📒 GIỚI THIỆU SÁCH
Tên sách: Touch on AI in ten days (Chạm tới Trí tuệ nhân tạo trong 10 ngày)
Sách này được biên soạn làm tài liệu chính cho khóa học cùng tên “Touch on AI in ten days”.
Phần nội dung tiếp theo sẽ được trình bày theo phong cách thiết kế nội dung khóa học để bạn đọc dễ hình dung.
Con số 10 ngày là để cho đẹp thôi. Nội dung sách cũng như khóa học sẽ có thêm nhiều ngày bổ sung. Số ngày bổ sung này sẽ được bổ sung liên tục trong quá trình thực tế làm việc, học thêm của tôi để giúp học viên hoặc người đọc có thể tự học, tự thực hành để mở rộng thêm. Nội dung cốt lõi dự kiến sẽ đảm bảo trong 10 ngày học.
Tài liệu và khóa học này được biên soạn với mục đích chính là phục vụ cho công việc của cá nhân trong quá trình xây dựng đội ngũ.
Tuy nhiên vì nhu cầu thực tế đào tạo bên ngoài, các cá nhân có nhu cầu phát triển thêm năng lực bản thân cũng sẽ cần đến tài liệu như thế này nên tôi cố gắng hoàn thiện một cách chỉnh chu nhất có thể để các các nhân, tổ chức có thể dùng được. ⏰Thời lượng: 120h (Mỗi ngày học 8 giờ x 15 ngày)
👩🎓👨🎓👨💼Đối tượng học viên
Khóa học này dành các sinh viên sau đại học, các lập trình viên có kinh nghiệm, nhà quản lý có nhu cầu phân tích dữ liệu.
Sinh viên đại học, Lập trình viên ít kinh nghiệm cũng có thể theo học.
Học viên không cần có kiến thức cơ bản về thống kê học và phân tích dữ liệu.
Mô tả học viên
• Có kiến thức cơ bản về máy vi tính, có một ít kỹ năng về tin học văn phòng.
• Khuyến khích học viên đã hoàn thành khóa học “Python cơ bản” hoặc “R cơ bản”.
🔭Mục tiêu khóa học
Mục tiêu chung của khóa học là tiếp cận các khái niệm, phương pháp phân tích dữ liệu ở trình độ nâng cao. Không chỉ giúp học viên làm quen với cách thu thập dữ liệu và các phương pháp thống kê cơ bản, tôi còn nhấn mạnh đến việc ứng dụng các phương pháp mô hình hóa dữ liệu qua việc phân tích dữ liệu đào tạo, dữ liệu chứng khoán của Việt Nam. Sau khi kết thúc khóa học này, học viên sẽ có thể:• Hiểu và dùng ngôn ngữ R hoặc Python cho phân tích dữ liệu;
• Hiểu và dùng graphics ở cả trình độ cơ bản và nâng cao;
• Biết cách ứng dụng các mô hình thống kê, mô hình hồi qui tuyến tính, hồi qui logistic;
• Biết về lĩnh vực Học máy (Machine learning) và Trí tuệ nhân tạo (Artificial Intelligence).
📜Mục lục
Ngày 1 – Chủ đề: Giới thiệu về ngôn ngữ thống kê, ngôn ngữ lập trình
• Bài 1: Tóm tắt về thống kê (Statistics)• Bài 2: Ngôn ngữ lập trình Python và ngôn ngữ thống kê R
• Bài 3: Ngôn ngữ R và phần mềm RStudio
• Bài 4: Ngôn ngữ Python và phần mềm Anaconda
• Bài 5: Cài đặt thêm phần mềm
• Bài 6: Nhập liệu, biên tập, lưu trữ dữ liệu với R
• Bài 7: Nhập liệu, biên tập, lưu trữ dữ liệu với Python
Ngày 2 – Chủ đề: Biểu đồ
• Bài 8: Các loại biểu đồ• Bài 9: Vẽ biểu đồ trong R
• Bài 10: Vẽ biểu đồ trong Python
• Bài 11: Nguyên tắc soạn biểu đồ
• Bài 12: Giới thiệu Matplotlib
Ngày 3 – Phân tích mô tả
• Bài 13: Phân tích mô tả dữ liệu Bank Marketing• Bài 14: So sánh 2 tỉ lệ
• Bài 15: Mô hình kiểm định giả thuyết
• Bài 16: Ứng dụng minh họa
Ngày 4 – Chủ đề: Dữ liệu lớn
• Bài 17: Cách xử lý tập hợp dữ liệu lớn• Bài 18: Sử dụng Ubuntu
• Bài 19: Cài đặt Hadoop
• Bài 20: Trải nghiệm Hadoop với R và Python
Ngày 5 – Chủ đề: Dự báo bằng mô hình hồi qui tuyến tính
• Bài 21: Giới thiệu mô hình hồi qui tuyến tính• Bài 22: Diễn giải mô hình hồi qui tuyến tính
• Bài 23: Mô hình hồi qui tuyến tính đa biến
• Bài 24: Tìm mô hình “tối ưu”
• Bài 25: Dự báo bằng mô hình hồi qui tuyến tính
Ngày 6 – Chủ đề: Dự báo bằng mô hình hồi qui logistic
• Bài 26: Giới thiệu mô hình hồi qui logistic• Bài 27: Mô hình hồi qui logistic đa biến (Multiple logistic regression model)
• Bài 28: Tìm mô hình “tối ưu”
• Bài 29: Dự báo bằng mô hình hồi qui logistic
Ngày 7 – Chủ đề: Phân tích đa biến
• Bài 30: Xử lý giá trị trống• Bài 31: Mô hình phân tích phân định (Linear discriminant analysis)
• Bài 32: Mô hình thành phần (Principal Component Analysis)
• Bài 33: Mô hình phân tích cụm/nhóm (cluster analysis)
Ngày 8 – Chủ đề: Machine Learning
• Bài 34: Giới thiệu Machine learning• Bài 35: Mô hình SVM
• Bài 36: Mô hình Random Forest
• Bài 37: Mô hình Artificial Neural Network
• Bài 38: Machine Learning với Python Tensorflow
Ngày 9 – Chủ đề: Recommendation
• Bài 39: Giới thiệu phương pháp gợi ý Collaborative filtering• Bài 40: Triển phương pháp gợi ý Collaborative filtering bằng R
Ngày 10 – Chủ đề: Natural Language Processing
• Bài 41: Các kỹ thuật cơ bản• Bài 42: Trích đặc trưng (Feature extraction)
• Bài 43: Giới thiệu ứng dụng phân tích cảm xúc (Sentiment Analysis)
• Bài 44: Giới thiệu ứng dụng phân tích từ vựng (Word Embbeding)
• Bài 45: Giới thiệu ứng dụng xác định chủ đề (Topic Modeling)
Ngày 11 – Chủ đề: Computer Vision
• Bài 46: Giới thiệu Face recognition• Bài 47: Giới thiệu mô hình CNN
Ngày 12 – Chủ đề: Nhận diện tiếng nói (Speech Recognition)
• Bài 48: Giới thiệu đặc trưng của âm thanh• Bài 49: Các thao tác cơ bản với file âm thanh
• Bài 50: Mô hình Chuyển giọng nói thành văn bản
Tạm kết thúc
![element 01](/images/python/python-datascience.png)
eBook - Ứng dụng Phân tích dữ liệu và Trí tuệ nhân tạo với Python.
Dự kiến phát hành bản full - 202x - Tùy thời gian rảnh
Đăng ký ngay để đọc trước Tập 1.