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

Python Machine Learning & Data Science with Scikit-learn

Machine Learning & Data Science với Python và Scikit-learn

Machine Learning & Data Science với Python và Scikit-learn

Xây dựng các mô hình machine learning thực tế bằng Python với Scikit-Learn — từ cơ bản đến nâng cao trong AI

4.6
(103 đánh giá)
423 học viên
Giảng viên
TM Quest
Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao
50.000đ 889.000đ -94%
✓ Xem giỏ hàng và thanh toán
Bao gồm phụ đề tiếng Việt, tiếng Anh
9.0 giờ video
109 bài giảng
52 bài quiz
24 bài coding
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 31/05/2026

Bạn sẽ học được gì

Nắm vững các khái niệm nền tảng trong machine learning.
Sử dụng Python và Scikit-Learn để tạo các mô hình machine learning.
Chuẩn bị dữ liệu sẵn sàng cho các thuật toán machine learning.
Đánh giá và phân tích các mô hình cũng như thuật toán machine learning.
Dùng mô hình hồi quy để dự đoán các giá trị liên tục.
Dùng mô hình phân loại để dự đoán các lớp.
Dùng thuật toán không giám sát để phân cụm dữ liệu.

Yêu cầu

Có kiến thức cơ bản về Python

Đối tượng phù hợp

Bất kỳ ai muốn bước chân vào lĩnh vực machine learning và data science
Lập trình viên Python mới bắt đầu, tò mò về machine learning

Nội dung khóa học

19 phần • 109 bài giảng
1 Giới thiệu khóa học
2 Toàn bộ tài liệu trong khóa học!
3 (Nền tảng) Giới thiệu về Jupyter Notebooks
4 (Nền tảng) Giới thiệu về NumPy
5 (Nền tảng) Giới thiệu về Pandas
1 Machine Learning là gì?
2 Thuật ngữ trong ML
3 Cấu trúc của một dự án ML
4 Giới thiệu Scikit Learn
5 Khám phá bộ dữ liệu Diabetes
6 Tài liệu tham khảo thêm
1 Giới thiệu
2 Ý tưởng của hồi quy tuyến tính
3 Lý thuyết về hồi quy tuyến tính
4 Hồi quy tuyến tính trong Scikit-Learn
5 Đánh giá mô hình
6 Mô hình của chúng ta có tốt không?
7 Quá trình huấn luyện diễn ra thế nào? (Lý thuyết tùy chọn)
8 Tài liệu tham khảo thêm
1 Giới thiệu
2 Phân loại nhị phân và Logistic Regression
3 Bộ dữ liệu Iris
4 Triển khai Logistic Regression
5 Điểm Accuracy
6 Tài liệu tham khảo thêm
1 Giới thiệu
2 Tiền xử lý
3 Điền giá trị bị thiếu
4 Chọn đặc trưng phù hợp
5 Chuẩn hóa tỷ lệ (Standard Scaling) trong Scikit-Learn
6 Pipeline
7 Tài liệu tham khảo thêm
1 Giới thiệu
2 Hiểu về hồi quy đa thức
3 Thêm đặc trưng đa thức thủ công
4 Đánh giá bằng Mean Absolute Error
5 Dùng lớp Polynomial Features
6 Tích hợp mọi thứ vào một Pipeline
7 Overfitting và Underfitting
8 Overfitting trong thực tế
9 Tài liệu tham khảo thêm
1 Giới thiệu
2 Giải pháp: Dự án Regression
1 Giới thiệu
2 Giới thiệu về cây
3 Decision Trees
4 Triển khai Decision Trees
5 False Positives và False Negatives
6 Hiểu về Precision và Recall
7 Sử dụng Precision và Recall
8 Tài liệu tham khảo thêm
1 Giới thiệu
2 Ensemble Learning là gì?
3 Tạo nhiều mô hình nhanh chóng
4 Tạo biểu quyết đa số (Majority Vote) cho Ensemble
5 Weak Learners và Bagging
6 Sử dụng Random Forests
7 Tài liệu tham khảo thêm
1 Giới thiệu
2 One Hot Encoding
3 Sử dụng One Hot Encoding
4 Cross-Validation
5 Sử dụng Cross-Validation
6 Tập Validation và Test
7 One Hot Encoding và Pipeline
8 Cross-Validation và Pipeline
9 Tài liệu tham khảo thêm
1 Giới thiệu
2 Regularization (hay Shrinkage)
3 Hồi quy Lasso và Ridge
4 Bias-Variance Tradeoff
5 Tìm giá trị tham số phù hợp
6 Tài liệu tham khảo thêm
1 Giới thiệu
2 Support Vector Machine
3 Triển khai SVM
4 Hyperparameters
5 Triển khai Grid Search
6 Tài liệu tham khảo thêm
1 Giới thiệu
2 Giải pháp: Dự án Classification
1 Giới thiệu
2 Giảm chiều (Dimensionality Reduction)
3 Giới thiệu bộ dữ liệu CovType
4 Giảm dựa trên tương quan
5 Giảm dựa trên phương sai
6 Principal Component Analysis (PCA)
7 Triển khai PCA
8 Tài liệu tham khảo thêm
1 Giới thiệu
2 K-Nearest Neighbors
3 Triển khai KNN
4 Lưu trữ mô hình (Model Persistence)
5 Sử dụng lưu trữ mô hình
6 Tài liệu tham khảo thêm
1 Giới thiệu
2 Neural Networks là gì?
3 Trọng số và Hàm kích hoạt
4 Sử dụng cơ bản MLPClassifier
5 Tham số và Keras
6 Tài liệu tham khảo thêm
1 Giới thiệu
2 Unsupervised Learning là gì?
3 K-Means Clustering
4 Triển khai K-Means Clustering
5 Tài liệu tham khảo thêm
1 Giới thiệu
2 Giải pháp: Dự án Unsupervised
1 Kết thúc hành trình

Giới thiệu khóa học

Ready to master machine learning in Python and launch your career in data science? This hands-on, comprehensive course is the definitive guide to becoming a skilled practitioner, taking you from the fundamentals of Scikit-learn to building powerful, real-world AI models.

You'll gain a deep understanding of Scikit-learn, Python's most essential and widely used machine learning library. By focusing on practical application, you will not only learn the algorithms but also how to implement the full data science workflow—a critical skill for employers.


Master the Complete Data Science and Machine Learning Workflow

This masterclass will teach you to:

  • Prepare and Preprocess complex, real-world datasets using Python (Pandas & NumPy) and the integrated tools within Scikit-learn.

  • Build Powerful Models using core Machine Learning algorithms: Linear Regression, Logistic Regression, Decision Trees, Random Forests, and Support Vector Machines (SVMs).

  • Optimize Performance with advanced techniques like Regularization, Cross-Validation, and Principal Component Analysis (PCA) for Dimensionality Reduction.

  • Apply both Supervised and Unsupervised Learning to solve diverse business problems in data science.

  • Understand the AI Landscape by covering the basics of Neural Networks and their role in Deep Learning.

  • Work through short coding exercises and large, project-style assignments, mirroring the daily work of a professional data scientist.


Why Learn Machine Learning with Us?

We're Eirik and Stine, a professional data scientist and a university-level programming instructor who love making complex AI topics accessible. We blend practical, real-world experience with top-tier teaching methods. You won't just memorize formulas; you'll build intuition and problem-solving skills, making your transition into a Machine Learning or AI role seamless.


Who This Course Is For

This course is perfectly suited for:

  • Beginners who want a fast, hands-on path into machine learning and data science.

  • Python Programmers or Data Analysts who want to master Scikit-learn and predictive modeling for career growth.

  • Students and Researchers looking to add powerful ML and AI techniques to their academic toolkit.

No extensive prior experience is required! A basic grasp of Python programming will get you started!


Start your AI Journey Today

You're covered by Udemy's 30-day money-back guarantee, so you can explore the course risk-free. Enroll now and take the definitive step toward becoming a confident machine learning and data science practitioner!

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 Python
Hiển thị tất cả khoá học Scikit Learn
Zalo
Tôi có thể tư vấn khoá học cho bạn 😊