Học sâu (Deep Learning)

Khóa học Học sâu (Deep Learning) cung cấp cho học viên kiến thức chuyên sâu về các cấu trúc và hoạt động của mạng neural (neural networks) và các ứng dụng của chúng trong việc giải quyết các bài toán học sâu. Học viên sẽ sử dụng các công cụ như Keras, TensorFlow, PyTorch để xây dựng, triển khai, và tối ưu hóa các mô hình học sâu. Khóa học còn bao gồm các kỹ thuật tối ưu hóa hyperparameter và xây dựng các mô hình phổ biến như CNN, RNN, và AI tạo sinh.

Thời lượng: 72h

Bạn đạt được gì sau khi hoàn thành khóa học

CẤU TRÚC VÀ ỨNG DỤNG MẠNG NEURAL TRONG HỌC SÂU

Hiểu rõ cấu trúc và cách hoạt động của mạng neural và ứng dụng của chúng trong học sâu.

SỬ DỤNG KERAS, TENSORFLOW, PYTORCH CHO HỌC SÂU

Sử dụng thành thạo các công cụ Keras, TensorFlow, và PyTorch để xây dựng và triển khai mô hình học sâu.

TỐI ƯU HÓA MÔ HÌNH HỌC SÂU BẰNG HYPERPARAMETER TUNING

Nắm vững các phương pháp tối ưu hóa mô hình học sâu thông qua kỹ thuật hyperparameter tuning.

XÂY DỰNG MÔ HÌNH CNN, RNN, VÀ GANs

Xây dựng và triển khai thành thạo các mô hình CNN (Convolutional Neural Networks), RNN (Recurrent Neural Networks), và các mô hình AI tạo sinh (Generative AI) như GANs.

TRIỂN KHAI DỰ ÁN HỌC SÂU CHO AI ỨNG DỤNG

Có khả năng thực hiện và triển khai các dự án học sâu trong các bài toán liên quan đến thị giác máy tính, xử lý ngôn ngữ tự nhiên, và sinh dữ liệu.

Đối tượng tham gia

Sinh viên và người mới ra trường ngành CNTT, Khoa học Máy tính, hoặc Kỹ thuật phần mềm.

Kỹ sư phần mềm, chuyên viên dữ liệu muốn ứng dụng học sâu vào công việc.

Người đã có nền tảng học máy, muốn nâng cao kỹ năng về học sâu.

Người quan tâm phát triển mô hình AI tiên tiến với CNN, RNN, và GAN.

Yêu cầu tiên quyết

Đã có kiến thức cơ bản về lập trình Python. Hiểu biết về học máy (Machine Learning) và các thuật toán cơ bản. Kiến thức về xác suất, thống kê, và đại số tuyến tính là một lợi thế.

Nội dung khóa học

 1. Giới thiệu về học sâu (Deep Learning)
  • Khái niệm cơ bản về học sâu và mạng neural.
  • Sự khác biệt giữa học sâu và học máy truyền thống.
  • Các ứng dụng của học sâu trong đời sống và công nghiệp.
 2. Cấu trúc và hoạt động của mạng neural (Neural Networks)
  • Cấu trúc của một mạng neural đơn giản (Perceptron, Multi-layer Perceptron).
  • Hàm kích hoạt (Activation functions) như ReLU, Sigmoid, Tanh.
  • Cách truyền dữ liệu qua mạng neural và cách điều chỉnh trọng số (Backpropagation).
 3. Xây dựng mô hình học sâu với Keras và TensorFlow
  • Giới thiệu về Keras và TensorFlow.
  • Tạo và huấn luyện mạng neural cơ bản với Keras và TensorFlow.
  • Xử lý dữ liệu và áp dụng các phép biến đổi dữ liệu trước khi đưa vào mô hình.
 4. Mạng nơ-ron tích chập (CNN – Convolutional Neural Networks)
  • Nguyên tắc hoạt động của CNN và các lớp chính trong CNN (Convolutional, Pooling).
  • Xây dựng mô hình CNN để giải quyết các bài toán phân loại ảnh.
  • Tối ưu hóa và cải thiện hiệu suất của mô hình CNN.
 5. Mạng nơ-ron hồi quy (RNN – Recurrent Neural Networks)
  • Hiểu cách hoạt động của RNN và ứng dụng của nó trong xử lý chuỗi thời gian.
  • Giới thiệu về LSTM (Long Short-Term Memory) và GRU (Gated Recurrent Unit).
  • Xây dựng mô hình RNN để xử lý dữ liệu chuỗi và dự đoán chuỗi thời gian.
 6. AI tạo sinh (Generative AI)
  • Giới thiệu về các mô hình tạo sinh (Generative Adversarial Networks – GANs).
  • Nguyên tắc hoạt động của GAN và ứng dụng trong sinh dữ liệu mới (ảnh, video, âm thanh).
  • Xây dựng và huấn luyện mô hình GAN cơ bản.
 7. Tối ưu hóa mô hình học sâu (Hyperparameter Tuning)
  • Hiểu các thông số hyperparameter quan trọng: learning rate, số lớp, số neuron, batch size.
  • Áp dụng các kỹ thuật như Grid Search, Random Search để tối ưu hóa mô hình.
  • Regularization và dropout để ngăn chặn overfitting trong mô hình học sâu.
 8. Triển khai mô hình học sâu và đánh giá kết quả
  • Các phương pháp đánh giá mô hình học sâu: accuracy, precision, recall, F1-score.
  • Triển khai mô hình lên hệ thống sản xuất và tối ưu hóa hiệu suất thời gian thực.
  • Các bước bảo trì và cập nhật mô hình trong môi trường thực tế.
 9. Dự án thực hành cuối khóa
  • Thực hiện dự án cuối khóa về một trong các ứng dụng học sâu như: phân loại ảnh với CNN, dự đoán chuỗi thời gian với RNN, hoặc sinh ảnh với GAN.
  • Thực hành tối ưu hóa và triển khai mô hình học sâu vào một bài toán thực tế.

Bài viết liên quan