xSeries FUNiX golive môn “Học máy: Kỹ thuật học sâu”

Ngày 8/11, xSeries FUNiX golive chính thức môn học “Học máy: Kỹ thuật học sâu”. Đây là môn học thứ 4 của Chứng chỉ Machine Learning phiên bản Tiếng Việt do đơn vị triển khai.

Môn “Học máy: Kỹ thuật Học sâu” là môn học thứ tư, trước môn Đồ án của khóa học, Machine Learning được giảng dạy bằng ngôn ngữ tiếng Việt giúp sinh viên Việt Nam tiếp cận kiến thức dễ dàng hơn.

Nội dung môn học “Học máy: Kỹ thuật học sâu”

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.

Người học 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 “Học máy: Kỹ thuật học sâu”

Sau khi học xong môn học “Học máy: Kỹ thuật học sâu” này, học viên sẽ đạt được các chuẩn kiến thức, kỹ năng đầu ra như:

• 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.

Lời khuyên cho học viên

Để bắt đầu, các bạn nên dành một vài phút khám phá môn học và cấu trúc chung. Môn học sẽ có 3 phần với 13 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.

Môn học này được thiết kế bởi chuyên gia Nguyễn Văn Vinh. Anh Vinh hiện đang là giảng viên tại Đại học Công nghệ – ĐHQG HN. Ngoài ra, anh Vinh cũng là chuyên gia AI tại DPS, FPT Software.

Quỳnh Anh