MÁY HỌC
may-hoc · Kiến thức đại cương & nền tảng (Năm 1)
Đang mở🏷 Kiến thức đại cương & nền tảng (Năm 1)
0Sinh viên
0Bài test
0Tài liệu
Giảng viên
Chưa phân công giảng viên
Giới thiệu khóa học
KẾ HOẠCH HỌC TẬP MÔN "MÁY HỌC"
Giới thiệu môn học
Máy học là một trong những lĩnh vực quan trọng và đang phát triển mạnh mẽ trong ngành khoa học dữ liệu và trí tuệ nhân tạo. Môn học này tập trung vào việc xây dựng các mô hình học máy để máy tính có thể học từ dữ liệu, cải thiện hiệu suất dựa trên kinh nghiệm mà không cần phải lập trình chi tiết cho mọi tình huống. Thông qua các thuật toán và mô hình thống kê, máy học giúp giải quyết các bài toán như phân loại, hồi quy, nhóm (clustering), và giảm chiều (dimensionality reduction).
Môn học này sẽ giúp sinh viên khám phá cách thức hoạt động của các thuật toán máy học, từ các kỹ thuật cơ bản cho đến các phương pháp phức tạp hơn như học sâu (deep learning). Ngoài ra, sinh viên sẽ học cách áp dụng những kỹ thuật này vào các bài toán thực tế trong nhiều lĩnh vực như phân tích dữ liệu, nhận dạng hình ảnh, và dự đoán.
Mục tiêu môn học
- Nắm vững các thuật toán máy học cơ bản: Sinh viên sẽ học và áp dụng các thuật toán học máy phổ biến như hồi quy tuyến tính, cây quyết định, k-means, và Naive Bayes.
- Hiểu và áp dụng các mô hình học sâu (Deep Learning): Sinh viên sẽ được giới thiệu về mạng nơ-ron và các mô hình học sâu, giúp giải quyết các bài toán phức tạp như nhận diện ảnh và xử lý ngôn ngữ tự nhiên.
- Ứng dụng máy học vào các bài toán thực tế: Sinh viên sẽ có cơ hội làm việc với các bộ dữ liệu thực tế để xây dựng mô hình máy học cho các bài toán phân loại, dự đoán, và tối ưu hóa.
- Xử lý và chuẩn bị dữ liệu: Một phần quan trọng của máy học là hiểu cách làm sạch và chuẩn bị dữ liệu để mô hình hoạt động hiệu quả.
- Đánh giá và tối ưu hóa mô hình: Sinh viên sẽ học cách đánh giá hiệu quả của các mô hình học máy và cải thiện chúng thông qua các kỹ thuật như cross-validation, tối ưu hóa siêu tham số.
Kiến thức tiên quyết
- Toán học: Kiến thức về đại số tuyến tính, xác suất thống kê, và đạo hàm là rất quan trọng để hiểu cách các thuật toán học máy hoạt động.
- Lập trình: Sinh viên cần có kiến thức vững về lập trình, đặc biệt là Python, vì Python là ngôn ngữ phổ biến để triển khai các thuật toán máy học thông qua các thư viện như scikit-learn, TensorFlow, và PyTorch.
- Thuật toán và cấu trúc dữ liệu: Nắm vững các khái niệm cơ bản về thuật toán và cấu trúc dữ liệu sẽ giúp sinh viên hiểu cách các thuật toán học máy được triển khai và tối ưu hóa.
Giai đoạn học tập theo 15 tuần
| Tuần | Nội dung học tập | Ghi chú |
|---|---|---|
| Tuần 1 | Giới thiệu về máy học- Các khái niệm cơ bản trong máy học.- Các loại học máy: học có giám sát, học không giám sát, học tăng cường. | Giới thiệu tổng quan và phân loại các phương pháp học máy. |
| Tuần 2 | Hồi quy tuyến tính và Logistic- Giới thiệu về mô hình hồi quy tuyến tính và logistic.- Ứng dụng trong dự đoán và phân loại. | Tìm hiểu và áp dụng hồi quy tuyến tính và logistic cho các bài toán dự đoán. |
| Tuần 3 | Cây quyết định và Random Forest- Xây dựng mô hình cây quyết định và Random Forest.- Ứng dụng trong phân loại và dự đoán. | Xây dựng mô hình phân loại và đánh giá hiệu quả của chúng. |
| Tuần 4 | K-Nearest Neighbors (KNN)- Các phương pháp học máy k-láng giềng gần nhất.- Tìm hiểu về khoảng cách và cách sử dụng KNN trong phân loại. | Xây dựng mô hình phân loại sử dụng KNN. |
| Tuần 5 | Naive Bayes- Các khái niệm về mô hình Naive Bayes.- Áp dụng trong phân loại văn bản và các bài toán phân loại khác. | Thực hành áp dụng Naive Bayes cho phân loại văn bản. |
| Tuần 6 | Học không giám sát- Phân tích cụm (Clustering) với K-means và các phương pháp khác.- Phân tích dữ liệu không có nhãn. | Áp dụng phương pháp phân cụm vào các bộ dữ liệu thực tế. |
| Tuần 7 | Giảm chiều dữ liệu- Phương pháp giảm chiều: PCA (Principal Component Analysis).- Áp dụng giảm chiều vào dữ liệu lớn. | Thực hành giảm chiều dữ liệu và tìm kiếm thông tin quan trọng. |
| Tuần 8 | Mạng nơ-ron cơ bản- Cấu trúc mạng nơ-ron và cách hoạt động của nó.- Các thuật toán huấn luyện mạng nơ-ron. | Xây dựng và huấn luyện mạng nơ-ron cơ bản. |
| Tuần 9 | Học sâu (Deep Learning)- Giới thiệu về học sâu và mạng nơ-ron sâu (DNN).- Ứng dụng trong nhận diện hình ảnh, âm thanh, và văn bản. | Tìm hiểu về học sâu và áp dụng các mô hình DNN vào các bài toán thực tế. |
| Tuần 10 | Mạng nơ-ron tích chập (CNN)- Cấu trúc và nguyên lý hoạt động của CNN.- Ứng dụng CNN trong nhận diện ảnh. | Xây dựng và áp dụng CNN vào nhận diện hình ảnh. |
| Tuần 11 | Mạng nơ-ron hồi tiếp (RNN)- Cấu trúc và ứng dụng của RNN trong xử lý chuỗi dữ liệu.- Ứng dụng trong dự đoán chuỗi thời gian và nhận diện ngữ nghĩa. | Áp dụng RNN trong các bài toán dự đoán chuỗi. |
| Tuần 12 | Học tăng cường (Reinforcement Learning)- Các thuật toán học tăng cường và ứng dụng trong các bài toán tối ưu. | Tìm hiểu và áp dụng học tăng cường trong các bài toán tối ưu hóa. |
| Tuần 13 | Đánh giá mô hình và tối ưu hóa- Các phương pháp đánh giá mô hình: cross-validation, ROC, AUC.- Tối ưu hóa siêu tham số và tìm kiếm lưới. | Đánh giá và tối ưu hóa mô hình máy học. |
| Tuần 14 | Ứng dụng máy học trong thực tế- Áp dụng máy học vào các bài toán thực tế như dự đoán, phân loại, nhận diện. | Xây dựng các ứng dụng máy học thực tế. |
| Tuần 15 | Ôn tập và bài thi cuối kỳ- Ôn tập các kiến thức đã học.- Thi cuối kỳ môn học. | Kiểm tra tổng hợp và đánh giá khả năng ứng dụng của sinh viên. |
Ứng dụng thực tế của môn học
- Dự đoán và phân tích dữ liệu: Xây dựng các mô hình dự đoán cho các bài toán tài chính, marketing, và dự báo nhu cầu.
- Nhận diện ảnh và video: Phát triển các hệ thống nhận diện khuôn mặt, nhận diện đối tượng trong ảnh/video.
- Xử lý ngôn ngữ tự nhiên (NLP): Ứng dụng máy học trong các hệ thống dịch tự động, chatbot, phân tích cảm xúc.
- Tối ưu hóa và quyết định: Áp dụng học tăng cường trong các bài toán tối ưu hóa, ví dụ như tự động lái xe, chiến lược kinh doanh.
Môn học Máy học cung cấp cho sinh viên những công cụ mạnh mẽ để giải quyết các bài toán phức tạp trong thế giới thực, giúp họ trở thành những chuyên gia trong lĩnh vực khoa học dữ liệu và trí tuệ nhân tạo.