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

• 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

• Chữa bài hồi quy tuyến tính

• Hồi quy tuyến tính với Tensorflow

• 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

• 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

• Chữa bài phân loại nhị phân

• Thực hành với Tensorflow

• 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

• Trao đổi việc training hiệu quả

• 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

• Mô phỏng mạng nơ ron

• Ý tưởng thuật toán lan truyền ngược

• Chứng minh lan truyền ngược trên một tham số

• Ôn tập mạng nơ ron

• Các kỹ thuật training hiệu quả

• Tối ưu lồi

• Vấn đề của SGD

• SGD với quán tính

• AdaGrad

• AdaDelta và RMSProp

• 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

• Word2vec

• Mô hình ngôn ngữ

• SimpleRNN

• LSTM

• 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

• Xử lý timeseries trong thực tế

• Bí kíp thi bài 5 trong đề thi Tensorflow