0

Khóa học Machine Learning cho Data Science

  • Ngày bắt đầu: 21 tháng 10
  • Thứ 2 - 4: 19:00 - 21:30
  • Nordic Coder Tầng 22, 180-192 Nguyễn Công Trứ, Q1

Đăng ký tư vấn & nhận giáo trình


Khóa học Machine Learning cho Data Science

9,800,000 VNĐ

  • Tại sao lại cần học Machine Learning

    Xu hướng học Machine Learning

    Xu hướng hiện tại và tương lai

    Sự bùng nổ của dữ liệu lớn (Big data) và 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, dữ liệu lớn là nguyên liệu, học máy (Machine learning) và học sâu (Deep learning) là những công cụ nổi bật, đã và đang được nghiên cứu, ứng dụng rộng rãi nhằm 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:

    • Thiết kế, xây dựng hệ thống học máy Machine Learning bao gồm quá trình rút trích đặc trưng, cách đánh giá dữ liệu, quá trình chọn lựa giải thuật và kĩ thuật đánh giá và cải thiện mô hình.
    • Nắm rõ qui trình thực tế từ kĩ thuật lập trình, cách tư duy, khả năng phân tích dựa trên toán học và thống kê để ra quyết định dữ liệu, kĩ thuật phân tích so sánh và đánh giá các giải pháp khác nhau.
    • Xây dựng portfolio với sự nghiệp trong lĩnh vực khoa học dữ liệu (data science) và AI (Lập trình trí tuệ nhân tạo).
    Những lợi ích dành cho học viên
    2 buổi học SEO offline

    70 giờ học offline

    Thực hành sử dụng các kĩ thuật học máy (machine learning) mới nhất để giải quyết các bài toán dự báo, phân loại từ các tập dữ liệu lớn và đa dạng.

    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.

      • Lịch sử phát triển
      • Sơ lược về các các mô hình học giám sát(Supervised Learning), không giám sát (Unsupervised Learning), và nửa giám sát (Semi-supervised Learning)
      • Một số ứng dụng trong Bài toán thực tế
      • Đại số tuyến tính và làm việc với ma trận
      • Nhắc lại một số kiến thức cơ bản về giải tích và đạo hàm riêng (Partial Derivative)
      • Giới thiệu thuật toán tối ưu Gradient Descent
      • Các mô hình xác suất cơ bản (Bernoulli, Binomial, Uniformly, Gaussian, Dirichlet,…)
      • Giới thiệu phương pháp Maximum likelihood để ước lượng tham số mô hình trong một số bài toán thống kê cơ bản
      • Bài tập lập trình:
        • Dùng Numpy để thực hiện lại các tính toán
        • Thực hành thống kê với pandas
      • Giải bài toán curve fitting theo các tiếp cận Least Square Error
      • Áp dụng Gradient Descent để tối ưu tham số cho hàm đa thức trong bài toán Curve fitting
      • Bài tập lập trình:
        • Hiện thực thuật toán Gradient Descent để khớp đường cong đa thức bậc 3
        • Chuyển bài toán khớp đường cong đa thức bậc 3 về bài toán Linear Regression trong không gian đại số và giải bằng Normal Equation
        • So sánh kết quả, nhận xét ưu/ nhược điểm từng phương pháp
      • Giới thiệu tổng quan về bài toán classification bằng mạng Neural 1 lớp (Logistics Regression)
      • Áp dụng phương pháp Gradient Descent để tối ưu tham số cho mạng Logistics Regression
      • Giới thiệu các độ đo (metrics) để đánh giá performance cho bài toán supervised learning (accuracy, precision, recall, F1, …)
      • Giới thiệu các khái niệm về độ phức tạp của mô hình, underfitting, overfitting
      • Cách chia tập dữ liệu ra thành các tập con train-dev-test và fine tune mô hình dựa trên learning curve
      • Bài tập lập trình minh họa
      • Giới thiệu về cấu trúc mạng và các hàm truyền được sử dụng
      • Sơ lược về thuật toán lan truyền ngược (back propagation)
      • Áp dụng thuật toán lan truyền ngược để tối ưu tham số cho mạng Neural 3 lớp.
      • Vấn đề overfitting với mạng nhiều tham số
      • Vấn đề gradient vanishing và gradient exploding
      • Một số giải pháp liên quan (lựa chọn hàm truyền, sử dụng các phương pháp dropout và batch normalization)
      • Bài tập lập trình minh họa
      • Giới thiệu ý tưởng cơ bản và cách xây dựng hàm loss
      • Phương pháp Lagrange multiplier và điều kiện KKT
      • Áp dụng Lagrange multiplier cho bài toán tối ưu tham số của SVM
      • Giới thiệu sơ lược về kernel và cách áp dụng kernel trong bài toán SVM
      • Một số kernel phổ biến cho bài toán phân lớp
      • Thảo luận về một số hạn chế của SVM và cách khắc phục
      • Bài tập lập trình minh họa
      • Giới thiệu Decision tree
      • Giới thiệu Random forest
      • Giới thiệu kỹ thuật ensemble learning và Gradient Boosting Machine
      • Bài tập lập trình minh họa
      • Giới thiệu và định hướng cho học viên thực hiện đồ án cuối khóa với những kiến thức đã và sắp được học
      • Lựa chọn chủ đề và tập dữ liệu
      • Xác định rõ các yêu cầu cho bài toán cần giải quyết
      • Các tiêu chí đánh giá và một số gợi ý về cách thực hiên
      • Thuật toán gom cụm phân tầng (Hierarchical clustering)
      • Thuật toán gom cụm K-means
      • Bài tập lập trình minh họa
      • Giới thiệu ý tưởng của thuật toán giảm chiều PCA (Principal Component Analysis)
      • Một số kỹ thuật đại số để giải bài toán giảm chiều PCA
      • Áp dụng PCA để giảm chiều dữ liệu và làm visualization
      • Thực hành: Giải đáp các thắc mắc và chỉ dẫn cho đồ án cuối khóa
      • Giới thiệu sơ lược một số mô hình state-of-the-art hiện tại: CNN, LSTM, Word2vec, Residual DNN,..
      • Thực hành: Giải đáp các thắc mắc và chỉ dẫn cho đồ án cuối khóa
      • Báo cáo, đánh giá Đồ án cuối khóa
      • Phỏng vấn thử và tư vấn nghề nghiệp
  • Giảng viên
  • Đánh giá

    5

    2 reviews

    5 sao
    100%
    4 sao
    0%
    3 sao
    0%
    2 sao
    0%
    1 sao
    0%
      What people say.
    • Quốc Đạt

      14/08/2020

      Giờ mình rất tự tin với công việc của mình, khóa học của NC quá hay và mình đã ko hối hận khi học tại đây
    • ABNgoc

      14/08/2020

      Very interesting & worth learning !
    Leave Your Review

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

  • Hỏi đáp
      • Thiết kế, xây dựng hệ thống học Machine Learning bao gồm quá trình rút trích đặc trưng, cách đánh giá dữ liệu, quá trình chọn lựa giải thuật và kĩ thuật đánh giá và cải thiện mô hình.
      • Nắm rõ qui trình thực tế từ kĩ thuật lập trình, cách tư duy, khả năng phân tích dựa trên toán học và thống kê để ra quyết định dữ liệu, kĩ thuật phân tích so sánh và đánh giá các giải pháp khác nhau.
      • Xây dựng portfolio với career path trong lĩnh vực khoa học dữ liệu (data science) và lập trình trí tuệ nhân tạo (AI).
      • Thành thạo sử dụng ngôn ngữ lập trình Python hoặc đã học xong khóa học Python tại NC
      • Vượt qua bài kiểm tra đầu vào.