Introduction to Machine Learning
Giới thiệu về Học máy
Xin chào các bạn!
Học máy (Machine learning) là ứng dụng của trí tuệ nhân tạo (AI) cung cấp cho máy móc khả năng tự động học hỏi và cải thiện mà không cần được lập trình rõ ràng cho từng tác vụ. Trọng tâm chính của Machine learning là cung cấp các thuật toán để xây dựng và huấn luyện các hệ thống để chúng có thể giải quyết các vấn đề trong thực tế.
Môn học đầu tiên của Chương trình Học máy cung cấp cho người học cái nhìn tổng quan về Machine learning cùng những ứng dụng trong thực tế. Trong môn học này, các bạn học viên sẽ được trang bị thêm các kiến thức về Giải tích, Đại số tuyến tính, Xác suất thống kê cần thiết cho Machine learning. Các bạn sẽ có cơ hội khám phá và ôn lại kiến thức lập trình Python cho Machine Learning, một trong những ngôn ngữ lập trình thông dụng nhất cho AI/ML hiện đại. Thông qua một loạt các case studies, người học sẽ tích lũy được các kỹ năng cần thiết và thực hành với các lĩnh vực chính của Machine learning như Dự đoán (Prediction), Phân loại (Classification), Phân cụm (Clustering), Thu hồi thông tin (Information Retrieval) và Học sâu (Deep learning) với Tìm kiếm Hình ảnh (Searching for Images).
Chúc các bạn học tốt!
MỤC TIÊU MÔN HỌC
Sau khi học xong môn này, học viên sẽ đạt được các chuẩn kiến thức, kỹ năng đầu ra như sau:
- Hiểu các khái niệm cơ bản của Machine learning.
- Hiểu các khái niệm cơ bản liên quan đến ML về Giải tích, Đại số tuyến tính và Xác suất thống kê.
- Ôn lại và thực hành lập trình Python cơ bản, các cấu trúc dữ liệu trong Python, làm việc với Pandas and Numpy, Lớp và Tính kế thừa.
- Hiểu và thực hành các công cụ của Machine learning: sklearn, jupyter notebook.
- Nắm được những kiến thức cơ bản về Học tập có giám sát và không giám sát trong Machine Learning với các Case study.
TRẢI NGHIỆM HỌC TẬP
Để bắt đầu, các bạn nên dành một vài phút khám phá môn học và cấu trúc chung. Môn học sẽ có 4 phần với 24 bài học. Xuyên suốt các bài học và cuối mỗi học phần, các bài thực hành Lab và bài tập lớn (Project) sẽ giúp các bạn tăng cường việc ghi nhớ và vận dung lý thuyết đã học vào các bài toán thực tế. Để việc học tập được hiệu quả, hãy luôn trau dồi kiến thức, không ngừng học hỏi, nghiên cứu và lập cho mình một kế hoạch học tập hợp lý để hoàn thành khóa học một cách xuất sắc.
Trong thời gian học (dự kiến là 6 tuần), việc phân bổ tuần học là rất quan trọng. Nếu các bạn có bất cứ câu hỏi nào hãy kết nối với Mentor để được giải đáp.
CẤU TRÚC MÔN HỌC
Phần 1: Tổng quan về Machine Learning
- Bài 1: Giới thiệu về Machine Learning
- Lab 1: Jupyter Notebook
Phần 2: Python cho Machine Learning
- Bài 2: Python cơ bản: Cấu trúc dữ liệu
- Lab 2: Python cơ bản
- Bài 3: Python nâng cao: OOP và API
- Lab 3: OOP với Python
- Lab 4: Khởi tạo API cơ bản
- Bài 4: Numpy trong Python
- Lab 5: Numpy trong Python
- Bài 5: Làm việc với dữ liệu trong Pandas
- Lab 6: Làm việc với dữ liệu trong Python
- Bài 6: Trực quan hóa dữ liệu với Matplotlib
- Lab 7: Trực quan hóa dữ liệu với Python
Project 1 - Viết công cụ tính toán điểm thi và xếp loại học sinh
Phần 3: Toán học trong Machine Learning
- Bài 7: Đại số tuyến tính - Vector
- Bài 8: Đại số tuyến tính - Ma trận
- Bài 9: Giải tích đa biến - Gradient và Đạo hàm
- Bài 10: Giải tích đa biến - Chain rule và Tối ưu hóa
- Bài 11: Thống kê mô tả
- Bài 12: Tương quan và Hồi quy
- Lab 8: Thống kê cơ bản với Python
- Bài 13: Xác suất
- Bài 14: Phân phối xác suất
- Lab 9: Xác suất cơ bản với Python
Progress Test
Phần 4: Machine Learning: Case study
- Bài 15: Bài toán hồi quy tuyến tính
- Bài 16: Case Study: Hồi quy tuyến tính
- Lab 10: Mô hình dự báo giá nhà
- Bài 17: Bài toán phân loại
- Bài 18: Case Study: Phân loại
- Lab 11: Mô hình phân tích bình luận sản phẩm
- Bài 19: Bài toán phân cụm
- Bài 20: Case study: Phân cụm
- Lab 12: Phân cụm nội dung trên Wikipedia
- Bài 21: Hệ thống gợi ý
- Bài 22: Case Study: Hệ thống gợi ý
- Lab 13: Mô hình phân cụm các bài hát
- Bài 23: Bài toán Deep Learning
- Bài 24: Case Study: Deep Learning
- Lab 14: Mô hình trích xuất thông tin cho bài toán truy vấn hình ảnh
Project 2 - Phân tích cảm xúc và phân loại hình ảnh
CHUYÊN GIA THIẾT KẾ VÀ PHẢN BIỆN MÔN HỌC
THIẾT KẾ MÔN HỌC: TS. Nguyễn Văn Vinh
- Giảng viên & thành viên cốt lõi của Phòng thí nghiệm AI, Đại học Công nghệ - VNU
- Chuyên gia tư vấn AI cho DPS & Fsoft
- Tiến sĩ Khoa học máy tính, Viện Khoa học và Công nghệ tiên tiến Nhật Bản
PHẢN BIỆN MÔN HỌC: TS. Trần Tuấn Anh
- Giảng viên Đại học Khoa học Tự nhiên - ĐHQG-HCM
- Tiến sĩ Khoa học Máy tính, Đại học Quốc gia Chonnam, Hàn Quốc
- Thạc sĩ Toán học ứng dụng về AI & Machine Learning, Đại học Orleans, Pháp
CHUYÊN GIA THIẾT KẾ VÀ PHẢN BIỆN KHUNG CHƯƠNG TRÌNH
TS. Từ Minh Phương
- 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
TS. Hoàng Anh Minh
- Quản lý R&D, Chief Scientist FPT Software, LA Office
TS. Lê Hải Sơn
- Chuyên gia về Machine Learning, FPT Technology Innovation (FTI)
- Tiến sĩ khoa học máy tính, Laboratoire d’Informatique et de Mécanique pour les Sciences de l’Ingénieur (LIMSI), Université Paris-Sud, Orsay, Pháp
- Các lĩnh vực nghiên cứu: Xử lý ngôn ngữ tự nhiên, nhận dạng tiếng nói, xử lý ảnh, học máy, học sâu
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.
Dưới đây là một số nguồn học liệu của môn học mà học viên có thể tham khảo sử dụng. Việc liệt kê nguồn dưới đây không nhất thiết hàm ý rằng FUNiX có sự hợp tác chính thức với chủ sở hữu của nguồn: Coursera, tutorialspoint, edX Training, or Udemy.
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