Applied Machine Learning Professional

KHAI GIẢNG
- Batch 1: 26 September 2021
- Đợt 2: 15/12/2021
THỜI GIAN
12 tháng, 4h trợ giúp TRỰC TUYẾN mỗi tuần + 24/7 hỗ trợ TRỰC TUYẾN
HỌC PHÍ
$1350, với học bổng & trả theo module (Module 1: $350; Module 2: $650; Module 3: $350)
(*) Đăng ký trước 01/09/2021 để được hưởng hỗ trợ học phí $135. Sử dụng mã ED135ML khi đăng ký
Chương trình này đặc biệt dành cho ai?
Chuyên viên & quản lý lĩnh vực số
Sinh viên và cử nhân
Sinh viên năm cuối và cử nhân ngành IT hoặc không đang muốn tìm việc
Học sinh trung học & cao đẳng
Khóa học Chuyên gia học máy ứng dụng dạy bạn một loạt các kỹ thuật về phương pháp tiếp cận học máy có giám sát và không giám sát bằng cách sử dụng Python làm ngôn ngữ lập trình.
Vì khóa học này yêu cầu kiến thức trung cấp về Python, bạn sẽ học trong mô-đun đầu tiên. Điều này sẽ cung cấp cho bạn kiến thức lập trình cần thiết để thực hiện các bài tập và dự án ứng dụng nằm trong khóa học Chuyên gia Học máy Ứng dụng.
Nếu bạn đang tìm cách triển khai hoặc dẫn dắt các dự án học máy hoặc muốn kết hợp khả năng học máy trong ứng dụng phần mềm của mình, thì khóa học này phù hợp với bạn.
*Kiểm tra đầu vào: Học sinh sẽ được đánh giá để kiểm tra kỹ năng toán học của mình trước khi bắt đầu khóa học.
Kỹ năng hàng đầu yêu cầu bởi nhà tuyển dụng

Lương cho ngành Học máy $1324/tháng

Học máy là cần thiết cho mọi người

Chứng chỉ
Sau khi hoàn thành thành công mỗi chương trình, bạn sẽ nhận được chứng chỉ hoàn thành tương ứng với từng học phần.
0+
0/100



Khóa học này mang đến gì cho bạn?
iLearn
iExplore
iAnalyse
iDesign
iAssess
iWork
Sau khi học và thực hành, bây giờ là lúc để nêu ra vấn đề của riêng bạn và làm việc trên các dự án thực tế. Người cố vấn sẽ làm việc với bạn để áp dụng cho doanh nghiệp của bạn.
Các học phần của chương trình
Mo-đun 1 (12 tuần): Giải quyết vấn đề, cấu trúc dữ liệu và thuật toán thông qua Python
Trong học phần này, bạn sẽ tìm hiểu về một khuôn khổ cho các chiến lược giải quyết vấn đề, Câu lệnh điều kiện hoặc lựa chọn hoặc rẽ nhánh, cấu trúc của cấu trúc if, cấu trúc của cấu trúc if-else, cấu trúc của cấu trúc if-elif bậc thang, cấu trúc của cấu trúc if else lồng nhau, lặp cấu trúc, cấu trúc for construct, cấu trúc while cấu trúc thường được các chuyên gia sử dụng trong việc giải quyết vấn đề, các tính năng cơ bản của Python, Số nhận dạng, Kiểu dữ liệu và biến, Câu lệnh đầu vào và đầu ra, câu lệnh điều kiện, câu lệnh break và continue trong Python.
Trong mô-đun này, bạn sẽ hiểu sự cần thiết của các cấu trúc dữ liệu tuần tự như Danh sách, Tuple, Tập hợp và Từ điển. Bạn cũng sẽ hiểu cách xác định và xử lý cấu trúc dữ liệu tuần tự thông qua một vài ứng dụng thời gian thực.
Trong mô-đun này, bạn sẽ hiểu chuỗi và biểu thức chính quy là gì, cách khai báo một chuỗi, cách một chuỗi được lưu trữ trong bộ nhớ và một vài hàm chuỗi.
Trong mô-đun này, bạn sẽ học cách nhận ra sự cần thiết của các hàm, đệ quy và PyTest, minh họa các phần khác nhau trong cách viết một hàm với các ví dụ và hiểu cách các tham số được truyền cho các hàm bằng cách sử dụng truyền theo giá trị và chuyển bằng tham chiếu.
Trong mô-đun này, bạn sẽ được tiếp xúc với các hoạt động và chức năng liên quan đến Ngày và Giờ cũng như cách mở tệp, đóng tệp, đọc từ tệp và ghi vào tệp. Các hàm này rất hữu ích khi thực hiện chênh lệch ngày tháng, định dạng ngày tháng và trích xuất các phần tử (mim, giờ, giây, v.v.) từ ngày đã cho.
Trong mô-đun này, bạn sẽ học cách tạo các lớp và đối tượng của lớp và xác định các phương thức, các kiểu quan hệ khác nhau với các lớp và thế nào là Liên kết, Tổng hợp, Thành phần và tất cả chúng cho một chức năng cụ thể, nhiều cách để tạo đối tượng, truy cập các công cụ sửa đổi trong python và cách xen kẽ các lớp bằng các khái niệm này.
Trong mô-đun này, bạn sẽ tìm hiểu kế thừa là gì và các kiểu kế thừa khác nhau (Kế thừa đơn giản, Đa cấp và Đa cấp) và các lớp Trừu tượng và các từ khóa cần thiết và triển khai các khái niệm đã học trên các câu hỏi để viết mã.
Trong mô-đun này, bạn sẽ học cách xử lý Ngoại lệ trong Python và các lớp liên quan đến Ngoại lệ, mệnh đề try-last-catch, chú thích và sử dụng các chú thích có sẵn, để xác định chú thích tùy chỉnh, biểu thức Lambda, quy tắc xác định phạm vi cho biểu thức Lambda và triển khai cấp mã xử lý ngoại lệ và Lambda trong Python.
Trong mô-đun này, bạn sẽ áp dụng các khái niệm hướng đối tượng Python để giải quyết các nghiên cứu trường hợp thời gian thực phức tạp.
Trong mô-đun này, bạn sẽ tìm hiểu cách thực hiện các thao tác như đảo ngược danh sách được liên kết, sắp xếp danh sách được liên kết theo thứ tự tăng dần, sắp xếp danh sách được liên kết, các phép toán đa thức và Ngăn xếp bằng phương pháp đẩy và cách dữ liệu bị xóa khỏi Ngăn xếp bằng cách sử dụng hàm pop và Hàng đợi sử dụng phương thức xếp hàng và cách dữ liệu bị xóa khỏi Hàng đợi bằng hàm dequeue được thực hiện bằng các thao tác cơ bản.
Trong mô-đun này, bạn sẽ học cách cây được sử dụng để lưu trữ hệ thống dữ liệu, để tăng hiệu quả của việc truy xuất dữ liệu và biểu diễn ma trận và danh sách liên kết của biểu đồ. Bạn cũng sẽ tìm hiểu về các thao tác khác nhau, như chèn, tìm kiếm, cập nhật và xóa dữ liệu, được thực hiện trên Cây nhị phân hoàn chỉnh và trực quan hóa các biểu diễn bằng cách giải các câu hỏi trắc nghiệm phân tích được đưa ra trong mô-đun này.
Trong mo-đun này, bạn sẽ học các kỹ thuật băm khác nhau được sử dụng để ánh xạ dữ liệu thành một khóa và phân tích mức độ phức tạp của một vấn đề nhất định liên quan đến thời gian và không gian. Bạn cũng sẽ thấy các kỹ thuật khác nhau được sử dụng để tránh va chạm và các phương pháp băm lại và các chiến lược thiết kế khác nhau trong lập trình.
Trong mô-đun này, bạn sẽ học cách hoạt động của các thuật toán tìm kiếm như tìm kiếm tuyến tính và tìm kiếm nhị phân và cách dữ liệu đã cho được sắp xếp bằng cách sử dụng các thuật toán sắp xếp khác nhau. Bạn cũng sẽ phân tích độ phức tạp của thuật toán.
Thuật toán tham lam là một mô hình thuật toán tuân theo kinh nghiệm giải quyết vấn đề để đưa ra lựa chọn tối ưu cục bộ ở mỗi giai đoạn với mục đích tìm ra mức tối ưu toàn cục. Lập trình động đề cập đến việc đơn giản hóa một vấn đề phức tạp bằng cách chia nhỏ nó thành các vấn đề con đơn giản hơn theo cách đệ quy. Trong mô-đun này, bạn sẽ học cách giải quyết vấn đề bằng cách sử dụng chiến lược đó.
Module 2 (24 weeks): Essentials & Exploratory Analytics for Machine Learning
Trong mô-đun này, bạn sẽ học cách thu thập, tổ chức, phân tích và diễn giải dữ liệu để thiết kế các cuộc khảo sát và thử nghiệm.
Trong mô-đun này, bạn sẽ học cách cung cấp một bản tóm tắt ngắn gọn về các mẫu và các biện pháp được thực hiện trong một nghiên cứu cụ thể.
Trong học phần này, bạn sẽ học cách dự đoán khả năng xảy ra các sự kiện trong tương lai bằng cách sử dụng xác suất, đây là cơ sở để phát triển Mô hình xác suất.
Trong mô-đun này, bạn sẽ học cách nhận ra sự cần thiết của các hàm, đệ quy và PyTest, minh họa các phần khác nhau trong cách viết một hàm với các ví dụ và hiểu cách các tham số được truyền cho các hàm bằng cách sử dụng truyền theo giá trị và chuyển bằng tham chiếu.
Trong mô-đun này, bạn sẽ học cách tính toán dữ liệu thống kê cho một tổng thể khổng lồ bằng cách sử dụng Phương pháp tham chiếu.
Trong học phần này, bạn sẽ học cách khám phá một vấn đề dưới dạng mô hình toán học hoặc thuật toán.
Trong mô-đun này, bạn sẽ học cách thực hiện các hoạt động trên Vectơ và Ma trận, đây sẽ là cấu trúc lưu trữ cho các tính năng của dữ liệu.
Trong học phần này, bạn sẽ học cách tích phân và phân biệt trong phương trình, điều này sẽ giúp ích cho việc tìm kiếm các giải pháp tối ưu.
In this module you will learn how to summarize a given data set using Descriptive Statistics.
Trong mô-đun này, bạn sẽ học cách biểu diễn dữ liệu đã cho dưới dạng khung dữ liệu và làm việc trên đó một cách hợp lý bằng cách sử dụng các cấu trúc và chức năng điều khiển.
Trong mô-đun này, bạn sẽ học cách phân tích dữ liệu bằng đồ thị bằng cách phân chia các biểu đồ khác nhau.
Trong mô-đun này, bạn sẽ học cách thực hiện Suy luận Thống kê bằng Kiểm tra Giả thuyết.
Trong mô-đun này, bạn sẽ học cách thực hiện Làm sạch dữ liệu và Tiền xử lý, đây là bước quan trọng nhất trong Học máy, vì kết quả cuối cùng chỉ phụ thuộc vào điều này.
Trong mô-đun này, bạn sẽ học cách thực hiện nhiệm vụ để dự đoán một giá trị biến phụ thuộc dựa trên một biến độc lập đã cho bằng cách sử dụng hồi quy tuyến tính.
Trong mô-đun này, bạn sẽ học cách thực hiện nhiệm vụ dự đoán một giá trị biến phụ thuộc dựa trên một biến độc lập đã cho bằng cách sử dụng hồi quy Logistic và cách hồi quy Logistic trở thành một kỹ thuật phân loại.
Trong mô-đun này, bạn sẽ học cách tạo mô hình quyết định dạng cây bằng cách sử dụng thuật toán Cây quyết định.
Trong mô-đun này, bạn sẽ học cách so sánh các thuật toán học máy khác nhau và chọn một thuật toán tốt nhất.
Trong mô-đun này, bạn sẽ học cách tạo Mô hình mạng thần kinh và sử dụng nó để dự đoán lớp.
Trong mô-đun này, bạn sẽ biết cách biểu diễn mô hình SVM đã học có thể được sử dụng để đưa ra dự đoán cho dữ liệu mới.
Trong mô-đun này, bạn sẽ học cách xây dựng một thuật toán phân loại bao gồm nhiều cây quyết định.
Mô-đun 3 (8 tuần): Các dự án dựa trên vấn đề của người học
Người học sẽ tham gia các dự án trong ngành và áp dụng vào các vấn đề của riêng họ bằng cách sử dụng Học máy với sự hỗ trợ từ người cố vấn.
Người học sẽ thực hiện các hướng dẫn từng bước như hướng dẫn để triển khai Học máy trong các vấn đề của riêng họ.
Người học sẽ bảo vệ kết quả thực tập của mình và nhận được phản hồi từ người cố vấn.
Giảng viên

TS Tạ Quang Chiểu
Giảng viên @ Đại học Thủy Lợi

Pradeep Duraisamy
Giám đốc điều hành @ AmphiSoft/EBOX

TS Nguyễn Hoài Tưởng
Giảng viên @ Titops & VNU-IFI

Sandeep Agarwal
Big Data Expert, India

ThS Lê Thanh Sơn
Giám đốc Đào tạo @ Aptech Việt Nam

Pavitra Mukherjee
Tổng giám đốc @ NIIT Vietnam

KS Nguyễn Xuân Lộc
Kỹ sư Học máy & Trí tuệ nhân tạo

ThS Nguyễn Văn Hoàng
Chuyên viên Tin học @ ĐH Kinh tế Quốc dân
Khách mời chuyên gia

Meriem Abdennour
Trưởng bộ phận Data Science @Sanofi, Pháp
Case studies
Phân khúc và giữ chân khách hàng thương mại điện tử
Phân tích khách hàng và theo nhóm là cần phải có kiến thức cho chuyên gia Học máy. Phân tích theo nhóm là một trong những cách hiệu quả nhất để thu thập thông tin về hành vi của khách hàng. Trước khi đi sâu, hãy làm rõ một số điểm của phân tích. Hơn nữa, bạn sẽ không tìm thấy bất kỳ khái niệm siêu phức tạp nào về mô hình máy học hoặc mạng nơ-ron. Mục tiêu chính của nghiên cứu điển hình này chỉ đơn giản là cố gắng chỉ cho bạn cách xây dựng một quy trình đầy đủ để phân tích hành vi của khách hàng.
Dự đoán giá nhà
Yêu cầu người mua nhà mô tả ngôi nhà mơ ước của họ và họ có thể sẽ không bắt đầu bằng chiều cao của trần tầng hầm hoặc khoảng cách với đường sắt đông tây. Nhưng tập dữ liệu của cuộc thi sân chơi này chứng minh rằng việc đàm phán giá ảnh hưởng nhiều hơn đến số lượng phòng ngủ hoặc hàng rào màu trắng. Với 79 biến số giải thích mô tả (hầu hết) mọi khía cạnh của các ngôi nhà dân cư ở Ames, Iowa, cuộc thi này thách thức bạn dự đoán giá cuối cùng của mỗi ngôi nhà.
Phát hiện gian lận thẻ tín dụng
Điều quan trọng là các công ty thẻ tín dụng có thể nhận ra các giao dịch gian lận thẻ tín dụng để khách hàng không bị tính phí cho các mặt hàng mà họ không mua. Tập dữ liệu chứa các giao dịch được thực hiện bằng thẻ tín dụng vào tháng 9 năm 2013 bởi các chủ thẻ châu Âu. Tập dữ liệu này trình bày các giao dịch xảy ra trong hai ngày, trong đó chúng tôi có 492 gian lận trong tổng số 284.807 giao dịch. Tập dữ liệu rất mất cân bằng, loại tích cực (gian lận) chiếm 0,172% tổng số giao dịch.
Báo chí nói về chương trình
E-BOX ở Ấn Độ
Khóa học luyện thi NEET trực tuyến miễn phí dành cho sinh viên các trường chính phủ từ ngày 15 tháng 6
E-BOX ở Ấn Độ
Bộ trưởng Edappadi K Palaniswami hôm thứ Ba đã khởi động các lớp huấn luyện trực tuyến miễn phí của chính phủ để kiểm tra Tư cách đủ điều kiện quốc gia kiêm Kiểm tra đầu vào (NEET) cho học sinh lớp 12
E-BOX ở Ấn Độ
Khóa học NEET miễn phí: Mở đăng ký cho khóa học luyện thi NEET Online E-BOX do bộ phận giáo dục TN cung cấp