Ưu đãi trong tuần: Nhập mã UD50 giảm 50k cho đơn từ 300k!
Trang chủ
Menu

Probability / Stats: The Foundations of Machine Learning

Xác suất / Thống kê: Nền tảng của Học máy

Xác suất / Thống kê: Nền tảng của Học máy

Học thực tế, định hướng code dành cho lập trình viên để áp dụng xác suất/thống kê trong toàn bộ Khoa học Máy tính, Khoa học Dữ liệu và Học máy

4.6
(57 đánh giá)
1,105 học viên
Giảng viên
Dr. Mohammad Nauman
Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao
50.000đ 349.000đ -86%
✓ Xem giỏ hàng và thanh toán
Bao gồm phụ đề tiếng Việt, tiếng Anh
6.5 giờ video
37 bài giảng
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 30/05/2026

Bạn sẽ học được gì

Các khái niệm cần thiết trong thống kê và xác suất
Các khái niệm quan trọng trong môn học cần thiết cho Khoa học Dữ liệu và/hoặc Học máy
Phân phối và tầm quan trọng của chúng
Entropy - nền tảng của mọi Học máy
Giới thiệu về Suy luận Bayes
Áp dụng các khái niệm thông qua code
HỖ TRỢ ĐẶC BIỆT: Câu hỏi được trả lời trong ngày. Hãy thử ngay!

Yêu cầu

Kiến thức lập trình cơ bản
Không cần nền tảng toán học (ngoài số học cơ bản)
Khóa học cấp tốc Python được cung cấp trong nội dung

Đối tượng phù hợp

Nhà phát triển Học máy và Khoa học dữ liệu mới bắt đầu cần nền tảng vững chắc
Lập trình viên tò mò về khoa học dữ liệu và học máy
Những người muốn tìm hiểu tại sao xác suất là nền tảng của mọi học máy hiện đại
Lập trình viên muốn biết cách khai thác sức mạnh của dữ liệu lớn

Nội dung khóa học

8 phần • 37 bài giảng
1 Thiết lập môi trường code và khóa học cấp tốc Python
2 Bắt đầu với code: Cảm nhận dữ liệu
3 Nền tảng, kiểu dữ liệu và biểu diễn dữ liệu
4 Lưu ý thực tế: mã hóa one-hot vector
5 Khám phá các kiểu dữ liệu trong code
6 Xu hướng trung tâm, trung bình, trung vị, mode
7 Nhiệm vụ ôn tập chương
1 Phân tán và độ trải rộng trong dữ liệu, phương sai, độ lệch chuẩn
2 Khám phá độ phân tán qua code
3 Nhiệm vụ ôn tập chương
1 Giới thiệu về sự không chắc chắn, trực giác xác suất
2 Mô phỏng tung đồng xu để hiểu xác suất
3 Xác suất có điều kiện; khái niệm quan trọng nhất trong thống kê
4 Áp dụng xác suất có điều kiện - Quy tắc Bayes
5 Ứng dụng quy tắc Bayes trong thực tế - Phát hiện thư rác
6 Phát hiện thư rác - Các vấn đề triển khai
7 Nhiệm vụ ôn tập chương
1 Quy tắc đếm (Phần lớn tùy chọn)
2 Nhiệm vụ ôn tập chương
1 Định lượng sự kiện - biến ngẫu nhiên
2 Hai biến ngẫu nhiên - xác suất đồng thời
3 Phân phối - lý do và tầm quan trọng
4 Phân phối rời rạc qua code
5 Phân phối liên tục - mật độ xác suất
6 Code phân phối liên tục
7 Nghiên cứu tình huống - phân tích giấc ngủ, cấu trúc và code
8 Nhiệm vụ ôn tập chương
1 Trực quan hóa phân phối đồng thời - con đường dẫn đến thành công trong Học máy
2 Sự phụ thuộc và phương sai của hai biến ngẫu nhiên
3 Nhiệm vụ ôn tập chương
1 Giá trị kỳ vọng - ra quyết định thông qua xác suất
2 Entropy - Ứng dụng quan trọng nhất của giá trị kỳ vọng
3 Áp dụng entropy - lập trình cây quyết định cho học máy
4 Nền tảng của suy luận Bayes
5 Code suy luận Bayes với PyMC3
6 Nhiệm vụ ôn tập chương
1 Quà tặng

Giới thiệu khóa học

Everyone wants to excel at machine learning and data science these days -- and for good reason. Data is the new oil and everyone should be able to work with it. However, it's very difficult to become great in the field because the latest and greatest models seem too complicated. "Seem complicated" -- but they are not! If you have a thorough understanding of probability and statistics, they would be much, much easier to work with! And that's not all -- probability is useful in almost all areas of computer science (simulation, vision, game development, AI are only a few of these). If you have a strong foundation in this subject, it opens up several doors for you in your career!

That is the objective of this course: to give you the strong foundations needed to excel in all areas of computer science -- specifically data science and machine learning. The issue is that most of the probability and statistics courses are too theory-oriented. They get tangled in the maths without discussing the importance of applications. Applications are always given secondary importance.

In this course, we take a code-oriented approach. We apply all concepts through code. In fact, we skip over all the useless theory that isn't relevant to computer science (and is useful for those pursuing pure sciences). Instead, we focus on the concepts that are more useful for data science, machine learning, and other areas of computer science. For instance, many probability courses skip over Bayesian inference. We get to this immensely important concept rather quickly and give it the due attention as it is widely thought of as the future of analysis!

This way, you get to learn the most important concepts in this subject in the shortest amount of time possible without having to deal with the details of the less relevant topics. Once you have developed an intuition of the important stuff, you can then learn the latest and greatest models even on your own! Take a look at the promo for this course (and contents list below) for the topics you will learn as well as the preview lectures to get an idea of the interactive style of learning.

Remember: The reason you pay for this course is support. I reply within the day. See any of my course reviews for proof of that. So make sure you post any questions you have or any problems you face. I want all my students to finish this course. Let’s get through this together. 

Khóa học liên quan

Khám phá thêm các khoá học cùng chủ đề

Hiển thị tất cả khoá học Data Science
Hiển thị tất cả khoá học Machine Learning
Hiển thị tất cả khoá học Probability
Hiển thị tất cả khoá học Statistics
Zalo
Tôi có thể tư vấn khoá học cho bạn 😊