Phát triển ứng dụng Android dựa trên Java của Jaeseong Yoon Phần 1 - Lập trình giao diện người dùng
softcampus
Bài giảng này được giảng bởi giảng viên Jaeseong Yoon, người dạy App School: Android Lesson Like a Stylish Lion.
Cơ bản
Java, Android
Phát triển Trí tuệ nhân tạo Phần 4: Làm chủ Thuật toán Deep Learning thực tế từ A đến Z
: "Từ nền tảng toán học đến các mô hình mới nhất, hoàn thiện quy trình Deep Learning với TensorFlow (Tổng cộng 44 bài giảng)" Thời đại chỉ học cách gọi model.fit() một cách đơn thuần đã qua rồi. Từ đạo hàm và hạ cực trị (Gradient Descent) - những nền tảng cơ bản nhất của mạng thần kinh nhân tạo, đến cách sử dụng TensorFlow và Keras thiết yếu trong công việc thực tế, và cả CNN/RNN để xử lý dữ liệu hình ảnh và chuỗi thời gian! Chúng tôi sẽ giúp bạn chinh phục toàn bộ quá trình Deep Learning một cách hệ thống. Giờ đây, hãy vượt qua việc phân tích dữ liệu thông thường để bước vào thế giới Deep Learning kinh ngạc, nơi trí tuệ nhân tạo mô phỏng não bộ con người có thể tự học hỏi và đưa ra phán đoán.
1 học viên đang tham gia khóa học này
Độ khó Cơ bản
Thời gian Không giới hạn
Deep Learning(DL)
Deep Learning(DL)
RNN
RNN
CNN
CNN
Tensorflow
Tensorflow
Keras
Keras
Deep Learning(DL)
Deep Learning(DL)
RNN
RNN
CNN
CNN
Tensorflow
Tensorflow
Keras
Keras
Bạn sẽ nhận được điều này sau khi học.
Hiểu rõ về toán học cốt lõi trong Deep Learning (Đạo hàm, Quy tắc chuỗi)
Khả năng thiết kế kiến trúc từ Perceptron đến Mạng thần kinh đa lớp (MLP)
Thành thạo quy trình triển khai và phân phối mô hình học sâu sử dụng TensorFlow/Keras
Kỹ năng tối ưu hóa mô hình chuyên nghiệp sử dụng Dropout, EarlyStopping và Optuna
Năng lực cơ bản về xử lý dữ liệu hình ảnh và chuỗi sử dụng CNN và RNN
Giới thiệu khóa học ✒
: "Từ nền tảng toán học đến các mô hình mới nhất, hoàn thiện quy trình Deep Learning với TensorFlow (Tổng cộng 44 bài giảng)"
Thời đại chỉ đơn thuần model.fit() đã qua rồi. Từ những nền tảng cơ bản nhất của mạng thần kinh nhân tạo như đạo hàm và hạ giang (gradient descent), đến cách sử dụng TensorFlow và Keras thiết yếu trong thực tế, và cả CNN/RNN để xử lý dữ liệu hình ảnh và chuỗi thời gian! Chúng tôi sẽ giúp bạn chinh phục toàn bộ quy trình học sâu (deep learning) một cách hệ thống.
Giờ đây, hãy bước ra khỏi giới hạn của việc phân tích dữ liệu để tiến vào thế giới tuyệt vời của học sâu (deep learning), nơi trí tuệ nhân tạo mô phỏng bộ não con người có thể tự học hỏi và đưa ra quyết định.
Điểm cốt lõi chỉ có tại khóa học này
* Nền tảng toán học vững chắc: Giải thích dễ hiểu các kiến thức toán học thiết yếu để hiểu về Deep Learning, từ hàm số bậc nhất/bậc hai đến đạo hàm riêng và quy tắc chuỗi (Chain Rule).
* Thấu hiểu kiến trúc Deep Learning: Khám phá hoàn hảo các nguyên lý từ Perceptron đơn tầng đến Perceptron đa tầng (MLP) và Lan truyền ngược (Backpropagation).
* Đỉnh cao của chiến lược tối ưu hóa: Truyền đạt từ Dropout, Dừng sớm (Early Stopping) để ngăn chặn quá khớp, cho đến cách sử dụng Optuna - công cụ tinh chỉnh siêu tham số mới nhất.
* Thị giác máy tính & Dữ liệu chuỗi: Bao gồm từ phân loại hình ảnh MNIST (CNN) và xử lý dữ liệu chuỗi/ngôn ngữ (RNN), cho đến học chuyển tiếp (Transfer Learning) để học tập hiệu quả.
* Thiết lập môi trường thực tế: Gói gọn toàn bộ quy trình làm việc thực tế, từ việc thiết lập môi trường phát triển chuyên nghiệp sử dụng TensorFlow và Keras cho đến lưu trữ và tự động hóa mô hình.
📱 Xem trước chương trình học & dự án
✒ Section 1. Tổng quan về Deep Learning và Cơ sở Toán học (Bài 1 ~ Bài 9)
Chúng ta sẽ tìm hiểu về lịch sử và các lĩnh vực hoạt động của Deep Learning, đồng thời đề cập đến toán học cơ bản (hàm số, đạo hàm, đạo hàm riêng, hàm hợp) vốn là động cơ cho việc huấn luyện mạng thần kinh.
Nội dung học chính: Lịch sử Deep Learning, thiết lập môi trường phát triển, cơ bản về đạo hàm, quy tắc chuỗi (Chain Rule)
✒Phần 2. Mô hình hồi quy và Hạ giá trị đạo hàm (Bài 10 ~ Bài 16)
Học sâu về các nguyên lý từ hồi quy tuyến tính - nền tảng của dự đoán, đến phương pháp hạ cực đại (Gradient Descent) để tìm trọng số tối ưu và tỷ lệ học (Learning Rate).
Công nghệ cốt lõi: Thiết kế hàm giả thuyết, chỉ số đánh giá sai số, hồi quy tuyến tính đa biến, phương pháp bình phương tối thiểu
✒ Phần 3. Nguyên lý của mô hình phân loại và Perceptron (Bài 17 ~ Bài 23)
Tìm hiểu về hồi quy logistic và hàm sigmoid, đồng thời học về cấu trúc của perceptron - tiền thân của mạng thần kinh nhân tạo và perceptron đa lớp giúp giải quyết vấn đề XOR.
Nội dung học chính: Hàm Sigmoid, Perceptron, Giải quyết cổng logic, Lan truyền ngược sai số
✒ Phần 4. Thiết kế mạng thần kinh dựa trên TensorFlow & Keras (Bài 24 ~ Bài 31)
Bạn sẽ bắt đầu thiết kế mạng thần kinh nhân tạo bằng cách sử dụng framework một cách nghiêm túc. Bạn sẽ tự tay tạo ra cấu trúc mô hình tối ưu bằng cách lựa chọn các hàm kích hoạt và bộ tối ưu hóa.
Kỹ thuật cốt lõi: Cách sử dụng TensorFlow/Keras, hàm kích hoạt, bộ tối ưu hóa (optimizer), thiết kế cấu trúc cơ bản của Deep Learning
✒ Phần 5. Tối ưu hóa và tinh chỉnh hiệu suất mô hình (Bài 32 ~ Bài 36)
Bạn sẽ học các kỹ thuật ngăn ngừa quá khớp (overfitting), vốn là trọng tâm trong thực tế. Học về Dropout, dừng sớm (EarlyStopping), tự động lưu mô hình và tối ưu hóa siêu tham số tự động bằng Optuna.
Nội dung học chính: Kiểm tra quá khớp (overfitting), Dropout, EarlyStopping, Tự động lưu mô hình, Tinh chỉnh Optuna
✒ Phần 6. Kiến trúc nâng cao: CNN, RNN và Học chuyển tiếp (Bài 37 ~ Bài 44)
Làm chủ CNN - cốt lõi của nhận dạng hình ảnh và RNN - xử lý dữ liệu chuỗi thông qua thực hành MNIST, đồng thời chinh phục cả học chuyển tiếp (transfer learning) để tái sử dụng các mô hình có sẵn.
Kỹ thuật cốt lõi: Phân loại nhị phân/đa lớp, kiến trúc CNN, thực hành MNIST, cơ bản về RNN, học chuyển tiếp
✒ Giới thiệu người chia sẻ kiến thức
Yoon Jae-seong (Giảng viên chính về Phân tích dữ liệu tại Like Lion)
Kinh nghiệm phát triển
• Phát triển và ra mắt nội dung di động SKT "Island Adventure"
• Phát triển và ra mắt nội dung di động KT "Quiz Soccer"
• Ra mắt SK "Mobile Real Estate Agent"
• Phát triển ứng dụng iPhone "Hanjatong"
• Phát triển ứng dụng iPhone "Health Training"
• Phát triển nội dung KT/SK Namco Nhật Bản "Tales of Commons"
• Phát triển các mini game KT (Yageum Yageum Land Grab, Aladdin's Magic Lamp, Mystery Block Detective Group, BUZZ and BUZZ)
Kinh nghiệm giảng dạy
Tôi là giảng viên kỳ cựu với 19 năm kinh nghiệm giảng dạy và phát triển cho các nhân viên đang làm việc tại các doanh nghiệp nổi tiếng trong nước cũng như những người đang tìm việc như: Samsung Multi Campus, Viện Thúc đẩy Công nghiệp Thông tin Busan, Viện Thúc đẩy Công nghiệp Văn hóa Thông tin Jeonju, Viện Thúc đẩy Công nghiệp Thông tin Incheon, Viện Thúc đẩy Phát thanh Truyền hình Hàn Quốc, SK C&C, T Academy, Viện Thúc đẩy Công nghiệp Robot Hàn Quốc, Daejeon ETRI, Samsung Electronics, Trung tâm Đào tạo NICA, Trung tâm Năng suất Hàn Quốc, Hanwha S&C, LG Electronics, v.v.
Lĩnh vực giảng dạy
Tôi giảng dạy về các lĩnh vực như Java, Android, Framework, Cơ sở dữ liệu, UML, iPhone, Xử lý và phân tích dữ liệu lớn, Python, Internet vạn vật (IoT), Phân tích dữ liệu sử dụng R/Python, Deep Learning, Machine Learning AI, Spark, v.v. Tôi xây dựng bài giảng bằng cách lồng ghép những kinh nghiệm đa dạng để giải thích một cách dễ hiểu nhất, đồng thời tạo ra các ví dụ để học viên có thể áp dụng vào thực hành. Vì đây không phải là lớp học trực tiếp nên nếu có điều gì chưa rõ, bạn có thể đặt câu hỏi và nhận giải đáp.
Khuyến nghị cho
những người này
Khóa học này dành cho ai?
- Những ai muốn dấn thân vào con đường trở thành một người xây dựng mô hình Deep Learning thực thụ: Rất khuyến khích dành cho những ai muốn vượt qua mức độ chỉ đơn thuần là sử dụng thư viện, mà muốn hoàn thành tất cả cùng một lúc từ nguyên lý (toán học/lý thuyết) tại sao mạng thần kinh nhân tạo hoạt động cho đến việc xây dựng mô hình thực tế.
- Những ai muốn thực sự mở ra 'chiếc hộp đen' của Deep Learning: Đây là khóa học thiết yếu dành cho các kỹ sư AI tương lai, những người muốn nắm vững hoàn toàn quá trình huấn luyện mô hình bằng cách thấu hiểu các động cơ cốt lõi của mạng thần kinh như đạo hàm, quy tắc chuỗi (chain rule), và lan truyền ngược (backpropagation).
- Những ai muốn đẩy hiệu suất của mô hình đến mức tối đa: Phù hợp với những người đang gặp khó khăn với vấn đề quá khớp (Overfitting) hoặc đang khao khát những kỹ thuật thực tế 'thực thụ' để tự động tinh chỉnh siêu tham số bằng cách sử dụng Optuna - công cụ tối ưu hóa mới nhất.
- Những ai muốn chinh phục dữ liệu hình ảnh (CNN) và chuỗi (RNN): Khuyên dùng cho những ai muốn trải nghiệm các kiến trúc cốt lõi của Deep Learning, từ nhận dạng chữ số MNIST đến xử lý dữ liệu chuỗi thời gian và học chuyển tiếp (Transfer Learning) để tái sử dụng các mô hình mạnh mẽ hiện có.
- Dành cho những ai muốn nắm vững cả lý thuyết và framework (TensorFlow/Keras) cùng lúc: Chúng tôi chuẩn bị nội dung này cho những ai thắc mắc về cách hiện thực hóa các công thức phức tạp thành mã code, cũng như cách áp dụng các tính năng mạnh mẽ của TensorFlow vào các dự án thực tế.
Cần biết trước khi bắt đầu?
Bạn cần có kiến thức cơ bản về cú pháp Python cùng với Numpy và Pandas.
Ngay cả khi bạn thiếu nền tảng toán học, bài giảng vẫn sẽ tập trung vào các khái niệm cốt lõi, vì vậy chỉ cần có đam mê là bạn hoàn toàn có thể hoàn thành khóa học.
Xin chào
Đây là softcampus
16,023
Học viên
826
Đánh giá
594
Trả lời
4.7
Xếp hạng
44
Các khóa học
Soft Campus là trung tâm đào tạo hỗ trợ bán các bài giảng và nội dung trực tuyến cũng như ngoại tuyến.
Mọi thắc mắc về việc mua các bài giảng và nội dung đa dạng cũng như lĩnh vực liên quan đến AI, vui lòng liên hệ qua raputa@nate.com hoặc số điện thoại 02-553-0824.
Cảm ơn bạn.
Chương trình giảng dạy
Tất cả
44 bài giảng ∙ (15giờ 27phút)
Ngày đăng:
Cập nhật lần cuối:
Đánh giá
Chưa có đủ đánh giá.
Hãy trở thành tác giả của một đánh giá giúp mọi người!
Khóa học khác của softcampus
Hãy khám phá các khóa học khác của giảng viên!
Khóa học tương tự
Khám phá các khóa học khác trong cùng lĩnh vực!
