AI nền tảng + Luyện thi chứng chỉ Tensorflow 09

Cùng khám phá khái niệm về ảnh nhé. 

[TF] 11.1.1. Giới thiệu ảnh.mp4

[TF] 11.1.2. Phát hiện cạnh.mp4

[TF] 11.1.3. Dùng đạo hàm để phát hiện cạnh.mp4

[TF] 11.1.4. Bạn có nhận xét gì về các bộ lọc này?

Slide

Ảnh là một hàm

[TF] 11.1.4. Bộ lọc.mp4

Hướng dẫn lập trình bộ lọc

Bộ lọc

[TF] 11.2.1. Giới thiệu mạng CNN.mp4

[TF] 11.2.2. Điểm yếu của mạng nơ ron.mp4

[TF] 11.2.3. LeNet.mp4

[TF] 11.2.4. Lớp tích chập.mp4

[TF] 11.2.5. Công thức lớp tích chập phần 1.mp4

Tính số lượng filter trong mỗi bộ lọc

[TF] 11.2.6. Công thức lớp tích chập phần 2.mp4

[TF] 11.2.7. Tính chất lớp tích chập.mp4

Lớp tích chập

[TF] 11.3.1. Lớp Pooling.mp4

Lớp Pooling

[TF] 13.4.1. Feature Map.mp4

Hiển thị Feature Map

[TF] 13.5.1. Training CNN.mp4

Training CNN

Ảnh + Bộ lọc .mp4

Thực hành mạng CNN

Notebook

Video

Slide CNN

Video chữa bài + Ôn tập CNN

<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

Khai giảng lớp học

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

Học máy là gì

<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>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>

Mạng tích chập - Convolutional neural network

1. Ảnh là một hàm

1.1. [TF] 11.1.1. Giới thiệu ảnh.mp4

1.2. [TF] 11.1.2. Phát hiện cạnh.mp4

1.3. [TF] 11.1.3. Dùng đạo hàm để phát hiện cạnh.mp4

1.4. [TF] 11.1.4. Bạn có nhận xét gì về các bộ lọc này?

1.5. Slide

2. Bộ lọc

2.1. [TF] 11.1.4. Bộ lọc.mp4

2.2. Hướng dẫn lập trình bộ lọc

3. Lớp tích chập

3.1. [TF] 11.2.1. Giới thiệu mạng CNN.mp4

3.2. [TF] 11.2.2. Điểm yếu của mạng nơ ron.mp4

3.3. [TF] 11.2.3. LeNet.mp4

3.4. [TF] 11.2.4. Lớp tích chập.mp4

3.5. [TF] 11.2.5. Công thức lớp tích chập phần 1.mp4

3.6. Tính số lượng filter trong mỗi bộ lọc

3.7. [TF] 11.2.6. Công thức lớp tích chập phần 2.mp4

3.8. [TF] 11.2.7. Tính chất lớp tích chập.mp4

4. Lớp Pooling

4.1. [TF] 11.3.1. Lớp Pooling.mp4

5. Hiển thị Feature Map

5.1. [TF] 13.4.1. Feature Map.mp4

6. Training CNN

6.1. [TF] 13.5.1. Training CNN.mp4

7. Video

7.1. Ảnh + Bộ lọc .mp4

7.2. Thực hành mạng CNN

7.3. Notebook

8. Slide

8.1. Slide CNN

9. Video chữa bài + Ôn tập CNN

9.1. Video