AI nền tảng + Luyện thi chứng chỉ Tensorflow 09

[MLE] 2.1.1. Học máy và phân loại

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

Giới thiệu về học máy

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

[MLE] 2.2.2. Câu chuyện thực tế

[MLE] 2.2.3. Ứng dụng học giám sát

[MLE] 2.2.4. Nền tảng học máy

[MLE] 2.2.5. Tối ưu hóa mất mát

[MLE] 2.2.6. Hàm lõm và hàm lồi

Học giám sát

[MLE] 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.

[MLE] Polynomial Regression

[MLE] 2.3.3. Mạng nơ ron và học sâu

Giới thiệu học sâu

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

Học không giám sát và học tăng cường

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

AI trên các thiết bị khác nhau

[MLE] 2.6.1. Làm gì khi ít dữ liệu

Làm gì khi ít dữ liệu

<ul><li>Giới thiệu về học máy</li><li>Làm gì khi ít dữ liệu</li></ul>

Học máy là gì

Khai giảng lớp học

<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>

Mô hình hồi quy tuyến tính

<ul><li>Bộ dữ liệu giá nhà</li><li>Phân tích dữ liệu và các vấn đề sẽ gặp khi xử lý dữ liệu</li><li>Hồi quy tuyến tính trên bộ dữ liệu này</li></ul>

Mô hình hồi quy tuyến tính với dữ liệu nhiều cột

<ul><li>Chữa bài hồi quy tuyến tính</li><li>Hồi quy tuyến tính với Tensorflow</li></ul>

[Zoom 26-4-2024] Chữa bài hồi quy tuyến tính - Hồi quy tuyến tính với Tensorflow

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

Stochastic Gradient Descent - SGD

<ul><li>Ôn tập SGD</li><li>Hiện tượng Overfitting</li></ul>

[Zoom 3-5-2024] Ôn tập SGD + Hiện tượng Overfitting

<ul><li>Bài toán phân loại nhị phân</li><li>Bài toán phát hiện rủi ro</li><li>Mô hình hồi quy Logistic theo chiều thuận</li></ul>

Bài toán phân loại nhị phân

<ul><li>Chữa bài phân loại nhị phân</li><li>Thực hành với Tensorflow</li><li>Các chỉ số TP, TN, FP, FN</li><li>Chỉ số Precision, Recall</li><li>Chỉ số F1</li></ul>

[Zoom 10-5-2024] Chữa bài mô hình phân loại + Đánh giá chất lượng mô hình 

Chú ý:<ul><li>Tải bài tập file notebook và dưới máy của mình</li><li>Lập trình trên file đó và upload file đó lên hệ thống</li><li>Sau đó nhấn Nộp bài</li><li>Điểm tối đa: 100 điểm</li><li>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.</li></ul>

Bài tập 3 - Bài tập Softmax

<ul><li>Softmax Regression</li><li>Chứng minh công thức Categorical cross entropy</li></ul>

Bài toán phân loại nhiều lớp

<ul><li>Ôn tập Softmax</li><li>Trao đổi việc training hiệu quả</li></ul>

[Zoom 17-5-2024] Ôn tập bài toán phân loại nhiều lớp

<ul><li>Giới thiệu mạng nơ ron</li><li>Diễn giải lớp ẩn, nơ ron</li><li>Hàm tuyến tính, phi tuyến</li><li>Các vấn đề hay gặp khi đào tạo mạng nơ ron</li></ul>

Mạng nơ ron (Neural Network)

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- Điểm tối đa: 90 điểm- Bạn sẽ bị trừ 10% số điểm nếu nộp bài muộn.

Bài tập 4 - Bài tập Mạng Nơ ron

<ul><li>Mô phỏng mạng nơ ron</li><li>Ý tưởng thuật toán lan truyền ngược</li><li>Chứng minh lan truyền ngược trên một tham số</li></ul>

Thuật toán lan truyền ngược

<ul><li>Ôn tập mạng nơ ron</li><li>Các kỹ thuật training hiệu quả</li></ul>

[Zoom 24-5-2023] Ôn tập Mạng nơ ron - Các kỹ thuật training hiệu quả

Tổng hợp các lời giải Kaggle 01

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

Mạng tích chập - Convolutional neural network

<ul><li>Transfer learning</li><li>Cấu trúc ResNet và InceptionNet</li></ul>

Transfer Learning và ResNet và InceptionNet

[Zoom 31-5-2024] Ôn tập mạng CNN - Hướng dẫn đọc Paper

<ul><li>Giới thiệu xử lý ngôn ngữ tự nhiên</li><li>Word2vec</li></ul>

Xử lý ngôn ngữ tự nhiên - Word2Vec

<ul><li>Mô hình ngôn ngữ</li><li>SimpleRNN</li><li>LSTM</li></ul>

Mô hình ngôn ngữ + RNN 

<ul><li>Tối ưu lồi</li><li>Vấn đề của SGD</li><li>SGD với quán tính</li><li>AdaGrad</li><li>AdaDelta và RMSProp</li></ul>

Các thuật toán Training

[Zoom 7-6-2024] - Ôn tập NLP

<ul><li>Giới thiệu Timeseries </li><li>Xây dựng bộ dữ liệu đơn giản</li><li>Xây dựng mô hình dự đoán với mạng nơ ron</li></ul>

Timeseries cơ bản

<ul><li>Xử lý timeseries trong thực tế</li><li>Bí kíp thi bài 5 trong đề thi Tensorflow</li></ul>

Timeseries trong thực tế

[Zoom 14-6-2024] Ôn tập Timeseries

AI in real production

<ul><li>Lập trình mạng CNN phân loại hình ảnh</li><li>Sử dụng lớp tích chập + Mạng nơ ron</li></ul>

Thực hành bài số 3 đề thi Tensorflow

<ul><li>Cấu trúc đề thi</li><li>Đề thi mẫu</li><li>Một số chú ý quan trọng khi thi</li></ul>

Học máy là gì

1. Giới thiệu về học máy

1.1. [MLE] 2.1.1. Học máy và phân loại

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

2. Học giám sát

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

2.2. [MLE] 2.2.2. Câu chuyện thực tế

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

2.4. [MLE] 2.2.4. Nền tảng học máy

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

2.6. [MLE] 2.2.6. Hàm lõm và hàm lồi

3. Giới thiệu học sâu

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

3.2. [MLE] Polynomial Regression

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

4. Học không giám sát và học tăng cường

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

5. AI trên các thiết bị khác nhau

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

6. Làm gì khi ít dữ liệu

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