Mô tả vắn tắt học phần

1. Tên học phần:

Phân tích Dự đoán và Ứng dụng trong Công nghiệp

2. Ngôn ngữ giảng dạy:

Tiếng Anh

3. Mã học phần:

INT647020

4. Bộ môn phụ trách giảng dạy:

CNTK - Viện Công nghệ Thông minh và Tương tác

5. Trình độ:

Thạc sĩ

6. Số tín chỉ:

3

7. Phân bổ thời gian:

  • Đối với hoạt động trên lớp:
  • Lý thuyết: 45 hours
  • Làm việc nhóm, thảo luận:
  • Đối với hoạt động tại phòng máy tính, phòng mô phỏng, …:
  • Thực hành, làm việc nhóm, thảo luận
  • Tự nghiên cứu, tự học: 105 hours
  • Đồ án, Đề án, Dự án
  • Thực tập

8. Ngành áp dụng:

Dữ liệu đang cập nhật...

9. Điều kiện tiên quyết:

Không có môn học bắt buộc phải hoàn thành trước học phần này

10. Mục tiêu học phần:

Học phần này nhằm trang bị cho học viên các kỹ thuật mô hình dự đoán (dữ liệu chuỗi thời gian và dữ liệu chéo), đánh giá & triển khai mô hình, và các ứng dụng theo ngành (sản xuất, logistics, marketing, tài chính, y tế): • Cung cấp nền tảng vững chắc về các phương pháp mô hình dự đoán (hồi quy, phân loại, cây quyết định & ensemble, gradient boosting, mạng nơ-ron, dự báo chuỗi thời gian), gồm giả thiết, điểm mạnh và hạn chế. • Dạy quy trình dự đoán đầu-cuối: xác định bài toán → xử lý & kỹ thuật đặc trưng → xây dựng mô hình → xác thực & hiệu chỉnh → triển khai & giám sát (những khái niệm MLOps cơ bản). • Phát triển khả năng lựa chọn kỹ thuật dự đoán phù hợp cho bài toán ngành và chuyển kết quả mô hình thành các quyết định/quy trình/kpi có giá trị quản lý. • Thực hành với bộ công nghệ phổ biến (Python: pandas, scikit-learn, XGBoost, TensorFlow/Keras; R: tidymodels/caret; và MLflow cho vòng đời mô hình) và thư viện cho chuỗi thời gian (ví dụ sách/ô-công cụ của Hyndman • Nâng cao nhận thức về đạo đức, thiên lệch, khả năng giải thích mô hình và các ràng buộc pháp lý khi áp dụng mô hình trong các ngành thực tế.

11. Mô tả vắn tắt nội dung học phần:

Môn học kết hợp lý thuyết và thực hành về phân tích dự đoán cho môi trường công nghiệp. Học viên làm quen với mô hình thống kê và học máy cho dự báo và phân loại, kỹ thuật tạo đặc trưng, lựa chọn mô hình và tinh chỉnh siêu tham số, cross-validation, giải thích mô hình và giám sát mô hình. Bao gồm kỹ thuật chuỗi thời gian (ARIMA, smoothing, state-space, Prophet) và các phương pháp ML hiện đại (ensemble tree, gradient boosting, neural networks). Học phần có lab thực hành và một đồ án nhóm trên bộ dữ liệu ngành, yêu cầu nộp giải pháp dự đoán, dashboard và kế hoạch triển khai/giám sát.