Nắm chắc tư duy làm Machine Learning từ A đến Z: hiểu bài toán, đặt mục tiêu, chọn hướng tiếp cận, và biết cách biến “dữ liệu thô” thành dữ liệu sẵn sàng để huấn luyện.
Thành thạo quy trình xử lý dữ liệu thực tế: làm sạch, chuẩn hóa, chọn đặc trưng, trực quan hóa để nhìn ra insight và tránh những sai lầm “đắt giá” khi train model.
Huấn luyện và đánh giá mô hình Classification, Regression bằng scikit-learn theo chuẩn bài bản: chia train/valid/test, chọn metric phù hợp, đọc hiểu kết quả và biết cách cải thiện.
Biết tối ưu hiệu năng mô hình một cách có chiến lược: nhận diện overfitting/underfitting, hiểu bias–variance, và chọn đúng bước tiếp theo để tăng chất lượng dự đoán.
Áp dụng các kỹ thuật tối ưu quan trọng trong ML: Regularization (L1, L2, Elastic Net) và các phương pháp giảm chiều để mô hình “gọn hơn nhưng mạnh hơn”.
Làm được dự báo chuỗi thời gian (Time Series Forecasting): xử lý dữ liệu theo thời gian, xây dựng mô hình dự báo và đánh giá sai số một cách thực tế.
Nội dung khóa học
Module 1: Data Foundations & ML Mindset (Buổi 1–5)
Hiểu bức tranh tổng thể Data Science & Machine Learning: quy trình làm dự án và cách tư duy đúng ngay từ đầu.
Làm quen dữ liệu, thuộc tính, cách đặt câu hỏi đúng, và cách nhìn insight từ dữ liệu thay vì “đoán mò”.
Supervised vs Unsupervised: nắm nền tảng để biết khi nào dùng mô hình nào.
Mini Project: EDA + trực quan hóa, viết report ngắn gọn như một Data Scientist thực thụ.
Module 2: Supervised Learning Core with Scikit-learn (Buổi 6–7)
Setup, workflow chuẩn với scikit-learn: train, evaluate, và tổ chức pipeline gọn gàng.
Classification thực chiến với dataset tiểu đường: tiền xử lý, huấn luyện, đánh giá, so sánh nhanh nhiều mô hình.
Regression thực chiến với dataset điểm thi: xử lý dữ liệu hỗn hợp, pipeline, và tìm bộ siêu tham số tốt.
Project: “benchmark 30+ models” và chọn ra mô hình tốt nhất theo mục tiêu bài toán.
Module 3: NLP Application, làm Text Classification bằng Private Dataset (Buổi 8–9)
Tiền xử lý văn bản bài bản: cleaning, chuẩn hóa, và biến văn bản thành feature để mô hình hiểu được.
N-grams, TF-IDF và các kỹ thuật biểu diễn văn bản thực dụng, dễ áp dụng.
Xây dựng Job Level Classification với private dataset: bài toán giống môi trường doanh nghiệp.
Tối ưu mô hình: cân bằng dữ liệu, lọc thuộc tính, giảm chiều và cải thiện chất lượng dự đoán.
Module 4: Computer Vision Starter Pack (Buổi 10)
Hiểu ảnh trong Computer Vision và các bài toán phổ biến để định hướng học nhanh, đúng.
Làm quen OpenCV và các bộ dữ liệu kinh điển, biết cách chuẩn bị dữ liệu cho bài toán ảnh.
Project: Image Classification với MNIST, huấn luyện và đánh giá mô hình rõ ràng.
Module 5: Time Series Forecasting, dự báo dữ liệu theo thời gian (Buổi 11–12)
Hiểu đặc trưng “khó chịu” của dữ liệu chuỗi thời gian và cách xử lý đúng chuẩn.
Hai chiến lược dự báo quan trọng: dự báo đệ quy đa bước và dự báo đa bước trực tiếp.
Project: dự đoán lượng khí thải CO2, trực quan hóa kết quả và đọc hiểu sai số dự báo.
Module 6: Model Diagnosis & Optimization (Buổi 13–14)
Chẩn đoán lỗi mô hình theo kiểu “có nghề”: Bias, Variance và cách xử lý bias-variance tradeoff.
Chiến lược chọn mô hình: dựa vào dữ liệu, metrics, độ ưu tiên, và khả năng giải thích.
Regularization (L1, L2, Elastic Net): giảm overfitting, tăng độ ổn định khi deploy thực tế.
Giảm chiều dữ liệu: feature selection, feature extraction, và “curse of dimensionality” bạn sẽ gặp khi data lớn.
Module 7: Recommendation Systems, xây hệ thống gợi ý (Buổi 15)
Nắm 3 trụ cột recommender: Content-based, Collaborative Filtering và Hybrid.
Hiểu cách đo “similarity” và biến dữ liệu user, item, rating thành mô hình gợi ý chạy được.
Project: gợi ý phim end-to-end, hoàn thiện mô hình và kiểm tra chất lượng đề xuất.
Module 8: Hypothesis Testing & Statistical Thinking (Buổi 16–17)
Tư duy thống kê ứng dụng: phân phối chuẩn, định lý giới hạn trung tâm và cách dùng trong phân tích dữ liệu.
Quy trình kiểm định giả thuyết: đặt giả thuyết, chọn test, ra quyết định đúng logic.
Thực hành Z-test và T-test qua bài tập, giúp bạn giải thích kết quả một cách thuyết phục.
