1. Giới thiệu khóa học

📖 Bảng Thuật Ngữ Quan Trọng

Khóa học Advanced ML & AI đưa bạn từ research đến production, tập trung vào:

• ✅ Advanced techniques: AutoML, Meta-learning, Few-shot learning
• ✅ Production ML: MLOps, model deployment, monitoring
• ✅ Real-world project: E-commerce recommendation system
• ✅ Best practices: A/B testing, feature stores, CI/CD

💡 Tại sao khóa này quan trọng?

1Thực tế tuyển dụng ML Engineer / Data Scientist (2024-2025):
2 
3  "Biết train model" ← Chỉ 30% job description
4  "Biết DEPLOY + MONITOR model" ← 70% còn lại!
5 
6  Kaggle competition:  Train model → submit → xong
7  Production ML:       Train → Validate → Deploy → Monitor → Retrain → ...
8                       ↑ khóa này dạy phần NÀY
9 
10Ví dụ cụ thể — Shopee Recommendation System:
11  - 350 triệu sản phẩm × 200 triệu users
12  - Response time < 100ms (real-time serving)
13  - Retrain hàng ngày với data mới
14  - A/B test liên tục: 50+ experiments/tháng
15  → Không chỉ cần model tốt, cần HỆ THỐNG tốt!

2. Roadmap khóa học

Module 1: Kỹ thuật ML nâng cao (Tuần 1-3)

Bài 2: Hyperparameter Tuning nâng cao

• Grid Search, Random Search, Bayesian Optimization
• Optuna, Hyperopt
• Neural Architecture Search (NAS)

Bài 3: AutoML

• Auto-sklearn, TPOT, H2O AutoML
• AutoKeras, NAS
• When to use AutoML

Bài 4: Advanced Ensemble Methods

• Stacking, Blending
• Weighted ensembles
• Bayesian Model Averaging

Bài 5: Transfer Learning & Fine-tuning

• Pre-trained models (BERT, GPT, ResNet)
• Domain adaptation
• Few-shot learning

Module 2: Hệ thống gợi ý (Tuần 4-6)

Bài 6: Recommendation Systems Overview

• Collaborative Filtering (User-based, Item-based)
• Content-based filtering
• Hybrid approaches

Bài 7: Matrix Factorization

• SVD, ALS
• Implicit feedback
• Non-negative Matrix Factorization

Bài 8: Deep Learning for RecSys

• Neural Collaborative Filtering
• Deep Matrix Factorization
• Embeddings

Module 3: MLOps & Production (Tuần 7-9)

Bài 9: MLOps Fundamentals

3. Dự án Thực hành

🎯 E-commerce Recommendation System

Mô tả: Xây dựng hệ thống gợi ý sản phẩm hoàn chỉnh cho website thương mại điện tử.

Components:

Tech Stack:

• Data: PostgreSQL, Redis, Feast
• Training: PyTorch, Scikit-learn, Implicit
• MLOps: MLflow, DVC, Airflow
• Deployment: FastAPI, Docker, Kubernetes
• Monitoring: Prometheus, Grafana, Evidently

Metrics:

• Precision@K, Recall@K, NDCG@K
• Click-through rate (CTR)
• Conversion rate
• Revenue per user

4. Công cụ & Frameworks

4.1 AutoML

4.2 MLOps

1# Experiment tracking
2import mlflow
3mlflow.start_run()
4mlflow.log_params({"lr": 0.01, "epochs": 100})
5mlflow.log_metric("accuracy", 0.95)
6mlflow.sklearn.log_model(model, "model")
7
8# Feature store
9from feast import FeatureStore
10store = FeatureStore(repo_path=".")
11features = store.get_online_features(
12    features=["user_features:age", "product_features:category"],
13    entity_rows=[{"user_id": 123, "product_id": 456}]
14)
15
16# Model monitoring
17from evidently import ColumnMapping
18from evidently.dashboard import Dashboard
19dashboard = Dashboard(tabs=[DataDriftTab()])
20dashboard.calculate(reference_data, production_data)

5. Yêu cầu đầu vào

5.1 Kiến thức

• ✅ Machine Learning fundamentals (regression, classification, trees)
• ✅ Deep Learning basics (neural networks, CNNs, RNNs)
• ✅ Python advanced (OOP, decorators, context managers)
• ✅ SQL, Pandas, NumPy

5.2 Setup

1# ML frameworks
2pip install scikit-learn xgboost lightgbm
3 
4# Deep Learning
5pip install torch torchvision transformers
6 
7# AutoML
8pip install auto-sklearn tpot h2o
9 
10# MLOps
11pip install mlflow wandb dvc feast
12 
13# Deployment
14pip install fastapi uvicorn docker
15 
16# Monitoring
17pip install evidently prometheus-client

6. Lộ trình học tập

Tuần 1-3: Advanced Techniques

• Mục tiêu: Master AutoML, ensembles, transfer learning
• Deliverable: Kaggle competition submission

Tuần 4-6: Recommendation Systems

• Mục tiêu: Build RecSys from scratch
• Deliverable: Movie recommendation prototype

Tuần 7-9: MLOps

• Mục tiêu: Deploy ML model to production
• Deliverable: Deployed API with monitoring

Tuần 10-12: Final Project

• Mục tiêu: Complete e-commerce RecSys
• Deliverable: Full-stack recommendation system

7. Đánh giá

Tiêu chí đạt:

• Tổng điểm ≥ 70%
• Demo dự án cuối khóa
• Đạt code review

🧮 Warm-up: Ước Lượng Quy Mô Dự Án RecSys

Bài toán: E-commerce RecSys cho 1M users, 50K products

1Ước lượng data:
2  Interaction matrix: 1M × 50K = 50 tỷ cells
3  Nhưng sparse! (mỗi user tương tác ~50 products = 0.1%)
4  → Actual data: 1M × 50 = 50M interactions ≈ 400MB
5 
6Feature dimensions:
7  User features: age, city, income, purchase_count... → 20 features × 1M = 20M
8  Product features: category, price, embedding... → 15 features × 50K = 750K
9  Interaction features: recency, frequency, monetary → 5 features × 50M = 250M
10 
11Total data: ~1.5GB (float32) — vừa RAM 16GB
12 
13Training estimates:
14  Collaborative Filtering (SVD): ~5 phút, CPU OK
15  Neural Collaborative: ~30 phút, GPU recommended
16  Deep RecSys (full): ~2-4 giờ, GPU required

Timeline Khóa Học

9. Tài liệu tham khảo

Sách

• "Designing Machine Learning Systems" (Chip Huyen) - Production ML
• "Machine Learning Engineering" (Andriy Burkov) - MLOps
• "Recommender Systems Handbook" (Ricci et al.) - RecSys bible

Khóa Học

• Full Stack Deep Learning
• Made With ML
• Stanford CS329S: ML Systems Design

Bài Báo Nghiên Cứu

• Netflix RecSys: "The Netflix Recommender System"
• Google: "Rules of Machine Learning"
• Uber: "Michelangelo: Uber's ML Platform"

🧠 Góc Nhìn Chuyên Gia: Advanced ML Execution Strategy

Khung Ưu Tiên Hóa

Maturity signals cho team ML

• Có baseline rõ ràng trước khi thử mô hình phức tạp
• Có experiment tracking và model registry nhất quán
• Có metrics online/offline được mapping rõ với business KPI
• Có canary + rollback trước mỗi lần release model