LỢI ÍCH KHI THAM GIA KHÓA MACHINE LEARNING TẠI T3H

Được đào tạo với kiến thức mới nhất và đầy đủ kỹ năng thực chiến dự án.

Có đội ngũ giảng viên & mentor dày dạn kinh nghiệm hỗ trợ học tập 24/7. Học liệu mới nhất và cập nhật liên tục, video record các buổi học được share vĩnh viễn.

Có các trang blog kiến thức, nhóm học tập giúp học viên có thể chia sẻ, học hỏi kiến thức. Được trải nghiệm những dự án lớn, thực tế mà doanh nghiệp đang làm.

Được đào tạo phỏng vấn và chia sẻ các tips phỏng vấn theo chuẩn đầu ra doanh nghiệp. Đảm bảo đầu ra sau khi tốt nghiệp khoá học.
BẠN NHẬN ĐƯỢC GÌ KHI THAM GIA KHÓA ĐÀO TẠO Machine Learning TẠI T3H
Khi tham gia khóa đào tạo Machine Learning dành cho lập trình viên tại Viện công nghệ thông tin T3H bạn sẽ được đào tạo các kiến thức mới nhất và đầy đủ kỹ năng thực chiến một dự án, có thể tham gia dự án thực tế được ngay không cần đào tạo lại khi đi làm.


Lộ trình
[ Phần 1: Python cơ bản ]
Thời lượng: 6 buổi
- Các ứng dụng AI hiện nay và tương lai
- Làm quen với ngôn ngữ Python
- Cài đặt anaconda, Python, IDE
- Môi trường ảo anaconda
- Chương trình Python cơ bản
+ Khai báo kiểu dữ liệu, biến, phép gán
+ Câu lệnh print, format
- Thực hành với cấu trúc rẽ nhánh (if else)
- Luyện tập python với jupyter notebook
- Quiz Test và Thực hành vận dụng vào bài toán thực tế về cấu trúc rẽ nhánh
- Câu lênh break, continue
- Thực hành một số thuât toán cơ bản
- Quiz Test và Thực hành vận dụng vào bài toán thực tế về vòng lặp for, while, break, continue
- Xử lý chuỗi, các kỹ thuật xử lỹ chuỗi nâng cao
- Quiz Test và Thực hành vận dụng vào bài toán thực tế về Collections, xử lý chuỗi
- Câu lệnh Return
- Các thao tác trên terminal
- Quiz Test và Thực hành vận dụng vào bài toán thực tế về function, return
- Sử dụng IDE Pycharm
- Làm bài kiểm tra 30p về kiến thức python cơ bản
[ Phần 2: Python nâng cao sử dụng trong AI ]
Thời lượng: 8 buổi
- Thực hành sử dụng DateTime, Glob
- Đọc và xuất dữ liệu txt, json
- Xử lý ngoại lệ
- Quiz Test và Thực hành vận dụng vào bài toán thực tế về Datatime,glob, txt, json, xử lý ngoại lệ
- Các thành phần trong Class (Thuộc tính, phương thức, mối quan hệ...)
- Thực hành tạo class và thực hành với các thành phần:
+ Data memmber
+ Method
+ Property và tính đóng gói trong OOP
- Quiz Test vàThực hành vận dụng vào bài toán thực tế về OOP
+ Tính đa hình trong OOP
- Clean code (pep-8)
- Thực hành luyện tập lập trình hướng đối tượng
- Biểu thức chính quy (Regular Expressions - re module)
- Thực hành áp dụng các kỹ thuật tối ưu và các bài toán thực tế trong doanh nghiệp
- Làm việc với Numpy library
- Cách tính toán và xử lý matrix
- Quiz Test và thực hành vận dụng vào bài toán thực tế về numpy
- Tạo và Khám Phá Dữ Liệu Bảng
- Quiz Test và thực hành vận dụng vào bài toán thực tế về pandas
- Làm quen các kiểu trực quan hóa phổ biến
- Tinh chỉnh trực quan hóa
- Quiz Test và thực hành vận dụng vào bài toán thực tế về Matplotlib, Seaborn
- Làm bài kiểm tra cuối module
[ Phần 3: Thu thập và Tiền Xử lý dữ liệu (Data Pre-processing) ]
Thời lượng: 2 buổi
- Thu thập dữ liệu với BeautifulSoup, Playwright (Automation web)
- Thực hành crawl data
- Làm việc với Data Pre-processing
- Cách làm sạch dữ liệu (Data cleaning)
- Chuẩn hóa và chuẩn bị dữ liệu
- Quiz Test và thực hành vận dụng vào bài toán thực tế về Data Pre-processing, Data cleaning
[ Phần 4: Kiến thức nền tảng Máy học (Machine learning) ]
Thời lượng: 9 buổi
- Đạo đức trong AI trong việc ứng dụng trong thực tiễn
- Giải thuật tối ưu hóa: Gradient descent
- Loss function (Hàm mất mát (Mean Squared Error - MSE))
- Triển khai mô hình Linear Regression với scikit-learn
- Đánh giá mô hình Linear Regression
- Ứng dụng của Linear Regression
- Quiz Test thực hành vận dụng vào bài toán thực tế về Linear Regression
- Hyperparameter Tuning (Tối ưu tham số)
- Overfitting và Underfitting
- Cách hoạt động động Machine Learning pipeline
- Hàm Sigmoid
- Triển khai mô hình Logistic Regression với scikit-learn
- Đánh giá mô hình
- Ứng dụng của Logistic Regression
- Bài kiểm tra kiến thức lý thuyết về Regression
- Bài kiểm tra thực hành (về nhà)
- Entropy và Information Gain (phân loại).
- Gini Impurity (phân loại).
- Mean Squared Error (MSE) hoặc Variance Reduction (hồi quy)
- Triển khai mô hình Decision Tree với scikit-learn
- Đánh giá mô hình Decision Tree
- Ứng dụng của Decision Tree
- Tìm hiểu Siêu phẳng và Margin
- Triển khai mô hình SVM với scikit-learn
- Đánh giá mô hình SVM
- Ứng dụng của SVM
- Mục tiêu của mô hình Kmean clustering
- Phân cụm dữ liệu với Kmean clustering với scikit-learn
- Quy trình hoạt động của K-means
- Ứng dụng của K-means
- Đánh giá và lựa chọn project cuối khoá
- Bài kiểm tra kiến thức lý thuyết
- Bài kiểm tra thực hành (về nhà)
- Mục tiêu của mô hình XGBoost
- Triển khai mô hình XGBoost
- Quy trình hoạt động của XGBoost
- Ứng dụng của XGBoost
- Mục tiêu của mô hình LightGBM Classifier
- Triển khai mô hình LightGBM Classifier
- Quy trình hoạt động của LightGBM Classifier
- Ứng dụng của LightGBM Classifier
- Bài kiểm tra kiến thức lý thuyết về LightGBM và XGboot
- Bài kiểm tra cuối module
[ Phần 5: Thực chiến phân tích nghiệp vụ và triển khai dự án ]
Thời lượng: 8 buổi
- Project 2: Dự đoán Người có nguy cơ mắc bệnh béo phì hay không?"
- Project 3: Phát hiện gian lận hiệu quả hơn trong giao dịch tài chính.
- Project 4: Phát hiện xâm nhập mạng
- Project 5: Phân Tích xu hướng nhảy việc của nhân viên trong công ty.
+ Triển khai với mô hình data pipeline, training pipeline với MLflow VÀ Scikit-learn
- Ứng dụng của Docker và Postman
- Deploy model bằng FastAPI kết hợp với Docker, Postman, Streamlit
- Ứng dụng của Docker và Postman
- Deploy model bằng FastAPI kết hợp với Docker, Postman, Streamlit
- Ứng dụng của Docker và Postman
- Deploy model bằng FastAPI kết hợp với Docker, Postman, Streamlit
- Project 2: Dự đoán Người có nguy cơ mắc bệnh béo phì hay không?"
- Project 3: Phát hiện gian lận hiệu quả hơn trong giao dịch tài chính.
- Project 4: Phát hiện xâm nhập mạng
- Triển khai bằng các thụật toán đã học với với scikit-learn để ứng dụng trong các project
- Deploy model bằng FastAPI kết hợp với Docker, Postman, Streamlit
- Project 2: Dự đoán Người có nguy cơ mắc bệnh béo phì hay không?"
- Project 3: Phát hiện gian lận hiệu quả hơn trong giao dịch tài chính.
- Project 4: Phát hiện xâm nhập mạng
- Triển khai bằng các thụật toán đã học với với scikit-learn để ứng dụng trong các project
- Deploy model bằng FastAPI kết hợp với Docker, Postman, Streamlit
Sản phẩm học viên
Feedback học viên
BOOTCAMP - Thực chiến Machine Learning dành cho người mới bắt đầu - Trở thành chiến binh từ con số 0 - Đăng ký ngay nhận ưu đãi 35% học phí