AIL304m - Học máy

AIL304m - Học máy (Machine Learning) là môn học 3 tín chỉ của Đại học FPT, môn tiên quyết MAS291 và MAE101, gồm 60 buổi hình thức Offline với 45 giờ lên lớp và 104 giờ tự học; công cụ: Jupyter notebook. Bảng học liệu không có sách; tám học liệu chính đều là khoá học trực tuyến. Năm học liệu đầu thuộc DeepLearning.AI: chuyên ngành Deep Learning (giảng viên Andrew Ng, Kian Katanforoosh, Younes Bensouda Mourri) cùng ba trong năm khoá của nó là Neural Networks and Deep Learning; Improving Deep Neural Networks: Hyperparameter Tuning, Regularization and Optimization; Structuring Machine Learning Projects; và khoá Linear Algebra for Machine Learning and Data Science (giảng viên Luis Serrano). Ba học liệu còn lại là guided project TensorFlow for AI: Get to Know Tensorflow, Classify Images of Cats and Dogs using Transfer Learning của Google Cloud và Introduction to FastAPI framework của Duke University. Buổi 1–6 và 8 là đại số tuyến tính: hệ phương trình tuyến tính hai ẩn và ba ẩn, ma trận suy biến, phép khử, dạng bậc thang và hạng, vector, tích vô hướng, biến đổi tuyến tính, nhân ma trận, ma trận nghịch đảo, định thức, cơ sở, span, trị riêng và vector riêng; bài lập trình buổi 7 và 9 là Single Perceptron Neural Networks for Linear Regression và Eigenvalues and Eigenvectors. Buổi 10–11 và 13–15 là đạo hàm, tối ưu hoá bằng đạo hàm, gradient, gradient descent, tối ưu trong mạng nơ-ron và phương pháp Newton, kèm bài lập trình Optimizing Functions of One Variable: Cost Minimization (buổi 12) và Lab01 Regression with Perceptron (buổi 16); các buổi 1–16 gắn CLO1. Buổi 19–22 (CLO2) và 24–25 (CLO1) là nhập môn trí tuệ nhân tạo và học máy, phân loại nhị phân bằng hồi quy logistic, gradient descent, vector hoá trong Python và mạng nơ-ron nông một lớp ẩn; bài lập trình buổi 23 và 26 (CLO2) là Logistic Regression with a Neural Network Mindset và Planar Data Classification with One Hidden Layer. Buổi 30–32 và 34–36 là mạng nơ-ron sâu, buổi 40–42 là Lab 2 (Neural Networks), cùng gắn CLO2. Buổi 43–47 và 50–53 (CLO3) là bias và variance, regularization, dropout, chuẩn hoá đầu vào, gradient checking, mini-batch gradient descent, trung bình có trọng số mũ, Momentum, RMSprop, Adam, giảm dần learning rate, tinh chỉnh siêu tham số, Batch Normalization, softmax regression và TensorFlow. Buổi 55–57 (CLO4) là ML Strategy: orthogonalization, chỉ số đánh giá, hiệu năng mức con người, phân tích lỗi, lệch phân phối dữ liệu, transfer learning, multi-task learning, học end-to-end. Buổi 27–29 là guided project TensorFlow for AI: Get to Know Tensorflow (CLO4, CLO5); buổi 37–39 và 58–59 (CLO5) là guided project Neural Network from Scratch in TensorFlow và Deploy Models with TensorFlow Serving and Flask. Các buổi còn lại là review và hai Progress test (buổi 18, 54).