× Giới thiệu Lịch khai giảng Tin tức Sản phẩm học viên

BOOTCAMP - Thực chiến Machine Learning dành cho người mới bắt đầu

Xây dựng và triển khai được các dự án thực tế liên quan đến Machine Learning/AI - Nắm vững kiến thức cơ bản về Python: Hiểu được cú pháp, các kiểu dữ liệu, biến, toán tử, và cấu trúc điều khiển trong Python. "Xây dựng và triển khai được các dự án thực tế liên quan đến Machine Learning/AI

Thời lượng: 33 buổi (3 tháng)

Thời gian học: 2 buổi/tuần

Số lượng học viên: 10-15

Đăng ký ngay

Lộ trình

[ Phần 1: Python cơ bản ]

Thời lượng: 6 buổi

- AI - Machine learning - Deep learning
- 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
- Các phép toán số học
- 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
- Thực hành câu lệnh vòng lặp for, while
- 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
- Thực hành các kiểu dữ liệu Collections (Tuple/List/set/Dictionary)
- 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
- Thực hành function (built-in, user-defined)
- Câu lệnh Return
- Các thao tác trên terminal
- Quiz Test và Thực hành vận dụng vào bài toán thực tế về function, return
- Luyện bài tập với các câu lệnh python cơ bản
- 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

- Sử dụng github, Pycharm
- 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
- Khái niệm lập trình hướng đối tượng
- 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 kế thừa trong OOP
+ Tính đa hình trong OOP
- Clean code (pep-8)
- Thực hành luyện tập lập trình hướng đối tượng
- Các kỹ thuật tối ưu hóa và hiệu suất (map, filter, lambda)
- 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
- Tầm quan trọng của xử lý dữ liệu và trực quan hóa dữ liệu
- 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
- Làm việc với Pandas library
- Tạo và Khám Phá Dữ Liệu Bảng
- Quiz Test và thực hành vận dụng vào bài toán thực tế về pandas
- Trực quan hóa dữ liệu với Matplotlib, Seaborn
- 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 tiếp bài thực hành (Phân tích tệp dữ liệu về khách hàng với Mall Customers Dataset )
- Làm bài kiểm tra cuối module

[ Phần 3: Thu thập và Tiền Xử lý dữ liệu (Data Pre-processing) ]

Thời lượng: 2 buổi

- Tổng quan về các nguồn dữ liệu thực tế sử dụng trong các doanh nghiệp
- Thu thập dữ liệu với BeautifulSoup, Playwright (Automation web)
- Thực hành crawl data
- Các loại dữ liệu phổ biến
- 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

- Tổng quan về Machine Learning và những yêu cầu cần thiết trong quá trình học
- Đạo đức trong AI trong việc ứng dụng trong thực tiễn
- Giải thuật tối ưu hóa: Gradient descent
- Mục tiêu của mô hình Linear Regression
- 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
- Sử dụng MLflow cho quản lý thí nghiệm và versioning mô hình.
- Hyperparameter Tuning (Tối ưu tham số)
- Overfitting và Underfitting
- Cách hoạt động động Machine Learning pipeline
- Mục tiêu của mô hình Logistic Regression
- 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)
- Mục tiêu của mô hình Decision Tree
- 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
- Mục tiêu của mô hình SVM
- Tìm hiểu Siêu phẳng và Margin
- Triển khai mô hình SVM với scikit-learn
- Đánh giá mô hình SVM
- Ứng dụng của SVM
- Khái niệm cơ bản về K-means
- 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)
- Khái niệm cơ bản về XGBoost
- Mục tiêu của mô hình XGBoost
- Triển khai mô hình XGBoost
- Quy trình hoạt động của XGBoost
- Ứng dụng của XGBoost
- Khái niệm cơ bản về LightGBM Classifier
- 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 1: Phân loại và dự đoán Phân khúc khách hàng tiềm năng?
- 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.
- 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
- FastAPI, API là gì
- Ứng dụng của Docker và Postman
- Deploy model bằng FastAPI kết hợp với Docker, Postman, Streamlit
- FastAPI, API là gì
- Ứng dụng của Docker và Postman
- Deploy model bằng FastAPI kết hợp với Docker, Postman, Streamlit
- FastAPI, API là gì
- Ứng dụng của Docker và Postman
- Deploy model bằng FastAPI kết hợp với Docker, Postman, Streamlit
- Project 1: Phân loại và dự đoán Phân khúc khách hàng tiềm năng?
- 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 1: Phân loại và dự đoán Phân khúc khách hàng tiềm năng?
- 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
- Học viên bảo vệ project cuối khoá trước hội đồng

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

3 tháng - 2 buổi/tuần - 12-15 hv/lớp. Cam kết hỗ trợ việc làm

Đăng ký

Chương trình đào tạo
Lập trình Frontend - ReactJS
BOOTCAMP - Thực chiến Machine Learning dành cho người mới bắt đầu
Computer Vision Bootcamp - Học Thị Giác Máy Tính Từ A-Z
DevOps Foundation
Chương trình đào tạo Kỹ sư IT Nhật
Bootcamp Tech-Stack Java Spring Boot 3.0
Bootcamp Tech-Stack NodeJS & MERN
Bootcamp Tech-Stack ASP.Net 8