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

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