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
Bạn sẽ học được gì:
- Hiểu về Machine Learning & Deep Learning
- Làm chủ Linear, Logistic Regression, Clustering, PCA
- Xây dựng pipeline & tối ưu hoá mô hình
- Thực hành 3 project: risk, lead, segmentation
- Ứng dụng AI hỗ trợ code & báo cáo
- Trình bày kết quả qua dashboard & biểu đồ trực quan
- Sẵn sàng ứng dụng thực tế hoặc làm freelance
- Rèn tư duy phân tích & storytelling với dữ liệu
| Buổi | Mục tiêu | Nội dung chính |
| 1 | Hiểu các khái niệm cơ bản về AI và học máy; sẵn sàng môi trường làm việc ML | – Tổng quan AI, các loại học máy, lịch sử phát triển – Phân loại học máy: supervised, unsupervised, reinforcement – Cài đặt thư viện Scikit-learn, Pandas, Matplotlib – Ứng dụng ChatGPT để phân tích bài toán & setup môi trường |
| 2 | Làm chủ mô hình hồi quy tuyến tính và các kỹ thuật đánh giá | – Hồi quy tuyến tính: đơn, đa biến, polynomial – Tạo pipeline, chuẩn hóa dữ liệu – Đánh giá bằng MAE, RMSE, R2 – Case: Dự đoán lead score CRM – Sử dụng Gemini sinh mã, Copilot kiểm tra dữ liệu |
| 3 | Hiểu cơ chế tối ưu và áp dụng vào mô hình ML | – Gradient Descent và biểu diễn trực quan – GridSearchCV để chọn tham số tốt nhất – Visual quá trình huấn luyện – Viết hàm đánh giá tùy biến với ChatGPT |
| 4 | Thực hành toàn bộ quy trình phân tích và huấn luyện mô hình | – Phân tích bộ dữ liệu Boston Housing – So sánh các mô hình hồi quy – Visual hóa tương quan dữ liệu – Dùng AI đề xuất cải tiến mô hình & tạo dashboard |
| 5 | Làm chủ phân loại nhị phân và các chỉ số đánh giá | – Hàm sigmoid, lý thuyết logistic regression – So sánh với hồi quy tuyến tính – Confusion Matrix, Accuracy, F1-score, ROC/AUC – Tối ưu pipeline & đánh giá mô hình với ChatGPT |
| 6 | Nắm vững các thuật toán phân nhóm không giám sát | – PCA, KMeans, Hierarchical Clustering – Phân biệt supervised vs. unsupervised – Case: Phân nhóm khách hàng theo RFM – Gemini tạo báo cáo và trực quan hóa kết quả |
| 7 | Thực hành triển khai dự án từ đầu đến cuối | – Chọn 1 trong 3 đề tài: Lead Score, Credit Score, Customer Segmentation – Xây dựng pipeline hoàn chỉnh – Trình bày kết quả, nhận phản biện – Dùng Gemini tạo báo cáo trình bày cuối khoá |
Tài nguyên đi kèm:
- Video hướng dẫn + notebook thực hành mỗi buổi.
- Dữ liệu mẫu (Boston Housing, CRM Leads, Banking Customers)
- Prompt mẫu cho AI (phân tích, sinh mã, debug)
- Template báo cáo cuối khoá
- Hỗ trợ qua Zalo / Telegram / Email / Google Drive
Hỗ trợ sau khóa:
- 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
Giảng viên:
- Giảng viên giàu kinh nghiệm thực chiến
- Phong cách giảng dạy cuốn hút, logic
- Luôn đồng hành sát sao, sẵn sàng hỗ trợ 1:1
- Ứng dụng AI hiện đại học nhanh – làm thật – tiết kiệm thời gian
Đội ngũ Chuyên gia
Đội ngũ MCNA tập hợp các chuyên gia giàu kinh nghiệm từ nhiều lĩnh vực, mang đến kiến thức chuyên sâu và góc nhìn đa chiều cho mọi hoạt động đào tạo và tư vấn.
