LẬP TRÌNH PYTHON CHO MÁY HỌC

THÀNH VIÊN NHÓM

STT	MSSV	Họ và Tên	Chức Vụ	Github	Email
1	19521676	Đỗ Trọng Khánh	Nhóm trưởng	trong-khanh-1109	[email protected]
2	19521383	Võ Phạm Duy Đức	Thành viên	ducducqn123	[email protected]
3	19521326	Trịnh Công Danh	Thành viên	danhtrinh15092001	[email protected]

GIỚI THIỆU MÔN HỌC

• Tên môn học: Lập trình Python cho Máy học
• Mã môn học: CS116
• Mã lớp: C116.M12.KHCL
• Năm học: HK1 (2021 - 2022)
• Giảng viên: TS.Nguyễn Vinh Tiệp

QUÁ TRÌNH

Week 1: Làm quen với Python.

1. Tutorial Numpy.         3. Tutorial Matplotlib.
2. Tutorial Pandas.           4. Tutorial Seaborn.

Week 2: Thống kê và Trực quan hoá dữ liệu trên bản đồ.

- Đặc điểm của dữ liệu có cấu trúc:   + Có các trường(cột) có thuộc tính cố định   + Ý nghĩa các trường không thay đổi   + Dữ liệu thống nhất - Dữ liệu bảng + Không gian (Geographic Information System)   + Geographic: Polypoint, Polyline, Polygun

• Bài tập: Thống kê dữ liệu ở TP-HCM và Hiện thị ranh giới các quận trên bản đồ.

Week 3: Phân tích hành vi click với KMeans.

    

• Bài tập: Phân tích hành vi click của các quận của TP-HCM trên bản đồ.

Week 4: Principal Component Analysis.

• Bài tập: PCA normal.

Week 5: Use PCA for Logistic Regression.

• Bài tập: PCA và Logistic Regression để phân loại rượu.

Week 6: Cassification Social Network Ads.

• Bước 1: Đọc dữ liệu từ file .csv.
• Bước 2: Phân chia dữ liệu thành tập train và tập test theo tỉ lệ 8:2.
• Bước 3: Chuẩn hóa dữ liệu.
• Bước 4: Khởi tạo và huấn luyện các mô hình.
• Bước 5: Infer và đánh giá mô hình với độ đo accuracy.
• Bước 6: Trực quan hóa kết quả của mô hình vừa huấn luyện.
• Bài tập: Cassification Social Network Ads.

Week 7: Mô Hình Linear Regression Đơn Và Đa Biến.

• Bài tập: Linear Regression Đơn Và Đa Biến.

Week 8: Xây Dựng Mô Hình Mạng Neural Network.

• Bước 1: Đọc dữ liệu từ file excel/csv.
• Bước 2: Chuẩn hóa các cột dữ liệu thuộc dạng không có tình thứ tự (dữ liệu rời rạc) thành dạng One Hot Encoding.
• Bước 4: Chuẩn hóa dữ liệu train bằng Standard Scaler.
• Bước 5: Xây dựng mô hình Mạng Neural Network bằng thư viện Keras và lớp đối tượng Dense, Input - 6 neurons/ReLU - 6 neurons/ReLU - 1 neuron / sigmoid.
• Bước 6: Huấn luyện mạng với thuật toán Adam sử dụng hàm độ lỗi Binary Cross Entropy.
• Bước 7: Test và đánh giá kết quả.
• Bước 8: Đánh giá độ chính xác bằng phương pháp KFold Cross Validation với k = 5.
• Bài tập: Xây Dựng Mô Hình Mạng Neural Network.

Week 9: Mạng CNN với kiến trúc MiniResNet.

• Bài tập: MNIST use MiniResNet

Week 10: Parameters and Hyperparameter.

• Bài tập: Cài đặt Grip Search để tiểm Hyperparameter.

Week 11: Tìm hiểu và thực hành XGBoots.

• Bài tập: XGBoots.

Week 12: Mạng CNN với kiến trúc VGG16

• Bài tập: Trích xuất đặc trưng sử dụng VGG16.

ĐỒ ÁN CUỐI KÌ

Giới thiệu đề tài

• Tên đề tài: Decision Tree Classifier.
• File báo cáo: Final Report.

Thực nghiệm

Cardiovascular Disease Predict

• Code: Cardiovascular_Disease_Predict.ipynb
• Dataset: Cardiovascular Disease Dataset.

Stroke Prediction Dataset

• Code: Stroke_Prediction.ipynb
• Dataset: Stroke Prediction Dataset.

Copyright © 2021 - Đỗ Trọng Khánh