• Khai giảng lớp học

• Lộ trình học, các giai đoạn học

• Giao lưu giữa học viên và giáo viên

• Hướng dẫn làm quen với hệ thống.
• Học máy là gì.

• 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

• 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

• Chữa bài hồi quy tuyến tính

• Hồi quy tuyến tính với Tensorflow

• 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

• Ôn tập SGD

• Hiện tượng Overfitting

• Bài toán phân loại nhị phân

• Bài toán phát hiện rủi ro

• Mô hình hồi quy Logistic theo chiều thuận

• Các chỉ số TP, TN, FP, FN

• Chỉ số Precision, Recall

• Chỉ số F1

• Softmax Regression

• Chứng minh công thức Categorical cross entropy

Ôn tập Softmax

• 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

• Ôn tập mạng nơ ron

• Các kỹ thuật training hiệu quả

• Mô phỏng mạng nơ ron

• Ý tưởng thuật toán lan truyền ngược

• Chứng minh lan truyền ngược trên một tham số

• 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.

• Transfer learning

• Cấu trúc ResNet và InceptionNet

• Giới thiệu xử lý ngôn ngữ tự nhiên

• Cách mô hình hóa từ ngữ, văn bản

• Word2Vec

• Mô hình ngôn ngữ

• SimpleRNN

• LSTM

• Ôn tập NLP

• Thực hành mạng RNN

• Ôn tập LSTM

• Deep RNN

• Giới thiệu Timeseries

• Xây dựng bộ dữ liệu đơn giản

• Xây dựng mô hình dự đoán với mạng nơ ron

• Tối ưu lồi

• Vấn đề của SGD

• SGD với quán tính

• AdaGrad

• AdaDelta và RMSProp

• Xử lý timeseries trong thực tế

• Bí kíp thi bài 5 trong đề thi Tensorflow

• Cấu trúc đề thi

• Đề thi mẫu

• Một số chú ý quan trọng khi thi