Skip to content

Latest commit

 

History

History
127 lines (98 loc) · 4.81 KB

Lộ trình Up-down.md

File metadata and controls

127 lines (98 loc) · 4.81 KB

Lộ trình Top down (Đang update)

Với cách tiếp cận Top down, thay vì học lần lượt các kiến thức nền tảng từ dễ đến khó như cách tiếp cận Bottom up, các bạn sẽ được học những kiến thức cơ bản nhất và sau đó đi thằng vào làm 1 project. Các project được đảm bảo được xây dựng theo lượng kiến thức tăng dần. Ta sẽ mổ xẻ một project với các tiêu chí sau:

  • Nắm được yêu cầu của vấn đề được nêu
  • Quy trình và chức năng của các bước xử lý
  • Các kiến thức được sử dụng ở mỗi bước
  • Có thể áp dụng phương pháp gì?
  • Triển khai code như nào?
  • Cải thiện độ chính xác của mô hình?

Lập trình cơ bản

Luyện tập Python cơ bản

  1. Cấu trúc dữ liệu, mệnh đề điều kiện, vòng lặp đơn giản
  2. Vòng lặp nâng cao, Hàm
  3. Làm với với file và các thư viện
  4. Cách code clear and clean

Thực hành lập trình python

  1. Luyện tập trên các bài tập được giao
  2. Luyện tập code python trên Leetcode

Các kiến thức AI

Getting Started

  1. Khi nào sử dụng Machine learning?
  2. Các thuật ngữ cơ bản trong Machine learning
  3. Giới thiệu các thư viện cần thiết
  4. Các bước cơ bản giải quyết 1 vấn đề bằng Machine learning

Giới thiệu các thư viện hiển thị dữ liệu

  1. Thư viện Matplotlib
  2. Thư viện Pandas

Giới thiệu các AI framework

  1. Tensorflow 2
  2. Pytorch

Mô hình hồi quy tuyến tính (Linear Regression)

  1. Xây dựng mô hình dự đoán giá nhà
  2. Lập trình mô hình hồi quy tuyến tính bằng Python
  3. Lập trình mô hình hồi quy tuyến tính bằng Tensorflow 2
  4. Hướng dẫn sử dụng TensorBoard để hiển thị quá trình trình training
  5. Khái niệm Loss function

Model-centric vs Data-centric

  1. Structured và Unstructured data
  2. Phân tích tương quan đặc trưng
  3. Lựa chọn đặc trưng cho mô hình

Thuật toán Stochastic Gradient Descent (SGD)

  1. Lập trình thuật toán Stochastic Gradient Descent với Python
  2. Lập trình thuật toán Stochastic Gradient Descent với Tensorflow 2

Mô hình hồi quy logistic (Logistic Regression)

  1. Sử dụng hồi quy Logistic cho bài toán phân loại nhiều lớp
  2. Xây dựng thuật toán Gradient Descent cho Logistic Regression bằng Python và Numpy

Mô hình hồi quy Softmax

  1. Hồi quy Softmax
  2. Bias và Variance, vấn đề Overfitting và Underfitting
  3. Regularization (L1, L2)

Đánh giá mô hình

  1. TP/TN/FP/FN
  2. Precision và Recall
  3. F1 Score
  4. ROC Curve và AUC ROC Curve
  5. Đánh giá hiệu năng mô hình với dữ liệu không cân bằng (Imbalanced Data)
  6. Làm quen với Kaggle

Mạng Neuron (Neural Network)

  1. Giới thiệu
  2. Thực hành xây dựng mạng Nơ ron
  3. Xây dựng mạng Nơ ron bằng Python + Numpy
  4. Xây dựng mạng Nơ ron bằng Tensorflow 2

Thuật toán lan truyền ngược

  1. Lý thuyết, ôn tập quy tắc chuỗi nhiều biến
  2. Xây dựng thuật toán lan truyền ngược bằng Python + Numpy

Mạng tích chập (CNN)

  1. Thị giác máy tính cơ bản
  2. Xây dựng lớp tích chập, max pooling
  3. Xây dựng mô hình phân loại

Transfer-learning

  1. Giới thiệu
  2. Các mô hình pretrain
  3. Thực hành

Các thuật toán tối ưu

  1. SGD + Momentum, AdaGrad, Adadelta, RMSprop, Adam, AdaMax, Nadam, AMSGrad
  2. Chuẩn hóa: BatchNorm

Machine learning project

Project (đang xây dựng)

  1. Titanic - Machine Learning from Disaster link
  2. House Prices - Advanced Regression Techniques link
  3. San Francisco Crime Classification [link](San Francisco Crime Classification)
  4. Santander Customer Satisfaction link
  5. Walmart Recruiting: Trip Type Classification link
  6. What's Cooking? link

Deep learning project

Computer vision

Classification

  1. Nhận dạng chữ viết tay link
  2. Phân loại chó mèo
  3. Phân loại biển báo giao thông

Object detection (đang xây dựng)

  1. Detect biển báo giao thông

Semantic Segmentation (đang xây dựng)

Natural language processing (đang xây dựng)

Signal processing (đang xây dựng)

MLOps (đang xây dựng)

  1. Deploy mô hình Machine learning sử dụng Streamlit
  2. Testing & CI
  3. Thực hành làm một sản phẩm hoàn chỉnh