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

The Complete Machine Learning Course with Python

Khóa Học Machine Learning Toàn Diện với Python

Khóa Học Machine Learning Toàn Diện với Python

Xây dựng Bộ Hồ Sơ Năng Lực với 12 Dự Án Machine Learning sử dụng Python, SVM, Hồi Quy, Học Máy Không Giám Sát & Hơn Thế Nữa!

4.5
(8,014 đánh giá)
45,722 học viên
Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao
50.000đ 379.000đ -87%
✓ Xem giỏ hàng và thanh toán
Bao gồm phụ đề tiếng Việt, tiếng Anh
17.5 giờ video
205 bài giảng
3 bài quiz
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 18/03/2026

Bạn sẽ học được gì

Kỹ sư Machine Learning có mức lương trung bình $166,000 - hãy trở thành ứng viên lý tưởng với khóa học này!
Giải quyết mọi vấn đề trong kinh doanh, công việc hay cuộc sống cá nhân với các mô hình Machine Learning mạnh mẽ
Huấn luyện thuật toán machine learning để dự đoán giá nhà, nhận diện chữ viết tay, phát hiện tế bào ung thư & hơn thế nữa
Đi từ con số 0 trở thành chuyên gia với Python, Seaborn, Matplotlib, Scikit-Learn, SVM, Machine Learning không giám sát, v.v.

Yêu cầu

Cần có kiến thức lập trình Python cơ bản
Hiểu biết tốt về đại số tuyến tính

Đối tượng phù hợp

Dành cho bất kỳ ai có mong muốn và hứng thú học thuật toán machine learning với Python
Dành cho những ai có hứng thú sâu sắc với việc áp dụng thực tế machine learning vào các vấn đề thực tế
Dành cho những ai muốn vượt qua kiến thức cơ bản và phát triển sự hiểu biết toàn diện về toàn bộ các thuật toán machine learning
Dành cho người dùng EXCEL từ trung cấp đến nâng cao gặp khó khăn khi làm việc với tập dữ liệu lớn
Dành cho những ai muốn trình bày kết quả phân tích một cách chuyên nghiệp và thuyết phục
Dành cho những ai mong muốn bắt đầu hoặc chuyển đổi sang sự nghiệp Khoa học Dữ liệu
Dành cho những ai muốn áp dụng machine learning vào lĩnh vực của mình

Nội dung khóa học

13 phần • 113 bài giảng
1 Khóa học bao gồm những gì?
2 Cách để Thành công trong Khóa học Này
3 Tệp Dự án và Tài nguyên
1 Cài đặt Ứng dụng và Tạo Môi trường
2 Hello World
3 Dự án Iris 1: Làm việc với Thông báo Lỗi
4 Dự án Iris 2: Đọc Dữ liệu CSV vào Bộ nhớ
5 Dự án Iris 3: Tải dữ liệu từ Seaborn
6 Dự án Iris 4: Trực quan hóa
1 Scikit-Learn
2 EDA (Phân tích Dữ liệu Thăm dò)
3 Phân tích Tương quan và Lựa chọn Đặc trưng
4 Phân tích Tương quan và Lựa chọn Đặc trưng
5 Hồi quy Tuyến tính với Scikit-Learn
6 Quy trình Machine Learning 5 Bước
7 Hồi quy Mạnh (Robust Regression)
8 Đánh giá Hiệu suất Mô hình Hồi quy
9 Hồi quy Bội 1
10 Hồi quy Bội 2
11 Hồi quy Chính quy (Regularized Regression)
12 Hồi quy Đa thức
13 Xử lý các Mối quan hệ Phi tuyến
14 Tầm quan trọng của Đặc trưng (Feature Importance)
15 Tiền xử lý Dữ liệu
16 Sự Đánh đổi Phương sai - Độ chệch (Variance-Bias Trade Off)
17 Đường cong Học tập (Learning Curve)
18 Kiểm tra Chéo (Cross Validation)
19 Minh họa Kiểm tra Chéo
1 Hồi quy Logistic
2 Giới thiệu về Phân loại
3 Hiểu về MNIST
4 SGD (Gradient Descent Ngẫu nhiên)
5 Đo lường Hiệu suất và Phân tầng k-Fold
6 Ma trận Nhầm lẫn (Confusion Matrix)
7 Độ chính xác (Precision)
8 Độ nhạy (Recall)
9 f1
10 Sự Đánh đổi giữa Độ chính xác và Độ nhạy
11 Điều chỉnh Sự Đánh đổi Độ chính xác - Độ nhạy
12 ROC
1 Khái niệm Máy Vectơ Hỗ trợ (SVM)
2 Phân loại SVM Tuyến tính
3 Hạt nhân Đa thức (Polynomial Kernel)
4 Hàm Cơ sở Xuyên tâm (Radial Basis Function)
5 Hồi quy Vectơ Hỗ trợ (Support Vector Regression)
1 Giới thiệu về Cây Quyết định
2 Huấn luyện và Trực quan hóa Cây Quyết định
3 Trực quan hóa Biên giới (Visualizing Boundary)
4 Hồi quy Cây, Chính quy hóa và Vấn đề Quá khớp
5 Mô hình hóa Từ đầu đến cuối (End to End Modeling)
6 Dự án HR
7 Dự án HR với Google Colab
1 Giới thiệu các Phương pháp Học Tập hợp
2 Bagging
3 Rừng Ngẫu nhiên và Cây Mở rộng (Random Forests và Extra-Trees)
4 AdaBoost
5 Máy Tăng cường Gradient (Gradient Boosting Machine)
6 Cài đặt XGBoost
7 XGBoost
8 Dự án HR - Phân tích Nhân sự
9 Tập hợp của các Tập hợp Phần 1
10 Tập hợp của các Tập hợp Phần 2
1 Giới thiệu về kNN
2 Dự án Phát hiện Ung thư
3 Tài liệu Bổ sung
4 Dự án Phát hiện Ung thư Phần 1
1 Khái niệm Giảm Chiều Dữ liệu
2 Giới thiệu PCA
3 Dự án Wine
4 PCA Hạt nhân (Kernel PCA)
5 Demo PCA Hạt nhân
6 LDA so với PCA
7 Dự án Abalone
1 Phân cụm
2 Phân cụm k_Means
1 Ước lượng Hàm Đơn giản với Mạng Nơ-ron
2 Kiến trúc Mạng Nơ-ron
3 Ví dụ Động lực - Dự án MNIST
4 Bài toán Phân loại Nhị phân
5 Xử lý Ngôn ngữ Tự nhiên - Phân loại Nhị phân
1 Giới thiệu về Mạng Nơ-ron
2 Sự khác biệt giữa Lập trình Cổ điển và Học Máy
3 Học Biểu diễn (Learning Representations)
4 Học Sâu là gì?
5 Học Mạng Nơ-ron
6 Tại sao là Bây giờ?
7 Giới thiệu Khối Xây dựng
8 Tensor
9 Phép toán Tensor
10 Tối ưu hóa dựa trên Gradient
11 Bắt đầu với Thư viện Mạng Nơ-ron và Học Sâu
12 Các loại hình Học Máy
13 Quá khớp và Dưới khớp
14 Quy trình làm việc của Học Máy
1 Đề cương
2 Ôn tập về Mạng Nơ-ron
3 Ví dụ Động lực
4 Trực quan hóa CNN
5 Hiểu về CNN
6 Lớp - Đầu vào
7 Lớp - Bộ lọc
8 Hàm Kích hoạt
9 Gộp (Pooling), Làm phẳng (Flatten), Dày đặc (Dense)
10 Huấn luyện CNN của bạn 1
11 Huấn luyện CNN của bạn 2
12 Tải Mô hình đã Huấn luyện Trước đó
13 So sánh Hiệu suất Mô hình
14 Tăng cường Dữ liệu (Data Augmentation)
15 Học Chuyển giao (Transfer Learning)
16 Trích xuất Đặc trưng (Feature Extraction)
17 Công cụ Hiện đại Nhất (State of the Art Tools)
18 Quà tặng (Bonus)
19 Nhận Chứng chỉ Codestars Certificate Authority (CCA) của bạn

Giới thiệu khóa học

The Complete Machine Learning Course in Python has been FULLY UPDATED for November 2019!

With brand new sections as well as updated and improved content, you get everything you need to master Machine Learning in one course! The machine learning field is constantly evolving, and we want to make sure students have the most up-to-date information and practices available to them:

Brand new sections include:

  • Foundations of Deep Learning covering topics such as the difference between classical programming and machine learning, differentiate between machine and deep learning, the building blocks of neural networks, descriptions of tensor and tensor operations, categories of machine learning and advanced concepts such as over- and underfitting, regularization, dropout, validation and testing and much more.

  • Computer Vision in the form of Convolutional Neural Networks covering building the layers, understanding filters / kernels, to advanced topics such as transfer learning, and feature extractions.

And the following sections have all been improved and added to:

  • All the codes have been updated to work with Python 3.6 and 3.7

  • The codes have been refactored to work with Google Colab

  • Deep Learning and NLP

  • Binary and multi-class classifications with deep learning

Get the most up to date machine learning information possible, and get it in a single course! 


                                                                *         *         *


The average salary of a Machine Learning Engineer in the US is $166,000! By the end of this course, you will have a Portfolio of 12 Machine Learning projects that will help you land your dream job or enable you to solve real life problems in your business, job or personal life with Machine Learning algorithms.

Come learn Machine Learning with Python this exciting course with Anthony NG, a Senior Lecturer in Singapore who has followed Rob Percival’s “project based" teaching style to bring you this hands-on course.

With over 18 hours of content and more than fifty 5 star ratings, it's already the longest and best rated Machine Learning course on Udemy!

Build Powerful Machine Learning Models to Solve Any Problem

You'll go from beginner to extremely high-level and your instructor will build each algorithm with you step by step on screen.

By the end of the course, you will have trained machine learning algorithms to classify flowers, predict house price, identify handwritings or digits, identify staff that is most likely to leave prematurely, detect cancer cells and much more!

Inside the course, you'll learn how to:

  • Gain complete machine learning tool sets to tackle most real world problems

  • Understand the various regression, classification and other ml algorithms performance metrics such as R-squared, MSE, accuracy, confusion matrix, prevision, recall, etc. and when to use them.

  • Combine multiple models with by bagging, boosting or stacking

  • Make use to unsupervised Machine Learning (ML) algorithms such as Hierarchical clustering, k-means clustering etc. to understand your data

  • Develop in Jupyter (IPython) notebook, Spyder and various IDE

  • Communicate visually and effectively with Matplotlib and Seaborn

  • Engineer new features to improve algorithm predictions

  • Make use of train/test, K-fold and Stratified K-fold cross validation to select correct model and predict model perform with unseen data

  • Use SVM for handwriting recognition, and classification problems in general

  • Use decision trees to predict staff attrition

  • Apply the association rule to retail shopping datasets

  • And much much more!

No Machine Learning required. Although having some basic Python experience would be helpful, no prior Python knowledge is necessary as all the codes will be provided and the instructor will be going through them line-by-line and you get friendly support in the Q&A area. 

Make This Investment in Yourself

If you want to ride the machine learning wave and enjoy the salaries that data scientists make, then this is the course for you!

Take this course and become a machine learning engineer!


This course is eligible for the Codestars Certificate Authority (CCA) certificate. Students can take the official exam via codestarscom, and those who pass the quiz will receive their CCA certificate. (more details in the course!)

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 Deep Learning
Hiển thị tất cả khoá học Machine Learning
Hiển thị tất cả khoá học Python
Zalo
Tôi có thể tư vấn khoá học cho bạn 😊