I.             Tổng quan

Nền tảng của cuộc cách mạng công nghiệp 4.0, Trí tuệ nhân tạo (Artificial Intelligence – AI), Khoa học dữ liệu (Data Science), Học máy (Machine Learning), đóng vai trò hết sức quan trọng và xu hướng tự động hóa trong doanh nghiệp muốn mở rộng kinh doanh và quy mô của mình. Trong đó, Học máy được ứng dụng rộng rãi trong nhiều lĩnh vực, tạo ra tính hiệu quả cao và kịp thời trong dự đoán, giám sát, hệ thống khuyến nghị.

Khóa học cung cấp những kiến thức cơ bản về Học Máy (Machine Learning), các thuật toán trong học có giám sát (Supervised Learning) và học không giám sát (Unsupervised Learning) và các ứng dụng.

II.         Thời lượng: 32h.

III.      Mục tiêu:

Nắm được các kiến thức toán học và xác suất, thống kê cần thiết cho việc tính toán.

• Hiểu tổng quan về học máy và vai trò của học máy trong các bài toán thực tế.
• Hiểu, áp dụng và triển khai các thuật toán trong học máy như:

-          Học có giám sát (Supervised learning): Linear Regression, Logistic Regression, K-Nearest Neighbors (KNN), Decision Tree, Random Forest, Support Vector Machine (SVM), Boosting và AdaBoost

-          Học không giám sát (Unsupervised learning): Dimensionality Reduction với Principal Component Analysis (PCA), K-Means clustering, Gaussian Mixture Models (GMM)

• Vận dụng các thuật toán Học máy trong việc giải quyết các vấn đề thực tế.

IV.      Đối tượng tham gia:

• Có kiến thức lập trình cơ bản.
• Có kiến thức về Toán (Đại số tuyến tính, xác suất thống kê).

V.          Yêu cầu:

-       Sinh viên từ các chuyên ngành khác nhau như công nghệ thông tin, toán tin, khoa học tự nhiên, kinh tế, tài chính, ngân hàng, ngoại thương v.v...

-       Người đi làm ở các ngành nghề khác nhau và có mong muốn chuyển sang ngành Khoa học dữ liệu, Phân tích dữ liệu, Học máy

VI.      Nội dung khóa học:

1.      Introduction

• Machine Learning Overview
• Mathematics Review (Linear Algebra, Calculus & Probability)
• Introduction to Numpy/Scikit-learn libraries 

Lab:

• Use Numpy to solve some simple problems
• Use Linear Regression to predict house prices (part 1)

2.      Linear Regression with One/Multiple Variables

• Linear regression with one variable
• Linear regression with multiple variable

Lab:

• Use linear regression to predict house prices (part 2)

3.      Logistic Regression with One/Multiple Variables

• Logistic regression with multiple-class classification

Lab:

• Use logistic regression to solve handwriting problem

4.      Support Vector Machine

• Support vector machine

Lab:

• Use SVM to to distinguish between different types of fruits
• Use SVM to detect an object in image

5.      Decision Tree & Random Forest

• Decision tree
• Random forest
• Performance, validation & model interpretation
• Feature importance, tree interpreter

Lab:

• Use random forest to predict the max temperature tomorrow for a city

6.      Unsupervised Learning

• Unsupervised learning: k-means, mean-shift

Lab:

• Use unsupervised learning to segment wholesale customers
• Dimensionality reduction: principal components analysis (PCA)
• Singular Value Decomposition (SVD)
• Anomaly detection
• Recommender system

7.      Dimensionality Reduction

• Dimensionality reduction: principal components analysis (PCA)
• Singular Value Decomposition (SVD)

8.      Anomaly Detection/Recommender Systems

• Anomaly detection
• Recommender system

Lab:

• Build a movie recommender system.

9.      Neural Networks: Representation

• Introduction to neural networks
• Applications

Lab:

• Implement a  neural network for digit recognition (part 1)

10.  Neural Networks: Learning

• Backpropagation algorithm used to help learn parameters for a neural network

Lab:

• Implement a  neural network for digit recognition (part 2).

11.      Final Project Presentation