List of topics
Giới thiệu học máy/học sâu
Mô hình hồi quy tuyến tính
Mạng nơ ron
Mạng tích chập - Convolutional neural network
Lập trình mạng tích chập
Model nhận diện ảnh trong thực tế
Transfer Learning
VGG, ResNet và InceptionNet
Bài toán nhận diện biển báo giao thông
Xử lý ngôn ngữ tự nhiên cơ bản
Mô hình LSTM
Mô hình Seq2Seq và cơ chế Attention
Dữ liệu theo thời gian
Mô hình Graph Neural Network
Giới thiệu học máy/học sâu
Giới thiệu học giám sát, không giám sát và học tăng cường.
1. Giới thiệu học máy
1.1. 2.1.1. Học máy và phân loại
1.2. [DL] 2.1.2. Học máy được phân thành 3 loại nào?
Click to view more
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
3. Giới thiệu học sâu
3.1. [TF] 2.3.2. Cách lựa chọn mô hình
3.2. [TF] 2.3.3. Mạng nơ ron và học sâu
4. Học không giám 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
1. Giới thiệu học máy
1.1. 2.1.1. Học máy và phân loại
1.2. [DL] 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
3. Giới thiệu học sâu
3.1. [TF] 2.3.2. Cách lựa chọn mô hình
3.2. [TF] 2.3.3. Mạng nơ ron và học sâu
4. Học không giám 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