Khóa học AI/ML/DL – 120h Expert – Chatbot OCR eKYC GAN

Khóa học AI Machine Learning từ cơ bản đến chuyên sâu bao 2 hướng phát triển chính của AI hiện nay: Computer Vision – Thị giác máy tính (76H) và NLP – Xử lý ngôn ngữ tự nhiên (80H). Lộ trình giúp học viên tự xây dựng các bài toán AI phổ biến nhất hiện nay như Chatbot, OCR, eKYC, GAN, Face Detection, Recommender System, Sentiment Analysis, …

Tại sao nên tham gia lộ trình chuyên sâu AI/Machine Learning/Deep Learning tại Cole

  • Thực hành hơn 80+ bài toán ứng dụng AI và 10 bài toán dẫn đầu xu hướng AI hiện nay: Chatbot, OCR, eKYC, GAN, 3D Pose Estimation, Face Detection, Recommender System, Sentiment Analysis, Machine Translation, Image Caption, …
  • Chính sách trả góp học phí 0% chỉ từ 500.000đ mỗi tháng và hàng chục chương trình ưu đãi dành cho học sinh, sinh viên.
  • Được giới thiệu việc làm với hơn 100+ đối tác tuyển dụng của Cole  như Viettel, FPT, BIDV, Vietcombank, SHB, …
  • Hỗ trợ học lại trọn đời và cấp chứng nhận sau khi kết thúc khóa học, đặc biệt dành tặng suất học bổng duy nhất 100% học phí đối với học viên hoàn thành project xuất sắc nhất
  • Thực hành thực chiến giúp học viên “đi đúng – trọng tâm” các kiến thức cần thiết để có thể tự phát triển các bài toán ứng dụng HOT nhất của AI 
  • Học tập với chuyên gia hàng đầu hơn 10+ năm kinh nghiệm nghiên cứu và làm việc trong các lĩnh vực AI, Computer Vision, NLP, Data Science tại các tập đoàn công nghệ lớn.
  • Đội ngũ hỗ trợ viên nhiệt tình tận tâm 24/7 luôn hết mình để mang lại trải nghiệm học tập tốt nhất cho học viên

6 giá trị Cole mang lại cho bạn trong khóa học AI/ML/DL

  • Kiến thức: Nắm được các kiến thức trọng tâm nhất về AI/ML/DL ứng cho các bài toán xử lý ảnh (Computer Vision) và bài toán xử lý text (NLP).
  • Dữ liệu: Nắm được các kỹ thuật xử lý dữ liệu học máy: các kỹ thuật tiền xử lý và tăng cường dữ liệu (Data Augmentation) để giảm overfitting/underfitting và cải thiện hiệu suất mô hình AI.
  • Mô hình: Hiểu nguyên lý hoạt động của các mô hình học máy, hiểu cách huấn luyện, đánh giá và tối ưu mô hình.
  • Bài toán: Hiểu quy trình xây dựng các bài toán AI nói chung và Computer Vision/NLP nói riêng ứng dụng các thư viện và framework: PyTorch, TensorFlow,…
  • Kinh nghiệm: Giúp học viên thực chiến hơn 80+ bài toán Computer Vision/NLP ứng dụng cao nhất trong AI tạo thế mạnh vô cùng lớn khi apply vào các vị trí công việc AI Engineer
  • Cơ hội: Nắm được các hướng phát triển và cơ hội nghề nghiệp AI, tự xây dựng cho mình 1 CV cá nhân đủ mạnh ngay sau khi kết thúc khóa học.

Ai nên tham gia học Trí tuệ nhân tạo/Machine Learning/Deep Learning

  • Sinh viên ngành CNTT, Toán – Tin, Kỹ thuật, … muốn theo đuổi nghề HOT – lương CAO 
  • Sinh viên đang học AI – Data Science muốn có kinh nghiệm làm việc các dự án AI ứng dụng phổ biến nhất hiện nay 
  • Người đi làm CNTT, Kỹ thuật, Phân tích dữ liệu, Phần mềm, … muốn tìm hiểu về AI hoặc muốn chuyển ngành chuyển nghề AI 
  • Quản lý, chủ doanh nghiệp muốn tìm hiểu về các công nghệ AI mới nhất hiện nay để ứng dụng vào công ty mình

2 Combo khóa học đào tạo AI – Machine Learning

Hiện tại có 2 hướng phát triển mạnh nhất của AI là Computer Vision với các bài toán về ảnh (OCR, eKYC, Face Detection, …) và NLP với các bài toán về text (Chatbot, Recommender System, Social Listening, …).

Nhằm giúp những ai mong muốn riêng theo từng mảng Computer Vision hoặc NLP. Cole xây dựng 2 combo lộ trình đào tạo khóa học trí tuệ nhân tạo chuyên sâu gồm lộ trình Computer Vision (76H) và NLP (80H).

Foundation -> Computer Vision

Combo lộ trình khóa học AI Machine Learning chuyên sâu Computer Vision bao gồm:

  • Khóa AI/Machine Learning/Deep Learning Foundation (20 Buổi)
  • Khóa AI Advanced – Computer Vision (18 Buổi)

Tổng thời lượng học: 38 Buổi – 76 giờ

Hình thức: Online

Nội dung: 

  • Kiến thức chung về AI/Machine Learning/Deep Learning 
  • Kiến thức về Deep Learning (YOLO, SSD, R-CNN, RetinaFace, ArcFace, PaddleOCR, VietOCR, Unet, FCN, SegFormer, 3DCNN, GAN, Diffusion, …)
  • Kiến thức về Active Learning, Semi supervised learning và Reinforcement Learning
  • Các kỹ thuật xử lý ảnh và tăng cường dữ liệu ảnh (Data Augmentation)
  • Các bài toán Computer Vision ứng dụng: Image Classification (Phân loại hình ảnh), Object Detection (Nhận dạng đối tượng), Semantic Segmentation (Phân đoạn ảnh), 3D Pose Estimation (Nhận dạng hành động), Face Recognition (Nhận dạng khuôn mặt), OCR, eKYC, Generative Image (Tạo ảnh), …

Project: 40+ Case Project và 4 Final Project để đưa vào CV 

Foundation -> NLP

Combo lộ trình chuyên sâu Computer Vision bao gồm:

  • Khóa học AI/Machine Learning/Deep Learning Foundation (20 Buổi)
  • Khóa học Deep Learning in NLP (20 Buổi)

Tổng thời lượng học: 40 Buổi – 80 giờ

Hình thức: Online

Nội dung: 

  • Kiến thức chung về AI/Machine Learning/Deep Learning 
  • Kiến thức về Deep Learning (GloVe, FastText, ELMo, RNNs, LSTM, Attention, Transformers, BERT, GPT, T5,… )
  • Kiến thức về Multi-Task Learning, Meta Learning và Reinforcement Learning
  • Các kỹ thuật text embedding và tăng cường dữ liệu text (Data Augmentation)
  • Các bài toán NLP ứng dụng: Chatbot, Sentiment Analysis (Phân tích cảm xúc), Machine Translation (Dịch máy), Image Caption (Chú thích ảnh), …

Project: 40+ Case Project và 4 Final Project để đưa vào CV 

Chương trình học

Buổi 1: Giới thiệu khóa học
– Giới thiệu khóa học
– Khái niệm về AI, Machine learning, Deep Learning
– Lịch sử AI, Hiện trạng phát triển AI
– Tổng hợp các kiến thức toán cơ bản cần thiết trong AI
– Tổng hợp các kiến thức lập trình Python
– Sử dụng Python thực hành cơ bản
Cách sử dụng Google colab introduction để code
Buổi 2+3: Học máy cơ bản: Học giám sát (Supervise learning)
– Các bước xây dựng mô hình machine learning
– Bài toán hồi quy: Linear Regression, Logistic Regression
– Bài toán phân loại: k-NN, Decision Tree, Naive Bayes,…
– Thực hành: Dự doán giá nhà, Credit scoring,…
Buổi 4+5: Học máy cơ bản: Học không giám sát (Unsupervise learning)
– Phân cụm dữ liệu: K-mean, Mean shift, DBSCAN
– Bài toán phát hiện bất thường dữ liệu
– Giảm chiều dữ liệu: PCA, LLE,…
– Thực hành: K-mean và Mean shift trong ứng dụng phân đoạn ảnh
Buổi 6+7: Neural Network
– Mạng neuron đa lớp
– Các phương pháp huấn luyện mạng nơ ron nhân tạo
– Các thuật toán tối ưu mô hình: Gradient Descent, SGD,…
– Thực hành: Nhận dạng chữ viết tay sử dụng mạng neuron đa lớp
Buổi 8+9: Xử lý hình ảnh
– Nhập môn xử lý ảnh và Thị giác máy tính
– Các kĩ thuật cải thiện chất lượng hình ảnh
– Các bộ lọc ảnh: Gaussian, Laplace, …
– Thực hành: Các kỹ thuật xử lý hình ảnh sử dụng OpenCV, Pillow
Buổi 10+11: Nhận diện vật thể trong ảnh
– Các kỹ thuật trích xuất thông tin ảnh:
+ Edge detection: Sobel, Canny,…
+ Corner detection: Harris, Shi-Tomasi,…
+ Feature extraction: HOG, SIFT,…
+ Thực hành: Xây dựng hệ thống nhận diện vật thể ứng dụng machine learning
Buổi 12+13: Giới thiệu về học sâu – Deep neural network
– Giới thiệu về học sâu: sự hình thành và phát triển
– CNN và các kiến trúc học sâu hiện đại: ResNet, MobileNet,…
– Ứng dụng học sâu trong thị giác máy tính
– Thực hành: Xây dựng mạng học sâu trong bài toán phân loại hình ảnh, xác định vật thể trong ảnh
Buổi 14 + 15: Giới thiệu về xử lý ngôn ngữ tự nhiên
– Giới thiệu về xử lý ngôn ngữ tự nhiên
+ Luồng xử lý của một mô hình ngôn ngữ tự nhiên
+ Tiền xử lý của ngôn ngữ tự nhiên
– Embedding từ:
+ One hot
+ Skip gram
+ CBOW
– Thực hành:
– Xây dựng mô hình embedding từ
Buổi 16 + 17: Ứng dụng học sâu trong xử lý ngôn ngữ tự nhiên
– Tokenizer
Các bài toán trong ngôn ngữ tự nhiê‌n
+ Text classification
+ POS tagging”
– Thực hành:
– Text classification: phân loại sắc thái văn bản
Buổi 18 + 19: Ứng dụng học sâu trong xử lý ngôn ngữ tự nhiên
– Giới thiệu các mạng học sâu: RNN, LSTM, GRU
– Bài toán text classifcation với mạng LSTM
– Cấu trúc Se‌lf Attentio‌n và Transformer
– Thực hành: Image Captioning
Buổi 20: Tổng kết Project

Buổi 1. Giới thiệu khóa học

1.1. Giới thiệu khóa học

1.2. NLP là gì?

1.3. Lịch sử NLP

1.4. Giới thiệu các cách biểu diễn vector trong quá khứ

1.5. Word2vec

1.6. Xây dựng Word2vec tiếng việt

Buổi 2. Word Vectors – GloVe

2.1. giới thiệu Negative Sampling

2.2. giới thiệu Co-occurrence matrix

2.3  giới thiệu Glove

Buổi 3. Neural Network and Backpropagation Review

3.1. Name Entity Recognition

3.2. Matrix Calculus

Buổi 4. Dependency Parsing

4.1. Two views of linguistic structure: Context-free grammar and Dependency grammar

4.2. Dependencies Treebanks

4.3 Dependency Parsing Methods

4.4 Neural Dependency Parsing

Buổi 5. Constituency Parsing

5.1. Tree + NN 

5.2. Multiple W + Tree + RNN

5.3. Matrix-Vector + Tree + RNN

5.4 Tensor + Tree + RNN

Buổi 6. Language Models and Recurrent Neural Networks

6.1. Language Modeling

6.2. Recurrent Neural Networks

Buổi 7. Long Short-Term Memory (LSTM)

7.1. Vanishing Gradients

7.2. Long Short-Term Memory

7.3. Bidirectionality and Multi-Layer RNNs

Buổi 8. Attention, Machine Translation

8.1. Pre-Neural Machine Translation

8.2. Neural Machine Translation

8.3 NMT with Attention

Buổi 9. Transformers

9.1. Limitations of RNNs

9.2. Transformers

9.3. Transformers Limitations

Buổi 10. Pretrained Models – BERT, GPT, T5

10.1. Pretraining

10.2. Pretraining – decoders

10.3. Pretraining – encoders

10.4. Pretraining – encoder-decoder

10.5. Very large models and in-context learning

10.6. Fine Tuning

Buổi 11. Word Vectors – FastText, ELMo

11.1. Pure character level model

11.2. Hybrid model

11.3.  Subword-based models

11.4.  FastText

11.5. ELMo

Buổi 12. Natural Language Generation

12.1. Giới thiệu Natural Language Generation

12.2. Text Summarization

12.3.  Evaluation 

Buổi 13. Question – Answering

13.1. Giới thiệu Question-Answering

13.2. Giới thiệu Reading Comprehension

13.3. Open-domain (textual) question-answering

Buổi 14. Analysis of Model’s Inner Workings

14.1. Analyze by input

14.2. Analyze by output

14.3. Analyze by noise

14.4. Analyze by looking at inside the network

Buổi 15. Knowledge Integration

15.1. Motivation

15.2. Knowledge Integration Techniques

15.3. Evaluating knowledge in LMs

Buổi 16. Recent Trend in NLP

16.1. Intent Detection

16.2. Text Summarization

Buổi 17. Multi-Task Learning

17.1. Evolution of NLP (or AI in general)

17.2. Main limitations

17.3. Multitask Learning

Buổi 18. Meta Learning

18.1. Meta Learning

18.2 Meta Learning Approaches

Buổi 19. Workshop

19.1.Workshop 1

19.2. Workshop 2

Buổi 20. Final Project

20.1.1 Final project

TỔNG KẾT – Trao chứng nhận

20h luyện thực hành tăng cường cùng đội ngũ trợ giảng

Buổi 1: Giới thiệu và tổng quan về khóa học

Tổng quan lịch sử phát triển của AI cho đến thời điểm hiện tại

Hiện trạng phát triển AI ở Việt Nam

Các hướng phát triển trong ngành AI và Data Science

Trao đổi về định hướng nghề nghiệp

Tổng quan về khóa học

Buổi 2: Các kỹ thuật tiền xử lý và tăng cường dữ liệu (Data Augmentation)

Tiền xử lý dữ liệu ảnh (resize, normalize, center-crop, etc.)

Thực hành tiền xử lý dữ liệu

Tăng cường dữ liệu (Data Augmentation) để giảm overfitting và cải thiện hiệu suất mô hình (rotation, flipping, zooming, etc.)

Thực hành tăng cường dữ liệu

Buổi 3: Image Classification

Tổng quan, lịch sử phát triển bài toán Image Classification

Giới thiệu các mạng Convolution: VGG, ResNet, EfficientNet, etc

Các metrics đánh giá Image Classification

Thực hành huấn luyện Image Classification trên Cifar-10

Buổi 4: Object Detection

Tổng quan, lịch sử phát triển bài toán Object Detection

Kiến trúc mô hình Object Detection: CNN, Sliding Window, Non-Maximum Suppression

Các kiến trúc CNN hiện đại: 1-Stage, 2-Stage (YOLO, SSD, R-CNN, etc)

Các metrics đánh giá Object Detection

Thực hành huấn luyện kiến trúc YOLO

Buổi 5: Streamlit

Streamlit là gì

Thực hành demo các ứng dụng AI bằng Streamlit 

Buổi 6: Nhận diện khuôn mặt và sinh trắc học khuôn mặt

Giới thiệu về bài toán nhận diện khuôn mặt và sinh trắc học khuôn mặt

Các hướng giải quyết 

Xây dựng mô hình nhận diện khuôn mặt (RetinaFace, ArcFace)

Xây dựng mô hình sinh trắc học khuôn mặt (Optical Flow, Temporal Analysis)

Buổi 7: OCR

Giới thiệu về bài toán OCR

Text detection (DB, CRAFT)

Text recognition (PaddleOCR, VietOCR)

Các metrics đánh giá OCR

Buổi 8: eKYC (Ứng dụng của bài 6 và 7)

Giới thiệu về bài toán eKYC và các ứng dụng trong thực tiễn

Hướng dẫn viết pipeline kết hợp các modules của bài 6 và 7

Hướng dẫn demo

Buổi 9:  Bài toán Image Segmentation

Kiến trúc tổng quan của bài toán Image Segmentation 

Các mô hình nổi tiếng trong Image Segmentation: Unet, FCN, SegFormer

Giới thiệu thư viện Segmentation PyTorch 

Thực hành segmentation cho bài toán phân đoạn ảnh y tế

Buổi 10: Học bán giám sát Semi supervised learning và ứng dụng

Các kĩ thuật học bán giám sát phổ biến

Hướng dẫn triển khai học bán giám sát cho bài toán image classìicaiton

Các kĩ thuật tăng độ hiệu quả của học bán giám sát 

Buổi 11: Học chủ động Active Learning và ứng dụng

Tư tưởng chính của Active Learning

Các kĩ thuật Active Learning phổ biến

Thực hành triển khai active learning cho bài toán image classification

Buổi 12: Mạng 3DCNN

Tổng quan về mạng 3DCNN

Ứng dụng của mạng 3DCNN

Kiến trúc của mạng 3DCNN

Các metrics đánh giá mạng 3DCNN

Buổi 13: Nhận diện hành động sử dụng mạng 3DCNN

Thực hành xây dựng mô hình nhận dạng hành động với model I3D

Buổi 14: GAN

Tổng quan, lịch sử phát triển bài toán GAN

Các ứng dụng của GAN

Kiến trúc mô hình GAN

Các metrics đánh giá GAN

Buổi 15: Ứng dụng GANs trong bài toán Image Generation

Thực hiện xây dựng mô hình sinh ảnh thay đổi theo phong cách cho trước với Neural Style Transfer

Buổi 16: Dự án cuối khóa

Lựa chọn và xây dựng dự án xử lý ảnh dựa trên kiến thức và kỹ năng đã học

Yêu cầu về dự án

Hướng dẫn và thảo luận về dự án

Buổi 17: Dự án cuối khóa (P2)

Trình bày dự án và đánh giá kết quả

Nhận xét và góp ý

Buổi 18: Tổng kết và định hướng

Tổng kết khóa học 

Hướng dẫn viết và sửa CV

Buổi 1: Giới thiệu khóa học
– Giới thiệu khóa học
– Khái niệm về AI, Machine learning, Deep Learning
– Lịch sử AI, Hiện trạng phát triển AI
– Tổng hợp các kiến thức toán cơ bản cần thiết trong AI
– Tổng hợp các kiến thức lập trình Python
– Sử dụng Python thực hành cơ bản
Cách sử dụng Google colab introduction để code
Buổi 2+3: Học máy cơ bản: Học giám sát (Supervise learning)
– Các bước xây dựng mô hình machine learning
– Bài toán hồi quy: Linear Regression, Logistic Regression
– Bài toán phân loại: k-NN, Decision Tree, Naive Bayes,…
– Thực hành: Dự doán giá nhà, Credit scoring,…
Buổi 4+5: Học máy cơ bản: Học không giám sát (Unsupervise learning)
– Phân cụm dữ liệu: K-mean, Mean shift, DBSCAN
– Bài toán phát hiện bất thường dữ liệu
– Giảm chiều dữ liệu: PCA, LLE,…
– Thực hành: K-mean và Mean shift trong ứng dụng phân đoạn ảnh
Buổi 6+7: Neural Network
– Mạng neuron đa lớp
– Các phương pháp huấn luyện mạng nơ ron nhân tạo
– Các thuật toán tối ưu mô hình: Gradient Descent, SGD,…
– Thực hành: Nhận dạng chữ viết tay sử dụng mạng neuron đa lớp
Buổi 8+9: Xử lý hình ảnh
– Nhập môn xử lý ảnh và Thị giác máy tính
– Các kĩ thuật cải thiện chất lượng hình ảnh
– Các bộ lọc ảnh: Gaussian, Laplace, …
– Thực hành: Các kỹ thuật xử lý hình ảnh sử dụng OpenCV, Pillow
Buổi 10+11: Nhận diện vật thể trong ảnh
– Các kỹ thuật trích xuất thông tin ảnh:
+ Edge detection: Sobel, Canny,…
+ Corner detection: Harris, Shi-Tomasi,…
+ Feature extraction: HOG, SIFT,…
+ Thực hành: Xây dựng hệ thống nhận diện vật thể ứng dụng machine learning
Buổi 12+13: Giới thiệu về học sâu – Deep neural network
– Giới thiệu về học sâu: sự hình thành và phát triển
– CNN và các kiến trúc học sâu hiện đại: ResNet, MobileNet,…
– Ứng dụng học sâu trong thị giác máy tính
– Thực hành: Xây dựng mạng học sâu trong bài toán phân loại hình ảnh, xác định vật thể trong ảnh
Buổi 14 + 15: Giới thiệu về xử lý ngôn ngữ tự nhiên
– Giới thiệu về xử lý ngôn ngữ tự nhiên
+ Luồng xử lý của một mô hình ngôn ngữ tự nhiên
+ Tiền xử lý của ngôn ngữ tự nhiên
– Embedding từ:
+ One hot
+ Skip gram
+ CBOW
– Thực hành:
– Xây dựng mô hình embedding từ
Buổi 16 + 17: Ứng dụng học sâu trong xử lý ngôn ngữ tự nhiên
– Tokenizer
Các bài toán trong ngôn ngữ tự nhiê‌n
+ Text classification
+ POS tagging”
– Thực hành:
– Text classification: phân loại sắc thái văn bản
Buổi 18 + 19: Ứng dụng học sâu trong xử lý ngôn ngữ tự nhiên
– Giới thiệu các mạng học sâu: RNN, LSTM, GRU
– Bài toán text classifcation với mạng LSTM
– Cấu trúc Se‌lf Attentio‌n và Transformer
– Thực hành: Image Captioning
Buổi 20: Tổng kết Project

Buổi 1. Giới thiệu khóa học

1.1. Giới thiệu khóa học

1.2. NLP là gì?

1.3. Lịch sử NLP

1.4. Giới thiệu các cách biểu diễn vector trong quá khứ

1.5. Word2vec

1.6. Xây dựng Word2vec tiếng việt

Buổi 2. Word Vectors – GloVe

2.1. giới thiệu Negative Sampling

2.2. giới thiệu Co-occurrence matrix

2.3  giới thiệu Glove

Buổi 3. Neural Network and Backpropagation Review

3.1. Name Entity Recognition

3.2. Matrix Calculus

Buổi 4. Dependency Parsing

4.1. Two views of linguistic structure: Context-free grammar and Dependency grammar

4.2. Dependencies Treebanks

4.3 Dependency Parsing Methods

4.4 Neural Dependency Parsing

Buổi 5. Constituency Parsing

5.1. Tree + NN 

5.2. Multiple W + Tree + RNN

5.3. Matrix-Vector + Tree + RNN

5.4 Tensor + Tree + RNN

Buổi 6. Language Models and Recurrent Neural Networks

6.1. Language Modeling

6.2. Recurrent Neural Networks

Buổi 7. Long Short-Term Memory (LSTM)

7.1. Vanishing Gradients

7.2. Long Short-Term Memory

7.3. Bidirectionality and Multi-Layer RNNs

Buổi 8. Attention, Machine Translation

8.1. Pre-Neural Machine Translation

8.2. Neural Machine Translation

8.3 NMT with Attention

Buổi 9. Transformers

9.1. Limitations of RNNs

9.2. Transformers

9.3. Transformers Limitations

Buổi 10. Pretrained Models – BERT, GPT, T5

10.1. Pretraining

10.2. Pretraining – decoders

10.3. Pretraining – encoders

10.4. Pretraining – encoder-decoder

10.5. Very large models and in-context learning

10.6. Fine Tuning

Buổi 11. Word Vectors – FastText, ELMo

11.1. Pure character level model

11.2. Hybrid model

11.3.  Subword-based models

11.4.  FastText

11.5. ELMo

Buổi 12. Natural Language Generation

12.1. Giới thiệu Natural Language Generation

12.2. Text Summarization

12.3.  Evaluation 

Buổi 13. Question – Answering

13.1. Giới thiệu Question-Answering

13.2. Giới thiệu Reading Comprehension

13.3. Open-domain (textual) question-answering

Buổi 14. Analysis of Model’s Inner Workings

14.1. Analyze by input

14.2. Analyze by output

14.3. Analyze by noise

14.4. Analyze by looking at inside the network

Buổi 15. Knowledge Integration

15.1. Motivation

15.2. Knowledge Integration Techniques

15.3. Evaluating knowledge in LMs

Buổi 16. Recent Trend in NLP

16.1. Intent Detection

16.2. Text Summarization

Buổi 17. Multi-Task Learning

17.1. Evolution of NLP (or AI in general)

17.2. Main limitations

17.3. Multitask Learning

Buổi 18. Meta Learning

18.1. Meta Learning

18.2 Meta Learning Approaches

Buổi 19. Workshop

19.1.Workshop 1

19.2. Workshop 2

Buổi 20. Final Project

20.1.1 Final project

TỔNG KẾT – Trao chứng nhận

20h luyện thực hành tăng cường cùng đội ngũ trợ giảng

Buổi 1: Giới thiệu và tổng quan về khóa học

Tổng quan lịch sử phát triển của AI cho đến thời điểm hiện tại

Hiện trạng phát triển AI ở Việt Nam

Các hướng phát triển trong ngành AI và Data Science

Trao đổi về định hướng nghề nghiệp

Tổng quan về khóa học

Buổi 2: Các kỹ thuật tiền xử lý và tăng cường dữ liệu (Data Augmentation)

Tiền xử lý dữ liệu ảnh (resize, normalize, center-crop, etc.)

Thực hành tiền xử lý dữ liệu

Tăng cường dữ liệu (Data Augmentation) để giảm overfitting và cải thiện hiệu suất mô hình (rotation, flipping, zooming, etc.)

Thực hành tăng cường dữ liệu

Buổi 3: Image Classification

Tổng quan, lịch sử phát triển bài toán Image Classification

Giới thiệu các mạng Convolution: VGG, ResNet, EfficientNet, etc

Các metrics đánh giá Image Classification

Thực hành huấn luyện Image Classification trên Cifar-10

Buổi 4: Object Detection

Tổng quan, lịch sử phát triển bài toán Object Detection

Kiến trúc mô hình Object Detection: CNN, Sliding Window, Non-Maximum Suppression

Các kiến trúc CNN hiện đại: 1-Stage, 2-Stage (YOLO, SSD, R-CNN, etc)

Các metrics đánh giá Object Detection

Thực hành huấn luyện kiến trúc YOLO

Buổi 5: Streamlit

Streamlit là gì

Thực hành demo các ứng dụng AI bằng Streamlit 

Buổi 6: Nhận diện khuôn mặt và sinh trắc học khuôn mặt

Giới thiệu về bài toán nhận diện khuôn mặt và sinh trắc học khuôn mặt

Các hướng giải quyết 

Xây dựng mô hình nhận diện khuôn mặt (RetinaFace, ArcFace)

Xây dựng mô hình sinh trắc học khuôn mặt (Optical Flow, Temporal Analysis)

Buổi 7: OCR

Giới thiệu về bài toán OCR

Text detection (DB, CRAFT)

Text recognition (PaddleOCR, VietOCR)

Các metrics đánh giá OCR

Buổi 8: eKYC (Ứng dụng của bài 6 và 7)

Giới thiệu về bài toán eKYC và các ứng dụng trong thực tiễn

Hướng dẫn viết pipeline kết hợp các modules của bài 6 và 7

Hướng dẫn demo

Buổi 9:  Bài toán Image Segmentation

Kiến trúc tổng quan của bài toán Image Segmentation 

Các mô hình nổi tiếng trong Image Segmentation: Unet, FCN, SegFormer

Giới thiệu thư viện Segmentation PyTorch 

Thực hành segmentation cho bài toán phân đoạn ảnh y tế

Buổi 10: Học bán giám sát Semi supervised learning và ứng dụng

Các kĩ thuật học bán giám sát phổ biến

Hướng dẫn triển khai học bán giám sát cho bài toán image classìicaiton

Các kĩ thuật tăng độ hiệu quả của học bán giám sát 

Buổi 11: Học chủ động Active Learning và ứng dụng

Tư tưởng chính của Active Learning

Các kĩ thuật Active Learning phổ biến

Thực hành triển khai active learning cho bài toán image classification

Buổi 12: Mạng 3DCNN

Tổng quan về mạng 3DCNN

Ứng dụng của mạng 3DCNN

Kiến trúc của mạng 3DCNN

Các metrics đánh giá mạng 3DCNN

Buổi 13: Nhận diện hành động sử dụng mạng 3DCNN

Thực hành xây dựng mô hình nhận dạng hành động với model I3D

Buổi 14: GAN

Tổng quan, lịch sử phát triển bài toán GAN

Các ứng dụng của GAN

Kiến trúc mô hình GAN

Các metrics đánh giá GAN

Buổi 15: Ứng dụng GANs trong bài toán Image Generation

Thực hiện xây dựng mô hình sinh ảnh thay đổi theo phong cách cho trước với Neural Style Transfer

Buổi 16: Dự án cuối khóa

Lựa chọn và xây dựng dự án xử lý ảnh dựa trên kiến thức và kỹ năng đã học

Yêu cầu về dự án

Hướng dẫn và thảo luận về dự án

Buổi 17: Dự án cuối khóa (P2)

Trình bày dự án và đánh giá kết quả

Nhận xét và góp ý

Buổi 18: Tổng kết và định hướng

Tổng kết khóa học 

Hướng dẫn viết và sửa CV

Lộ trình học

Buổi 1: Giới thiệu khóa học
– Giới thiệu khóa học
– Khái niệm về AI, Machine learning, Deep Learning
– Lịch sử AI, Hiện trạng phát triển AI
– Tổng hợp các kiến thức toán cơ bản cần thiết trong AI
– Tổng hợp các kiến thức lập trình Python
– Sử dụng Python thực hành cơ bản
Cách sử dụng Google colab introduction để code
Buổi 2+3: Học máy cơ bản: Học giám sát (Supervise learning)
– Các bước xây dựng mô hình machine learning
– Bài toán hồi quy: Linear Regression, Logistic Regression
– Bài toán phân loại: k-NN, Decision Tree, Naive Bayes,…
– Thực hành: Dự doán giá nhà, Credit scoring,…
Buổi 4+5: Học máy cơ bản: Học không giám sát (Unsupervise learning)
– Phân cụm dữ liệu: K-mean, Mean shift, DBSCAN
– Bài toán phát hiện bất thường dữ liệu
– Giảm chiều dữ liệu: PCA, LLE,…
– Thực hành: K-mean và Mean shift trong ứng dụng phân đoạn ảnh
Buổi 6+7: Neural Network
– Mạng neuron đa lớp
– Các phương pháp huấn luyện mạng nơ ron nhân tạo
– Các thuật toán tối ưu mô hình: Gradient Descent, SGD,…
– Thực hành: Nhận dạng chữ viết tay sử dụng mạng neuron đa lớp
Buổi 8+9: Xử lý hình ảnh
– Nhập môn xử lý ảnh và Thị giác máy tính
– Các kĩ thuật cải thiện chất lượng hình ảnh
– Các bộ lọc ảnh: Gaussian, Laplace, …
– Thực hành: Các kỹ thuật xử lý hình ảnh sử dụng OpenCV, Pillow
Buổi 10+11: Nhận diện vật thể trong ảnh
– Các kỹ thuật trích xuất thông tin ảnh:
+ Edge detection: Sobel, Canny,…
+ Corner detection: Harris, Shi-Tomasi,…
+ Feature extraction: HOG, SIFT,…
+ Thực hành: Xây dựng hệ thống nhận diện vật thể ứng dụng machine learning
Buổi 12+13: Giới thiệu về học sâu – Deep neural network
– Giới thiệu về học sâu: sự hình thành và phát triển
– CNN và các kiến trúc học sâu hiện đại: ResNet, MobileNet,…
– Ứng dụng học sâu trong thị giác máy tính
– Thực hành: Xây dựng mạng học sâu trong bài toán phân loại hình ảnh, xác định vật thể trong ảnh
Buổi 14 + 15: Giới thiệu về xử lý ngôn ngữ tự nhiên
– Giới thiệu về xử lý ngôn ngữ tự nhiên
+ Luồng xử lý của một mô hình ngôn ngữ tự nhiên
+ Tiền xử lý của ngôn ngữ tự nhiên
– Embedding từ:
+ One hot
+ Skip gram
+ CBOW
– Thực hành:
– Xây dựng mô hình embedding từ
Buổi 16 + 17: Ứng dụng học sâu trong xử lý ngôn ngữ tự nhiên
– Tokenizer
Các bài toán trong ngôn ngữ tự nhiê‌n
+ Text classification
+ POS tagging”
– Thực hành:
– Text classification: phân loại sắc thái văn bản
Buổi 18 + 19: Ứng dụng học sâu trong xử lý ngôn ngữ tự nhiên
– Giới thiệu các mạng học sâu: RNN, LSTM, GRU
– Bài toán text classifcation với mạng LSTM
– Cấu trúc Se‌lf Attentio‌n và Transformer
– Thực hành: Image Captioning
Buổi 20: Tổng kết Project

Buổi 1. Giới thiệu khóa học

1.1. Giới thiệu khóa học

1.2. NLP là gì?

1.3. Lịch sử NLP

1.4. Giới thiệu các cách biểu diễn vector trong quá khứ

1.5. Word2vec

1.6. Xây dựng Word2vec tiếng việt

Buổi 2. Word Vectors – GloVe

2.1. giới thiệu Negative Sampling

2.2. giới thiệu Co-occurrence matrix

2.3  giới thiệu Glove

Buổi 3. Neural Network and Backpropagation Review

3.1. Name Entity Recognition

3.2. Matrix Calculus

Buổi 4. Dependency Parsing

4.1. Two views of linguistic structure: Context-free grammar and Dependency grammar

4.2. Dependencies Treebanks

4.3 Dependency Parsing Methods

4.4 Neural Dependency Parsing

Buổi 5. Constituency Parsing

5.1. Tree + NN 

5.2. Multiple W + Tree + RNN

5.3. Matrix-Vector + Tree + RNN

5.4 Tensor + Tree + RNN

Buổi 6. Language Models and Recurrent Neural Networks

6.1. Language Modeling

6.2. Recurrent Neural Networks

Buổi 7. Long Short-Term Memory (LSTM)

7.1. Vanishing Gradients

7.2. Long Short-Term Memory

7.3. Bidirectionality and Multi-Layer RNNs

Buổi 8. Attention, Machine Translation

8.1. Pre-Neural Machine Translation

8.2. Neural Machine Translation

8.3 NMT with Attention

Buổi 9. Transformers

9.1. Limitations of RNNs

9.2. Transformers

9.3. Transformers Limitations

Buổi 10. Pretrained Models – BERT, GPT, T5

10.1. Pretraining

10.2. Pretraining – decoders

10.3. Pretraining – encoders

10.4. Pretraining – encoder-decoder

10.5. Very large models and in-context learning

10.6. Fine Tuning

Buổi 11. Word Vectors – FastText, ELMo

11.1. Pure character level model

11.2. Hybrid model

11.3.  Subword-based models

11.4.  FastText

11.5. ELMo

Buổi 12. Natural Language Generation

12.1. Giới thiệu Natural Language Generation

12.2. Text Summarization

12.3.  Evaluation 

Buổi 13. Question – Answering

13.1. Giới thiệu Question-Answering

13.2. Giới thiệu Reading Comprehension

13.3. Open-domain (textual) question-answering

Buổi 14. Analysis of Model’s Inner Workings

14.1. Analyze by input

14.2. Analyze by output

14.3. Analyze by noise

14.4. Analyze by looking at inside the network

Buổi 15. Knowledge Integration

15.1. Motivation

15.2. Knowledge Integration Techniques

15.3. Evaluating knowledge in LMs

Buổi 16. Recent Trend in NLP

16.1. Intent Detection

16.2. Text Summarization

Buổi 17. Multi-Task Learning

17.1. Evolution of NLP (or AI in general)

17.2. Main limitations

17.3. Multitask Learning

Buổi 18. Meta Learning

18.1. Meta Learning

18.2 Meta Learning Approaches

Buổi 19. Workshop

19.1.Workshop 1

19.2. Workshop 2

Buổi 20. Final Project

20.1.1 Final project

TỔNG KẾT – Trao chứng nhận

20h luyện thực hành tăng cường cùng đội ngũ trợ giảng

Buổi 1: Giới thiệu và tổng quan về khóa học

Tổng quan lịch sử phát triển của AI cho đến thời điểm hiện tại

Hiện trạng phát triển AI ở Việt Nam

Các hướng phát triển trong ngành AI và Data Science

Trao đổi về định hướng nghề nghiệp

Tổng quan về khóa học

Buổi 2: Các kỹ thuật tiền xử lý và tăng cường dữ liệu (Data Augmentation)

Tiền xử lý dữ liệu ảnh (resize, normalize, center-crop, etc.)

Thực hành tiền xử lý dữ liệu

Tăng cường dữ liệu (Data Augmentation) để giảm overfitting và cải thiện hiệu suất mô hình (rotation, flipping, zooming, etc.)

Thực hành tăng cường dữ liệu

Buổi 3: Image Classification

Tổng quan, lịch sử phát triển bài toán Image Classification

Giới thiệu các mạng Convolution: VGG, ResNet, EfficientNet, etc

Các metrics đánh giá Image Classification

Thực hành huấn luyện Image Classification trên Cifar-10

Buổi 4: Object Detection

Tổng quan, lịch sử phát triển bài toán Object Detection

Kiến trúc mô hình Object Detection: CNN, Sliding Window, Non-Maximum Suppression

Các kiến trúc CNN hiện đại: 1-Stage, 2-Stage (YOLO, SSD, R-CNN, etc)

Các metrics đánh giá Object Detection

Thực hành huấn luyện kiến trúc YOLO

Buổi 5: Streamlit

Streamlit là gì

Thực hành demo các ứng dụng AI bằng Streamlit 

Buổi 6: Nhận diện khuôn mặt và sinh trắc học khuôn mặt

Giới thiệu về bài toán nhận diện khuôn mặt và sinh trắc học khuôn mặt

Các hướng giải quyết 

Xây dựng mô hình nhận diện khuôn mặt (RetinaFace, ArcFace)

Xây dựng mô hình sinh trắc học khuôn mặt (Optical Flow, Temporal Analysis)

Buổi 7: OCR

Giới thiệu về bài toán OCR

Text detection (DB, CRAFT)

Text recognition (PaddleOCR, VietOCR)

Các metrics đánh giá OCR

Buổi 8: eKYC (Ứng dụng của bài 6 và 7)

Giới thiệu về bài toán eKYC và các ứng dụng trong thực tiễn

Hướng dẫn viết pipeline kết hợp các modules của bài 6 và 7

Hướng dẫn demo

Buổi 9:  Bài toán Image Segmentation

Kiến trúc tổng quan của bài toán Image Segmentation 

Các mô hình nổi tiếng trong Image Segmentation: Unet, FCN, SegFormer

Giới thiệu thư viện Segmentation PyTorch 

Thực hành segmentation cho bài toán phân đoạn ảnh y tế

Buổi 10: Học bán giám sát Semi supervised learning và ứng dụng

Các kĩ thuật học bán giám sát phổ biến

Hướng dẫn triển khai học bán giám sát cho bài toán image classìicaiton

Các kĩ thuật tăng độ hiệu quả của học bán giám sát 

Buổi 11: Học chủ động Active Learning và ứng dụng

Tư tưởng chính của Active Learning

Các kĩ thuật Active Learning phổ biến

Thực hành triển khai active learning cho bài toán image classification

Buổi 12: Mạng 3DCNN

Tổng quan về mạng 3DCNN

Ứng dụng của mạng 3DCNN

Kiến trúc của mạng 3DCNN

Các metrics đánh giá mạng 3DCNN

Buổi 13: Nhận diện hành động sử dụng mạng 3DCNN

Thực hành xây dựng mô hình nhận dạng hành động với model I3D

Buổi 14: GAN

Tổng quan, lịch sử phát triển bài toán GAN

Các ứng dụng của GAN

Kiến trúc mô hình GAN

Các metrics đánh giá GAN

Buổi 15: Ứng dụng GANs trong bài toán Image Generation

Thực hiện xây dựng mô hình sinh ảnh thay đổi theo phong cách cho trước với Neural Style Transfer

Buổi 16: Dự án cuối khóa

Lựa chọn và xây dựng dự án xử lý ảnh dựa trên kiến thức và kỹ năng đã học

Yêu cầu về dự án

Hướng dẫn và thảo luận về dự án

Buổi 17: Dự án cuối khóa (P2)

Trình bày dự án và đánh giá kết quả

Nhận xét và góp ý

Buổi 18: Tổng kết và định hướng

Tổng kết khóa học 

Hướng dẫn viết và sửa CV

Buổi 1: Giới thiệu khóa học
– Giới thiệu khóa học
– Khái niệm về AI, Machine learning, Deep Learning
– Lịch sử AI, Hiện trạng phát triển AI
– Tổng hợp các kiến thức toán cơ bản cần thiết trong AI
– Tổng hợp các kiến thức lập trình Python
– Sử dụng Python thực hành cơ bản
Cách sử dụng Google colab introduction để code
Buổi 2+3: Học máy cơ bản: Học giám sát (Supervise learning)
– Các bước xây dựng mô hình machine learning
– Bài toán hồi quy: Linear Regression, Logistic Regression
– Bài toán phân loại: k-NN, Decision Tree, Naive Bayes,…
– Thực hành: Dự doán giá nhà, Credit scoring,…
Buổi 4+5: Học máy cơ bản: Học không giám sát (Unsupervise learning)
– Phân cụm dữ liệu: K-mean, Mean shift, DBSCAN
– Bài toán phát hiện bất thường dữ liệu
– Giảm chiều dữ liệu: PCA, LLE,…
– Thực hành: K-mean và Mean shift trong ứng dụng phân đoạn ảnh
Buổi 6+7: Neural Network
– Mạng neuron đa lớp
– Các phương pháp huấn luyện mạng nơ ron nhân tạo
– Các thuật toán tối ưu mô hình: Gradient Descent, SGD,…
– Thực hành: Nhận dạng chữ viết tay sử dụng mạng neuron đa lớp
Buổi 8+9: Xử lý hình ảnh
– Nhập môn xử lý ảnh và Thị giác máy tính
– Các kĩ thuật cải thiện chất lượng hình ảnh
– Các bộ lọc ảnh: Gaussian, Laplace, …
– Thực hành: Các kỹ thuật xử lý hình ảnh sử dụng OpenCV, Pillow
Buổi 10+11: Nhận diện vật thể trong ảnh
– Các kỹ thuật trích xuất thông tin ảnh:
+ Edge detection: Sobel, Canny,…
+ Corner detection: Harris, Shi-Tomasi,…
+ Feature extraction: HOG, SIFT,…
+ Thực hành: Xây dựng hệ thống nhận diện vật thể ứng dụng machine learning
Buổi 12+13: Giới thiệu về học sâu – Deep neural network
– Giới thiệu về học sâu: sự hình thành và phát triển
– CNN và các kiến trúc học sâu hiện đại: ResNet, MobileNet,…
– Ứng dụng học sâu trong thị giác máy tính
– Thực hành: Xây dựng mạng học sâu trong bài toán phân loại hình ảnh, xác định vật thể trong ảnh
Buổi 14 + 15: Giới thiệu về xử lý ngôn ngữ tự nhiên
– Giới thiệu về xử lý ngôn ngữ tự nhiên
+ Luồng xử lý của một mô hình ngôn ngữ tự nhiên
+ Tiền xử lý của ngôn ngữ tự nhiên
– Embedding từ:
+ One hot
+ Skip gram
+ CBOW
– Thực hành:
– Xây dựng mô hình embedding từ
Buổi 16 + 17: Ứng dụng học sâu trong xử lý ngôn ngữ tự nhiên
– Tokenizer
Các bài toán trong ngôn ngữ tự nhiê‌n
+ Text classification
+ POS tagging”
– Thực hành:
– Text classification: phân loại sắc thái văn bản
Buổi 18 + 19: Ứng dụng học sâu trong xử lý ngôn ngữ tự nhiên
– Giới thiệu các mạng học sâu: RNN, LSTM, GRU
– Bài toán text classifcation với mạng LSTM
– Cấu trúc Se‌lf Attentio‌n và Transformer
– Thực hành: Image Captioning
Buổi 20: Tổng kết Project

Buổi 1. Giới thiệu khóa học

1.1. Giới thiệu khóa học

1.2. NLP là gì?

1.3. Lịch sử NLP

1.4. Giới thiệu các cách biểu diễn vector trong quá khứ

1.5. Word2vec

1.6. Xây dựng Word2vec tiếng việt

Buổi 2. Word Vectors – GloVe

2.1. giới thiệu Negative Sampling

2.2. giới thiệu Co-occurrence matrix

2.3  giới thiệu Glove

Buổi 3. Neural Network and Backpropagation Review

3.1. Name Entity Recognition

3.2. Matrix Calculus

Buổi 4. Dependency Parsing

4.1. Two views of linguistic structure: Context-free grammar and Dependency grammar

4.2. Dependencies Treebanks

4.3 Dependency Parsing Methods

4.4 Neural Dependency Parsing

Buổi 5. Constituency Parsing

5.1. Tree + NN 

5.2. Multiple W + Tree + RNN

5.3. Matrix-Vector + Tree + RNN

5.4 Tensor + Tree + RNN

Buổi 6. Language Models and Recurrent Neural Networks

6.1. Language Modeling

6.2. Recurrent Neural Networks

Buổi 7. Long Short-Term Memory (LSTM)

7.1. Vanishing Gradients

7.2. Long Short-Term Memory

7.3. Bidirectionality and Multi-Layer RNNs

Buổi 8. Attention, Machine Translation

8.1. Pre-Neural Machine Translation

8.2. Neural Machine Translation

8.3 NMT with Attention

Buổi 9. Transformers

9.1. Limitations of RNNs

9.2. Transformers

9.3. Transformers Limitations

Buổi 10. Pretrained Models – BERT, GPT, T5

10.1. Pretraining

10.2. Pretraining – decoders

10.3. Pretraining – encoders

10.4. Pretraining – encoder-decoder

10.5. Very large models and in-context learning

10.6. Fine Tuning

Buổi 11. Word Vectors – FastText, ELMo

11.1. Pure character level model

11.2. Hybrid model

11.3.  Subword-based models

11.4.  FastText

11.5. ELMo

Buổi 12. Natural Language Generation

12.1. Giới thiệu Natural Language Generation

12.2. Text Summarization

12.3.  Evaluation 

Buổi 13. Question – Answering

13.1. Giới thiệu Question-Answering

13.2. Giới thiệu Reading Comprehension

13.3. Open-domain (textual) question-answering

Buổi 14. Analysis of Model’s Inner Workings

14.1. Analyze by input

14.2. Analyze by output

14.3. Analyze by noise

14.4. Analyze by looking at inside the network

Buổi 15. Knowledge Integration

15.1. Motivation

15.2. Knowledge Integration Techniques

15.3. Evaluating knowledge in LMs

Buổi 16. Recent Trend in NLP

16.1. Intent Detection

16.2. Text Summarization

Buổi 17. Multi-Task Learning

17.1. Evolution of NLP (or AI in general)

17.2. Main limitations

17.3. Multitask Learning

Buổi 18. Meta Learning

18.1. Meta Learning

18.2 Meta Learning Approaches

Buổi 19. Workshop

19.1.Workshop 1

19.2. Workshop 2

Buổi 20. Final Project

20.1.1 Final project

TỔNG KẾT – Trao chứng nhận

20h luyện thực hành tăng cường cùng đội ngũ trợ giảng

Buổi 1: Giới thiệu và tổng quan về khóa học

Tổng quan lịch sử phát triển của AI cho đến thời điểm hiện tại

Hiện trạng phát triển AI ở Việt Nam

Các hướng phát triển trong ngành AI và Data Science

Trao đổi về định hướng nghề nghiệp

Tổng quan về khóa học

Buổi 2: Các kỹ thuật tiền xử lý và tăng cường dữ liệu (Data Augmentation)

Tiền xử lý dữ liệu ảnh (resize, normalize, center-crop, etc.)

Thực hành tiền xử lý dữ liệu

Tăng cường dữ liệu (Data Augmentation) để giảm overfitting và cải thiện hiệu suất mô hình (rotation, flipping, zooming, etc.)

Thực hành tăng cường dữ liệu

Buổi 3: Image Classification

Tổng quan, lịch sử phát triển bài toán Image Classification

Giới thiệu các mạng Convolution: VGG, ResNet, EfficientNet, etc

Các metrics đánh giá Image Classification

Thực hành huấn luyện Image Classification trên Cifar-10

Buổi 4: Object Detection

Tổng quan, lịch sử phát triển bài toán Object Detection

Kiến trúc mô hình Object Detection: CNN, Sliding Window, Non-Maximum Suppression

Các kiến trúc CNN hiện đại: 1-Stage, 2-Stage (YOLO, SSD, R-CNN, etc)

Các metrics đánh giá Object Detection

Thực hành huấn luyện kiến trúc YOLO

Buổi 5: Streamlit

Streamlit là gì

Thực hành demo các ứng dụng AI bằng Streamlit 

Buổi 6: Nhận diện khuôn mặt và sinh trắc học khuôn mặt

Giới thiệu về bài toán nhận diện khuôn mặt và sinh trắc học khuôn mặt

Các hướng giải quyết 

Xây dựng mô hình nhận diện khuôn mặt (RetinaFace, ArcFace)

Xây dựng mô hình sinh trắc học khuôn mặt (Optical Flow, Temporal Analysis)

Buổi 7: OCR

Giới thiệu về bài toán OCR

Text detection (DB, CRAFT)

Text recognition (PaddleOCR, VietOCR)

Các metrics đánh giá OCR

Buổi 8: eKYC (Ứng dụng của bài 6 và 7)

Giới thiệu về bài toán eKYC và các ứng dụng trong thực tiễn

Hướng dẫn viết pipeline kết hợp các modules của bài 6 và 7

Hướng dẫn demo

Buổi 9:  Bài toán Image Segmentation

Kiến trúc tổng quan của bài toán Image Segmentation 

Các mô hình nổi tiếng trong Image Segmentation: Unet, FCN, SegFormer

Giới thiệu thư viện Segmentation PyTorch 

Thực hành segmentation cho bài toán phân đoạn ảnh y tế

Buổi 10: Học bán giám sát Semi supervised learning và ứng dụng

Các kĩ thuật học bán giám sát phổ biến

Hướng dẫn triển khai học bán giám sát cho bài toán image classìicaiton

Các kĩ thuật tăng độ hiệu quả của học bán giám sát 

Buổi 11: Học chủ động Active Learning và ứng dụng

Tư tưởng chính của Active Learning

Các kĩ thuật Active Learning phổ biến

Thực hành triển khai active learning cho bài toán image classification

Buổi 12: Mạng 3DCNN

Tổng quan về mạng 3DCNN

Ứng dụng của mạng 3DCNN

Kiến trúc của mạng 3DCNN

Các metrics đánh giá mạng 3DCNN

Buổi 13: Nhận diện hành động sử dụng mạng 3DCNN

Thực hành xây dựng mô hình nhận dạng hành động với model I3D

Buổi 14: GAN

Tổng quan, lịch sử phát triển bài toán GAN

Các ứng dụng của GAN

Kiến trúc mô hình GAN

Các metrics đánh giá GAN

Buổi 15: Ứng dụng GANs trong bài toán Image Generation

Thực hiện xây dựng mô hình sinh ảnh thay đổi theo phong cách cho trước với Neural Style Transfer

Buổi 16: Dự án cuối khóa

Lựa chọn và xây dựng dự án xử lý ảnh dựa trên kiến thức và kỹ năng đã học

Yêu cầu về dự án

Hướng dẫn và thảo luận về dự án

Buổi 17: Dự án cuối khóa (P2)

Trình bày dự án và đánh giá kết quả

Nhận xét và góp ý

Buổi 18: Tổng kết và định hướng

Tổng kết khóa học 

Hướng dẫn viết và sửa CV

Hình thức học

Online qua Zoom

Thời lượng

20 buổi – 80h

18 buổi – 76h

TS. Đặng Tuấn Linh

Giảng viên tại Viện CNTT&TT, Đại học Bách khoa Hà Nội

  • Giảng viên tại Viện CNTT&TT, Đại học Bách khoa Hà Nội
  • Thầy nhận bằng Tiến sĩ về Khoa học Máy tính từ trường Đại học Công nghệ Kochi, Nhật Bản năm 2017. 
  • Được nhận học bổng đặc biệt cho 3 năm học tiến sĩ của trường Đại học Công nghệ Kochi, tại Nhật Bản vào năm 2014, học bổng của chính phủ Nhật bản (Monbukagakusho) cho học thạc sĩ vào năm 2012.

Ngoài ra, học viên của khóa học Machine learning cơ bản còn được đồng hành, trợ giúp bởi đội ngũ trợ giảng – Là các sinh viên xuất sắc đang học tập tại ĐHBK HN, hỗ trợ các em trong quá trình thực hành và làm bài tập.

Trí tuệ nhân tạo (viết tắt là AI) là một ngành thuộc lĩnh vực khoa học máy tính (Computer Science) với mục tiêu giúp máy tính có thể tự động hóa các hành vi thông minh như con người.

Học máy là một hệ thống có thể học hỏi từ dữ liệu trong quá khứ thông qua việc tự cải thiện và không được lập trình viên mã hóa rõ ràng.

Học sâu là công nghệ sử dụng mạng nơ-ron nhân tạo gồm các nút liên kết với nhau bắt chước cách thức hoạt động của bộ não con người trong việc xử lý dữ liệu và ra quyết định.

Siri, Face ID, Ô tô tự lái, Hệ thống gợi ý Shopee, Chatbot, …

Học sâu là tập con của Học máy, Học máy là 1 nhánh của Trí tuệ nhân tạo

Sẽ phù hợp với những ai có kiến thức căn bản về Python và Toán học (Xác xuất thống kê, Đại số tuyến tính)

Sử dụng Python và GG Colab

Bài toán về nhận dạng đối tượng, phát hiện đối tượng, phân loại đối tượng, dự đoán, dự báo, …

Khi bạn đăng ký tham gia chương trình học, bạn sẽ được bảo lưu khóa học nếu chưa có thời gian học

Mỗi buổi học online sẽ được record lại và gửi lại cho học viên khi có yêu cầu.

Trí tuệ nhân tạo (viết tắt là AI) là một ngành thuộc lĩnh vực khoa học máy tính (Computer Science) với mục tiêu giúp máy tính có thể tự động hóa các hành vi thông minh như con người.

Học máy là một hệ thống có thể học hỏi từ dữ liệu trong quá khứ thông qua việc tự cải thiện và không được lập trình viên mã hóa rõ ràng.

Học sâu là công nghệ sử dụng mạng nơ-ron nhân tạo gồm các nút liên kết với nhau bắt chước cách thức hoạt động của bộ não con người trong việc xử lý dữ liệu và ra quyết định.

Siri, Face ID, Ô tô tự lái, Hệ thống gợi ý Shopee, Chatbot, …

Học sâu là tập con của Học máy, Học máy là 1 nhánh của Trí tuệ nhân tạo

Sẽ phù hợp với những ai có kiến thức căn bản về Python và Toán học (Xác xuất thống kê, Đại số tuyến tính)

Sử dụng Python và GG Colab

Bài toán về nhận dạng đối tượng, phát hiện đối tượng, phân loại đối tượng, dự đoán, dự báo, …

Khi bạn đăng ký tham gia chương trình học, bạn sẽ được bảo lưu khóa học nếu chưa có thời gian học

Mỗi buổi học online sẽ được record lại và gửi lại cho học viên khi có yêu cầu.

Dự án thực tế

Project nhận diện biển số xe

 

Project cảnh báo va chạm phương tiện khi tham gia giao thông

 

Project phân biệt khuôn mặt thật giả

Cảm nhận học viên

Khóa học liên quan

Khóa học Business Analyst chỉ 5.5 triệu – 30h học – Nền tảng IIBA – Đi làm ngay
  • Tháng 11/2022
  • 30 giờ
  • Theo học viên vote
  • Cơ bản
  • 5.500.000
  • ĐĂNG KÝ
Junior A: 24 giờ trở thành Data Analyst thành thạo Power BI
  • Tháng 11/2022
  • 24 giờ học
  • Cơ bản
  • 3.600.000
  • ĐĂNG KÝ
Fresher A: 24 giờ học DA thực chiến siêu tốc với Excel và Power Query
  • Tháng 11/2022
  • 24 giờ học
  • Cơ bản
  • 3.600.000
  • ĐĂNG KÝ
  • Ngày khai giảng

    : Tháng 11/2022
  • Thời lượng

    : 120 giờ - 40 buổi

Học phí

5.625.000
7.500.000

Thanh toán học phí trước ngày

(*) Áp dụng trả góp bằng thẻ tín dụng

  • Ngày khai giảng

    : Tháng 11/2022
  • Thời lượng

    : 120 giờ - 40 buổi

Học phí

5.625.000
7.500.000

Thanh toán học phí trước ngày

(*) Áp dụng trả góp bằng thẻ tín dụng

Tư vấn miễn phí