Thông tin chung

Deep Learning (Học sâu) có thể được coi là một tập con của Học máy (Machine Learning). Đây là một lĩnh vực dựa trên việc học hỏi và cải thiện bằng các thuật toán máy tính. Trong khi học máy sử dụng các khái niệm đơn giả, học sâu hoạt động với các mạng lưới thần kinh sâu (deep neural networks), được thiết kế để bắt chước cách con người suy nghĩ và học hỏi.

Ở môn học thứ tư này, người học sẽ được cung cấp những kiến thức cơ bản về các neural networks hiện đại và các ứng dụng của chúng trong thị giác máy tính và nghiên cứu ngôn ngữ tự nhiên. Chúng ta sẽ bắt đầu với việc xem xét các mô hình tuyến tính, gradient descent và đi sâu hơn vào các phương pháp tối ưu, điển hình cho việc huấn luyện deep neural networks. Sau đó, bạn sẽ tìm ra các lớp phổ biến nhất của neural networks là lớp fuult conected (phân loại), lớp convolution (thị giác máy tính) và các lớp recurrent (xử lý ngôn ngữ tự nhiên). Tiếp đến, bạn sẽ sử dụng các lớp này để xây dựng các mô hình DNN đầy đủ sử dụng các framework Tensorflow và Keras. Với các dự án trong khóa học, bạn sẽ giải quyết vấn đề phân loại ảnh cảnh vật và phân loại văn bản độc hại bằng cách sử dụng Keras.

Mục tiêu môn học

Sau khi học xong môn này, học viên sẽ đạt được các chuẩn kiến thức, kỹ năng đầu ra như sau:

Nắm được khái niệm cơ bản, ứng dụng và vai trò của Deep Learning hiện nay và cách sử dụng, triển khai các mạng shallow và deep neural network.

Có kiến thức về các phương pháp tối ưu trong DL: Gradient Descent, mini-batch GD, hyper-parameter optimization và các thuật toán bổ trợ GD (RMSProp, Adam, …).

Nắm được các ứng dụng của DL vào trong thị giác máy tính thông qua kiến trúc mạng CNN: Bài toán phân loại hình ảnh, nhận diện vật thể, phân biệt khuôn mặt.

Nắm được ứng dụng của DL vào trong xử lý ngôn ngữ tự nhiên thông qua các kiến trúc mạng về RNN, LSTM, GRU và Attention: Nhận diện cảm xúc thông qua văn bản, dịch máy, xây dựng và sử dụng Word Embedding.

Có năng lực về chuẩn hóa dữ liệu, xây dựng và đánh giá, phân tích lỗi, cải thiện và tối ưu model với Tensorflow trong các dự án ML/DL.

Trải nghiệm học tập

Phần 1: Neural Networks và Deep Learning

Bài 1: Cơ bản về Neural Networks

Bài 2: Numpy và Vectorization

Bài 3: Shallow Neural Network (Mạng nơron nông)

Bài 4: Deep Neural Network (Mạng nơron sâu)

Phần 2: Tối ưu trong DNN (Deep Neural Networks)

Bài 5: Regularization (điều chuẩn)

Bài 6: Các thuật toán tối ưu

Bài 7: Hyperparameters Tuning (Điều chỉnh siêu tham số)

Phần 3: Học sâu với Computer Vision (Thị giác máy tính)

Bài 8: Fundamental Convolutional Neural Network (CNN – mạng tích chập)

Bài 9: Các kiến trúc CNN cơ bản

Bài 10: Object Detection (Nhận diện vật thể)

Bài 11: Face Recognition (Nhận diện khuôn mặt)

Project 1 – Image Classification (Phân loại hình ảnh)

Phần 4: Học sâu với Natural Language Processing (Xử lý ngôn ngữ tự nhiên)

Bài 12: Recurrent Neural Networks (RNN – mạng nơron hồi tiếp)

Bài 13: Word Embeddings

Bài 14: Sequence models (mô hình tuần tự)

Bài 15: Tensorflow Developer Certification (Chứng chỉ Tensorflow Developer)

Project 2 – Toxic comment classification (Phân loại bình luận độc hại)

Đặc điểm môn học

Để bắt đầu, các bạn nên dành một vài phút khám phá môn học và cấu trúc chung. Môn học sẽ có 4 phần với 15 bài học. Xuyên suốt các bài học và cuối mỗi học phần, các bài thực hành Lab và bài tập lớn (Project) sẽ giúp các bạn tăng cường việc ghi nhớ và vận dung lý thuyết đã học vào các bài toán thực tế. Để việc học tập được hiệu quả, hãy luôn trau dồi kiến thức, không ngừng học hỏi, nghiên cứu và lập cho mình một kế hoạch học tập hợp lý để hoàn thành khóa học một cách xuất sắc.

Trong thời gian học (dự kiến là 6 tuần), việc phân bổ tuần học là rất quan trọng. Nếu các bạn có bất cứ câu hỏi nào hãy kết nối với Mentor để được giải đáp.

Nguồn học liệu

Trong thời đại hiện nay, mỗi môn học đều có nhiều nguồn tài liệu liên quan kể cả sách in và online, FUNiX Way không quy định một nguồn học liệu cụ thể mà khuyến cáo để học viên chọn được nguồn phù hợp nhất cho mình. Trong quá trình học từ nhiều nguồn khác nhau theo lựa chọn cá nhân đó, khi sinh viên phát sinh câu hỏi thì sẽ được kết nối nhanh nhất với mentor để được giải đáp. Toàn bộ phần đánh giá bao gồm các câu hỏi trắc nghiệm, bài tập, dự án và thi vấn đáp do FUNiX thiết kế, xây dựng và thực hiện.

Các môn học của FUNiX không quy định bắt buộc tài liệu học tập, sinh viên có thể chủ động tìm và học từ bất kỳ nguồn nào phù hợp, kể cả sách in hay nguồn học liệu online (MOOC) hay các website. Việc sử dụng các nguồn đó do học viên chịu trách nghiệm và đảm bảo tuân thủ các chính sách của chủ sở hữu nguồn, trừ trường hợp họ có sự hợp tác chính thức với FUNiX. Nếu cần hỗ trợ, học viên có thể liên hệ phòng đào tạo FUNiX để được hướng dẫn.

Dưới đây là một số nguồn học liệu của môn học mà học viên có thể tham khảo sử dụng. Việc liệt kê nguồn dưới đây không nhất thiết hàm ý rằng FUNiX có sự hợp tác chính thức với chủ sở hữu của nguồn: Coursera, tutorialspoint, edX Training, or Udemy.

Chi tiet Mon hoc 1

Đừng ngần ngại!

Bạn sẽ dễ dàng chuẩn bị nền tảng cùng FUNiX!

Chi tiet Mon hoc 1
  • Tầng 0, tòa nhà FPT, 17 Duy Tân, Q. Cầu Giấy, Hà Nội
  • info@funix.edu.vn
  • 0782313602 (Zalo, Viber)        

yêu cầu gọi lại