Lợi ích của học viên
Cung cấp cho người học kiến thức tổng quan về AI, học máy (Machine Learning), học sâu (Deep Learning), thị giác máy tính (Computer Vision), xử lý ngôn ngữ tự nhiên (Natural Language Processing)
Hiểu được khái niệm và các bài toán trong học máy, học sâu từ cơ bản đến nâng cao (Linear Regression, Logistic Regression, k-NN, Decision Tree, Gradient Descent, SGD...)
Hiểu được cách xây dựng mô hình bài toán từ A đến Z
Ứng dụng các kiến thức về học sâu trong kỹ thuật xử lý ảnh, nhận diện vật thể trong ảnh và xử lý ngôn ngữ tự nhiên - NLP
Tiếp cận với các bài toán AI ứng dụng nổi bật trong doanh nghiệp: dự báo giá nhà, phân đoạn ảnh, nhận dạng chữ viết tay, nhận diện vật thể, ...
Tạo nền tảng để học viên phát triển sự nghiệp Ai theo hai hướng CV và NLP
Dự án của học viên
Thông tin giảng viên
TS. Đặng Tuấn Linh
Giảng viên Bộ môn Truyền thông và Mạng máy tính tại ĐHBK HN
Thông tin lộ trình học
Giới thiệu khóa học
Khái niệm về AI, Machine learning, Deep Learning
Lịch sử AI, Hiện trạng phát triển AI
Tổng hợp các kiến thức toán cơ bản cần thiết trong AI
Tổng hợp các kiến thức lập trình Python
Sử dụng Python thực hành cơ bản
Cách sử dụng Google colab introduction để code
Các bước xây dựng mô hình machine learning
Bài toán hồi quy: Linear Regression, Logistic Regression
Bài toán phân loại: k-NN, Decision Tree, Naive Bayes,...
Thực hành: Dự doán giá nhà, Credit scoring,...
Phân cụm dữ liệu: K-mean, Mean shift, DBSCAN
Bài toán phát hiện bất thường dữ liệu
Giảm chiều dữ liệu: PCA, LLE,...
Thực hành: K-mean và Mean shift trong ứng dụng phân đoạn ảnh
Mạng neuron đa lớp
Các phương pháp huấn luyện mạng nơ ron nhân tạo
Các thuật toán tối ưu mô hình: Gradient Descent, SGD,...
Thực hành: Nhận dạng chữ viết tay sử dụng mạng neuron đa lớp
Nhập môn xử lý ảnh và Thị giác máy tính
Các kĩ thuật cải thiện chất lượng hình ảnh
Các bộ lọc ảnh: Gaussian, Laplace, ...
Thực hành: Các kỹ thuật xử lý hình ảnh sử dụng OpenCV, Pillow
Các kỹ thuật trích xuất thông tin ảnh:
- Edge detection: Sobel, Canny,...
- Corner detection: Harris, Shi-Tomasi,...
- Feature extraction: HOG, SIFT, ...
Thực hành: Xây dựng hệ thống nhận diện vật thể ứng dụng machine learning
Giới thiệu về học sâu: sự hình thành và phát triển
CNN và các kiến trúc học sâu hiện đại: ResNet, MobileNet,...
Ứng dụng học sâu trong thị giác máy tính
Thực hành:
- Xây dựng mạng học sâu trong bài toán phân loại hình ảnh, xác định vật thể trong ảnh
Giới thiệu về xử lý ngôn ngữ tự nhiên
- Luồng xử lý của một mô hình ngôn ngữ tự nhiên
- Tiền xử lý của ngôn ngữ tự nhiên
Embedding từ:
- One hot
- Skip gram
- CBOW
Thực hành:
- Xây dựng mô hình embedding từ
Tokenizer
Các bài toán trong ngôn ngữ tự nhiên
- text classification
- POS tagging
Thực hành:
- Text classification: phân loại sắc thái văn bản
Giới thiệu các mạng học sâu: RNN, LSTM, GRU
Bài toán text classifcation với mạng LSTM
Cấu trúc Self Attention và Transformer
Thực hành: Image Captioning
Cảm nhận của học viên
