HỌC MÁY CƠ BẢN
Giảng viên
Giới thiệu khóa học
Dưới đây là Kế hoạch học tập 15 tuần môn "Học máy cơ bản" theo đúng cấu trúc bạn yêu cầu:
Tóm tắt giới thiệu môn học
Môn "Học máy cơ bản" giới thiệu các khái niệm, thuật toán và phương pháp học phổ biến trong trí tuệ nhân tạo. Đây là môn nền tảng giúp sinh viên hiểu cách các hệ thống có thể học từ dữ liệu để đưa ra dự đoán hoặc quyết định mà không cần lập trình rõ ràng từng bước.
Sinh viên sẽ làm quen với các loại mô hình học máy như học có giám sát, học không giám sát, và học tăng cường cơ bản, cũng như cách xây dựng, huấn luyện, đánh giá và ứng dụng mô hình vào các bài toán thực tế.
Chú thích: Môn học là bước khởi đầu cho những ai muốn theo đuổi lĩnh vực AI, Khoa học dữ liệu hoặc Kỹ thuật phần mềm thông minh.
Mục tiêu môn học
Hiểu rõ các loại học máy: Học có giám sát, học không giám sát và học tăng cường.
Nắm được quy trình xây dựng một hệ thống học máy: Tiền xử lý dữ liệu, chọn mô hình, huấn luyện, đánh giá, và cải tiến.
Biết cách áp dụng các thuật toán cơ bản: Hồi quy tuyến tính, hồi quy logistic, cây quyết định, k-NN, SVM, K-means,...
Hiểu được cách đánh giá mô hình: Qua các chỉ số như độ chính xác, precision, recall, F1-score, AUC,...
Làm quen với công cụ học máy: Sử dụng thư viện Python như
scikit-learn,pandas,matplotlib.
Chú thích: Sinh viên sẽ học lý thuyết song song với thực hành bằng Python để dễ dàng áp dụng vào thực tế.
Kiến thức tiên quyết
Toán cao cấp: Đại số tuyến tính (ma trận, vector), xác suất – thống kê cơ bản.
Kỹ năng lập trình: Thành thạo Python, sử dụng thư viện dữ liệu như
numpy,pandas.Tư duy thuật toán: Hiểu khái niệm thuật toán, vòng lặp, cấu trúc điều kiện, xử lý dữ liệu.
Chú thích: Có thể học song song với các môn Toán ứng dụng nếu sinh viên chưa hoàn toàn nắm vững.
Kế hoạch học tập 15 tuần môn "Học máy cơ bản"
| Tuần | Nội dung học tập | Mục tiêu cụ thể / Ghi chú |
|---|---|---|
| Tuần 1 | Giới thiệu học máy và ứng dụng | Hiểu vai trò của học máy trong thực tế, phân loại các loại học máy. |
| Tuần 2 | Tổng quan quy trình học máy | Tìm hiểu về dữ liệu, huấn luyện mô hình, kiểm thử và đánh giá. |
| Tuần 3 | Hồi quy tuyến tính (Linear Regression) | Mô hình toán học đơn giản, hiểu cách ước lượng và dự đoán. |
| Tuần 4 | Hồi quy logistic (Logistic Regression) | Dùng cho bài toán phân loại nhị phân, áp dụng sigmoid. |
| Tuần 5 | Cây quyết định và Random Forest | Hiểu mô hình cây, cách phân chia và tổng hợp rừng ngẫu nhiên. |
| Tuần 6 | K-nearest neighbors (K-NN) và Naive Bayes | Thuật toán đơn giản nhưng hiệu quả, dễ triển khai. |
| Tuần 7 | Support Vector Machine (SVM) | Học cách tối ưu mặt phẳng phân cách, kernel. |
| Tuần 8 | Đánh giá mô hình học máy | Sử dụng confusion matrix, accuracy, recall, precision, F1-score,... |
| Tuần 9 | Tiền xử lý dữ liệu (Data preprocessing) | Làm sạch dữ liệu, chuẩn hóa, encode, xử lý dữ liệu thiếu. |
| Tuần 10 | Giảm chiều dữ liệu – PCA và t-SNE | Hiểu cách rút gọn đặc trưng trong không gian nhiều chiều. |
| Tuần 11 | Học không giám sát – K-means clustering | Áp dụng phân cụm vào dữ liệu không gắn nhãn. |
| Tuần 12 | Giới thiệu mạng nơ-ron nhân tạo (ANN) cơ bản | Cấu trúc perceptron đơn giản, lan truyền ngược. |
| Tuần 13 | Thực hành: Dự án mini xây dựng mô hình học máy thực tế | Áp dụng toàn bộ kiến thức để xử lý một tập dữ liệu thực tế (Iris, Titanic, MNIST đơn giản). |
| Tuần 14 | Thuyết trình, phân tích và phản biện mô hình | Sinh viên trình bày kết quả, đánh giá mô hình của nhóm khác. |
| Tuần 15 | Kiểm tra cuối kỳ – Lý thuyết & bài tập thực hành | Đánh giá năng lực tổng thể thông qua kiến thức và kỹ năng thực hành. |
Ghi chú bổ sung:
Nên kết hợp với phần mềm Google Colab hoặc Jupyter Notebook để thực hành.
Có thể sử dụng bộ dữ liệu mẫu từ Kaggle, UCI Machine Learning Repository để thực hành.
Khuyến khích sinh viên tự học thêm TensorFlow/Keras nếu có hứng thú với Deep Learning.
Nếu bạn cần bài giảng chi tiết, bài tập có lời giải, hoặc tài liệu thực hành Python học máy, mình có thể giúp bạn tiếp tục xây dựng!
Bạn muốn tiếp tục với môn nào tiếp theo?