Lớp AI cơ bản – KHOA KỸ THUẬT VÀ CÔNG NGHỆ

KHOÁ HỌC TRÍ TUỆ NHÂN TẠO (AI) CƠ BẢN

1. Giới thiệu

Khoá đào tạo mong muốn mang bạn đến gần hơn với cuộc cách mạng công nghiệp 4.0, tạo cơ hội để mọi người cùng học hỏi về những bước tiến công nghệ hiện nay. Từ Trí tuệ nhân tạo (AI), Data Science, Blockchain, Robotics, IoT, tới những trào lưu còn chưa được biết đến rộng rãi.

Từ nền tảng của ngành Khoa học máy tính, chương trình sẽ giới thiệu và đi sâu nghiên cứu các thuật toán trong Machine Learning và Deep Learning. Tìm hiểu và trải nghiệm các ứng dụng AI qua các bài tập nhỏ và dự án thực tế.

Chương trình hướng đến đào tạo kỹ sư học máy (Machine Learning Engineer) với 5 mục tiêu hướng đến cho học viên: (i) Đảm bảo khả năng tư duy Toán học; (ii) Khả năng lập trình; (iii) Khả năng xử lý dữ liệu; (iv) Nắm bắt các thuật toán trong Machine Learning; (v) Khả năng sử dụng Machine Learning Frameworks. 

Khoá học tập trung phát triển trực giác hình học qua các khái niệm toán học trừu tượng. Các vấn đề và thuật toán trong Machine Leanring và Deep Learning được trình bày trực quan từ khái niệm, ý nghĩa và nguyên tắc hoạt động qua các vi dụ minh hoạ giúp học viên dễ dàng nắm bắt, đến các công thức, mô hình Toán học, nền tảng kiến thức phía dưới hỗ trợ cho học viên có khả năng tìm hiểu sâu hơn.

Khoá học này sẽ giới thiệu các ứng dụng thực tế của AI và Machine Learning Frameworks như: TensorFlow, Keras, PyTorch,… hướng dẫn học viên Step-by-Step thực hiện các bài tập và dự án, giúp học viên trải nghiệm thực tế xây dựng các mô hình ứng dụng AI, nâng cao khả năng lập trình, khả năng xử lý dữ liệu và nắm bắt rõ hơn các vấn đề, thuật toán trong AI.

2. Đối tượng tham gia

• Các lập trình viên mong muốn tìm hiểu và làm chủ công nghệ AI để phục vụ cho công việc hiện tại cũng như định hướng công việc cho tương lai.
• Các bạn học sinh, sinh viên có nhu cầu tiếp cận công nghệ AI từ số không nhưng chưa biết bắt đầu như thế nào.
• Các nhà quản trị, hoạch định chiến lược cho doanh nghiệp theo hướng ứng dụng công nghệ hiện đại, tối ưu hoá giá trị trong doanh nghiệp.

3. Nội dung khoá học

Nội dung khoá học được chia thành từng phần tương ứng với các vấn đề cơ bản trong AI:

• Giới thiệu tổng quan nền tảng Toán cho AI: Linear Algebra, Probability, Calculus;
• Giới thiệu ngôn ngữ lập trình Python và thư viện Numpy;
• Giới thiệu Machine Learning;
• Linear Regression và ứng dụng;
• Logistic Regression và ứng dụng;
• K-means Clustering và ứng dụng;
• Support Vector Machine (SVM) và ứng dụng;
• Giới thiệu Deep Learning;
• Giới thiệu TensorFlow;
• Neural Network và ứng dụng;
• Convolutional Neural Networks (CNN) và ứng dụng;
• Recurrent Neural Networks (RNNs) và ứng dụng
• Mô hình Long Short-Term Memory (LSTM) và ứng dụng;

ĐỀ CƯƠNG CHI TIẾT

1. Giới thiệu chung

Nội dung khoá học được xây dựng dựa trên khoá Machine Learning của Andrew Ng và các khoá Machine Learning và Deep Learning của Simplilearn. Các bài tập ứng dụng và dữ liệu liên quan được xây dựng dựa trên nguồn học liệu chung của cộng đồng AI trong và ngoài nước.

Nội dung khoá học được phân rõ theo từng tuần. Mỗi buổi học, học viên nhận được: (i) Nền tảng lý thuyết theo từng chủ đề; (ii) Được hướng dẫn và trao đổi làm bài tập thực tế liên quan đến nội dung bài học; (iii) Làm bài tập về nhà theo yêu cầu.

Kết quả học tập của học viên sẽ được đánh giá qua 01 bài tập lớn giữa khoá và 01 bài Test trắc nghiệm kiểm tra kiến thức tổng hợp và 01 Dự án cuối khoá.

Học viên hoàn thành tốt khoá học sẽ được cấp Chứng chỉ của Đại học Huế và các đơn vị cùng phối hợp đào tạo.

2. Nội dung chi tiết

Nội dụng khoá học được phân rõ theo từng tuần, cụ thể:

Tuần 1. Giới thiệu AI và Python

• Giới thiệu về AI, Neural Network, Natural Language Processing
• Ngôn ngữ lập trình Python và Thư viện NumPy
• Giới thiệu Google Colab

Phần thực hành:

• Giới thiệu các vấn đề, ứng dụng AI
• Thực hành Python trên Google Colab

Tuần 2. Toán cho AI

• Linear Algebra
• Probability
• Calculus

Phần thực hành:

• Làm quen các khái niệm, công thức Toán với Python.
• Xây dụng mô hình Toán học với Python

Tuần 3. Machine Learning

• Introducing Machine Learning
• Supervised Learning
• Unsupervised Learning
• Model Representation
• Cost Function
• Gradient Descent
• Applications of Machine Learning

Phần thực hành:

• Khảo sát thuật toán Gradient Descent
• Chạy thử một số Mô hình trên Google Colab

Tuần 4. Linear Regression

• Mô hình Linear Regression
• MultiLinear Regression
• Gradient Descent for Multiple variables
• Feature Scaling
• Learning rate
• Polynomial Regression
• Normal Equation

Phần thực hành:

• Xây dựng mô hình Linear Regression
• Khảo sát sự ảnh hưởng của Learning Rate
• Xây dựng mô hình dự đoán giá bất động sản

Tuần 5. Logistic Regression

• Classification and Representation
• Logistic Regression Model
• Multiclass Classification
• The problem of Overfitting
• Regularization

Phần thực hành:

• Khảo sát vấn đề Overfitting
• Xây dựng mô hình Logistic Regression và Regularized Logistic Regression cho bài toán Classification
• Xây dựng mô hình MNIST Logistic Regression nhận dạng chữ số viết tay

Tuần 6. K-means Clustering và Support Vector Machine

K-means Clustering

• Clustering
• Types of Clustering
• K-means Clustering
• Applications of K-means Clustering
• Distance measure
• How does K-means Cluster work?
• K-means Clustering Algorithm

Phần thực hành:

• Demo K-means Clustering
• Xây dựng mô hình K-means cho bài toán Color compression

Support Vector Machine

• Applications of Support Vector Machine
• Why Support Vector Machine?
• What is Support Vector Machine?
• Advantages of Support Vector Machine

Phần thực hành:

• Demo Support Vector Machine

Tuần 7. Deep Learning và TensorFlow

Deep Learning

• Deep Learning
• Applications of Deep Learning
• What is a Neural Network?
• Activation Functions
• Working of a Neural Network
• Deep Learning frameworks
• Computer Vision
• Natural Language Proceesing

TensorFlow

• TensorFlow
• Tensors, Tensors Rank
• Data Flow graph
• Program Elements in TensorFlow: Constant, Variable, Placeholder, Session.

Phần thực hành:

• Thực hành với TensorFlow: Constant, Variable, Placeholder, Session, Operations.
• Xây dựng mô hình MNIST Multi-Layer Perception nhận dạng chữ số viết tay
• Khảo sát TensorFlow API cho bài toán Object Detection

Tuần 8. Neural Network

• Neuron Model and Neural Network
• Forward Propagation
• Non-linear Classification
• Backpropagation algorithm
• Training a neural network

Phần thực hành:

• Xây dựng mô hình Logic Gate với Neural Network
• Khảo sát thuật toán Backpropagation Algorithm

Tuần 9. Convolution Neural Networks và Recurrent Neural Network

Convolutional Neural Networks (CNNs)

• Introduction Image Recognition
• Convolution Neural Network
• Convolution Layer
• Relu Layer
• Pooling Layer
• Flattening
• Fully Connected Layer

Phần thực hành:

• Xây dựng mô hình CNN với TensorFlow
• Xây dựng mô hình nhân dạng chữ số viết tay với CNN

Recurrent Neural Networks (RNNs)

• Recurrent Neural Network
• Applications of RNN
• Representation RNN
• Type of RNN 
• The Vanishing Gradient Problem
• The Exploding Gradient Problem
• Long Short-Term Memory (LSTM)
• Working of LSTM

Phần thực hành:

• Xây dựng mô hình Stock Price Prediction với LSTM
• Xây dựng mô hình Text Classification với RNN

Tuần 10. Tổng kết và bài Test cuối khoá

• Mathematica Interview Questions
• Machine Learning Interview Questions
• Deep Learning Interview Questions
• Projects:
  • Face Recognition
  • Objects Detection
  • Sentiment Analysis
  • Text Classification
  • Word2Vec
  • Machine Translation