Chi tiết khóa học

Hình thức đào tạo

• Tham gia học trực tiếp tại OpenLab
• Hoặc theo yêu cầu doanh nghiệp (In house Training)
• Cấp chứng nhận hoàn thành sau khóa học

Sơ lược chương trình

1. Giới thiệu Deep Learning và sự khác biệt với Machine Learning (4 giờ)

• Bài 1: Tổng quan về Deep Learning (2 giờ)
  • Định nghĩa và lịch sử phát triển của Deep Learning
  • So sánh Deep Learning với Machine Learning truyền thống
  • Các ứng dụng của Deep Learning trong thực tế
• Bài 2: Cơ sở toán học và công cụ (2 giờ)
  • Ôn tập kiến thức toán học cần thiết (đại số tuyến tính, giải tích, xác suất thống kê)
  • Giới thiệu các framework và thư viện Deep Learning phổ biến (TensorFlow, PyTorch)
  • Cài đặt môi trường làm việc

2. Neural Networks (12 giờ)

• Bài 3: Cấu trúc cơ bản của Neural Network (3 giờ)
  • Neurons và layers
  • Forward propagation
  • Bài tập: Xây dựng mạng neural đơn giản bằng NumPy
• Bài 4: Activation Functions (3 giờ)
  • Sigmoid, Tanh, ReLU, Leaky ReLU, và các biến thể
  • Ảnh hưởng của activation functions đến quá trình học
  • Bài tập: Thử nghiệm các activation functions khác nhau
• Bài 5: Gradient Descent và Backpropagation (3 giờ)
  • Nguyên lý của Gradient Descent
  • Thuật toán Backpropagation
  • Các biến thể của Gradient Descent (SGD, Mini-batch GD)
• Bài 6: Quá trình huấn luyện và tối ưu hóa (3 giờ)
  • Loss functions
  • Regularization (L1, L2)
  • Dropout và các kỹ thuật ngăn chặn overfitting
  • Dự án nhỏ: Xây dựng và huấn luyện mạng neural để phân loại ảnh MNIST

3. Mạng CNN (Computer Vision) (12 giờ)

• Bài 7: Giới thiệu về Convolutional Neural Networks (3 giờ)
  • Cấu trúc của CNN
  • Convolutional layers, pooling layers
  • Bài tập: Implement convolution operation từ đầu
• Bài 8: Kiến trúc CNN phổ biến (3 giờ)
  • LeNet, AlexNet, VGGNet
  • ResNet, Inception
  • Bài tập: Implement một kiến trúc CNN đơn giản
• Bài 9: Transfer Learning và Fine-tuning (3 giờ)
  • Nguyên lý của Transfer Learning
  • Các kỹ thuật Fine-tuning
  • Bài tập: Sử dụng pre-trained model cho bài toán phân loại ảnh
• Bài 10: Ứng dụng nâng cao của CNN (3 giờ)
  • Object Detection (YOLO, SSD)
  • Semantic Segmentation
  • Dự án nhỏ: Xây dựng ứng dụng nhận diện đối tượng trong ảnh

4. Mạng RNN/LSTM (12 giờ)

• Bài 11: Recurrent Neural Networks (RNN) (3 giờ)
  • Cấu trúc và nguyên lý hoạt động của RNN
  • Vanishing và exploding gradient trong RNN
  • Bài tập: Implement RNN từ đầu cho bài toán dự đoán chuỗi thời gian đơn giản
• Bài 12: Long Short-Term Memory (LSTM) (3 giờ)
  • Cấu trúc của LSTM
  • Cơ chế hoạt động của các cổng trong LSTM
  • Bài tập: Implement LSTM cell
  • Bài 13: Gated Recurrent Unit (GRU) và các biến thể (3 giờ)
  • Cấu trúc và nguyên lý của GRU
  • So sánh GRU với LSTM
  • Bidirectional RNN/LSTM
• Bài 14: Ứng dụng của RNN/LSTM (3 giờ)
  • Sentiment Analysis
  • Machine Translation
  • Dự án nhỏ: Xây dựng mô hình sinh văn bản tự động

5. Cơ chế Attention và kiến trúc Transformer (10 giờ)

• Bài 15: Cơ chế Attention (3 giờ)
  • Nguyên lý của Attention
  • Self-Attention và Multi-Head Attention
  • Bài tập: Implement cơ chế Attention đơn giản
• Bài 16: Kiến trúc Transformer (4 giờ)
  • Cấu trúc tổng quan của Transformer
  • Encoder và Decoder trong Transformer
  • Positional Encoding
• Bài 17: Ứng dụng của Transformer (3 giờ)
  • BERT, GPT và các mô hình ngôn ngữ lớn
  • Transformer trong Computer Vision
  • Dự án nhỏ: Fine-tuning BERT cho bài toán phân loại văn bản

6. Kiến trúc Auto Encoder (10 giờ)

• Bài 18: Giới thiệu về Auto Encoder (3 giờ)
  • Cấu trúc và nguyên lý hoạt động của Auto Encoder
  • Undercomplete và Overcomplete Auto Encoder
  • Bài tập: Implement Auto Encoder đơn giản cho nén ảnh
• Bài 19: Variational Auto Encoder (VAE) (3 giờ)
  • Nguyên lý của VAE
  • Reparameterization trick
  • Bài tập: Implement VAE cho sinh ảnh
• Bài 20: Generative Adversarial Networks (GAN) (4 giờ)
  • Cấu trúc và nguyên lý hoạt động của GAN

/* Nội dung chương trình có thể thay đổi theo yêu cầu đào tạo của Doanh nghiệp */

------------------------------------

090.999.4327 | Mr. David Dang

admin@aipro.vn