Skip to main content

機械学習入門

Enrollment in this course is by invitation only

thông tin chung

Mã môn học: MLP301x
Tên môn học: Giới thiệu về học máy
Số tín chỉ: 3
Thời gian học: 6 tuần

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 đào tạo các hệ thống như vậy để chúng có thể giải quyết các vấn đề đã xác định. Vì vậy, việc hiểu Machine learning là gì và cách áp dụng nó vào công việc của bạn là vô cùng quan trọng.

Khóa học đầu tiên của Giới thiệu về Học máy nhằm cung cấp cho người học cái nhìn tổng quan về Machine learning và các môn học liên quan với ứng dụng trong thế giới thực. Đặc biệt, người học sẽ được trang bị kiến thức về Giải tích, Đại số tuyến tính, Xác suất thống kê cần thiết cho Machine Learning. Học viên sẽ có cơ hội khám phá và ôn lại các phần lập trình Python cho Machine Learning, một trong những ngôn ngữ lập trình thông dụng nhất cho AI/ML hiện hơn. Quan trọng hơn, thông qua một loạt các case studies, người học sẽ có được kinh nghiệm ứng dụng trong các lĩnh vực chính của Machine learning bao gồm 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).

MỤC TIÊU MÔN HỌC

  • 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,
  • Phác thảo những kiến thức cơ bản về Học tập có giám sát và không giám sát trong Machine Learning với các nghiên cứu về trường hợp cụ thể

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 for 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: Bài toán 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 

ĐỘI NGŨ THIẾT KẾ 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
  • 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

TS. Trần Hồng Việt

  • Tiến sĩ ngành Khoa học Máy tính, giảng viên khoa CNTT, Trường Đại học Kinh tế - Kỹ thuật Công nghiệp từ năm 2002
  • Bằng thạc sĩ tại Trường Đại học Bách khoa Hà Nội năm 2006
  • Bảo vệ luận án tiến sĩ tại Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội năm 2019

B.A.Lưu Trường Sinh

CHUYÊN GIA PHẢN BIỆN VÀ KIỂM THỬ MÔN HỌC

                Course Reviewer

 

                 Course Tester

 

TS. Trần Tuấn Anh

  • Giảng viên tại Trường 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, Đại học Orleans, Pháp
    về AI & machine learning

M.Sc. Nguyen Hai Nam

  • Chief mentor và chuyên gia thiết kế khóa học ở FUNiX
  • Thạc sĩ Khoa học Máy tính, Đại học Cassino, Itally.
  • Lĩnh vực nghiên cứu: Deep Learning, Computer vision, Handwritting OCR, Abnormal detection.
  • Hồ sơ online: https://www.linkedin.com/in/hai-nam-nguyen-474587119/

CHUYÊN GIA PHẢN BIỆN KHUNG CHƯƠNG TRÌNH

 

 PGS.TS Từ Minh Phương

Trưởng khoa CNTT, Đại học Bưu chính viễn thông (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)


    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 nhiệm 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: CourseratutorialspointedX TrainingUdemy or Standford.


     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