Mục tiêu học tập chi tiết

🎯 Mục tiêu tổng quan

Sau khóa học, học viên có khả năng tự xây dựng end-to-end ML pipeline cho các bài toán thực tế.

📋 Chi tiết theo từng tuần

Tuần 1: Nền tảng Machine Learning

Kiến thức:

• Phân biệt Supervised vs Unsupervised Learning
• Hiểu workflow chuẩn của ML project
• Nắm vững các khái niệm: Features, Labels, Training, Testing

Kỹ năng:

• Thiết lập môi trường Python cho ML
• Sử dụng NumPy cho tính toán ma trận
• Hiểu và áp dụng Feature Scaling

Tuần 2-3: Data Processing và EDA

Kiến thức:

• Các loại dữ liệu và cách xử lý
• Missing values, Outliers, Encoding
• Exploratory Data Analysis (EDA)

Kỹ năng:

• Thành thạo Pandas để xử lý dữ liệu
• Trực quan hóa với Matplotlib/Seaborn
• Xây dựng Data Pipeline

Tuần 4-6: Supervised Learning - Regression

Kiến thức:

• Linear Regression và các giả định
• Polynomial Regression
• Regularization (L1, L2)

Kỹ năng:

• Implement và đánh giá Regression models
• Sử dụng MSE, RMSE, MAE, R-squared
• Xử lý Overfitting với Regularization

Tuần 7-8: Supervised Learning - Classification

Kiến thức:

• Logistic Regression
• Decision Trees và Gini Impurity
• Random Forest, SVM

Kỹ năng:

• Implement các thuật toán Classification
• Đánh giá với Confusion Matrix
• Hiểu và sử dụng ROC-AUC, Threshold

Tuần 9: Unsupervised Learning

Kiến thức:

• K-Means Clustering
• PCA (Principal Component Analysis)
• Anomaly Detection

Kỹ năng:

• Chọn số clusters tối ưu (Elbow, Silhouette)
• Giảm chiều dữ liệu với PCA
• Phát hiện anomaly với Isolation Forest

Tuần 10: Ensemble và Tổng kết

Kiến thức:

• Bagging vs Boosting
• XGBoost, Gradient Boosting
• ML Pipeline và Best Practices

Kỹ năng:

• Implement Ensemble methods
• Hyperparameter Tuning với GridSearchCV
• Xây dựng complete ML Pipeline

🏆 Chuẩn đầu ra

ML Pipeline hoàn chỉnh

Hình: ML Model Selection Workflow

📊 Bảng tổng hợp kỹ năng