0

Khóa học Data Science Foundation

  • Ngày bắt đầu: 04/05/2020
  • Thứ 3: 19:00 - 21:30
    Thứ 5: 19:00 - 21:30
  • Nordic Coder Tầng 22, 180-192 Nguyễn Công Trứ, Q1
    Nordic Coder Sharespace, 82 Nguyễn Xí, Q. Bình Thạnh

Đăng ký thông tin để nhận bài test đầu vào


Khóa học Data Science Foundation

6,500,000 VNĐ

  • Khóa học này cung cấp những kiến thức toán nền tảng về cần thiết nhất cho các khóa học chuyên sâu hơn về Machine Learning và Data Science. Học viên sẽ được giới thiệu lại những ý niệm toán cơ bản dưới góc nhìn mới thiên về hướng ứng dụng hơn cũng như có cơ hội tìm hiểu rõ hơn về bản chất của những ý niệm này thông qua một số chứng minh toán học quan trọng trong các mô hình Machine Learning hiện đại.

    Khóa học gồm 4 nội dung chính: Đại số tuyến tính, giải tích, xác suất thống kê và một số chủ đề nâng cao.

    • Hai nội dung đầu tiên cung cấp kiến thức nền và một số công cụ toán hữu ích được áp dụng phổ biến trong các mô hình Machine Leanring, Deep Leanring cũng như các ngành ứng dụng khác như Khoa học máy tính, Khoa học dữ liệu nói chung.
    • Nội dung tiếp theo cung cấp những ý niệm cốt lõi về xác suất thống kê, dữ liệu và các bài toán phổ biến liên quan đến dữ liệu như cách thức lấy mẫu, kiểm định giả thuyết và ước lượng tham số.
    • Nội dung cuối cùng minh họa việc áp dụng các kiến thức trong khóa học để xây dựng các mô hình Machine Learning kinh điển như là Principal Component Analysis và Support Vector Machines.

    Tại sao lại cần học Machine Learning

    Xu hướng học Machine Learning

    Xu hướng hiện tại và tương lai

    Cách mạng Công nghiệp 4.0 đang mang đến những thay đổi lớn trong mọi mặt của cuộc sống. “Thế giới vận hành bằng công nghệ” trở thành xu thế tất yếu, là mục tiêu tranh đua cho mọi nền kinh tế, mọi doanh nghiệp cùng hướng đến. Trong đó, Trí tuệ nhân tạo A.I và phương pháp Máy học Machine Learning là những xu hướng trọng tâm, nổi bật, đã và đang được nghiên cứu, ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau, tạo ra những bứt phá mạnh mẽ về tính hiệu quả, kịp thời, chính xác trong công tác giám sát, dự báo và hỗ trợ ra quyết định.

    Định hướng nghề nghiệp sau khóa học machine learning

    Định hướng nghề nghiệp

    Kết thúc khóa học Machine Learning, học viên sẽ nắm được các kiến thức và kỹ năng cần thiết:

    • Có kiến thức nền tảng vững chắc, đủ sức theo học dễ dàng các khóa học cơ bản về Machine Learning cũng như đủ kỹ năng và sự tự tin để tự học các khóa Machine Learning, Deep Learning nâng cao hơn.

    Định hướng nghề nghiệp sau khóa học machine learning

    Phương pháp giảng dạy

    • Giảng viên giới thiệu những ý niệm cốt lõi và cách thức tiếp cận thiên về ứng dụng hướng dữ liệu
    • Học viên được hướng dẫn để đi lại những chứng minh từ cơ bản tới phức tạp
    Những lợi ích dành cho học viên
    2 buổi học SEO offline

    30 giờ học + support online via Slack or FB group

    Các kĩ thuật học máy (machine learning). Sử dụng Python và thư viện Scikit-learn cho các kỹ thuật Machine learning.

    Đội ngũ giảng viên hàng đầu

    Giảng viên là các chuyên gia với kinh nghiệm dày dặn, giúp bạn phát triển kỹ năng lập trình và chia sẻ thực tế về nghề.

    Lợi ích 3 - Dự án cuối khoá

    Cơ hội việc làm & mức lương hấp dẫn

    Hỗ trợ cơ hội việc làm với các đối tác lớn thông qua chỉnh sửa CV, tư vấn hướng nghiệp

    Mở rộng networking trong ngành thiết kế UX

    Mở rộng networking và các lợi ích khác

    Cơ hội tham gia các sự kiện networking, workshop dành riêng cho cựu học viên và nhận học bổng cho các khóa học tiếp theo.

    Hỗ trợ học phí

    Học viên được hỗ trợ chia nhỏ học phí và đóng theo từng đợt áp dụng cho mọi hình thức thanh toán.

      • Giới thiệu các khái niệm về đồ thị, đỉnh, cạnh, ma trận kề, thành phần liên thông
      • Các bài toán tìm đường đi khả dĩ, tìm đường đi ngắn nhất
      • Các bài toán về chu trình, đường đi Hamilton
      • Một số ứng dụng của lý thuyết đồ thị trong Machine Learning và Khoa học dữ liệu
      • Không gian vector
      • Giới thiệu các khái niệm tích vô hướng, Norm, góc giữa 2 vector
      • Phép biến đổi tuyến tính, Null-space, Range
      • Độc lập tuyến tính, cơ sở trực giao, cơ sở trực chuẩn
      • Phép biến đổi cơ sở, định lý về hình chiếu trong không gian đại số
      • Giới thiệu bài toán bình phương tối tiểu (Least Square)

       

      • Ma trận vuông, ma trận toàn phương, ma trận Gram
      • Định thức, các tính chất của định thức Trị riêng và vector riêng (Eigenvalues, Eigenvectors)
      • Định lý chéo hóa ma trận (Eigen Decomposition)
      • Định lý Singular Value Decomposition (SVD)
      • Nhắc lại đạo hàm một số hàm số cơ bản
      • Khai triển Taylor
      • Đạo hàm của hàm hợp (chain rule)
      • Đạo hàm của hàm nhiều biến, đạo hàm của vector và ma trận
      • Ma trận Jacobian, ma trận Hessian
      • Thuật toán tối ưu Gradient Descent (GD)
      • Áp dụng thuật toán GD cho bài toán khớp đường cong (Curve fitting)
      • Giới thiệu sơ lược thuật toán huấn luyện Backpropagation trong các mô hình Neural Networks
      • Chủ đề nâng cao: Giải thích vấn đề vannishing trong quá trình huấn luyện mô hình Recurrent Neural Networks”
      • Biến ngẫu nhiên, tiên đề xác suất, hàm mật độ xác suất, hàm phân bố phối lũy
      • Kỳ vọng và phương sai
      • Xác suất có điều kiện, định lý Bayes
      • Phân phối Bernoulli, phân phối Gaussian, phân phối đều, phân phối mũ,…
      • Định lý giới hạn trung tâm
      • Phân phối chuẩn (Gaussian(0,1)): z-score, p-value, quantile
      • Bài tập áp dụng: Giải thích nghịch lý Monty Hall bằng xác suất có điều kiện
      • Covariance, Correlation
      • Các phương pháp lấy mẫu, lấy mẫu có thay thế và lấy mẫu không thay thế
      • Phương pháp Inverse transform sampling
        Confident Interval
      • Các phương pháp ước lượng tham số: Maximum Likelihood và Maximum A Posterior
      • Bias và Variance của một mô hình thống kê
      • Áp dụng phương pháp Maximum Likelihood để ước lượng tham số cho các phân phối phổ biến như Gaussian, Bernoulli
      • Giải thích các hàm mất mát trong học máy như Mean of Square Error và Cross Entropy dưới góc nhìn thống kê
      • Phương pháp nhân tử Lagrange và điều kiện KKT cho bài toán tìm cực trị
      • Phương pháp giảm chiều dữ liệu bằng PCA (Principal Component Analysis):
        + Định nghĩa bài toán
        + Xây dựng hàm mục tiêu
        + Áp dụng phương pháp nhân tử Lagrange và KKT để tìm tập các vector tạo thành cơ sở trực chuẩn trong không gian mới
      • Sử dụng khai triển SVD để hiện thực PCA.
      • Mô hình phân lớp Support Vector Machines:
        + Biểu diễn đại số và hàm mục tiêu
        + Đưa về bài toán đối ngẫu và áp dụng phương pháp nhân tử Lagrange và điều kiện KKT trong bài toán tối ưu tham số cho
    • Báo cáo, đánh giá Đồ án cuối khóa

  • Giảng viên
  • Đánh giá
    Leave Your Review

    Bạn đang nhận xét và đánh giá cho khóa học "Khóa học Data Science Foundation"

  • Hỏi đáp
      • Có kiến thức nền tảng vững chắc, đủ sức theo học dễ dàng các khóa học cơ bản về Machine Learning
      • Đủ kỹ năng và sự tự tin để tự học các khóa Machine Learning, Deep Learning nâng cao hơn.
      • Toán cơ bản cấp 2, cấp 3
      • Sinh viên các ngành kỹ thuật muốn theo học Machine Learning nhưng chưa có căn bản vững chắc về toán
      • Sinh viên các ngành phi kỹ thuật muốn theo đuổi nghiêm túc Machine Learning và có ý định chuyển hướng nghề nghiệp về Data Science
      • Các đối tượng khác có đam mê về Toán và Machine Learning