Skip to main content
DaoTao.ai: Đại học số Việt Nam
  • Tin tức
  • Khóa học
  • Chương trình
  • Tổ chức
  • Giảng viên
  • Trang chủ
  • Khóa học

Lịch đăng ký

15/06/2022 - 25/06/2022

Lịch học

22/06/2022 - 31/07/2022

Xem khóa học

Đơn vị đào tạo

Main organization
  • Giới thiệu
  • Nội dung khóa học
  • Giảng viên
  • Chương trình đào tạo

Giới thiệu về khóa học

Khoá học này có mục tiêu giúp người học nắm được những kiến thức cơ bản về học máy, học sâu, và ứng dụng của học sâu trong thị giác máy tính.

Đối tượng hướng tới của khoá học này là những học viên chưa có kiến thức về học máy cũng như thị giác máy tính. Học viên sẽ được hướng dẫn thực hành trên Google Colab để xây dựng các ứng dụng học máy hay thị giác máy tính đơn giản với các bài toán phân loại, nhận dạng đối tượng, phân đoạn ảnh… 

Sau khi học khoá học này, học viên có kiến thức cơ bản về học máy, học sâu, và thị giác máy tính để phục vụ cho các bài toán thực tế của học viên cũng như có thể theo tiếp những khoá học ở mức độ cao hơn 

Nội dung khóa học

Bài 1. Tổng quan

  1. Khái niệm cơ bản
  2. Mô hình học máy
  3. Phân loại học máy

Bài 2. Học có giám sát (supervised learning)

  1. Quy trình học có giám sát
  2. Phân loại học có giám sát
  3. Tổng quan về bài toán phân loại (classification)
  4. Tổng quan về bài toán hồi quy (regression)
  5. Các thuật toán phân loại (classification algorithms)
  6. Các thuật toán hồi quy

Bài 3. Học không giám sát (Unsupervised learning)

  1. Nhắc lại định nghĩa
  2. Ứng dụng học có giám sát
  3. Chú ý khi xây dựng mô hình học có giám sát/ học không giám sát
  4. Bài toán ví dụ: Fraud detection application

Bài 4. Mạng nơ-ron (neural network-NN)

  1. Lịch sử
  2. Mạng nơ-ron trong não người
  3. Mạng nơ-ron nhân tạo
  4. Đặc điểm của mạng nơ-ron
  5. Cấu tạo mạng nơ-ron
  6. Hoạt động mạng nơ-ron
  7. Huấn luyện mạng nơ-ron
  8. Bài toán ví dụ

Bài 5. Mạng nơ-ron hồi quy (recurrent neural network- RNN)/ LSTSM / GRU

  1. Ý tưởng
  2. Khái niệm cơ bản
  3. Lịch sử
  4. Ứng dụng
  5. Giới thiệu về RNN
  6. Giới thiệu về LSTM
  7. Thực hành sử dụng mô hình LSTM

PHẦN 2: Học sâu cho thị giác máy tính (Deep learning for computer vision)

Bài 2.1. Giới thiệu về học sâu (deep learning)

  1. Tổng quan/ Nhắc lại kiến thức về NN
  2. Ý tưởng
  3. Convolution layer
  4. Pooling layer
  5. Hoạt động của CNN
  6. Chú ý khi huấn luyện mạng CNN
  7. Thực hành mô hình CNN đầu tiên
  8. Ứng dụng của CNN
  9. Chú ý khi sử dụng deep learning

Bài 2.2. Các mạng nơ-ron tích chập (convolutional neural network-CNN) phổ biến

  1. Động lực từ ImageNet Large Scale Visual Recognition Competition (ILSVRC)
  2. Các mạng CNN phổ biến
  3. Transfer learning

Bài 2.3: Bài toán phát hiện đối tượng

  1. Các bài toán chính của Computer Vision
  2. Giới thiệu bài toán phát hiện đối tượng (Object Detection)
  3. Lịch sử Object Detection
  4. Các dạng bài toán object detection
  5. R-CNN
  6. Fast R-CNN
  7. Single shot detectors (SSD)
  8. You Only Look Once (YOLO)
  9. Các vấn đề liên quan

Bài 2.4. Bài toán phân đoạn ảnh

  1. Khái niệm
  2. Ứng dụng của bài toán phân đoạn ảnh
  3. Semantic segmentation
  4. Instance segmentation
  5. Các kiến trúc nổi tiếng

Bài 2.5. Mạng đối nghịch tạo sinh (generative adversarial network -GAN)

  1. Giới thiệu GAN
  2. Ứng dụng GAN
  3. Huấn luyện mạng GAN
  4. Deep Convolutional GAN (DCGAN)
  5. Semi supervised GAN

Giảng viên

Đặng Tuấn Linh là giảng viên tại Đại học Bách khoa Hà Nội, nhận bằng Tiến sĩ Khoa học Máy tính tại Đại học Công nghệ Kochi, Nhật Bản năm 2017.
Logo

Thông tin liên hệ

  • (+84) 961567998

  • contact@daotao.ai

  • EdTech Centre, tầng 9 nhà B1 - Đại học Bách khoa Hà Nội
    Số 1 Đại Cồ Việt - Hai Bà Trưng - Hà Nội

  • fb.com/edtechcentredaotaoai
Cùng kiến tạo tương lai số với những cơ sở giáo dục hàng đầu Việt Nam
Hệ thống được xây dựng và vận hành bởi Trung tâm Công nghệ và giải pháp chuyển đổi số trong giáo dục (EdTech Centre)