KUNGFU TECH

Khóa học

Khóa học Machine Learning

Khóa học Machine Learning giúp bạn từng bước làm chủ trí tuệ nhân tạo, từ các kiến thức nền tảng về toán học, xử lý dữ liệu đến xây dựng, huấn luyện và triển khai các mô hình dự đoán trong thực tế.

1. Cho máy tính khả năng học

1.1. Machine Learning là gì? Cho máy tính khả năng học từ dữ liệu
1.2. Các loại Machine Learning — Tổng quan ba nhóm học máy
1.3. Supervised Learning là gì? Học có giám sát cho lập trình viên
1.4. Phân loại và hồi quy — Hai nhánh Supervised Learning
1.5. Reinforcement Learning cơ bản — Agent, reward và policy
1.6. Unsupervised Learning — Clustering và giảm chiều dữ liệu
1.7. Thuật ngữ Machine Learning
1.8. Học Machine Learning với Python — Cài đặt sklearn

2. Huấn luyện các thuật toán ML đơn giản

2.1. Perceptron là gì — lịch sử neuron nhân tạo
2.2. Mô hình neuron — định nghĩa hình thức trong ML
2.3. Perceptron learning rule — thuật toán học trọng số
2.4. Code Perceptron Python — triển khai OOP
2.5. Perceptron trên Iris — iris dataset sklearn thực hành
2.6. Adaline là gì — ADAptive LInear NEuron và hội tụ
2.7. Gradient descent cho hàm mất mát — tối ưu Adaline
2.8. Adaline Python — triển khai gradient descent đầy đủ
2.9. Chuẩn hóa dữ liệu — Feature scaling cho gradient descent
2.10. Stochastic Gradient Descent — SGD huấn luyện quy mô lớn

3. Khám phá các thuật toán phân loại với scikit-learn

3.1. Chọn thuật toán phân loại phù hợp cho bài toán ML
3.2. Scikit-learn cơ bản: Perceptron và bước đầu phân loại
3.3. Decision Tree và Information Gain: Cây quyết định từ lý thuyết
3.4. Logistic Regression là gì? Intuition phân loại xác suất
3.5. Log loss và xác suất có điều kiện trong Logistic Regression
3.6. Logistic Regression Python: từ Adaline đến sklearn
3.7. Train Logistic Regression với sklearn: tham số và workflow
3.8. Overfitting và Regularization trong Machine Learning
3.9. SVM là gì? Max-margin classifier và ý tưởng cốt lõi
3.10. Soft Margin SVM: Slack variables và tham số C
3.11. Kernel SVM: Phân loại phi tuyến với kernel trick
3.12. Sklearn SVM API: SVC, LinearSVC, NuSVC và SVR
3.13. Decision Tree Python với sklearn: Train, visualize, tune
3.14. Random Forest sklearn: Ensemble và giảm variance
3.15. k-Nearest Neighbors sklearn: Lazy learning và phân loại
3.16. So sánh thuật toán phân loại: Lab tổng kết Chương 3

4. Xây dựng tập dữ liệu huấn luyện tốt — Tiền xử lý dữ liệu

4.1. Xử lý Missing Value — các pattern thiếu dữ liệu
4.2. Loại bỏ mẫu và feature thiếu dữ liệu với sklearn
4.3. Imputation — chiến lược điền giá trị thiếu
4.4. sklearn Estimator API — fit, transform, predict
4.5. Dữ liệu phân loại — nominal vs ordinal
4.6. Ordinal Encoding — mã hóa thứ tự
4.7. Label Encoding — mã hóa nhãn lớp
4.8. One-Hot Encoding — biến đổi categorical
4.9. Train/Test Split — chia tập huấn luyện
4.10. Feature Scaling — chuẩn hóa và chuẩn tắc hóa
4.11. L1/L2 Regularization — hình học penalty
4.12. Feature Selection — sequential selection và RF importance

5. Giảm chiều dữ liệu (Dimensionality Reduction)

5.1. PCA là gì — phương sai và các bước giảm chiều
5.2. Trích xuất Principal Components
5.3. PCA trong scikit-learn
5.4. LDA vs PCA — supervised vs unsupervised
5.5. Linear Discriminant Analysis — scatter matrices
5.6. LDA projection và sklearn API
5.7. Kernel PCA — giảm chiều phi tuyến
5.8. Kernel PCA — ví dụ Python
5.9. Chiếu điểm mới sau PCA
5.10. Tổng hợp giảm chiều — kPCA sklearn

6. Đánh giá mô hình và tinh chỉnh hyperparameter

6.1. sklearn Pipeline — workflow tiền xử lý + model
6.2. Breast Cancer dataset — load và khám phá
6.3. Cross-Validation — k-fold validation
6.4. Holdout vs k-fold — so sánh chiến lược
6.5. Bias-Variance Tradeoff — learning curves
6.6. Validation Curves — learning curve sklearn
6.7. Grid Search — tinh chỉnh hyperparameter
6.8. Nested Cross-Validation — tránh overfit tuning
6.9. Confusion Matrix — đọc ma trận nhầm lẫn
6.10. Precision, Recall, F1 và ROC
6.11. Multiclass Metrics — macro/micro/weighted
6.12. Class Imbalance — xử lý mất cân bằng lớp

7. Kết hợp nhiều mô hình với Ensemble Learning

7.1. Ensemble Learning là gì — bias, variance và diversity
7.2. Majority Vote — kết hợp classifier qua biểu quyết
7.3. Cài đặt Majority Vote và VotingClassifier sklearn
7.4. Đánh giá và tune ensemble — CV và probability
7.5. Bagging — bootstrap aggregating và variance reduction
7.6. BaggingClassifier trên Wine dataset
7.7. Boosting — weak learners và adaptive weighting
7.8. AdaBoostClassifier trong scikit-learn
7.9. Gradient Boosting — residual fitting (tổng quan)
7.10. So sánh Bagging vs Boosting vs Stacking

8. Áp dụng Machine Learning cho phân tích cảm xúc

8.1. Sentiment Analysis — bài toán ML trên văn bản
8.2. IMDb movie reviews — chuẩn bị dữ liệu phân loại
8.3. Bag-of-Words — CountVectorizer sklearn
8.4. TF-IDF — TfidfVectorizer và trọng số từ
8.5. Pipeline — tiền xử lý text + classifier
8.6. Logistic Regression cho sentiment
8.7. N-gram features — bigram trigram
8.8. HashingVectorizer — text lớn và online learning
8.9. Đánh giá mô hình sentiment — ROC-AUC và confusion
8.10. Best practices sentiment — data leakage và versioning

9. Tích hợp mô hình Machine Learning vào ứng dụng web

9.1. Triển khai mô hình ML lên web — tổng quan
9.2. Flask — microframework Python cho web
9.3. Cấu trúc Flask — routes, templates, static
9.4. Serialize sklearn Pipeline bằng joblib
9.5. Load model khi Flask khởi động
9.6. API predict JSON với Flask
9.7. Giao diện sentiment với Jinja2 form
9.8. Embed pipeline sentiment vào Flask end-to-end
9.9. Upload file text để predict
9.10. SQLite feedback và checklist deploy Flask ML

10. Dự đoán biến liên tục với phân tích hồi quy

10.1. Linear Regression là gì — OLS và hàm mất mát
10.2. Simple linear regression — một đặc trưng
10.3. Multiple linear regression — nhiều đặc trưng
10.4. California Housing — load và khám phá
10.5. EDA hồi quy — scatter và phân phối target
10.6. Ma trận tương quan và đa cộng tuyến
10.7. OLS và gradient descent cho hồi quy
10.8. LinearRegression và RANSAC robust
10.9. Metrics hồi quy — MSE, RMSE, MAE, R²
10.10. Polynomial regression và RandomForestRegressor

11. Làm việc với dữ liệu không nhãn — Phân cụm (Clustering)

11.1. K-means là gì — centroid và inertia
11.2. KMeans sklearn — fit predict và centers
11.3. K-means++ — khởi tạo centroid thông minh
11.4. Hard vs soft clustering — fuzzy c-means tổng quan
11.5. Elbow method — chọn số cụm k
11.6. Silhouette analysis — đánh giá chất lượng cụm
11.7. Hierarchical clustering — linkage và dendrogram
11.8. AgglomerativeClustering trong sklearn
11.9. Heatmap gắn dendrogram — scipy linkage
11.10. DBSCAN — cụm theo mật độ và noise