Quay lại khóa học
AI-MLAdvanced

AI & Machine Learning

AI & Machine Learning

AI/ML thực hành với Python: xử lý dữ liệu (NumPy/pandas), mô hình truyền thống (sklearn) và deep learning (TensorFlow/PyTorch). Học tiền xử lý, chọn đặc trưng, đánh giá/giảm overfitting và đóng gói mô hình để triển khai (dự án end‑to‑end).

⭐ 4.9 (67 đánh giá)⏱ 36h👥 145 học viên📚 24 bài học📎 60 tài liệu🌐 Vietnamese
10.000.000 ₫
IT
Tạo bởi ITSS Training
🌐 VietnameseAdvanced

Lộ trình học

Buổi 1
Ngày 1-2

Mục tiêu

  • Hiểu rõ AI/ML fundamentals
  • Setup Python ML environment
  • Data preprocessing cơ bản

Nội dung

  • Giới thiệu AI/ML, các ứng dụng tiêu biểu và quy trình làm việc end‑to‑end từ dữ liệu đến triển khai.
  • Cài đặt Python, Jupyter và các thư viện nền tảng; thiết lập môi trường ảo và quản lý gói ổn định.
  • Tải và khám phá dữ liệu (EDA): thống kê mô tả, trực quan hóa nhanh để nhận diện pattern và outlier.
  • Làm sạch và tiền xử lý: xử lý thiếu dữ liệu, chuẩn hóa/chuẩn chỉnh thang đo, mã hóa biến phân loại.
  • Bài lab: thao tác với dataset đầu tiên, chia train/validation/test và lưu pipeline tiền xử lý.
Buổi 2
Ngày 3-4

Mục tiêu

  • Supervised learning algorithms
  • Model training và evaluation
  • Feature engineering

Nội dung

  • Học có giám sát: hồi quy và phân loại; chọn thuật toán phù hợp với dữ liệu và mục tiêu.
  • Cây quyết định và rừng ngẫu nhiên: ưu/nhược điểm, kiểm soát overfitting và diễn giải mô hình.
  • Đánh giá mô hình: chia k‑fold, metric phù hợp (MAE/MSE/AUC/F1) và bẫy đánh giá sai.
  • Feature engineering: lựa chọn, biến đổi và tạo đặc trưng mới để tăng chất lượng dự báo.
  • Bài lab: xây pipeline sklearn hoàn chỉnh với cross‑validation và grid search cơ bản.
Buổi 3
Ngày 5-6

Mục tiêu

  • Deep learning với TensorFlow/PyTorch
  • Neural networks
  • Computer vision cơ bản

Nội dung

  • Nhập môn deep learning với TensorFlow/PyTorch: tensors, autograd và tối ưu hóa bằng gradient descent.
  • Thiết kế kiến trúc mạng nơ‑ron: số lớp, hàm kích hoạt, regularization và early stopping.
  • Bài toán thị giác máy tính cơ bản: phân loại ảnh bằng CNN; xử lý augmentation và batching.
  • Transfer learning: fine‑tune mô hình tiền huấn luyện để tăng tốc và cải thiện độ chính xác.
  • Bài lab: huấn luyện mô hình nhỏ, theo dõi loss/accuracy và tránh overfitting bằng dropout/l2.
Buổi 4
Ngày 7-8

Mục tiêu

  • Model deployment
  • Project thực tế
  • Advanced topics

Nội dung

  • Đóng gói mô hình: lưu/khôi phục trọng số và pipeline tiền xử lý; kiểm soát phiên bản mô hình.
  • Phát triển API phục vụ mô hình với FastAPI/Flask; khử nhiễu dữ liệu đầu vào và trả về dự đoán an toàn.
  • Dự án end‑to‑end: từ EDA → training → đánh giá → đóng gói → phục vụ dự đoán; viết README và scripts chạy.
  • Tổng quan học không giám sát: clustering, giảm chiều; khi nào nên áp dụng.
  • Xu hướng tương lai: MLOps cơ bản, monitoring mô hình và vòng đời cải tiến liên tục.