TRÍ TUỆ NHÂN TẠO & MÁY HỌC
BƯỚC ĐỆM TRỞ THÀNH MACHINE LEARNING ENGINEER

Nội dung: Giới thiệu tổng quan về Data Science. Làm chủ các thư viện cốt lõi: Numpy (xử lý mảng), Pandas (xử lý dữ liệu cơ bản) và Trực quan hoá dữ liệu với Matplotlib & Seaborn.

Thực hành: Khám phá và phân tích tập dữ liệu thực tế Netflix TV Shows.

Nội dung: Khái niệm về bài toán Phân loại (Classification) và Hồi quy (Regression). Đi sâu vào thuật toán khoảng cách KNN cho cả hai dạng bài toán.

Thực hành: Điều chỉnh tham số mô hình và ứng dụng KNN để phát hiện dữ liệu ngoại lai (Outliers).

Nội dung: Các metrics đánh giá mô hình: Confusion matrix, Accuracy, Precision, Recall, F-score, ROC-curve, MAE, MSE, RMSE, R2. Tìm hiểu Bias-Variance trade-off và kỹ thuật Cross-validation.

Thực hành: Phát hiện Spam bằng KNN và tăng độ chính xác thông qua xử lý Stop words.

Nội dung: Khám phá hàm tuyến tính, hàm mất mát (Loss function) và giải bài toán tối ưu bằng phương pháp Least-Square. Kỹ thuật chống Overfitting với Regularization.

Thực hành: Xây dựng mô hình hồi quy (đơn biến & đa biến) dự đoán chi phí bảo hiểm y tế. Ứng dụng Lasso Regression để chọn lựa đặc trưng.

Nội dung: Đạo hàm và Gradient. Các biến thể: Mini-batch GD, Momentum, Adaptive Learning Rate. Minh họa qua bài toán Robot tưới cây.

Thực hành: Tự cài đặt thuật toán Gradient Descent với Momentum từ đầu (from scratch).

Nội dung: Phân loại nhị phân (Binary) với Sigmoid & Logloss. Phân loại đa lớp (Multiclass) với Softmax & Cross-Entropy loss. Tối ưu bằng Gradient Descent.

Thực hành: Ứng dụng Polynomial Transform cho bài toán phân loại dữ liệu phi tuyến.

Nội dung: Ôn tập Xác suất thống kê (Định lý Bayes, Xác suất có điều kiện). Ứng dụng các phân phối Bernoulli, Gaussian, Multinomial vào thuật toán Naive Bayes.

Thực hành: Sentiment Analysis: Tiền xử lý dữ liệu văn bản và xây dựng Multinomial Naive Bayes từ con số 0.

Dự án: Loan Approval Prediction (Dự đoán phê duyệt khoản vay).

Mục tiêu: Vận dụng quy trình Data Preprocessing, EDA, và các mô hình đã học để giải quyết trọn vẹn một bài toán kinh doanh thực tế.

Nội dung: Khái niệm Maximal Margin Classifier, Support Vector Classifier. Sức mạnh của Kernel trick biến không gian dữ liệu.

Thực hành: Tối ưu siêu tham số C và sử dụng Kernel trick cho bài toán phân loại đa lớp phức tạp.

Nội dung: Kiến trúc Cây quyết định. Xây dựng cây với Recursive Binary Splitting. Các độ đo Gini Index, Entropy và tính RSS cho hồi quy.

Thực hành: Ứng dụng Decision Tree để lựa chọn đặc trưng (Feature Selection) và cài đặt thuật toán với Information Gain.

Nội dung: Phân cụm khách hàng với K-means. Cách chọn K tối ưu. Giới thiệu K-means++ và Phân cụm phân cấp (Hierarchical Clustering).

Thực hành: Ứng dụng kỹ thuật Elbow và dùng K-means để nén dung lượng ảnh kỹ thuật số.

Nội dung: Ý tưởng của thuật toán PCA. Chuyển đổi hệ cơ sở trong không gian vector. Phương pháp tìm số lượng thành phần chính tối ưu.

Thực hành: Ứng dụng Eigenface trong nhận diện khuôn mặt và tính toán tỷ lệ phương sai tích lũy.

Nội dung: Tăng cường sức mạnh mô hình bằng Bagging (Random Forest), Boosting (AdaBoost, GradientBoost) và Stacking. Tìm kiếm tham số với Grid/Random Search, Bayesian Optimization.

Thực hành: Ứng dụng Ensemble Models kết hợp Tuning để dự đoán bệnh tiểu đường.

Nội dung: Bước vào thế giới Deep Learning. Các thành phần của ANN, Backpropagation. Xử lý các vấn đề kinh điển: Exploding/Vanishing gradient và Overfitting.

Thực hành: Xây dựng mạng Neural Network đầu tiên bằng PyTorch trên tập dữ liệu Moon và MNIST.

Nội dung: Kỹ thuật chế tác đặc trưng nâng cao: Transformation, Extraction, Selection. Xử lý mất cân bằng dữ liệu (Class imbalance). Tự động hóa với ML Pipeline và AutoML.

Thực hành: Kết hợp toàn bộ kỹ thuật xử lý để tối ưu hóa dự đoán giá nhà.

Hoạt động: Thuyết trình đồ án cuối kỳ - Bài toán Insurance Regression.

Talkshow: Chuyên gia trong ngành chia sẻ định hướng nghề nghiệp, cách xây dựng Portfolio ấn tượng và lộ trình phát triển trở thành AI/Data Engineer chuyên nghiệp.