TF 05 Class

[TF] 2.1.1. Học máy và phân loại

[TF] 2.1.2. Học máy được phân thành 3 loại nào?

Giới thiệu về học máy

[TF] 2.2.1. Học máy giám sát - Supervised Learning

[TF] 2.2.2. Câu chuyện thực tế

[TF] 2.2.3. Ứng dụng học giám sát

[TF] 2.2.4. Nền tảng học máy

[TF] 2.2.5. Tối ưu hóa mất mát

[TF] 2.2.6. Hàm lõm và hàm lồi

Học giám sát

[TF] 2.3.2. Cách lựa chọn mô hình

Từ dữ liệu hiển thị ta có thể hình dung được cấu trú hàm rồi từ đó cực tiểu hóa sai lệch và thu được các tham số, chính là model.

Polynomial Regression

[TF] 2.3.3. Mạng nơ ron và học sâu

Giới thiệu học sâu

[TF] 2.4.1. Học không giám sát + học tăng cường

Học không giám sát và học tăng cường

[TF] 2.5.1. AI trên các thiết bị khác nhau

AI trên các thiết bị khác nhau

[TF] 2.6.1. Làm gì khi ít dữ liệu

Làm gì khi ít dữ liệu

2.Machine Learning Introduction.pdf

Slide bài giảng

Giới thiệu học giám sát, không giám sát và học tăng cường.

Giới thiệu học máy và ứng dụng

Luyện tập đề thi mẫu

Hình thức: Video

**Nội dung:**

- Giảng viên giới thiệu về lớp học TF.
**Chi tiết:**
- Giới thiệu về Lớp học TF
- Lời chào từ giảng viên
- Một số chú ý của lớp học
- Ngôn ngữ lập trình chính của khóa học
- Hướng dẫn công cụ lập trình
- Hướng dẫn làm bài tập


**Bài tập:** Bài tập làm quen với hệ thống chấm điểm.

Giới thiệu lớp học TF

Chữa bài giới thiệu học máy + Đại số tuyến tính

  * Giới thiệu bài toán Grab
  * Quá trình xây dựng một mô hình
  * Mô hình hồi quy tuyến tính
  * Thuật toán Gradient Descent
  * Lập trình hồi quy tuyến tính một biến
 



Mô hình hồi quy tuyến tính

- Bộ dữ liệu giá nhà
- Phân tích dữ liệu và các vấn đề sẽ gặp khi xử lý dữ liệu
- Hồi quy tuyến tính trên bộ dữ liệu này

Mô hình hồi quy tuyến tính với dữ liệu nhiều cột

Hồi quy tuyến tính với Tensorflow 2 + Đề thi mẫu 01

**Chú ý:**

- Tải bài tập file notebook và dưới máy của mình
- Lập trình trên file đó và upload file đó lên hệ thống
- Sau đó nhấn **Nộp bài**

**Hạn nộp bài:**
- Thứ 4 ngày 27/07/2022 
- Điểm tối đa: **100 điểm**
- Bạn sẽ bị trừ 10% số điểm nếu nộp bài muộn.

**Bộ dữ liệu**
- [Train](https://storage.googleapis.com/protonx-cloud-storage/datasets/cali-house/california_housing_train.csv)
- [Test](https://storage.googleapis.com/protonx-cloud-storage/datasets/cali-house/california_housing_test.csv) 

Xem chi tiết phần tiền xử lý dữ liệu [tại đây](https://protonx.io/courses/6242c7292f0738001ad8add9/topics/62bea8f618b67700125f8439?activeAId=62bff161758afb74f1a99167).

Bạn vui lòng tải bộ dữ liệu xuống và cài đặt đúng đường dẫn.

[TF] Bài tập SGD với dữ liệu thực tế

  * Tại sao chúng ta không dùng Gradient Descent
  * Stochastic Gradient Descent
  * Lập trình SGD với bài toán Grab
  * Nâng cao - Khả năng hội tụ của SGD


Stochastic Gradient Descent - SGD

**Chú ý:**

- Tải bài tập file notebook và dưới máy của mình
- Lập trình trên file đó và upload file đó lên hệ thống
- Sau đó nhấn **Nộp bài**

**Hạn nộp bài:**
- Điểm tối đa: **100 điểm**
- Bạn sẽ bị trừ 10% số điểm nếu nộp bài muộn.

**Bộ dữ liệu**
- [Đường dẫn](https://raw.githubusercontent.com/animesh-agarwal/Machine-Learning/master/LogisticRegression/data/marks.txt)

Bạn vui lòng tải bộ dữ liệu xuống và cài đặt đúng đường dẫn.

[TF] Bài tập Logistic Regression

- Bài toán phân loại nhị phân
- Bài toán phát hiện rủi ro
- Mô hình hồi quy Logistic theo chiều thuận


Bài toán phân loại nhị phân

Nền tảng quan trọng để chứng minh nhiều hàm mất mát của mô hình học sâu.

Maximum Likelihood Estimation

**Chú ý:**

- Tải bài tập file notebook và dưới máy của mình
- Lập trình trên file đó và upload file đó lên hệ thống
- Sau đó nhấn **Nộp bài**

**Hạn nộp bài:**
- Điểm tối đa: **100 điểm**
- Bạn sẽ bị trừ 10% số điểm nếu nộp bài muộn.

Bạn vui lòng tải bộ dữ liệu xuống và cài đặt đúng đường dẫn.

[TF] Bài tập Softmax

- Softmax Regression
- Chứng minh công thức Categorical cross entropy

Bài toán phân loại nhiều lớp

- Bài toán phân loại nhị phân với Tensorflow 2
- Cách sử dụng Tensorflow Dataset
- Xây dựng Softmax Regression với Tensorflow 2

Đào tạo các mô hình phân loại với Tensorflow 2

Chữa bài SGD + Các chỉ số đánh giá mô hình

- Giới thiệu hiện tượng Underfitting và Overfitting
- Ví dụ Overfitting với bài toán phân loại
- Cách khắc phục hiện tượng Overfitting

Hiệu chỉnh mô hình L1/L2

[TF] Bài tập tiền xử lý dữ liệu

- Data-centric vs Model-centric
- Khám phá bộ dữ liệu Titanic. Giả định và đánh giá.
- Tiền xử lý dữ liệu: dữ liệu thiếu, chia khoảng giá trị

Đánh giá, phân tích và tiền xử lý dữ liệu bảng

- Giới thiệu mạng nơ ron
- Diễn giải lớp ẩn, nơ ron
- Hàm tuyến tính, phi tuyến
- Các vấn đề hay gặp khi đào tạo mạng nơ ron

Mạng nơ ron (Neural Network)

Chữa bài Logistic Regression - thực hành Tensorflow 2 với mạng Nơ ron

[TF] Bài tập xây dựng mạng Nơ ron từ đầu

- Mô phỏng mạng nơ ron
- Ý tưởng thuật toán lan truyền ngược
- Chứng minh lan truyền ngược trên một tham số

Thuật toán lan truyền ngược

Chữa bài Softmax + Kỹ thuật training mạng nơ ron

- Giới thiệu về hình ảnh, cấu trúc của hình ảnh
- Giới thiệu về Filter, một số filter cơ bản để xử lý ảnh
- Cấu trúc mô hình CNN, các đặc điểm vượt trội so với mạng Neural Network.

Mạng tích chập - Convolutional neural network

Ôn tập CNN + Đọc nghiên cứu

[TF] Lập trình VGG 11

- Học cấu trúc phổ biến của một bài báo nghiên cứu, cách đọc hiệu quả. 

- Cùng đọc một số nghiên cứu nổi tiếng trong thị giác máy tính

- Sử dụng các mô hình đã được xây dựng và đào tạo trên những bộ dữ liệu lớn để cho bài toán với số lượng nhãn nhỏ hơn.

- Đây là một trong những kỹ thuật quan trọng và được sử dụng rộng rãi trong hầu hết các bài toán AI hiện tại.


Đọc nghiên cứu và trả lời câu hỏi

ResNet và InceptionNet

Xử lý ngôn ngữ tự nhiên

Word Embeddings

Chữa bài Mạng NN

Các thuật toán Training

Deep RNN

Timeseries cơ bản

Timeseries trong thực tế

Luyện thi chứng chỉ Tensorflow

- Bạn tạo file  pdf của riêng mình và trả lời câu hỏi tương ứng, sau đó nộp lại cho đội ngũ giảng dạy.

Các file hướng dẫn
- Nhóm Wave2Vec 2.0: https://docs.google.com/document/d/1hJPL-rRVZ_HPdzadewN7dYvS9wP_q0zRzGCAPkXRCaY/edit?usp=sharing
- Nhóm OCR: https://docs.google.com/document/d/1IgaG_3IH8Ee3R_TTv6suNRPQm0eqrJUHk6oXtSbgP5s/edit?usp=sharing
- Nhóm Keyword Extraction: https://docs.google.com/document/d/1nBNtEK2HiNY-AlDN1ulEZl9ZhlpqtxHs6vjeuZBfOQc/edit?usp=sharing

Giới thiệu học máy và ứng dụng

1. Giới thiệu về học máy

1.1. [TF] 2.1.1. Học máy và phân loại

1.2. [TF] 2.1.2. Học máy được phân thành 3 loại nào?

2. Học giám sát

2.1. [TF] 2.2.1. Học máy giám sát - Supervised Learning

2.2. [TF] 2.2.2. Câu chuyện thực tế

2.3. [TF] 2.2.3. Ứng dụng học giám sát

2.4. [TF] 2.2.4. Nền tảng học máy

2.5. [TF] 2.2.5. Tối ưu hóa mất mát

2.6. [TF] 2.2.6. Hàm lõm và hàm lồi

3. Giới thiệu học sâu

3.1. [TF] 2.3.2. Cách lựa chọn mô hình

3.2. Polynomial Regression

3.3. [TF] 2.3.3. Mạng nơ ron và học sâu

4. Học không giám sát và học tăng cường

4.1. [TF] 2.4.1. Học không giám sát + học tăng cường

5. AI trên các thiết bị khác nhau

5.1. [TF] 2.5.1. AI trên các thiết bị khác nhau

6. Làm gì khi ít dữ liệu

6.1. [TF] 2.6.1. Làm gì khi ít dữ liệu

7. Slide bài giảng

7.1. 2.Machine Learning Introduction.pdf