[Thực hành AI] Bắt đầu triển khai luận án dành cho Kỹ sư nghiên cứu AI với PyTorch

Khóa học này thực hiện các bài thực hành liên quan đến mô hình Diffusion trong số các mô hình trí tuệ nhân tạo sinh tạo. Thông qua việc cùng nhau đọc và triển khai bài báo prompt-to-prompt - một bài báo ứng dụng mô hình Diffusion tiêu biểu, chúng tôi hy vọng có thể giúp bạn phát triển khả năng hiểu các bài báo trí tuệ nhân tạo mới nhất.

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.

AI Rõ ràng trí tuệ nhân tạo đang là một xu hướng. Nhưng bạn có thể sử dụng gì sau khi học machine learning và deep learning? Bây giờ, hãy cùng tìm hiểu về các dự án IoT Computer Vision hữu ích được sử dụng trong cuộc sống hàng ngày.

Đã học CNN rồi mà bạn vẫn chưa rõ sao? Tôi sẽ tóm tắt nguyên lý hoạt động cơ bản của CNN, chỉ những điểm chính.

Đây là khóa học dự án máy học toàn diện, nơi bạn học nhiều dự án hồi quy và phân loại máy học hữu ích khác nhau cùng với lý thuyết sử dụng Python và TensorFlow 2 dựa trên dữ liệu lớn của Boston Marathon.

Chúng tôi sẽ tổng hợp các khái niệm lý thuyết về MNIST, bộ dữ liệu cơ bản nhất trong thị giác máy tính, đồng thời học cách triển khai thông qua API của Torchvision và cách tự xây dựng một custom dataset class.

Khóa học này sẽ giúp bạn trở thành chuyên gia thị giác máy tính dựa trên học sâu (deep learning) cần thiết trong thực tế, thông qua các giải thích lý thuyết chuyên sâu về Object Detection và Segmentation cùng các ví dụ thực hành ở mức độ có thể áp dụng ngay trong công việc.

Nhiều người đã học về FPGA và Verilog nhưng lại gặp khó khăn ở câu hỏi "Vậy làm thế nào để trực tiếp tạo ra một bộ tăng tốc AI?". Khóa học này sẽ giải đáp thắc mắc đó. Chỉ với một tấm FPGA phổ thông và các công cụ miễn phí, bạn sẽ bắt đầu từ việc tự tay thiết kế kernel 3×3, trực tiếp huấn luyện CNN, lượng tử hóa các trọng số đã học sang INT8 để đưa vào phần cứng, và cuối cùng là kiểm chứng xem nó có khớp hoàn toàn (Bit-True) với mô hình Python đến từng bit hay không. Với 30 năm kinh nghiệm trong ngành bán dẫn và tư cách là giáo sư đương nhiệm, tôi chỉ dạy những nội dung đã được kiểm chứng trên FPGA thực tế dưới dạng các 'mạch điện hoạt động được'. Thay vì lý thuyết suông, bạn sẽ có được trải nghiệm tự tay thiết kế và chứng minh, từ đó trang bị năng lực thực chiến đáp ứng yêu cầu trong lĩnh vực thiết kế Fabless và chip bán dẫn AI.

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".

AI Rõ ràng trí tuệ nhân tạo và di động đang là xu hướng. Nhưng làm thế nào để bạn học máy học và học sâu và sử dụng chúng trên thiết bị di động? Bây giờ, hãy cùng tìm hiểu các dự án Thị giác máy tính di động hữu ích được sử dụng trong cuộc sống hàng ngày.

Chứng chỉ thiết yếu trong thời đại AI, MS AI-900! 🚀 Bạn có biết không? ChatGPT chỉ hoạt động trên Microsoft Azure! Nếu bạn muốn tận dụng đúng cách Microsoft Azure OpenAI - nền tảng độc quyền cung cấp các mô hình GPT mới nhất, thì đây chính là cơ hội. Hãy phát triển thành chuyên gia dịch vụ Azure AI thông qua khóa học AI-900, và làm chủ các giải pháp AI cấp doanh nghiệp mà các công ty tin tưởng. Hãy nâng cao khả năng cạnh tranh của bạn với tư cách là một chuyên gia AI thực thụ bằng cách đạt được chứng nhận công nhận toàn cầu!

Khi bạn tải hình ảnh lên, Opencv sẽ xử lý hình ảnh đó để tạo một ứng dụng web phát hiện khuôn mặt.

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.

Trong kỷ nguyên AI và Big Data, bạn đã và đang khai thác dữ liệu của tổ chức mình một cách hiệu quả chưa? Khóa học này sẽ giúp bạn phát triển các năng lực thiết yếu để đọc và giải thích dữ liệu, từ nền tảng tư duy thống kê đến các nguyên lý cốt lõi của Machine Learning và Deep Learning. Hãy trở thành một nhà lãnh đạo thực thụ, có khả năng phát hiện các quy luật trong sự biến động và đưa ra các quyết định dựa trên dữ liệu.

Với lộ trình học tập bài bản gồm 40 bài giảng, bạn sẽ được học từ lý thuyết cơ bản về AI đến các kỹ thuật AI ứng dụng của từng thuật toán. Thông qua việc học và thực hành thuật toán bằng ngôn ngữ R cùng tư duy toán học trực quan, bạn sẽ trang bị được năng lực phát triển mô hình AI có thể áp dụng ngay vào thực tế, từ việc xây dựng và lựa chọn sử dụng các mô hình thuật toán cho phân tích dữ liệu, học máy (machine learning) và các công cụ ứng dụng liên quan.

- Dự án thực chiến cuộc thi Kaggle: từ khám phá dữ liệu đến nộp bài - Sau phần hướng dẫn, cùng theo dõi một cuộc thi Kaggle thực tế từ đầu đến cuối Bạn đã đăng ký Kaggle và hoàn thành cả phần hướng dẫn Titanic, nhưng khi đứng trước một cuộc thi thực sự lại thấy bối rối, không biết nên bắt đầu từ đâu? Nếu chỉ sao chép notebook của người khác rồi nộp bài, bạn sẽ sớm gặp phải bức tường mang tên "Tại sao điểm của mình không tăng?" Trong khóa học này, chúng ta sẽ cùng thực hiện trọn vẹn một cuộc thi Kaggle thực tế từ đầu đến cuối: khám phá dữ liệu, thiết kế quy trình xác thực, kỹ thuật tạo đặc trưng, xây dựng mô hình và nộp bài. Thay vì học thuộc mã nguồn, bạn sẽ rèn luyện được tư duy xuyên suốt của một cuộc thi: "Thử điều gì và vì sao, đồng thời kiểm chứng hiệu quả của thử nghiệm đó như thế nào?" [Một dòng về kinh nghiệm tham gia/đạt giải cuộc thi hoặc kinh nghiệm thực tế của bạn]

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.

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 thực hiện dự án clone "Amenity Detection" của đội ngũ khoa học dữ liệu Airbnb - một ví dụ điển hình về việc ứng dụng TensorFlow, sau đó hệ thống lại quá trình thực hiện lên blog GitHub để tạo dựng portfolio AI.

Khóa học này là quá trình học tập lý thuyết cơ bản và quy trình thực tế cần thiết để áp dụng mô hình hóa AI và lập kế hoạch dịch vụ vào công việc thực tế. Người học có thể nắm vững kiến thức nền tảng thiết yếu để thực hiện thành thạo các dự án mô hình hóa AI, và trải nghiệm các quy trình thực tế đa dạng được sử dụng trong môi trường làm việc thực tế. Đặc biệt, khóa học được cấu trúc để học từng bước toàn bộ quy trình từ phân tích môi trường dịch vụ AI → thiết lập mục tiêu → phân tích yêu cầu → thiết kế mô hình dịch vụ → lập kế hoạch kịch bản → lập kế hoạch ứng dụng → thiết lập kế hoạch thực hiện → lập kế hoạch đánh giá hiệu quả. Thông qua điều này, không chỉ dừng lại ở việc học tập từ góc độ kỹ thuật đơn thuần, mà có thể phát triển tư duy có hệ thống và khả năng ứng dụng thực tế về cách thức đưa AI vào sử dụng và khai thác từ góc độ kinh doanh và lập kế hoạch dịch vụ. Người học hoàn thành khóa học này sẽ hiểu được quá trình lập kế hoạch và thực hiện tổng thể của dự án AI, và có thể tăng cường năng lực với vai trò là người lập kế hoạch dịch vụ AI·PM·chiến lược gia dựa trên dữ liệu trong môi trường doanh nghiệp thực tế.