• 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

• 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

• 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

- Mô hình ngôn ngữ - SimpleRNN - LSTM

• Học cấu trúc phổ biến của một bài báo nghiên cứu, cách đọc hiệu quả.

• Cùng đọc một số nghiên cứu nổi tiếng trong thị giác máy tính

• Sử dụng các mô hình đã được xây dựng và đào tạo trên những bộ dữ liệu lớn để cho bài toán với số lượng nhãn nhỏ hơn.

• Đây là một trong những kỹ thuật quan trọng và được sử dụng rộng rãi trong hầu hết các bài toán AI hiện tại.

• 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

• Tối ưu lồi

• Vấn đề của SGD

• SGD với quán tính

• AdaGrad

• AdaDelta và RMSProp

• Cấu trúc đề thi

• Đề thi mẫu

• Một số chú ý quan trọng khi thi