Khóa học Machine learning (Học máy) từ cơ bản đến nâng cao

Khóa học Machine learning (học máy) dành cho người mới bắt đầu

4.5

(264 đánh giá)

1,056 học viên

Giảng viên

NSS Channel

Đánh giá cao

79.000đ 1.309.000đ -94%

✓ Xem giỏ hàng và thanh toán

Mua trực tiếp qua Zalo Học thử bài 1

19.5 giờ video

34 bài quiz

5 tài nguyên

Truy cập vĩnh viễn

Học trên mọi thiết bị

Cập nhật: 28/04/2026

Bạn sẽ học được gì

Hiểu biết về Trí tuệ nhân tạo (AI) và học máy (Machine learning)

Sử dụng thư viện numpy trong xử lý dữ liệu

Làm việc với dữ liệu bằng thư viện pandas

Trực quan hóa dữ liệu với thư viện matplotlib

Hiểu biết về các thuật toán học máy và phân tích hiệu suất mô hình

Áp dụng học máy có giám sát vào các bài toán phân loại

Được tương tác và hỗ trợ từ đội ngũ giảng viên giàu kinh nghiệm

Người học chỉ cần mua khóa học một lần và sẽ sở hữu khóa học trọn đời

Yêu cầu

Có kiến thức về lập trình python cơ bản

Kiến thức toán học cơ bản

Không yêu cầu kinh nghiệm trước về học máy

Đối tượng phù hợp

Người mới bắt đầu trong lĩnh vực học máy

Những người làm việc trong lĩnh vực lập trình và phát triển phần mềm

Các chuyên gia dữ liệu và nhà phân tích dữ liệu

Các sinh viên đang theo học các ngành liên quan đến khoa học máy, trí tuệ nhân tạo hoặc dữ liệu lớn

Các chuyên gia và nhà nghiên cứu muốn nắm bắt các phương pháp mới trong học máy

Nội dung khóa học

10 phần • 97 bài giảng

1 Hướng dẫn học và đánh giá khóa học | Guide on how to study and rate a course

1 Giới thiệu về trí tuệ nhân tạo (AI -Artificial intelligence)

2 AI bao nhiêu tuổi, cha đẻ AI là ai | Các thăng trầm của AI

3 Phân loại trí tuệ nhân tạo (AI -Artificial intelligence)

4 Thế giới hậu AI (AI -Artificial intelligence)

5 Phép thử turing hình thành các nhánh trí tuệ nhân tạo

6 Phân biệt khái niệm AI - Machine learning - Deep learning

7 khái niệm Học máy | Machine learning là gì?

1 Giới thiệu thư viện numpy (numpy library) và mảng 1 chiều

2 Thư viện numpy - mảng 2 chiều (2-dimension array)

3 Thư viện numpy - mảng 3 chiều, 4 chiều, n chiều (nD)

4 Một số hàm khởi tạo mảng numpy (zeros, ones, full, random)

5 Kiểu dữ liệu trong mảng, int, float, complex, ép kiểu..

6 So sánh kiểu mảng trong numpy và kiểu list trong python

7 Các thuộc tính của đối tượng mảng trong numpy

1 Các toán tử của mảng: toán tử truy cập 1 phần tử, n phần tử

2 Các toán tử của mảng: toán tử + (add), toán tử - (subtract)

3 Các toán tử của mảng: toán tử nhân *, toán tử chia /

4 Toán tử in (duyệt mảng), hàm max(), hàm min, hàm sum()

5 Các cách chuyển mảng nD - 1D, reshape, ravel, resize

6 Các cách thực hiện nối 2 mảng thành 1 mảng trong numpy

7 Các phương pháp tạo mảng ngẫu nhiên trong numpy

8 Phương thức unique(), flip(), và chuyển vị ma trận (T)

9 Phép nhân ma trận ( Nhân có hướng giữa 2 vector, 2 ma trận)

10 Các phương thức lưu mảng vào file, mở mảng từ file

1 Thư viện pandas là gì? giới thiệu 2 kiểu dữ liệu của pandas

2 Truy xuất dataframe, xóa cột, dataframe, thêm cột..

3 Đọc ghi dữ liệu với dataframe (to_csv, to_excel, read_csv)

4 View dataframe, head(), dtypes, values, sort_values..

5 Các phương thức của dataframe, duplicated(), drop_duplicate

6 Các phương thức của dataframe, dropna, fillna, isnull, mean

7 Các phương thức của dataframe, apend, concat, merge..

1 Giới thiệu thư viện matplotlib, bar(), scatter(), hist()...

2 Vẽ đồ thị hình sine trong matplotlib, sử dụng hàm plot()

3 Vẽ 2 đồ thị trên 1 hình, chỉnh các tham số của hình

4 Chia hình thành nhiều đồ thị nhỏ trong matplotlib

5 Chia hình thành nhiều đồ thị nhỏ trong matplotlib (tiếp)

6 Hiển thị nhiều hình trong matplotlib, đối tượng figure

7 Chỉnh sửa đối tượng figure trong matplotlib

8 Chỉnh sửa đối tượng figure, đồ thị bar, đồ thị bar ngang

9 Chỉnh sửa figure, đồ thị bar cạnh nhau, chồng nhau

10 Chỉnh sửa đối tượng figure, đồ thị pie (bánh)

1 Phân loại theo bản chất dữ liệu | Kiểu dữ liệu dạng bảng |Tabular Data

2 Phân loại theo bản chất dữ liệu | Kiểu dữ liệu dạng ảnh | video data

3 Phân loại theo bản chất dữ liệu | Kiểu dữ liệu dạng văn bản | Text data

4 Phân loại theo bản chất dữ liệu | Kiểu dữ liệu thời gian | Time Series Data

5 Phân loại theo cấu trúc dữ liệu

6 Phân loại theo cấu trúc dữ liệu | Dữ liệu có cấu trúc

7 Phân loại theo cấu trúc dữ liệu | Dữ liệu bán cấu trúc | Phần 1

8 Phân loại theo cấu trúc dữ liệu | Dữ liệu bán cấu trúc | Phần 2

9 Phân loại theo cấu trúc dữ liệu | Dữ liệu phi cấu trúc

10 Phân loại theo cách lưu dữ liệu | Phần 1

11 Phân loại theo cách lưu dữ liệu | Phần 2

1 So sánh học máy với lập trình truyền thống, phân loại ML

2 Phân tích ý nghĩa của chỉ số MSE sử dụng trong học máy

3 Giới thiệu thuật toán hồi quy (Regression) trong ML

4 Biến độc lập, biến phụ thuộc, các bước thực hiện một ML

5 Hồi quy tuyến tính và các bước thực hiện (Linear Regression)

6 Hồi quy tuyến tính nhiều biến độc lập, tập dữ liệu - dataset

7 Các chỉ số đánh giá thuật toán | chỉ số ME và chỉ số MAE

8 Các chỉ số đánh giá thuật toán | chỉ số MSE, RMSE, R-Square

9 Hồi quy phi tuyến, hồi quy đa thức (Non-Linear, Polynomial)

10 Phân biệt khái niệm Underfit và Overfit trong học máy

1 Học máy có giám sát | Thuật toán phân loại (classification)

2 Bài toán phân loại | Thuật toán hồi quy Logistic

3 Đánh giá mô hình | accuracy và confusion matrix

4 Đánh giá mô hình | Precision và confusion matrix

5 Đánh giá mô hình | phân tích chỉ số Precision và Recall

6 Đánh giá mô hình | chỉ số F1-Score, Precision, Recall

7 Hàm dự đoán xác xuất predct_proba(X)[:,1]

8 Đánh giá mô hình | độ nhạy (sensitivity) và độ đặc hiệu

9 Phân tích đường cong ROC và giá trị AUC

10 Thuật toán LogisticRegression(C=m), tóm tắt học máy

1 Giới thiệu thư viện Seaborn, hàm load_dataset() và các tập dữ liệu có sẵn

2 Biểu đồ phân phối (Distribution plots) của 1 biến liên tục | hàm histplot()

3 Biểu đồ phân phối (Distribution plots) của 1 biến liên tục | hàm kdeplot()

4 Biểu đồ phân phối (Distribution plots) của 1 biến liên tục | hàm displot()

5 Ví dụ ứng dụng biểu đồ phân phối | Mã hóa biến LabelEncoder()

6 Ví dụ ứng dụng biểu đồ phân phối | Mã hóa biến OneHotEncoding()

7 Biểu đồ quan hệ (Relationship plots) giữa 2 hoặc nhiều biến | scatterplot | Line

8 Biểu đồ quan hệ (Relationship plots) giữa 2 hoặc nhiều biến | Regplot | Lmplot

9 Ví dụ ứng dụng biểu đồ quan hệ | Vai trò của đường xu hướng

10 Biểu đồ quan hệ (Relationship plot) giữa 2 hoặc nhiều biến | joinplot | Pairplot

11 Biểu đồ so sánh nhóm | Hàm Boxplot() | Vẽ biểu đồ hộp | ý nghĩa của Trung vị

12 Biểu đồ so sánh nhóm | Boxplot | ý nghĩa IQR, ngưỡng trên dưới và các outliers

13 Biểu đồ so sánh nhóm | Hàm Violinplot | Kết hợp Boxplot và KDEplot

14 Biểu đồ so sánh nhóm | Hàm Catplot() | Hàm FacetGrid()

15 Biểu đồ tương quan | Hàm Heatmap() | ME, MAE, MSE và Phương sai

16 Biểu đồ tương quan | Hàm Heatmap() | Độ lệch chuẩn | Hiêp Phương sai | Corr()

17 Ví dụ sử dụng Heatmap() để chọn lọc đặc trưng trong học máy

18 Ví dụ sử dụng Heatmap() để phân tích kết quả phân loại (ma trận nhầm lẫn)

19 Biểu đồ tương quan | Hàm Clustermap() | Biểu đồ nhiệt có phân nhóm đặc trưng

20 Checklist 8 bước EDA trước khi thực hiện huấn luyện mô hình (Phần 1)

21 Checklist 8 bước EDA trước khi thực hiện huấn luyện mô hình (Phần 2)

22 Checklist 8 bước EDA trước khi thực hiện huấn luyện mô hình (Phần 3)

23 Phát hiện và xử lý hiện tượng mất cân bằng lớp trong bài toán phân loại

24 Thực hành 3 phương pháp xử lý mất cân bằng lớp trong bài toán phân loại

Giới thiệu khóa học

Khóa học "Học máy - Machine learning" là một chương trình đào tạo toàn diện nhằm giới thiệu và huấn luyện người học về các khái niệm, phương pháp và công cụ trong lĩnh vực học máy. Khóa học bắt đầu bằng việc cung cấp một cái nhìn tổng quan về trí tuệ nhân tạo (AI) và phân biệt giữa các loại trí tuệ nhân tạo như học máy, deep learning và AI cổ điển.

Sau đó, khóa học chuyển sang giới thiệu các thư viện và công cụ quan trọng trong học máy như numpy, pandas và matplotlib, giúp người học nắm vững cách xử lý dữ liệu và trực quan hóa thông tin. Tiếp theo, người học sẽ được hướng dẫn chi tiết về các thuật toán học máy cơ bản như hồi quy tuyến tính, hồi quy logistic và các phương pháp đánh giá hiệu suất mô hình.

Khóa học cũng tập trung vào học máy có giám sát, giúp người học hiểu rõ về các thuật toán phân loại và cách đánh giá hiệu suất của chúng. Cuối cùng, người học sẽ được hướng dẫn cách áp dụng kiến thức đã học vào các dự án thực tế thông qua các bài tập và dự án thực hành.

Với cách tiếp cận thực hành và phương pháp giảng dạy chi tiết, khóa học "Học máy - Machine learning" là lựa chọn lý tưởng cho những ai muốn khám phá và tiếp cận với lĩnh vực học máy một cách toàn diện và hiệu quả.