Mạng neuron học sâu hay Deep Learning là nền tảng chính của các ứng dụng Trí tuệ nhân tạo như xe tự lái đến nhận dạng khuôn mặt, từ máy đánh cờ đến bác sỹ khám bệnh ảo, …  

Hiểu rõ về Deep Learning và các ứng dụng AI sẽ giúp bạn tiến xa trong tương lai

Khóa học Deep Learning của S-LAB là level thứ 3 của chương trình “Easy Data Science”, mang tới những kỹ năng cơ bản và nâng cao, thực hành trên dự án AI thực tế, giúp bạn nắm bắt kỹ năng và vượt lên trong thời đại AI 4.0, với các kết quả cụ thể:

  • Thành thạo thiết kế, học và dự đoán với Mạng neuron nhân tạo ANN 
  • Sử dụng thư viện Tensorflow, Keras, OpenCV và YOLO
  • Xử lý hình ảnh, nhận dạng đối tượng với mạng CNN và OpenCV
  • Xử lý ngôn ngữ, phân loại văn bản, xử lý chuỗi thời gian với mạng RNN
  • Phân tích dữ liệu không nhãn với mạng SOM và Auto Encoder
  • Xây dựng máy thông minh nhân tạo/Robot với Học tăng cường Q-Learning và Deep Q-Learning
  • 12 bài toán AI và 02 dự án cuối khóa: Nhận diện bảng số xe và Xây dựng robot xe tự lái

ĐỐI TƯỢNG HỌC VIÊN

  • Sinh viên và những người đam mê Khoa học dữ liệu, AI
  • Chuyên viên dữ liệu, kỹ sư Machine Learning muốn nâng cao trình độ AI
  • Chuyên viên doanh nghiệp mong muốn ứng dụng AI

ĐIỀU KIỆN THEO HỌC

  • Có tư duy logic và đam mê Toán
  • Đã biết ngôn ngữ lập trình Python và các bài toán Machine Learning cơ bản

THỜI GIAN: 30h offline (4 ngày cuối tuần từ 8h30-17h00 hoặc 10 buổi tối từ 18h-21h)

 

Chi tiết khóa học

Deep Learning (DL) là gì?

  • Vì sao Deep Learning?
  • Tác nhân thúc đẩy Deep Learning?

Ôn tập Đại số tuyến tính

  • Vector, cộng vector, nhân vô hướng, tích vector
  • Ma trận, định thức, nhân ma trận, ma trận nghịch đảo
  • Giá trị riêng, vector riêng, phân tích thành phần chính

Giới thiệu về Mạng Neuron

  • Neuron, cách hoạt động
  • Hàm activation
  • Mạng Neuron (NN) hoạt động thế nào?
  • Mạng Neuron Ảo (ANN) học thế nào?
  • Gradient Descent là gì?
  • Gradient Descent ngẫu nhiên là gì?
  • Lan truyền ngược (Backpropagation) là gì?
  • Thực hành xây dựng NN với python và keras
  • Đánh giá, cải tiến và tinh chỉnh mạng NN: Hyperparameter tuning, Regularization và Optimization

Mạng Neuron Tích chập (CNN)

  • CNN là gì? Vì sao?
  • Cách hoạt động của CNN
  • Hàm ReLu
  • Pooling, Flattening, Full Connection là gì?
  • Softmax và Cross-Entropy?
  • Thực hành xây dựng CNN

Mạng Neuron Hồi quy (RNN)

  • Đánh giá, cải tiến và tinh chỉnh mạng CNN
  • Ý tưởng của mạng RNN
  • Vấn đề suy biến đạo hàm (Vanishing Gradient)
  • Mạng bộ nhớ dài-ngắn (Long Short Term Memory networks)
  • Thực hành xây dựng RNN
  • Đánh giá, cải tiến và tinh chỉnh mạng RNN

Mạng neural tự tổ chức SOM (Self-Organizing Map)

  • Ý tưởng của SOMs là gì?
  • SOMs hoạt động thế nào?
  • Liên hệ với K-Mean
  • Thực hành xây dựng SOM
  • Đánh giá, cải tiến và tinh chỉnh mạng SOM

Mạng AutoEncoders

  • Ý tưởng của AutoEncoders là gì?
  • AutoEncoders hoạt động thế nào?
  • Các biến thể của AutoEncoders