Tài liệu giới thiệu thống kê hướng tới máy học, gồm Thống kê mô tả và suy luận thống kê, giá trị đại diện, giá trị đại diện khác, mức độ phân tán (sử dụng phạm vi và vị trí phần tư), nhất định hiểu về phân tán và độ lệch chuẩn,

Bài giảng Máy học ứng dụng: Chương 1 giới thiệu tổng quan về Machine Learning, phân biệt AI, Machine Learning, Deep Learning. Trình bày định nghĩa, yếu tố, ví dụ lọc thư rác, hàm mất mát.

Bài giảng Máy học ứng dụng: Chương 2 trình bày về quy trình học máy: thu thập, chuẩn bị, huấn luyện, kiểm thử, đánh giá và cải thiện mô hình. Tiền xử lý dữ liệu, các loại dữ liệu.

Bài giảng Máy học ứng dụng: Chương 3 giới thiệu về học có giám sát, bao gồm phân loại và hồi quy, tập trung vào hồi quy tuyến tính và các ứng dụng thực tế.

Bài giảng Học máy thống kê: Tổng quan về máy học giới thiệu các khái niệm cơ bản, phương pháp kiểm thử và thẩm định mô hình, các loại hình máy học phổ biến và những thách thức chính thường gặp. Nắm vững chuyên đề này là bước khởi đầu quan trọng để bạn tiếp cận thế giới của trí tuệ nhân tạo. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng Học máy thống kê: Một dự án máy học bao gồm các bước từ xác định bối cảnh, thu thập và khám phá dữ liệu, đến chuẩn bị, huấn luyện, tinh chỉnh mô hình và cuối cùng là vận hành hệ thống. Đây là kim chỉ nam giúp bạn thực hiện dự án máy học một cách bài bản và hiệu quả. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng Học máy thống kê: Mô hình máy học kết hợp (Ensemble Learning) khám phá các kỹ thuật kết hợp nhiều mô hình học máy để đạt được hiệu suất tốt hơn. Chuyên đề này sẽ trình bày các phương pháp như Bagging, Pasting, Random Forests, Boosting và Stacking. Học các kỹ thuật này sẽ giúp bạn xây dựng các mô hình mạnh mẽ và bền vững hơn. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng Các kỹ thuật học sâu và ứng dụng - Bài 2: Mô hình máy học đi sâu vào các mô hình học máy cơ bản, tạo nền tảng cho học sâu. Chuyên đề này bao gồm mô hình hồi quy tuyến tính, hồi quy luận lý, softmax regression và giới thiệu về mạng nơ-ron truyền thống. Nắm vững các mô hình này là yếu tố then chốt để bạn hiểu cách học sâu hoạt động. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng Các kỹ thuật học sâu và ứng dụng - Bài 9: Cơ chế Attention trong Mô hình Seq2Seq giới thiệu một kỹ thuật đột phá giúp cải thiện đáng kể hiệu suất của mô hình Seq2Seq. Chuyên đề này sẽ làm rõ cơ chế Attention, cách nó cho phép mô hình tập trung vào các phần quan trọng của dữ liệu đầu vào khi tạo đầu ra.

Bài giảng Các kỹ thuật học sâu và ứng dụng - Bài 7: Các biến thể của Recurrent Neural Network tiếp tục khám phá các kiến trúc RNN tiên tiến hơn để giải quyết những hạn chế của mô hình cơ bản. Chuyên đề này trình bày Long Short Term Memory (LSTM), Gated Recurrent Unit (GRU), Bidirectional RNN và Deep-stacked RNN. Nắm vững các biến thể này giúp bạn xử lý hiệu quả các chuỗi dài và phức tạp. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng Các kỹ thuật học sâu và ứng dụng - Bài 5: Học sâu trong xử lý ngôn ngữ tự nhiên Word2Vec là chuyên đề đi sâu vào ứng dụng học sâu trong lĩnh vực Xử lý Ngôn ngữ Tự nhiên (NLP). Bài giảng giới thiệu tổng quan về NLP và đặc biệt tập trung vào mô hình Word2Vec, một kỹ thuật tạo biểu diễn vector cho từ. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng Các kỹ thuật học sâu và ứng dụng - Bài 3: Mạng Convolutional Neural Network tập trung vào một trong những kiến trúc mạng nơ-ron mạnh mẽ nhất, đặc biệt hiệu quả trong xử lý ảnh. Chuyên đề này giới thiệu về CNN, cách thức hoạt động và hướng dẫn cài đặt CNN sử dụng thư viện Tensorflow. Đây là kiến thức cốt lõi để bạn xây dựng các ứng dụng thị giác máy tính. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng Các kỹ thuật học sâu và ứng dụng - Bài 4: Các kiến trúc xử lý ảnh phổ biến tiếp tục khám phá các mô hình CNN tiên tiến và ứng dụng thực tế. Chuyên đề này ôn lại kiến trúc CNN, giới thiệu các mô hình xử lý ảnh phổ biến và kỹ thuật học chuyển tiếp (Transfer Learning) mạnh mẽ. Nắm vững các kiến trúc này giúp bạn giải quyết nhiều bài toán thị giác máy tính phức tạp. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng Các kỹ thuật học sâu và ứng dụng - Bài 6: Recurrent Neural Network giới thiệu về mạng nơ-ron hồi quy (RNN), một kiến trúc mạnh mẽ cho dữ liệu trình tự. Chuyên đề này phân tích mô hình ngôn ngữ và các bài toán trong NLP, đồng thời đi sâu vào giới thiệu về RNN cùng những vấn đề và hướng giải quyết thường gặp. Đây là kiến thức cốt lõi để xử lý các chuỗi dữ liệu. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng Các kỹ thuật học sâu và ứng dụng - Bài 8: Mô hình Sequence-to-Sequence đi sâu vào một kiến trúc quan trọng cho các bài toán chuyển đổi trình tự. Chuyên đề này giới thiệu về dịch máy (Machine Translation), mô hình ngôn ngữ điều kiện và kiến trúc mã hóa-giải mã (Encoder-Decoder Architecture). Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng Các kỹ thuật học sâu và ứng dụng - Bài 1: Bài mở đầu là chuyên đề giới thiệu tổng quan về môn học và lĩnh vực học sâu. Bài giảng sẽ trình bày lịch sử hình thành, những thành tựu nổi bật của Trí tuệ Nhân tạo và ôn tập các kiến thức nền tảng toán học cần thiết. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng "Lập trình Python cho máy học: Bài 9 - Mô hình và bài toán máy học" trình bày về bài toán máy học; mô hình máy học; máy học tự động (Auto Machine learning). Mời các bạn cùng tham khảo!

Bài giảng "Lập trình Python cho máy học: Bài 8 - Phân loại mô hình & các mô hình máy học" trình bày cách phân loại các mô hình máy học và giới thiệu các nhóm mô hình phổ biến hiện nay. Mời các bạn cùng tham khảo!

Bài giảng "Lập trình Python cho máy học: Bài mở đầu - Giới thiệu môn học" cung cấp cái nhìn tổng quan về môn học lập trình Python cho máy học, bao gồm mục tiêu, nội dung chính và phương pháp giảng dạy. Người học sẽ được giới thiệu vai trò của Python trong lĩnh vực trí tuệ nhân tạo và học máy, cũng như các thư viện phổ biến như NumPy, Pandas, Scikit-learn. Ngoài ra, bài giảng còn đề cập đến yêu cầu đầu vào và kỳ vọng đầu ra của khóa học.

Bài giảng "Lập trình Python cho máy học: Bài 10 - Xây dựng mô hình máy học" tập trung vào quy trình xây dựng mô hình máy học từ đầu đến cuối, bao gồm các bước huấn luyện, đánh giá và tối ưu hóa mô hình. Nội dung bao gồm cách chọn mô hình phù hợp, huấn luyện mô hình với dữ liệu, đánh giá hiệu suất mô hình qua các chỉ số như accuracy, precision, recall, F1-score, và sử dụng các kỹ thuật như cross-validation để đảm bảo mô hình không bị quá khớp. Mời các bạn cùng tham khảo!