Kỹ thuật viễn thông, PTIT
  • Lĩnh vực nghiên cứu: Deep Learning, Computer vision, Handwritting OCR, Abnormal detection
  • Online profile: https://www.linkedin.com/in/hai-nam-nguyen-474587119/ 

CHUYÊN GIA PHẢN BIỆN 

Chuyên gia phản biện chi tiết

 

 

Kiểm thử

 

 

Ph.D. Đặng Hoàng Vũ

  • Giám đốc khoa học FPT
  • Tiến sĩ Toán học, Đại học Cambridge
  • Thành viên nòng cốt của các hoạt động R&D tại Tập đoàn FPT
  • Chịu trách nhiệm chính trong lĩnh vực phân tích của Platform quản lý dữ liệu  và nghiên cứu khoa học dữ liệu của FPT

B.A. Hồ Quốc Bảo

  • Trợ lý Nghiên cứu, học viên cao học về Công nghệ Micro và Nano, Đại học Đông Nam, Na Uy 
  • Học viên Cao học Kỹ thuật Viễn thông, ĐHBK HCM
  • Cử nhân Kỹ thuật Điện tử Viễn thông, ĐHBK
  • Lĩnh vực nghiên cứu: Signal Processing, Modelling, Machine Learning, Optical cable, Ultrasound Signal
  • Hồ sơ online: https://www.linkedin.com/in/quoc-bao-ho-bb239288/

CHUYÊN GIA PHẢN BIỆN KHUNG CHƯƠNG TRÌNH

 Assoc. Prof. Từ Minh Phương

Ph.D. Nguyễn Văn Vinh

Ph.D. Trần Thế Trung

  • Trưởng khoa CNTT, Đại học Bưu chính viễn thông (PTIT)
  • Chuyên gia tư vấn công nghệ AI & machine learning
  • Trưởng phòng Lab Học máy & Ứng dụng của PTIT
  • Giảng viên & thành viên cốt lõi của Phòng thí nghiệm AI, Đại học Công nghệ - VNU
  • Chuyên gia  tư vấn AI cho DPS, Fsoft
  • Bằng tiến sĩ Khoa học máy tính, Viện Khoa học và Công nghệ tiên tiến Nhật Bản
  • Cử nhân CNTT, Đại học Công nghệ, VNU
  • Viện trưởng Viện nghiên cứu công nghệ FPT, Đại học FPT
  • Bằng tiến sĩ Vật lý tính toán, UVSQ Université de Versailles 
  • Thạc sĩ Vật lý thiên văn, Đại học Pierre & Marie Curie
  • Cử nhân Vật lý lý thuyết và Toán học, Đại học Melbourne

NGUỒN HỌC LIỆU 

      Trong thời đại hiện nay, mỗi môn học đều có nhiều nguồn tài liệu liên quan kể cả sách in và online, FUNiX Way không quy định một nguồn học liệu cụ thể mà khuyến cáo để học viên chọn được nguồn phù hợp nhất cho mình. Trong quá trình học từ nhiều nguồn khác nhau theo lựa chọn cá nhân đó, khi sinh viên phát sinh câu hỏi thì sẽ được kết nối nhanh nhất với mentor để được giải đáp. Toàn bộ phần đánh giá bao gồm các câu hỏi trắc nghiệm, bài tập, dự án và thi vấn đáp do FUNiX thiết kế, xây dựng và thực hiện.

      Các môn học của FUNiX không quy định bắt buộc tài liệu học tập, sinh viên có thể chủ động tìm và học từ bất kỳ nguồn nào phù hợp, kể cả sách in hay nguồn học liệu online (MOOC) hay các website. Việc sử dụng các nguồn đó do học viên chịu trách nghiệm và đảm bảo tuân thủ các chính sách của chủ sở hữu nguồn, trừ trường hợp họ có sự hợp tác chính thức với FUNiX. Nếu cần hỗ trợ, học viên có thể liên hệ phòng đào tạo FUNiX để được hướng dẫn.


      Kênh phản hồi

      FUNiX sẵn sàng đón nhận và trao đổi về mọi ý kiến góp ý, phản hồi liên quan đến học liệu qua email program@funix.edu.vn.

      Enroll