🎯 Mục tiêu học tập

Sau khi hoàn thành khóa học này, bạn sẽ có khả năng:

Kiến thức (Knowledge)

1. Hiểu nền tảng Machine Learning

Phân biệt được các loại ML: Supervised, Unsupervised, Reinforcement Learning
Giải thích được workflow của một dự án ML end-to-end
Hiểu các khái niệm: overfitting, underfitting, bias-variance tradeoff

2. Nắm vững các thuật toán cơ bản

Supervised Learning

Linear Regression & Polynomial Regression
Logistic Regression
Decision Trees & Random Forest
Support Vector Machines (SVM)
K-Nearest Neighbors (KNN)

Unsupervised Learning

K-Means Clustering
Hierarchical Clustering
Principal Component Analysis (PCA)
Association Rules

3. Đánh giá và cải thiện model

Sử dụng các metrics phù hợp (Accuracy, Precision, Recall, F1, AUC-ROC)
Thực hiện Cross-validation
Tuning hyperparameters với Grid Search và Random Search

Kỹ năng (Skills)

Kỹ năng thực hành

Đây là các kỹ năng bạn sẽ thành thạo sau khóa học:

Kỹ năng	Mức độ	Công cụ
Data Preprocessing	⭐⭐⭐⭐	Pandas, NumPy
Exploratory Data Analysis	⭐⭐⭐⭐	Matplotlib, Seaborn
Feature Engineering	⭐⭐⭐	Scikit-learn
Model Training	⭐⭐⭐⭐	Scikit-learn
Model Evaluation	⭐⭐⭐⭐	Scikit-learn
Model Deployment	⭐⭐⭐	Flask, Streamlit

Learning Outcomes (Kết quả đầu ra)

Sau khóa học, bạn có thể:

# Ví dụ: Workflow hoàn chỉnh bạn sẽ thực hiện được
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report

# 1. Load và xử lý dữ liệu
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 2. Train model
model = RandomForestClassifier(n_estimators=100)
model.fit(X_train, y_train)

# 3. Đánh giá
predictions = model.predict(X_test)
print(classification_report(y_test, predictions))

Bloom's Taxonomy Mapping

graph TB
    A[Remember - Ghi nhớ] --> B[Understand - Hiểu]
    B --> C[Apply - Áp dụng]
    C --> D[Analyze - Phân tích]
    D --> E[Evaluate - Đánh giá]
    E --> F[Create - Sáng tạo]
    
    style A fill:#e8f5e9
    style B fill:#c8e6c9
    style C fill:#a5d6a7
    style D fill:#81c784
    style E fill:#66bb6a
    style F fill:#4caf50

Level	Mục tiêu cụ thể
Remember	Liệt kê các thuật toán ML cơ bản
Understand	Giải thích cách hoạt động của từng thuật toán
Apply	Triển khai thuật toán với Scikit-learn
Analyze	Phân tích kết quả và lựa chọn model phù hợp
Evaluate	Đánh giá hiệu suất và cải thiện model
Create	Xây dựng dự án ML end-to-end

Checkpoint đánh giá

Các mốc đánh giá

Bạn sẽ được đánh giá qua các checkpoint sau:

Tuần 2: Quiz kiến thức cơ bản (20%)
Tuần 4: Mini Project - Classification (25%)
Tuần 6: Mini Project - Clustering (25%)
Tuần 8: Final Project (30%)

➡️ Tiếp theo: Xem Data Dictionary để hiểu về dataset sẽ sử dụng trong khóa học.