Scale Machine Learning System - Nhân rộng hệ thống học máy (Video)

3.1. Bài toán Grab.mp4

Giới thiệu bài toán Grab

3.2.1. Quá trình xây dựng mô hình.mp4

Quá trình xây dựng một mô hình 

[TF] 3.3.1. Hiển thị dữ liệu và lựa chọn mô hình.mp4

[TF] 3.3.2. Hàm giả thuyết.mp4

[PF] 3.3.3. Quá trình training.mp4

[TF] 3.3.4. Cực tiểu hàm mất mát.mp4

Mô hình hồi quy tuyến tính

[TF] 3.4.1. Gradient Descent phần 1.mp4

[TF] 3.4.2. Chứng minh Gradient Descent.mp4

[TF] 3.4.3. Tốc độ học.mp4

[TF] 3.4.4. Tính đạo hàm Gradient Descent.mp4

Đạo hàm của hàm mất mát với theta 0

Thuật toán Gradient Descent

[TF] 3.5.1. Chuẩn bị lập trình hồi quy tuyến tính.mp4

[TF] 3.5.2. Công thức này là công thức gì?

[TF] 3.5.3. Lập trình hàm mất mát

[TF] 3.5.4. Lập trình tính Gradient và training.mp4

Lập trình hồi quy tuyến tính một biến

[TF] 3.6.1. Normal Equation.mp4

Normal Equation

[TF] 3.7.1. MSE vs MAE.mp4

So sánh MSE và MAE

5. Linear Regression.pdf

Slide bài giảng

<ul><li>Giới thiệu bài toán Grab</li><li>Quá trình xây dựng một mô hình</li><li>Mô hình hồi quy tuyến tính</li><li>Thuật toán Gradient Descent</li><li>Lập trình hồi quy tuyến tính một biến</li></ul>

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




Giới thiệu học máy/học sâu

Khai giảng

MLOps

<ol><li>Thư viện Tensorflow với bài toán phân loại hình ảnh </li><li>Thực hành thư viện Pytorch</li><li>Thư viện HuggingFace với bài toán phân loại văn bản</li></ol>

Pytorch + Tensorflow + HuggingFace

Cách sử dụng DB lưu trữ dữ liệu hiệu quả

MongoDB + Crawl dữ liệu

<ul><li>Giới thiệu CPU </li><li>Tính toán song song trên CPUs </li><li>Nhiều lệnh song song (ILP) </li><li>Một lệnh trên nhiều luồng dữ liệu (SIMD) </li><li>Đa luồng (Multi-thread parallelism) </li><li>Phân tán (Distributed Compute) - Bài tập: Lập trình multi threading.</li></ul>

CPUs

GPUs và TPUs<ul><li>Sự khác biệt giữa CPUs và GPUs (tối ưu cho độ trễ và tối ưu cho băng thông)</li><li>Chi tiết kiến trúc của GPU</li><li>Giới thiệu CUDA</li><li>Lập trình CUDA với C++ </li><li>Song song trên GPUs - Thư viện Numba</li></ul>

GPUs

<ul><li>Bàn về các phiên bản của TPUs</li><li>Tham số đo quan trọng đo lường tốc độ phần cứng</li><li>TPUs</li><li>Số thực dấu phẩy động</li></ul>

TPUs - Số thực dấu phẩy động

<ul><li>Lượng tử hóa mô hình</li><li>ONNX</li></ul>

Học máy chính xác thấp

<ul><li>Chắt lọc tri thức</li><li>TensorRT</li></ul>

Chắt lọc tri thức + TensorRT

<ul><li>Docker là gì?</li><li>Phân biệt image và container</li><li>Cài đặt Docker</li><li>Xây dựng Docker Image và chạy docker Container</li><li>Docker container</li></ul>

Docker + Cloud

- Tại sao cần dùng Intriton Inference Server?- Cách Deploy mô hình ONNX- Cách Deploy mô hình Pytorch- Cách Deploy mô hình Tensorflow- Concurrent Model Execution- Instance group- Dynamic Batching- Stateful vs Stateless Model- Migrate từ Flask sang Triton Server

Triton Inference Server - Phần 1

<ul><li>Ôn tập deploy trên GG Cloud</li><li>Ôn tập deploy tên AWS</li></ul>

Triton Inference Server - Phần 2 

Tự động hóa Machine Learng Pipeline bao gồm Continuous Integration (CI) để kiểm thử hệ thống và Continous Delivery (CD) để tự động đưa ứng dụng lên production.

Machine Learning CI/CD

Trong bài này chúng ta sẽ nâng cấp Distillation thông qua việc train cả mô hình teacher và Student.

Bài tập cuối khóa - Distillation

Project - Thực hành chắt lọc tri thức

<ul><li>Đào tạo phân tán với Pytorch</li><li>Đào tạo phân tán với Keras</li></ul>

Đào tạo phân tán

Deploy mô hình trên Jetson Nano

Mô hình hồi quy tuyến tính

1. Giới thiệu bài toán Grab

1.1. 3.1. Bài toán Grab.mp4

2. Quá trình xây dựng một mô hình

2.1. 3.2.1. Quá trình xây dựng mô hình.mp4

3. Mô hình hồi quy tuyến tính

3.1. [TF] 3.3.1. Hiển thị dữ liệu và lựa chọn mô hình.mp4

3.2. [TF] 3.3.2. Hàm giả thuyết.mp4

3.3. [PF] 3.3.3. Quá trình training.mp4

3.4. [TF] 3.3.4. Cực tiểu hàm mất mát.mp4

4. Thuật toán Gradient Descent

4.1. [TF] 3.4.1. Gradient Descent phần 1.mp4

4.2. [TF] 3.4.2. Chứng minh Gradient Descent.mp4

4.3. [TF] 3.4.3. Tốc độ học.mp4

4.4. [TF] 3.4.4. Tính đạo hàm Gradient Descent.mp4

4.5. Đạo hàm của hàm mất mát với theta 0

5. Lập trình hồi quy tuyến tính một biến

5.1. [TF] 3.5.1. Chuẩn bị lập trình hồi quy tuyến tính.mp4

5.2. [TF] 3.5.2. Công thức này là công thức gì?

5.3. [TF] 3.5.3. Lập trình hàm mất mát

5.4. [TF] 3.5.4. Lập trình tính Gradient và training.mp4

6. Normal Equation

6.1. [TF] 3.6.1. Normal Equation.mp4

7. So sánh MSE và MAE

7.1. [TF] 3.7.1. MSE vs MAE.mp4

8. Slide bài giảng

8.1. 5. Linear Regression.pdf