강의

멘토링

커뮤니티

AI Technology

/

Deep Learning & Machine Learning

Quy trình học máy (Machine Learning Pipeline)

Bạn sẽ phát triển khả năng xác định vấn đề dựa trên dữ liệu và giải thích rõ ràng căn cứ đánh giá cũng như quy trình ra quyết định. Ngoài ra, thay vì chỉ tập trung vào hiệu suất của một mô hình đơn lẻ, bạn sẽ có được tư duy theo quan điểm pipeline - đánh giá tính hoàn thiện và độ tin cậy của toàn bộ quy trình làm việc machine learning. Đồng thời, bạn sẽ tăng cường khả năng giải quyết vấn đề bằng cách truy nguyên nguyên nhân khi xảy ra lỗi và đưa ra hướng cải thiện, đồng thời thông qua kinh nghiệm thực hiện dự án end-to-end, bạn sẽ nắm vững năng lực xây dựng ML pipeline thực tế có thể áp dụng ngay vào công việc.

(5.0) 2 đánh giá

53 học viên

Độ khó Cơ bản

Thời gian Không giới hạn

  • aisw
Machine Learning(ML)
Machine Learning(ML)
AI
AI
Python
Python
Docker
Docker
Tensorflow
Tensorflow
Machine Learning(ML)
Machine Learning(ML)
AI
AI
Python
Python
Docker
Docker
Tensorflow
Tensorflow
Thumbnail

Bạn sẽ nhận được điều này sau khi học.

  • Khả năng thiết kế và quản lý toàn bộ quy trình: Không chỉ dừng lại ở việc tạo ra mô hình, bạn sẽ được trang bị năng lực thực tế để tự thiết kế và quản lý toàn bộ quy trình làm việc của 'pipeline học máy' từ thu thập dữ liệu, tiền xử lý, huấn luyện đến triển khai

  • Quy trình học máy tự động hóa (End-to-End Pipeline): Bạn có thể có được hệ thống quy trình tự động hóa của riêng mình, trong đó khi có dữ liệu mới, dữ liệu sẽ được tiền xử lý tự động, mô hình được huấn luyện và đánh giá, sau đó triển khai

  • Khả năng giải quyết vấn đề dữ liệu thực tế: Có thể tự thực hiện toàn bộ quy trình từ xử lý dữ liệu thô (Raw Data) thành dạng có thể phân tích, tối ưu hóa hiệu suất mô hình và áp dụng vào môi trường dịch vụ thực tế.


Chỉ làm mô hình thôi sao?
Thực chiến là pipeline mà.

Vượt qua việc mô hình hóa đơn thuần, hãy xây dựng năng lực thực tế bằng cách tự thiết kế và quản lý toàn bộ quy trình từ thu thập dữ liệu đến triển khai.
Bạn có thể hoàn thiện 'pipeline ML tự động hóa của riêng mình' như một sản phẩm có thể áp dụng ngay vào môi trường dịch vụ thực tế.


Bạn đã quen với việc huấn luyện mô hình trên Jupyter Notebook, nhưng lại cảm thấy bối rối khi triển khai dịch vụ thực tế?

Bạn muốn chứng minh khả năng thiết kế 'quy trình làm việc đầu cuối' có thể áp dụng ngay trong thực tế, vượt xa việc chỉ triển khai thuật toán đơn thuần?

Bạn muốn vượt qua giai đoạn 'thử nghiệm' và tiến tới giai đoạn xây dựng 'dịch vụ thực tế' phải không?

Thông qua khóa học này, bạn sẽ hiểu hoàn hảo toàn bộ pipeline học máy vốn từng cảm thấy phức tạp, và sở hữu khả năng giải quyết vấn đề áp dụng ngay trong thực tế cũng như năng lực xây dựng hệ thống tự động hóa.


Phát triển năng lực thực tế trong việc thiết kế và quản lý toàn bộ quy trình làm việc của pipeline machine learning
từ thu thập dữ liệu, tiền xử lý, đến huấn luyện mô hình và triển khai.


Vượt qua việc mô hình hóa đơn giản, hãy nắm bắt cơ hội xây dựng trực tiếp hệ thống ML phức tạp và phát triển thành
'Chuyên gia ML Pipeline thực chiến'
.

Sau khi hoàn thành khóa học này, bạn sẽ


Khả năng thiết kế và quản lý toàn bộ quy trình làm việc machine learning sẽ được trang bị.

  • Phát triển năng lực thực tế trong việc tự thiết kế và quản lý toàn bộ pipeline machine learning từ thu thập dữ liệu, tiền xử lý, huấn luyện mô hình đến triển khai. Không chỉ dừng lại ở phát triển mô hình, bạn sẽ có khả năng lập kế hoạch và thực thi một cách có hệ thống để hoàn thành dự án thành công.

Xây dựng hệ thống pipeline ML tự động hóa của riêng bạntạo thành sản phẩm hoàn chỉnh.

  • Xây dựng trực tiếp hệ thống pipeline tự động hóa từ tiền xử lý, huấn luyện mô hình, đánh giá đến triển khai khi có dữ liệu mới được nhập vào. Giảm thiểu công việc lặp đi lặp lại và tối đa hóa hiệu quả, bạn sẽ có được hệ thống ML của riêng mình có thể áp dụng ngay vào môi trường dịch vụ thực tế.

Nắm vững khả năng giải quyết vấn đề dữ liệu thực chiến mà thực tế công việc yêu cầu thông qua trải nghiệm thực tế.

  • Bạn có thể tự mình thực hiện toàn bộ quy trình từ xử lý dữ liệu nguồn thành dạng có thể phân tích, tối ưu hóa hiệu suất mô hình cho đến triển khai vào môi trường dịch vụ thực tế. Bạn sẽ phát triển thành chuyên gia tự tin giải quyết các vấn đề dữ liệu phức tạp thông qua việc củng cố năng lực giải quyết vấn đề - truy nguyên nguyên nhân và cải thiện khi xảy ra lỗi.

Nâng cao năng lực cạnh tranh thực tế thông qua kinh nghiệm thực hiện dự án Machine Learning từ đầu đến cuối (End-to-End).

  • Vượt qua môi trường Jupyter Notebook, tích lũy kinh nghiệm hiểu và xây dựng toàn bộ pipeline từ giai đoạn triển khai mô hình hoàn thiện vào dịch vụ thực tế. Thông qua đó, có thể phát triển năng lực xây dựng 'dịch vụ thực chiến' vượt qua giai đoạn 'thử nghiệm', hoàn thiện portfolio mạnh mẽ và đảm bảo năng lực cạnh tranh trong tuyển dụng.


✔️

Tăng cường năng lực thực tế ML lấy dữ liệu làm trung tâm, khóa học này chính là giải pháp

Xây dựng Pipeline Machine Learning
từ đầu đến cuối

Trong khóa học này, bạn sẽ học cách thiết kế và quản lý trực tiếp toàn bộ quy trình làm việc của pipeline machine learning từ thu thập dữ liệu, tiền xử lý, huấn luyện mô hình đến triển khai. Vượt xa việc chỉ tập trung vào hiệu suất mô hình, bạn có thể phát triển tư duy theo quan điểm pipeline để xây dựng hệ thống ML có độ tin cậy cao.

Xây dựng pipeline ML thực chiến

Thực hành xây dựng pipeline machine learning tự động hóa với dữ liệu thực tế trong môi trường Python và Docker. Trải nghiệm toàn bộ quy trình từ xử lý dữ liệu nguồn thành dạng có thể phân tích, tối ưu hóa hiệu suất mô hình đến triển khai trong môi trường dịch vụ thực tế, từ đó phát triển năng lực có thể áp dụng ngay vào công việc.

Ví dụ thực tế và pipeline dựa trên Docker

Trong khóa học, chúng tôi sẽ đề cập đến quá trình xây dựng và huấn luyện mô hình sử dụng TensorFlow, đồng thời thực hành có hệ thống từ triển khai ML pipeline bằng Docker. Thông qua trải nghiệm thực hiện dự án end-to-end cùng với các ví dụ code, bạn có thể hoàn thiện một portfolio mạnh mẽ.

Có thể giải quyết được những băn khoăn của những người như thế này!


📌

Nhà phân tích dữ liệu và người mới bắt đầu

Những người có thể thực hiện modeling ở mức độ nhất định nhưng cảm thấy bối rối không biết triển khai lên dịch vụ thực tế như thế nào
Những người muốn hiểu toàn bộ quy trình làm việc machine learning

📌

Sinh viên chuẩn bị việc làm muốn nâng cao khả năng cạnh tranh trong tuyển dụng

Những người muốn chứng minh khả năng thiết kế quy trình làm việc end-to-end có thể áp dụng ngay trong thực tế, vượt xa việc chỉ triển khai thuật toán đơn giản
Những người muốn tạo một portfolio mạnh mẽ

📌

Nhà phát triển muốn nâng cao kinh nghiệm dự án machine learning

Những người muốn phát triển khả năng thiết kế và quản lý toàn bộ pipeline từ thu thập dữ liệu, tiền xử lý, huấn luyện đến triển khai, thay vì chỉ tập trung vào hiệu suất của một mô hình đơn lẻ
Những người muốn nâng cao khả năng giải quyết vấn đề bằng cách truy vết nguyên nhân và cải thiện khi xảy ra lỗi

Lưu ý trước khi học


Môi trường thực hành

  • Hệ điều hành: Hỗ trợ Windows, macOS và Linux.

  • Công cụ cài đặt bắt buộc: Cần có Python 3.7 trở lên và Docker.

  • Cấu hình khuyến nghị: RAM từ 16GB trở lên, dung lượng lưu trữ SSD từ 100GB trở lên.

Kiến thức tiên quyết và lưu ý

  • Cần phải thành thạo cú pháp cơ bản của lập trình Python.

  • Sẽ càng tốt hơn nếu bạn có kinh nghiệm huấn luyện mô hình học máy.

  • Kinh nghiệm sử dụng môi trường Jupyter Notebook sẽ hữu ích.

Tài liệu học tập

  • Tệp PDF slide bài giảng sẽ được cung cấp.

  • Mã nguồn ví dụ thực hành được cung cấp thông qua kho lưu trữ GitHub.

  • Chúng tôi cung cấp các liên kết tài liệu bổ sung để giúp hiểu khái niệm.


Khuyến nghị cho
những người này

Khóa học này dành cho ai?

  • Dành cho các nhà phân tích dữ liệu và người mới bắt đầu "biết cách modeling nhưng bế tắc với deployment" - Khóa học được khuyến nghị cho những ai đã quen thuộc với phân tích dữ liệu và huấn luyện mô hình (Training) trong môi trường Jupyter Notebook ở mức độ nhất định, nhưng không biết cách triển khai (Deployment) mô hình đã hoàn thành vào môi trường dịch vụ thực tế. Bằng cách hiểu toàn bộ quy trình pipeline, bạn có thể phát triển năng lực xây dựng 'dịch vụ thực chiến' vượt qua giai đoạn 'thử nghiệm'

  • Dành cho sinh viên chuẩn bị việc làm và các nhà khoa học dữ liệu tương lai "muốn nâng cao khả năng cạnh tranh trong việc làm". Khóa học được khuyến nghị cho những ai muốn chứng minh khả năng thiết kế 'quy trình làm việc End-to-End' có thể áp dụng ngay trong thực tế, vượt xa khả năng triển khai thuật toán đơn thuần. Kết quả từ 'hệ thống pipeline tự động hóa' đã đề cập ở trên sẽ trở thành một portfolio mạnh mẽ.

Cần biết trước khi bắt đầu?

  • Cần có khái niệm cơ bản về quá trình tải dữ liệu, xử lý giá trị thiếu hoặc chuyển đổi định dạng. Nếu có kinh nghiệm làm việc với dữ liệu thì bạn có thể hiểu sâu hơn về giai đoạn tiền xử lý trong pipeline.

  • Vì quá trình này bao gồm việc huấn luyện và đánh giá mô hình, nên tốt nhất bạn nên nắm được các thuật ngữ và quy trình cơ bản của machine learning như huấn luyện, đánh giá và xác thực, ngay cả khi không đi sâu vào chính thuật toán.

Xin chào
Đây là

Viện Đổi mới Hội tụ SW Đại học Quốc gia Pukyong

Chương trình giảng dạy

Tất cả

14 bài giảng ∙ (2giờ 38phút)

Tài liệu khóa học:

Tài liệu bài giảng
Ngày đăng: 
Cập nhật lần cuối: 

Đánh giá

Tất cả

2 đánh giá

5.0

2 đánh giá

  • qqiwan7077님의 프로필 이미지
    qqiwan7077

    Đánh giá 1

    Đánh giá trung bình 5.0

    5

    64% đã tham gia

    • jybaek5133님의 프로필 이미지
      jybaek5133

      Đánh giá 1

      Đánh giá trung bình 5.0

      5

      36% đã tham gia

      Miễn phí

      Khóa học tương tự

      Khám phá các khóa học khác trong cùng lĩnh vực!