Các khái niệm nâng cao cho Deep learning

Khóa học này được thiết kế để giúp bạn nâng cao trình độ trở thành chuyên gia xây dựng máy học thực tế thông qua việc triển khai mô hình máy học của cuộc thi Home Credit Default Risk trên Kaggle.

Giúp bạn trực quan hóa chính xác các khái niệm của các lý thuyết nền tảng của deep learning.

Đây là bài giảng dành cho các bạn sinh viên đang chuẩn bị ứng tuyển vào bộ phận DS của Samsung Electronics (Đánh giá và Phân tích Memory·S.LSI·Foundry·TSP·AVP) và SK hynix (PE·AE·Solution PE) nhưng còn gặp khó khăn trong việc phân biệt giữa các bộ phận kinh doanh và chức năng công việc. Dựa trên quy trình làm việc thực tế của vị trí Đánh giá sản phẩm, khóa học sẽ hệ thống lại tên gọi các vị trí công việc theo từng công ty, đồng thời hướng dẫn cách chuyển đổi kinh nghiệm chuyên ngành của bản thân sang ngôn ngữ chuyên môn để sử dụng trong bản tự giới thiệu và phỏng vấn. Bạn có thể xây dựng chiến lược ứng tuyển bằng cách kết nối các kinh nghiệm như Thiết kế mạch Analog, Verilog/FPGA, thí nghiệm quy trình, phân tích dữ liệu với các từ khóa trọng tâm như Hiệu suất (Yield), Wafer Map, Shmoo Plot và Phân tích lỗi.

Thời gian trôi liên tục và dữ liệu tiếp tục tích lũy. Trong thế giới năng động này, dữ liệu chuỗi thời gian đóng vai trò quan trọng trong mọi khía cạnh của cuộc sống chúng ta. Từ sự biến động trên thị trường tài chính đến những dấu hiệu khó nhận thấy của biến đổi khí hậu, dữ liệu chuỗi thời gian đều có tất cả. Bây giờ hãy tìm hiểu cách diễn giải và sử dụng dữ liệu mạnh mẽ này bằng sức mạnh của Python và học sâu!

Hãy tự xây dựng một mô hình phân tích giá cổ phiếu mạnh mẽ bằng cách sử dụng AI để phân tích hơn 40 loại chỉ số kinh tế và dữ liệu giá cổ phiếu, dự đoán không chỉ S&P 500 và QQQ ETF mà còn cả các cổ phiếu riêng lẻ!

"Đã đến lúc chấm dứt việc học lập trình rồi bỏ cuộc vì phải ghi nhớ cú pháp. Giờ đây, hãy lập trình theo đúng những gì bạn nói cùng trợ giảng AI!" Bạn đã từng tự học Python rồi nản lòng trước những thông báo lỗi chưa? Với trợ lý lập trình AI luôn sẵn sàng trả lời theo nhu cầu của bạn 24 giờ mỗi ngày, ngay cả người không chuyên cũng có thể tạo ra các chương trình tự động hóa thực tế ngay từ ngày đầu tiên.

Từ lý thuyết cốt lõi về Deep Learning và CNN đến các phương pháp triển khai mô hình CNN đa dạng, bí quyết phát triển Deep Learning thực tế thông qua các bài toán thực tế, Nếu bạn muốn trở thành chuyên gia về công nghệ CNN Deep Learning dựa trên Pytorch, hãy tham gia khóa học này :)

Dựa trên trải nghiệm thắc mắc về cách nhận diện khuôn mặt hoạt động trong môi trường ngoại tuyến (offline) tại hiện trường, trong khóa học này, chúng ta sẽ cùng nhau xây dựng cấu trúc cơ bản của hệ thống quản lý ra vào và điểm danh dựa trên nhận diện khuôn mặt, sử dụng React + Electron và DeepFace chạy trên nền tảng FastAPI của Python. Khóa học tập trung vào việc thấu hiểu nguyên lý hoạt động và xây dựng nền tảng vững chắc để có thể mở rộng thành dự án cá nhân, thay vì chỉ chú trọng vào mức độ hoàn thiện của sản phẩm.

Đưa mạng thần kinh lên FPGA — cụm từ này nghe có vẻ quen thuộc, nhưng số người thực sự làm được điều đó lại rất hiếm. Nếu bạn muốn đi trước một bước trong các đồ án tốt nghiệp (Capstone), các cuộc thi hay tác phẩm tốt nghiệp, bạn cần phải vượt xa việc chỉ huấn luyện mô hình; bạn phải có khả năng tự mình tạo ra và chứng minh cách các phép toán đó vận hành bên trong một con chip thực thụ. Khóa học này sẽ giúp bạn lấp đầy khoảng cách đó — khoảng cách giữa lý thuyết và phần cứng thực tế. Bạn sẽ tự tay hoàn thiện từ đầu đến cuối một bộ tăng tốc mạng thần kinh (NPU) nhận dạng chữ số MNIST, từ việc đọc thông số kỹ thuật đến xây dựng mô hình Golden Model bằng Python, thiết kế Verilog RTL và kiểm chứng trên FPGA. Từ lớp Conv được tạo bởi Line Buffer và MAC song song, qua ReLU, MaxPool, Flatten cho đến lớp Fully Connected và Argmax — bạn sẽ tích hợp chín khối chức năng vào một con chip duy nhất và tự mình chứng minh rằng "kết quả từ Python và đầu ra phần cứng không khác nhau dù chỉ một bit (Bit-True)". Khóa học cũng bao gồm cách vượt qua những khoảnh khắc gây ức chế khi mô phỏng chạy bình thường nhưng kết quả lại khác biệt một cách tinh vi. Tôi sẽ chỉ ra từng bí quyết thực tế mà các giáo trình học sâu thông thường không đề cập đến, chẳng hạn như lượng tử hóa số nguyên, chuyển đổi thứ tự trục mảng, hay ngăn chặn tràn bộ tích lũy. Tôi đã đúc kết những kinh nghiệm xương máu từ quá trình thiết kế CPU RISC-V và kiểm chứng Bit-True trên FPGA trong thời gian dài vào khóa học này, để các bạn không phải lặp lại những sai lầm đó. Sau khi kết thúc khóa học, bạn sẽ nắm trong tay một dự án phần cứng hoàn chỉnh mà bạn có thể tự tin nói rằng mình đã "tự tay thiết kế và chứng minh".

Khóa học này bắt đầu từ câu hỏi “Nếu tôi ở trên tàu Titanic, liệu tôi có thể sống sót không?”, từ đó phát triển một mô hình AI dự đoán xác suất sống sót dựa trên dữ liệu thực tế và hoàn thiện một dự án full-stack để cung cấp dịch vụ đó trên web. Bạn sẽ được thực hành toàn bộ quy trình phát triển AI và web, từ xây dựng mô hình Deep Learning bằng PyTorch, thiết lập máy chủ backend với FastAPI, cho đến triển khai giao diện người dùng bằng Next.js.

Dành cho những ai đã chạy thử ví dụ nhận diện bàn tay nhưng vẫn thấy mơ hồ về cách dạy AI nhận biết cử động tay của mình để tạo ra một sản phẩm có thể sử dụng, tôi sẽ tận dụng kinh nghiệm quản lý tổng thể quá trình phát triển và đào tạo giảng viên dạy nghề để hướng dẫn bạn từ A đến Z — từ cài đặt, thu thập dữ liệu, huấn luyện cho đến hoàn thiện giao diện web — chỉ với một webcam.

Khi học máy học, bạn học cách nâng cao độ chính xác. Nhưng ngay khoảnh khắc muốn đưa mô hình đó lên một con chip thực tế, vẫn còn những câu hỏi mà không ai nói cho bạn biết. Mô hình này thực hiện bao nhiêu phép nhân? Nó cần ghi nhớ bao nhiêu và những gì? Thông số của con chip đang nhắm tới có đáp ứng được các yêu cầu đó không? Giáo trình máy học nói về độ chính xác, còn giáo trình bán dẫn nói về mạch điện, nhưng tài liệu kết nối hai lĩnh vực này lại rất hiếm. Khi triển khai CPU RISC-V và NPU trên FPGA, tôi đã nhiều lần đối mặt với khoảng cách đó. Đó là tình huống mô hình có độ chính xác cao nhất lại không thể chạy trên bo mạch. Trong khóa học này, bạn sẽ trực tiếp xây dựng sáu thuật toán bằng Python, đồng thời đo số phép nhân, phép so sánh, bộ nhớ và độ chính xác ở mỗi bước. Sau đó, các giá trị này được quy đổi thành tài nguyên trên một bo mạch FPGA thực tế. Chỉ nói “bao nhiêu phép nhân” thì không đủ để hình dung quy mô, nhưng nếu nói “chiếm bao nhiêu phần trăm tài nguyên của bo mạch” thì bạn có thể đưa ra quyết định. Sau khi hoàn thành chín Lab và đưa sáu mô hình vào cùng một bảng, bạn sẽ thấy một bức tranh khác với dự đoán. Chúng ta đã dành chín bài để đếm số phép nhân, nhưng thứ thực sự trở thành nút thắt lại không phải là phép nhân. Sau đó, chúng ta sẽ hạ độ chính xác xuống dạng số nguyên, quản lý số chữ số và xây dựng cả tiêu chí để đánh giá mạch. Bạn không cần có bo mạch FPGA. Khóa học được thực hiện hoàn toàn bằng Python, còn bo mạch chỉ được sử dụng làm 기준 để quy đổi các giá trị đo được.

Đây là khóa học giúp bạn củng cố vững chắc các kiến thức đại số tuyến tính tối thiểu cần thiết cho việc học tập và nghiên cứu trí tuệ nhân tạo. Khóa học không chỉ chuẩn bị cho kỳ thi đầu vào cao học chuyên ngành trí tuệ nhân tạo, mà còn bao gồm các khái niệm cốt lõi thường gặp khi đọc luận văn và tiến hành nghiên cứu, cùng với các kỹ thuật đại số tuyến tính tính toán cơ bản.

Hãy triển khai khung deep learning trực tiếp trong Excel! Hãy cùng giải quyết việc học có giám sát/học không giám sát/học tăng cường bằng cách sử dụng khung đã triển khai!

Bạn muốn học AI nhưng lần nào cũng bị khựng lại trước các công thức đại số tuyến tính? Thay vì bắt bạn học thuộc lòng các công thức, khóa học này sẽ giúp bạn tận mắt chứng kiến các vectơ và ma trận thực sự chuyển động như thế nào trong không gian. Sau khi hoàn thành khóa học, bạn có thể tự mình đọc hiểu toán học đằng sau mạng thần kinh, PCA và SVD.

Bạn nắm được kiến thức cơ bản nhưng cảm thấy bối rối khi áp dụng vào thực tế? Chúng tôi chắt lọc kinh nghiệm thực tiễn để giải thích rõ ràng những cấu trúc LLM phức tạp.

Khóa học dành cho người mới bắt đầu trở thành kỹ sư AI được thiết kế để trải nghiệm ngắn gọn toàn bộ quy trình từ xử lý dữ liệu, phát triển mô hình, đến Cloud, MLOps và các cân nhắc về đạo đức. Khóa học không chỉ dừng lại ở việc tạo ra mô hình mà còn tập trung vào việc hiểu quy trình kết nối với dịch vụ thực tế để rèn luyện kỹ năng chuyên môn. Các bài thực hành và ví dụ đi kèm sẽ giúp ngay cả những người lần đầu học về AI cũng có thể dễ dàng theo kịp.

Khóa học này là một masterclass thực hành hoàn chỉnh phân tích sâu sự phát triển công nghệ cốt lõi của AI tạo sinh từ LDM(Latent Diffusion Model) đến DiT(Diffusion Transformer). Chúng ta sẽ trực tiếp phân tích nguyên lý học tập dựa trên không gian tiềm ẩn của LDM, cấu trúc của Stable Diffusion, và phương thức triển khai của Diffusion Transformer mới nhất thông qua các bài báo và code. Học viên sẽ trực tiếp triển khai các mô hình LDM, CFG(Classifier-Free Guidance), DiT dựa trên PyTorch, đồng thời học một cách có hệ thống các xu hướng mới nhất và sự tiến hóa cấu trúc của mô hình tạo sinh.

Đây là khóa học Python cơ bản dành cho những người mới bắt đầu muốn phát triển thành nhà phân tích dữ liệu. - Người muốn phân tích dữ liệu nhưng chưa biết Python - Người muốn học machine learning bằng Python - Người đang chuẩn bị cho kỳ thi thực hành chứng chỉ phân tích Big Data - Người muốn phát triển ứng dụng dựa trên machine learning bằng Python

Khóa học này bao gồm toàn bộ quá trình phát triển ChatGPT từ một AI hội thoại đơn thuần thành một AI Agent thông minh có khả năng thực hiện các công việc thực tế. Bạn sẽ được trực tiếp xây dựng các AI Agent có thể ứng dụng ngay vào công việc thực tiễn bằng cách sử dụng ba khung làm việc cốt lõi: LangChain, LangGraph và LangSmith.