PYT_LV2 Python for Machine Learning & Deep Learning Mastery (Python Level 2)

Pyt_lv2

Mã lớp: PYT_LV2

Hiệu lực áp dụng: Từ ngày 01/05/2025

Thông tin chung

Thời lượng: 07 buổi

  • 06 buổi học qua video theo dự án nâng cao (project-based learning)
  • 01 buổi Project Day (tự thực hiện & trình bày sản phẩm cuối khoá)

Hình thức học:

  • Video bài giảng + Notebook hướng dẫn thực hành từng bước
  • Hình thức: học trực tuyến, hỗ trợ qua zalo/telegram/email/Google Drive

Syllabus chi tiết

Buổi Học/Hoạt động Mục tiêu Nội dung chi tiết
Buổi 1 Tổng quan & chuẩn bị môi trường Machine Learning. – Tổng quan về AI, các loại học máy và lịch sử phát triển.
– Giới thiệu quy trình triển khai một dự án dữ liệu thực tế.
– Phân loại: học có giám sát, không giám sát, học tăng cường.
– Hướng dẫn cài đặt môi trường, thư viện: Scikit-learn, Pandas, Matplotlib.
– Ứng dụng ChatGPT để phân tích bài toán & hỗ trợ cài đặt nhanh môi trường.
Buổi 2 Linear Regression – Dự đoán biến số liên tục. – Lý thuyết hồi quy tuyến tính: đơn biến, đa biến, polynomial.
– Xây dựng model từ đầu: pipeline, feature scaling.
– Đánh giá mô hình bằng MAE, RMSE, R2.
– Case Study: Dự đoán điểm lead score cho hệ thống CRM.
– Hướng dẫn sinh mã code bằng Gemini và kiểm tra dữ liệu bằng Copilot.
Buổi 3 Tối ưu hóa mô hình hồi quy & đánh giá tự động. – Gradient Descent cơ bản & biểu diễn trực quan.
– Điều chỉnh tham số tự động với GridSearchCV.
– Visual hóa quá trình huấn luyện.
– Dùng ChatGPT để viết lại hàm đánh giá theo yêu cầu doanh nghiệp.
Buổi 4 Case Study – Dự đoán giá nhà (Boston Housing). – Phân tích bộ dữ liệu Boston, trực quan hóa tương quan.
– Huấn luyện mô hình từ đầu & với sklearn.
– So sánh mô hình hồi quy đa biến vs. polynomial.
– Sử dụng AI để đề xuất cải tiến mô hình, sinh dashboard tự động hóa phân tích.
Buổi 5 Logistic Regression – Phân loại khách hàng. – Lý thuyết Logistic Regression, hàm sigmoid.
– Phân biệt mô hình hồi quy tuyến tính vs phân loại nhị phân.
– Confusion Matrix, Accuracy, Precision, Recall, F1-score, ROC/AUC.
– Case Study: Dự đoán khách hàng rời bỏ (Churn Analytics).
– ChatGPT giúp tối ưu pipeline và sinh bảng đánh giá mô hình.
Buổi 6 Unsupervised Learning – Phân khúc khách hàng. – Khác biệt giữa supervised vs. unsupervised.
– Thuật toán chính: PCA, KMeans, Hierarchical Clustering.
– Case Study: Phân loại khách hàng (RFM + Clustering).
– Ứng dụng Gemini tạo báo cáo RFM & visualize kết quả.
Buổi 7: Project Day Trình bày dự án, bảo vệ kết quả và nhận phản hồi. – Use case lựa chọn: Lead Score Prediction, Credit Score Classification, Customer Segmentation.
– Hoạt động: Xây dựng pipeline, tạo báo cáo trình bày kết quả cuối khoá.

 

Tài nguyên đi kèm

  • Video hướng dẫn chi tiết + notebook thực hành mỗi buổi
  • Dữ liệu mẫu (Boston Housing, CRM Leads, Banking Customers)
  • Prompt mẫu cho ChatGPT & Gemini (phân tích, sinh mã, debug)
  • Template báo cáo cuối khoá (notebook + presentation slide)
  • Nhóm hỗ trợ qua Zalo / Telegram / Email / Google Drive

Hỗ trợ sau khóa học

  • Coaching/Mentoring 1-1 (tối đa 1h/tuần, kéo dài 01 thán sau khi học xong)
  • Hướng dẫn học chuyên sâu: TensorFlow/Keras, Recommendation System, MLOps