NT539 - AI ứng dụng trong MMT&TT

Đây là 1 trong 3 môn chuyên đề tốt nghiệp. Các bạn làm KLTN vẫn có thể lấy môn này làm môn tự chọn.

Tài liệu môn học

Mô tả môn học

Điều kiện đăng ký

Môn học trước	Môn học tiên quyết
IT005 - Nhập môn mạng máy tính	-

Hệ số điểm

QT	GK	TH	CK
0.3	-	0.2	0.5

Lý thuyết

Introduction to AI in networking
Data pre-processing and linear classification models
Support Vector Machine
Kernelization in linear models
Model selection
Decision Tree
Random Forest
Introduction to Deep learning
Hyperparameter optimization

Note: Thứ tự trên là theo các buổi học tại lớp, trình tự liệt kê trong folder Google Drive có thể sẽ khác.

Thực hành

Thực hành Hình thức 2, học tổng cộng 3 buổi:

Lab01 - Setting up Your Machine learning Lab
Lab02 - Building Your Deep learning Models
Lab03 - Features Selection

Ngoài ra, mỗi buổi thực hành sẽ có một competition trên nền tảng Kaggle cho các nhóm tham gia. Điểm sẽ được tính theo thứ hạng của các nhóm trong competition. Thời gian diễn ra competition sẽ tương ứng với thời gian nộp báo cáo lab, thông thường là 2 tuần.

Các bài thực hành được làm theo nhóm, tối đa 3 thành viên. Điểm tổng của mỗi bài thực hành được tính theo công thức: 0.6(Điểm báo cáo lab) + 0.4(Điểm competition)

Đồ án

Mục tiêu của đồ án là thực hiện đánh giá hiệu suất (nhiều loại chỉ số) của các thuật toán đã học trên ngữ cảnh về mạng máy tính. Các yêu cầu bao gồm:

Xác định ngữ cảnh mạng cần áp dụng máy học để xử lý.
Tìm kiếm dataset liên quan về ngữ cảnh và dùng để thực hiện đánh giá các thuật toán máy học.
Thực hiện đánh giá các thuật toán đã học (SVM, DT, RF) trên dataset đã tìm được ở bước 02. Các nhóm thực hiện đánh giá càng nhiều chỉ số (f1, acc, recal…) thì sẽ có điểm cộng.
Thực hiện đánh giá các thuật toán học sâu trên dataset ở bước 2. Sau đó tiến hành so sánh các mô hình học sâu với các mô hình ở bước 03.

Đồ án thực hiện theo nhóm tối đa 3 thành viên và sẽ báo cáo vào các buổi học cuối cùng của môn học.

Hình thức thi.

Không thi giữa kỳ, chỉ có thi cuối kỳ tập trung.

Bài thi cuối kỳ sẽ bao gồm trắc nghiệm và tự luận. Trong đó:

Trắc nghiệm chiếm 6 điểm. Nội dung xoay quanh các kiến thức đã được học tại lớp và trong slide.
Tự luận chiếm 4 điểm. Nội dung xoay quanh việc mô tả lại cách thức hoạt động của một số kiến trúc mô hình máy học và mô hình học sâu; đưa ra một bài toán cụ thể và yêu cầu thiết kế quy trình xử lý dữ liệu, lựa chọn mô hình máy học và đánh giá hiệu suất.

Thông tin thêm

Nên chủ động ghi chú các kiến thức được giảng dạy tại lớp vì đôi khi sẽ không có trong slide và trong thi vẫn có thể hỏi.
Do mỗi bài lab sẽ có tới 2 công việc là làm bài thực hành và chạy competition nên nhóm trưởng cần phân chia thời gian sao cho hiệu quả nhất giữa các thành viên. Những nhóm có thứ hạng cao sẽ phải trình bày lại kết quả của mình tại lớp.
Khi thực hiện đồ án, việc lựa chọn dataset sẽ gần như là quan trọng nhất. Vì sau khi chọn, muốn thay đổi dataset khác phải có sự đồng ý của giảng viên. Mình khuyến khích nên tìm kiếm một dataset có kích thước không quá lớn, dữ liệu nên có nhiễu để có thể đưa các quy trình lọc nhiễu vào trong đồ án nhằm tăng tính kĩ thuật.