Buổi 1: Giới thiệu khóa 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 |
Buổi 2+3: Học máy cơ bản: Học giám sát (Supervise learning) |
| 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,... |
Buổi 4+5: Học máy cơ bản: Học không giám sát (Unsupervise learning) |
| 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 |
Buổi 6+7: Neural Network |
| 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 |
Buổi 8+9: Xử lý hình ảnh |
| 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 |
Buổi 10+11: Nhận diện vật thể trong ảnh |
| 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 |
Buổi 12+13: Giới thiệu về học sâu - Deep neural network |
| 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 |
Buổi 14 + 15: Giới thiệu về xử lý ngôn ngữ tự nhiên |
| 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 |
Buổi 16 + 17: Ứng dụng học sâu trong xử lý ngôn ngữ tự nhiên |
| Tokenizer |
| Các bài toán trong ngôn ngữ tự nhiên - text classification - POS tagging |
| Thực hành: - Text classification: phân loại sắc thái văn bản |
Buổi 18 + 19: Ứng dụng học sâu trong xử lý ngôn ngữ tự nhiên |
| 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 |
Buổi 20: Tổng kết Project |
Đánh giá và bình luận
( 901 đánh giá)