Hình thức: Video

Nội dung:

• Giảng viên giới thiệu về lớp học TF. Chi tiết:
• Giới thiệu về Lớp học TF
• Lời chào từ giảng viên
• Một số chú ý của lớp học
• Ngôn ngữ lập trình chính của khóa học
• Hướng dẫn công cụ lập trình
• Hướng dẫn làm bài tập

Bài tập: Bài tập làm quen với hệ thống chấm điểm.

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

• 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

• Bài toán phân loại nhị phân
• Bài toán phát hiện rủi ro
• Mô hình hồi quy Logistic theo chiều thuận

Nền tảng quan trọng để chứng minh nhiều hàm mất mát của mô hình học sâu.

• Softmax Regression
• Chứng minh công thức Categorical cross entropy

• Bài toán phân loại nhị phân với Tensorflow 2
• Cách sử dụng Tensorflow Dataset
• Xây dựng Softmax Regression với Tensorflow 2

• Giới thiệu hiện tượng Underfitting và Overfitting
• Ví dụ Overfitting với bài toán phân loại
• Cách khắc phục hiện tượng Overfitting

• Data-centric vs Model-centric
• Khám phá bộ dữ liệu Titanic. Giả định và đánh giá.
• Tiền xử lý dữ liệu: dữ liệu thiếu, chia khoảng giá trị

• 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.

• 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.