Mô hình và Kỹ thuật nền tảng trong học máy

Khóa học “Mô hình và kỹ thuật nền tảng trong học máy” được thiết kế để học viên tìm hiểu các nguyên tắc cơ bản của máy học và cách sử dụng các kỹ thuật này để xây dựng các ứng dụng AI trong thế giới thực. Khóa học này cung cấp kiến thức từ nền tảng đến chuyên sâu về các lĩnh vực máy học hiện đại, bao gồm học có giám sát (hồi quy tuyến tính, phi tuyến tính, hồi quy logistic, cây quyết định và các mô hình phân tích chuỗi thời gian), và một số kỹ thuật thường được sử dụng bởi các kỹ sư hàng đầu dành cho trí tuệ nhân tạo và đổi mới máy học (đánh giá và điều chỉnh các mô hình, phương pháp xử lý dữ liệu thực tế hiện quả để cải thiện hiệu suất, v.v.)

Các nội dung cụ thể trong khóa học này bao gồm: Xây dựng các mô hình máy học hồi quy (Regression model) từ cơ bản đến nâng cao như mô hình hồi quy tuyến tính (Linear Regression), mô hình hồi quy ElasticNet, mô hình hồi quy rừng ngẫu nhiên (Random Forest Regression) bằng Python. Lĩnh vực thứ hai là mô hình phân loại (Classification model) với các mô hình Logistic Regression, XGboost Classification, v.v. Và lĩnh vực thứ ba là khám phá phân tích chuỗi thời gian Time Series, thường được sử dụng trong nhiều ngành, chẳng hạn như tài chính, kinh tế và dự báo thời tiết.

Với tính chất ứng dụng cao, học viên không chỉ được tiếp xúc với những kiến thức đến từ kinh nghiệm thực tế, mà còn có thể ứng dụng và thực hành ngay những kiến thức này vào thực tế, thông qua các bài tập nhỏ, cũng như cả các dự án lớn, mang tính chất một dự án toàn diện trong thực tế. Học viên sẽ xây dựng các mô hình máy học bằng Python, sử dụng các thư viện máy học phổ biến như NumPy, scikit-learn, XGBoost, Statsmodels, v.v.

Sau khi kết thúc khóa học, học viên sẽ nắm vững các khái niệm chính và có được kĩ năng thực tế để áp dụng các mô hình máy học một cách nhanh chóng và mạnh mẽ vào các vấn đề đầy thách thức trong thực tiễn cuộc sống.