🎯 Mục tiêu khóa học
Chào mừng bạn đến với Machine Learning Fundamentals!
✅ Hiểu vững lý thuyết: Nắm chắc các khái niệm cốt lõi của Machine Learning
✅ Áp dụng thực tế: Xây dựng và đánh giá mô hình ML với Python/Scikit-learn
✅ Tư duy phân tích: Lựa chọn thuật toán phù hợp cho từng bài toán cụ thể
✅ Đánh giá chuyên sâu: Hiểu sâu về Gini, ROC-AUC, Threshold và các metrics quan trọng
Đây là khóa học nền tảng giúp bạn làm chủ Machine Learning - từ lý thuyết đến thực hành với Python và Scikit-learn!
� Bảng Thuật Ngữ Quan Trọng
Trước khi bắt đầu, hãy làm quen với các thuật ngữ cơ bản trong Machine Learning:
| Thuật ngữ | Tiếng Việt | Giải thích đơn giản |
|---|---|---|
| Machine Learning | Học máy | Phương pháp để máy tính tự học từ dữ liệu mà không cần lập trình tường minh |
| Supervised Learning | Học có giám sát | Học từ dữ liệu đã được gắn nhãn (label) sẵn |
| Unsupervised Learning | Học không giám sát | Tìm pattern ẩn trong dữ liệu chưa có nhãn |
| Feature | Đặc trưng | Biến/thuộc tính đầu vào của mô hình |
| Label/Target | Nhãn/Mục tiêu | Giá trị đầu ra cần dự đoán |
| Model | Mô hình | Kết quả học được sau quá trình training |
| Training | Huấn luyện | Quá trình cho mô hình học pattern từ dữ liệu |
| Overfitting | Quá khớp | Mô hình học quá chi tiết noise, không tổng quát hóa được |
| Evaluation Metrics | Chỉ số đánh giá | Các thước đo để đánh giá chất lượng mô hình |
Checkpoint
Bạn đã đọc qua bảng thuật ngữ? Hãy ghi nhớ các khái niệm này vì chúng sẽ xuất hiện xuyên suốt khóa học!
📊 Tổng quan nội dung
Cấu trúc khóa học
| Module | Chủ đề | Nội dung chính |
|---|---|---|
| Supervised Learning | Regression | Linear Regression, Polynomial Regression |
| Classification | Logistic Regression, Decision Tree, Random Forest, SVM | |
| Unsupervised Learning | Clustering | K-Means |
| Dimensionality Reduction | PCA | |
| Anomaly Detection | Isolation Forest | |
| Evaluation | Metrics cơ bản | Accuracy, Precision, Recall, F1-Score |
| Metrics nâng cao | Gini Impurity, ROC-AUC, Threshold Analysis | |
| Model Optimization | Tuning | Cross-Validation, Hyperparameter Tuning, Ensemble Methods |
Hình: Scikit-learn Algorithm Cheat Sheet - Hướng dẫn chọn thuật toán phù hợp
Checkpoint
Bạn đã xem qua cấu trúc khóa học? Hãy note lại những module bạn quan tâm nhất!
🗓️ Lộ trình 10 tuần
Timeline học tập
| Tuần | Nội dung | Số buổi |
|---|---|---|
| 1 | Giới thiệu ML và Nền tảng toán học | 2 |
| 2-3 | Data Processing và EDA | 4 |
| 4-6 | Supervised Learning - Regression | 6 |
| 7-8 | Supervised Learning - Classification | 4 |
| 9 | Unsupervised Learning | 3 |
| 10 | Ensemble Methods và Tổng kết | 3 |
Gợi ý: Dành 2-3 giờ mỗi ngày để học lý thuyết và thực hành code. Đừng quên làm bài tập sau mỗi bài học!
Checkpoint
Bạn đã lên kế hoạch học tập chưa?
🛠️ Công nghệ sử dụng
Tech Stack
| Công nghệ | Mục đích |
|---|---|
| Python 3.10+ | Ngôn ngữ lập trình chính cho toàn bộ khóa học |
| NumPy | Thư viện tính toán số học, xử lý arrays và ma trận |
| Pandas | Xử lý và phân tích dữ liệu dạng bảng (DataFrame) |
| Scikit-learn | Thư viện chứa các thuật toán ML chuẩn công nghiệp |
| Matplotlib/Seaborn | Trực quan hóa dữ liệu và kết quả mô hình |
Cài đặt nhanh:
1pip install numpy pandas scikit-learn matplotlib seaborn jupyterCheckpoint
Bạn đã cài đặt đầy đủ các thư viện chưa?
📚 Cấu trúc mỗi bài học
Mỗi bài học được thiết kế theo cấu trúc chuẩn:
| Phần | Nội dung |
|---|---|
| 🎯 Mục tiêu bài học | Kiến thức và kỹ năng cần đạt |
| 📖 Bảng Thuật Ngữ | Các thuật ngữ quan trọng |
| 🧠 Lý thuyết | Định nghĩa, giải thích trực quan |
| 📐 Công thức | Toán học cơ bản |
| 💻 Thực hành Python | Code từng bước với Scikit-learn |
| ⚖️ So sánh | Ưu nhược điểm các phương pháp |
| 📝 Tổng kết | Bài tập tự luyện |
Học hiệu quả: Đọc lý thuyết trước, sau đó chạy code trong Jupyter Notebook để hiểu rõ hơn!
Checkpoint
Bạn đã hiểu cấu trúc mỗi bài học? Hãy áp dụng cách học này cho hiệu quả tốt nhất!
🎓 Đối tượng & Yêu cầu
Đối tượng phù hợp
- Sinh viên IT, Data Science
- Người mới bắt đầu với Machine Learning
- Lập trình viên muốn chuyển sang AI/ML
- Analysts muốn nâng cao kỹ năng phân tích
Yêu cầu tiên quyết
Trước khi bắt đầu, bạn cần:
✅ Biết lập trình Python cơ bản (biến, hàm, vòng lặp, list/dict)
✅ Hiểu biết cơ bản về thống kê (mean, median, standard deviation)
✅ Có máy tính cài Python 3.10+ và có thể chạy Jupyter Notebook
Checkpoint
Bạn đã đáp ứng các yêu cầu tiên quyết chưa?
📝 Tổng Kết
Tóm tắt khóa học Machine Learning Fundamentals:
- 📐 Nền tảng vững chắc: Toán học + Xử lý dữ liệu
- 🧠 Supervised Learning: Linear/Logistic Regression, Decision Tree, Random Forest
- 📊 Evaluation: Confusion Matrix, ROC-AUC, Threshold Analysis
- 🚀 Nâng cao: Cross-Validation, Ensemble Methods, Unsupervised Learning
- 💻 Thực hành: Python + Scikit-learn xuyên suốt
Sách & Tài liệu tham khảo
| Nguồn | Link |
|---|---|
| Scikit-learn Documentation | scikit-learn.org |
| Hands-On Machine Learning | O'Reilly |
| Introduction to Statistical Learning | statlearning.com |
| Kaggle Learn - Machine Learning | kaggle.com/learn |
Câu hỏi tự kiểm tra
- Machine Learning khác gì so với lập trình truyền thống?
- Hãy kể tên 3 loại Machine Learning chính và cho ví dụ mỗi loại?
- Overfitting là gì và tại sao cần tránh hiện tượng này?
- Một ML project chuẩn thường bao gồm những bước chính nào?
Bạn đã sẵn sàng! Hãy bắt đầu với bài tiếp theo để tìm hiểu về mục tiêu học tập chi tiết.
Checkpoint
Bạn đã sẵn sàng bắt đầu hành trình Machine Learning chưa?