Introduction to Machine Learning
ABOUT THE COURSE!
Machine learning is the application of artificial intelligence (AI) that provides machines with the ability to automatically learn and improve without being explicitly programmed for the task. The main focus of Machine Learning is to provide algorithms to build and train such systems so that they can solve determined problems. Therefore, it is very important to understand what is machine learning and how to apply it on your work.
This first course of Introduction to Machine Learning aims at providing learners with an overview of Machine learning and its related subjects with application in real world. Particularly, learners will be equipped with Linear Algebra, descriptive statistics and probability which are necessary for machine learning. They will have a chance to explore Python for machine learning, an approachable and well-known programming language. More importantly, through a series of practical case studies, learners will gain applied experience in major areas of Machine Learning including Prediction, Classification, Clustering, Information Retrieval and and Deep Learning with Searching for Images.
To begin the course, let's take a few minutes to explore the course site. Review the material we’ll cover each week, and preview the assignments/projects/quizzes you’ll need to complete to pass the course.
Main concepts are delivered through videos, demos and hands-on exercises.
COURSE INFORMATION
| Course code: | MLP301x |
| Course name: | Introduction to Machine Learning |
| Credits: | 3 |
| Estimated Time: | 6 weeks. Student should allocate at average of 2 hours/a day to complete the course. |
COURSE OBJECTIVES
- Understand the basics of concept Machine Learning and application of Machine Learning.
- Understand the key concepts of Linear Algebra, descriptive statistics and probability.
- Comprehends and practice with tool for Machine Learning: Jupyter Notebooks, using ScitKit-Learn in Machine Learning.
- Understand machine learning through a series of practical case studies and gain applied experience in major areas of Machine Learning including Prediction, Classification, Clustering, Information Retrieval and Deep Learning with Searching for Images.
COURSE STRUCTURE
Machine Learning Overview
- Lesson 1: Welcome to Machine Learning
Module 1 - Mathematics for Machine Learning
- Lesson 2: Introduction to Linear Algebra
- Lesson 3: Descriptive statistics
- Lesson 4: Correlation and Regression
- Lesson 5: Probability
Module 2 - Python for Machine Learning
- Lesson 6: Python Basics
- Lesson 7: Python Data Structures with List and Tuples
- Lesson 8: Python Data Structures with Sets and Dictionaries
- Lesson 9: Conditions, Branching and Loop
- Lesson 10: Reading Files, Writing Files and Padas in Python
- Lesson 11: Using Numpy in Python
- Lesson 12: IPython Notebook
- Lesson 13: Introduction to SciKit Learn
Assignment 1: Project - Practicing pandas with real world datasets
Module 3 - Machine Learning Foundations: A Case Study
- Lesson 14: Linear regression modeling
- Lesson 15: Predicting house prices: IPython Notebook
- Lesson 16: Classification modeling
- Lesson 17: Analyzing sentiment: IPython Notebook
- Lesson 18: Clustering models and algorithms
- Lesson 19: Summary of clustering and similarity
- Lesson 20: Recommender systems
- Lesson 21: Song recommender: IPython Notebook
- Lesson 22: Deep Learning: Searching for Images
- Lesson 23: Deep features for image classification & image retrieval
Assignment 2: Project - Sentiment analysis and image classification example
DEVELOPMENT TEAM
COURSE DESIGNERS
|
Ph.D. Nguyen Van Vinh |
|
|
Ph.D. Tran Hong Viet |
|
B.A. Luu Truong Sinh |
|
REVIEWERS & TESTER
|
Course Reviewer |
Course Tester |
||
|
Ph.D. Tran Tuan Anh |
|
M.Sc. Nguyen Hai Nam |
|
Program Reviewers
 |
 |
 |
|
Assoc. Prof. Tu Minh Phuong Dean of IT Faculty Posts and Telecommunications Institute of Technology (PTIT) |
Ph.D. Hoang Anh Minh R&D Manager, FPT Software Chief Scientist, LA Office |
Ph.D. Le Hai Son Machine Learning Expert FPT Technology Innovation |
MOOC MATERIALS
Below is the list of all free massive open online learning sources (MOOC) from Coursera used for this course by FUNiX:
All open learning sources used in FUNiX training program are public, constantly updated and freely used. FUNiX is always willing to receive and discuss any comments, suggestions and responses related to our learning sources via email [email protected].
NGUỒN HỌC LIỆU
Trong thời đại hiện nay, mỗi môn học đều có nhiều nguồn tài liệu liên quan kể cả sách in và online, FUNiX Way không quy định một nguồn học liệu cụ thể mà khuyến cáo để học viên chọn được nguồn phù hợp nhất cho mình. Trong quá trình học từ nhiều nguồn khác nhau theo lựa chọn cá nhân đó, khi sinh viên phát sinh câu hỏi thì sẽ được kết nối nhanh nhất với mentor để được giải đáp. Toàn bộ phần đánh giá bao gồm các câu hỏi trắc nghiệm, bài tập, dự án và thi vấn đáp do FUNiX thiết kế, xây dựng và thực hiện.
Các môn học của FUNiX không quy định bắt buộc tài liệu học tập, sinh viên có thể chủ động tìm và học từ bất kỳ nguồn nào phù hợp, kể cả sách in hay nguồn học liệu online (MOOC) hay các website. Việc sử dụng các nguồn đó do học viên chịu trách nghiệm và đảm bảo tuân thủ các chính sách của chủ sở hữu nguồn, trừ trường hợp họ có sự hợp tác chính thức với FUNiX. Nếu cần hỗ trợ, học viên có thể liên hệ phòng đào tạo FUNiX để được hướng dẫn.
Dưới đây là một số nguồn học liệu của môn học mà học viên có thể tham khảo sử dụng. Việc liệt kê nguồn dưới đây không nhất thiết hàm ý rằng FUNiX có sự hợp tác chính thức với chủ sở hữu của nguồn: Coursera.org
Kênh phản hồi
FUNiX sẵn sàng đón nhận và trao đổi về mọi ý kiến góp ý, phản hồi liên quan đến học liệu qua email [email protected]