Mô tả vắn tắt học phần

1. Tên học phần:

Công nghệ máy học cho thành phố thông minh

2. Ngôn ngữ giảng dạy:

Tiếng Việt

3. Mã học phần:

SCM549072

4. Bộ môn phụ trách giảng dạy:

CNTK - Viện Đô thị thông minh và quản lý

5. Trình độ:

Đại Học

6. Số tín chỉ:

3

7. Phân bổ thời gian:

  • Đối với hoạt động trên lớp:
  • Lý thuyết: 15 giờ
  • Làm việc nhóm, thảo luận:
  • Đối với hoạt động tại phòng máy tính, phòng mô phỏng, …:
  • Thực hành, làm việc nhóm, thảo luận: 60 giờ
  • Tự nghiên cứu, tự học: 75 giờ
  • Đồ án, Đề án, Dự án
  • Thực tập

8. Ngành áp dụng:

Kiến trúc và Thiết kế đô thị thông minh (K51.TV) - Kiến trúc đô thị - Kiến trúc và Thiết kế đô thị thông minh (K51.TV) (7580104) - Đại Học, Quản trị Vận hành và Di chuyển Thông minh (K52.TV) - Kinh tế Vận tải - Quản trị Vận hành và Di chuyển Thông minh (K52.TV) (7840104) - Đại Học

9. Điều kiện tiên quyết:

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

10. Mục tiêu học phần:

Hiểu biết về công nghệ thông minh: Nắm vững khái niệm và xu hướng công nghệ liên quan đến thành phố thông minh. Phân tích và đánh giá: Phân tích ứng dụng công nghệ trong quản lý đô thị. Kỹ năng giải quyết vấn đề: Phát triển tư duy phản biện và khả năng giải quyết vấn đề. Làm việc nhóm và giao tiếp: Rèn luyện kỹ năng làm việc nhóm và giao tiếp hiệu quả. Ứng dụng thực tiễn: Áp dụng kiến thức vào thực tiễn qua dự án nghiên cứu. Tích hợp đa ngành: Áp dụng kiến thức từ nhiều lĩnh vực để giải quyết thách thức đô thị.

11. Mô tả vắn tắt nội dung học phần:

Công nghệ máy học trong Thành phố Thông minh là học phần khám phá cách trí tuệ nhân tạo và các thuật toán học máy có thể tạo ra bước ngoặt trong quản lý đô thị tích hợp. Khóa học cung cấp kiến thức nền tảng về AI và học máy trong bối cảnh thành phố thông minh, bao gồm cả kỹ thuật học có giám sát và không giám sát. Các chủ đề trọng tâm gồm: phương pháp phân loại và ra quyết định như Decision Trees, Artificial Neural Networks, Support Vector Machines, and Random Forest; cũng như các phương pháp phân cụm như e K-Nearest Neighbors, K-means Clustering, and Gaussian Mixture Models. Sinh viên sẽ có cơ hội thực hành áp dụng các mô hình vào các bài toán đô thị thực tế và học cách xây dựng các giải pháp dựa trên dữ liệu trong nhiều lĩnh vực khác nhau của thành phố thông minh.