Khóa học Python nâng cao

Lịch học dự kiến diễn ra

Lớp:	PYTHON LEVEL 2
Địa điểm:	Tầng 5, Tòa nhà Star City, 23 Lê Văn Lương, HN
Thời gian học:	Thứ 4 - 19H00 - 21H30 & Thứ 7 - 19H00 - 21H30
Lịch khai giảng:	Dec. 25, 2024
Thời gian kết thúc:	Jan. 25, 2025
Giảng viên dự kiến:	Quangnk.py

Lớp:	PYTHON LEVEL 2
Địa điểm:	59 Cao Thắng, Quận 3, HCM
Thời gian học:	Thứ 5 - 19H00 - 21H30 & Thứ 7 - 19H00 - 21H30
Lịch khai giảng:	Jan. 2, 2025
Thời gian kết thúc:	Feb. 1, 2025
Giảng viên dự kiến:	None

Python Level 2

Python for Machine Learning

Đây là 1 khóa học Python nâng cao, ứng dụng trong lĩnh vực Học máy (Machine Learning). Hình thức đào tạo online và offline trong thời lượng 10 buổi học, mỗi buổi học từ 2.5 - 3 tiếng.

Tên khóa học: Python for Machine Learning (Python Level 2)

Cơ hội nghề nghiệp nổi bật sau khi tốt nghiệp khóa học này là các vị trí:
• Data Analyst (Chuyên viên Phân tích Dữ liệu)
• Machine Learning (ML) Engineer (Kĩ sư Học máy)
• Artificial Intelligence (AI) Engineer (Kĩ sư Trí tuệ Nhân tạo)
• Data Scientist (Nhà Khoa học Dữ liệu)

4.9 (528)

Đối tượng

• Sinh viên khối kinh tế, kĩ thuật có định hướng tham gia ngành Data Science, Data Analytics đang bắt đầu tìm hiểu các kiến thức liên quan Python, Machine Learning, Deep Learning và học cách ứng dụng Python vào các dự án thực tế tại doanh nghiệp.
• Người đã đi làm mong muốn cải thiện kỹ năng làm việc với dữ liệu, kỹ năng giải quyết và ra quyết định với các bài toán thực tế trong công việc dựa trên phân tích dữ liệu chuyên sâu và hiệu quả với Python.
• Các bạn có mong muốn chuyển ngang sang ngành Data Analysis, Data Science & Machine Learning để có mức thu nhập cao hơn lên tới 1000$/tháng và phát triển sự nghiệp rộng mở hơn.

Yêu cầu đầu vào

• Các bạn đã hoàn thành khóa học Python Llevel 1 tại MCI: Python Foundation in Data Analytics hoặc nắm vững kiến thức Python cơ bản

Bạn sẽ học những gì

• Hiểu biết cơ bản về Machine Learning và Linear Regression, cùng với các thuật ngữ quan trọng trong ML.
• Áp dụng các thuật toán Machine Learning như Gradient Descent, Logistic Regression, KNN, Naive Bayes, Decision Tree, và Neutral Network.
• Thực hiện học không giám sát với các kỹ thuật như K-means và Hierarchical Clustering.
• Sử dụng PCA và SVM cho phân tích thành phần chính và phân loại dữ liệu.
• Tích hợp kiến thức và kỹ năng thông qua các dự án capstone để giải quyết các vấn đề thực tế.

Nội dung khóa học

Buổi 1: Giới thiệu về Machine Learning và Linear Regression

Chủ đề:

Machine Learning

Mục tiêu:

- Nắm được khái niệm cơ bản về ML, một số ứng dụng phổ biến và phân loại machine learning
- Biết về thư viện scikit learn các triển khai xây dựng mô hình trên scikitlearn
- Nắm được thuật toán linear regression và triển khai
- Một số thước đo cơ bản của bài toán regression

Ứng dụng:

- Xây dựng mô hình trên Scikit-learn
- Triển khai thuật toán Linear Regression

Case Study:

Media Company Case Study (Linear Regression)
A digital media company (similar to Voot, Hotstar, Netflix, etc.) had launched a show. Initially, the show got a good response, but then witnessed a decline in viewership. The company wants to figure out what went wrong.

Buổi 2: Polynomial và một số thuật ngữ quan trọng trong ML

Chủ đề:

Polynomial và một số thuật ngữ quan trọng trong ML

Mục tiêu:

- Hiểu được việc thuật toán Polynomial và cách triển khai
- Nắm được một số kỹ thuật xây dựng mô hình machine learning

Ứng dụng:

- Triển khai thuật toán Polynomial
- Kĩ thuật xây dựng mô hình Machine Learning

Case Study:

Using Polynomial Regression with House Prices - Kaggle Copetitions

Buổi 3: Gradient descent

Chủ đề:

Gradient descent

Mục tiêu:

- Nắm được về thuật toán, một số phiên bản của gradient descent
- Kỹ thuật normalization features

Ứng dụng:

- Gradient Descent
- Kỹ thuật Normalization Features

Case Study:

House Prices - Advanced Regression Techniques

Buổi 4: Logistic regression

Chủ đề:

Logistic Regression

Mục tiêu:

- Nắm được về thuật toán phân lớp bằng logistic regression và triển khai trên thư viện scikit learn
- Một số thước đo phổ biến của bài toán phân lớp và ưu nhược điểm của nó

Ứng dụng:

- Thuật toán phân lớp bằng Logistic Regression

Case Study:

Housing prediction with Logistic Regression

Buổi 5: KNN and Naive bayes

Chủ đề:

KNN and Naive bayes

Mục tiêu:

-Nắm được cách triển khai thuật toán:
- KNN và tối ưu giá trị của k
- Naive bayes

Ứng dụng:

- KNN
- Naive Bayes

Case Study:

Housing classification with KNN

Buổi 6: Unsupervised learning: Kmean, Hierarchical clustering

Chủ đề:

Unsupervised learning: Kmean, Hierarchical clustering

Mục tiêu:

Nắm được cách triển khai và tối ưu của thuật toán :
- Kmean
- Hierarchical

Ứng dụng:

- Kmean
- Hierarchical

Case Study:

Online Retail K-means & Hierarchical Clustering:
Online retail is a transnational data set which contains all the transactions occurring between 01/12/2010 and 09/12/2011 for a UK-based and registered non-store online retail. The company mainly sells unique all-occasion gifts. Many customers of the company are wholesalers.

Buổi 7: PCA and SVM

Chủ đề:

PCA and SVM

Mục tiêu:

Nắm được và triển khai thuật toán:
- PCA
- SVM

Ứng dụng:

- Giới thiệu về SVM : Thuật toán, phiên bản
- Giới thiệu về PCA: Thuật toán
- Các triển khai trong thư viện Scikit learn

Case Study:

PCA and SVM on MNIST dataset

Buổi 8: Decision tree

Chủ đề:

Decision tree

Mục tiêu:

Nắm được và triển khai thuật toán:
- Decision tree
- Random forests
- XGBoost

Ứng dụng:

- Giới thiệu về Decision tree
- Hàm entropy và thuật toán tối ưu của Decision tree
- Decision tree cho bài toán regression
- Emsemble tree: Giới thiệu về Bagging, boosting, random forests
- Cách triển khai bài toán decision tree, randomforest trên thư viện scikit-learn
- Giới thiệu về gradient boosting và thư viện XGBoost
- Một số ưu và nhược điểm của thuật toán

Case Study:

Titanic - Machine Learning from Disaster

Buổi 9: Neutral network

Chủ đề:

Neutral network

Mục tiêu:

- Phân biệt được giữa ML và Deep learning
- Hiểu được cách xây dựng và tìm phương án tối ưu của mạng neutral network
- Cách triển khai mạng neutral network bằng thư viện Tensorflow

Ứng dụng:

- Phân biệt giữa Machine learning vs Deep learning
- Giới thiệu về Neutral network
- Cách xây dựng mạng neutral
- Một số non-linear fuction cơ bản trong mạng neutral: softmax, relu, tanh...
- Feedforward and back propagation
- Triển khai neutral network trên thư viện tensorflow

Case Study:

Taylor Swift's YouTube Stats Symphony
Dive into the data-driven world of Taylor Swift's YouTube empire with the "Swift's YouTube Stats Symphony" dataset! This collection offers an analytical look at the performance metrics of each video from the global music icon's official channel, providing a wealth of insights into views, popularity, and engagement trends.

Buổi 10: Tổng kết

Chủ đề:

Tổng kết

Mục tiêu:

- Ứng dụng các kiến thức đã học và 1 dự án
- Giới thiệu các nội dung của khóa tiếp theo

Ứng dụng:

- Giới thiệu về imbalance data và một số kỹ thuật xử lý
- Thực hành dự án cuối khóa
- Giới thiệu về khóa học tiếp theo

Case Study:

Project cuối khóa

Tại sao khóa học tại MCI phù hợp với bạn

1. Lộ trình khóa học thiết kế khoa học, theo quy trình làm việc thực tế giúp bạn tiếp thu và nắm chắc kiến thức theo trình tự khoa học
2. Giáo trình đào tạo theo chuẩn Quốc tế kết hợp giữa lý thuyết và thực hành qua các case study thực tế
3. 100% Giảng viên tại MCI là các chuyên gia tư vấn tại Big4 các tập đoàn lớn tại Việt Nam, có chứng chỉ đào tạo nghiên cứu quốc tế trong lĩnh vực lập trình và dữ liệu
4. Giảng viên hướng dẫn tận tay giúp bạn thành thạo Python trong thời gian ngắn nhất
5. Cam kết chất lượng đào tạo, miễn phí học lại trọn đời nếu chưa nắm rõ kiến thức