inflearn logo

Phát triển Trí tuệ nhân tạo Phần 5 Dự án Deep Learning thực tế

: "Hành trình Deep Learning Full-stack xuyên suốt các lĩnh vực dữ liệu, từ thiết lập môi trường đến 7 dự án thực tế (Tổng cộng 35 bài giảng)" Vượt xa mức độ chỉ đơn thuần làm theo mã ví dụ, bạn sẽ học cách xử lý các loại dữ liệu đa dạng trong thực tế bằng Deep Learning. Bắt đầu từ việc thiết lập môi trường phát triển CPU/GPU, cho đến phân loại rác tái chế (hình ảnh), dự đoán giá cổ phiếu (chuỗi thời gian), phát hiện bất thường điện tâm đồ (AE), hoạt hình hóa (GAN), phân đoạn hình ảnh y tế (U-Net) và phân loại âm thanh (âm thanh)! Bạn sẽ chinh phục các thuật toán cốt lõi của Deep Learning một cách hệ thống thông qua các dự án thực chiến.

5 học viên đang tham gia khóa học này

Độ khó Cơ bản

Thời gian Không giới hạn

AI
AI
Deep Learning(DL)
Deep Learning(DL)
Machine Learning(ML)
Machine Learning(ML)
Python
Python
Big Data
Big Data
AI
AI
Deep Learning(DL)
Deep Learning(DL)
Machine Learning(ML)
Machine Learning(ML)
Python
Python
Big Data
Big Data

Bạn sẽ nhận được điều này sau khi học.

  • * Khả năng xây dựng môi trường phát triển học sâu tận dụng tăng tốc phần cứng CPU/GPU

  • * Hơn 5 kỹ thuật tiền xử lý dữ liệu bao gồm hình ảnh, chuỗi thời gian, âm thanh, tín hiệu sinh học, v.v.

  • * Khả năng triển khai thực tế các mô hình học sâu cốt lõi như LSTM, GAN, AE, U-Net, v.v.

  • * Khả năng thiết kế dịch vụ tích hợp kết hợp giữa OpenCV và mô hình Deep Learning

  • * Bí quyết tối đa hóa hiệu suất mô hình bằng cách tận dụng Học chuyển tiếp (Transfer Learning)

Giới thiệu khóa học


: "Từ xây dựng môi trường đến 7 dự án thực tế, hành trình full-stack học sâu vượt qua mọi miền dữ liệu (Tổng cộng 35 bài giảng)"

Không chỉ dừng lại ở việc sao chép mã ví dụ, bạn sẽ được học cách xử lý các loại dữ liệu thực tế đa dạng trong công việc bằng Deep Learning. Bắt đầu từ việc thiết lập môi trường phát triển CPU/GPU, cho đến phân loại rác thải (hình ảnh), dự đoán giá cổ phiếu (chuỗi thời gian), phát hiện bất thường điện tâm đồ (AE), hoạt hình hóa (GAN), phân đoạn hình ảnh y tế (U-Net), và phân loại âm thanh (âm thanh)! Bạn sẽ chinh phục các thuật toán Deep Learning cốt lõi một cách hệ thống thông qua các dự án thực chiến.

 

Điểm cốt lõi chỉ có tại bài giảng này

* Sự đa dạng vượt trội của các dự án: Không chỉ dừng lại ở phân loại hình ảnh, khóa học còn bao quát tất cả các lĩnh vực cốt lõi trong thực tế như chuỗi thời gian, âm thanh, mô hình tạo sinh và hình ảnh y tế.

* Thiết lập môi trường thực tế: Chúng tôi sẽ hướng dẫn chi tiết từ việc thiết lập môi trường GPU - bước cửa ngõ bắt buộc của Deep Learning - cho đến quy trình tiền xử lý dữ liệu ở cấp độ thực tế một cách đầy đủ nhất.

* Thực hành các kiến trúc mới nhất: Trực tiếp triển khai và áp dụng các mô hình tối ưu phù hợp với mục đích như LSTM, AutoEncoder, CycleGAN, U-Net.

* Làm chủ dữ liệu phi cấu trúc: Trực tiếp xử lý các loại dữ liệu phức tạp như Mel-spectrogram (âm thanh), hình ảnh y tế dựa trên DICOM, dữ liệu giá cổ phiếu theo chuỗi thời gian.

* Kết hợp với OpenCV: Kết hợp mô hình Deep Learning với OpenCV để thiết kế các pipeline có khả năng ứng dụng vào các dịch vụ thực tế.

Thông tin về các nội dung bổ sung có thể được kiểm tra bằng cách truy cập vào trang web Soft Campus.

http://www.softcampus.co.kr/main.softcampus


 

📱 Xem trước chương trình học & dự án


✒ Phần 1. Bắt đầu Deep Learning và thiết lập môi trường (Bài 1 ~ Bài 3)

Trước khi bắt đầu học chính thức, chúng ta sẽ tìm hiểu về luồng hoạt động của Deep Learning và thiết lập hoàn chỉnh môi trường phát triển CPU cũng như GPU để tối đa hóa tốc độ học tập.

Nội dung học chính: Lộ trình khóa học, thiết lập môi trường GPU cục bộ và đám mây


✒Phần 2. [Dự án 1] Máy phân loại rác thải thông minh (Bài 4 ~ Bài 9)

Trải nghiệm toàn bộ quy trình phân loại hình ảnh. Học từ thu thập dữ liệu đến tiền xử lý và triển khai mô hình hiệu suất cao sử dụng học chuyển đổi (Transfer Learning).

Công nghệ cốt lõi: Tiền xử lý dữ liệu hình ảnh, tăng cường dữ liệu (Data Augmentation), CNN, chiến lược sử dụng học chuyển đổi (Transfer Learning)

 

✒ Phần 3. [Dự án 2] Phân tích dữ liệu giá cổ phiếu theo chuỗi thời gian (Bài 10 ~ Bài 12)

Bạn sẽ học cách xử lý dữ liệu thay đổi theo thời gian bằng cách sử dụng dữ liệu giá cổ phiếu của Samsung Electronics. Thông qua EDA, bạn sẽ rút ra các thông tin chi tiết (insight) và áp dụng mạng thần kinh tái phát (RNN).

Công nghệ cốt lõi: EDA dữ liệu chuỗi thời gian, chuẩn hóa dữ liệu, mô hình hóa LSTM (Long Short-Term Memory)


✒ Section 4. [Dự án 3] Phát hiện bất thường trong dữ liệu điện tâm đồ (Bài 13 ~ Bài 16)

Sử dụng dữ liệu tín hiệu sinh học để phân biệt giữa bình thường và bất thường. Tìm hiểu nguyên lý và cách áp dụng thực tế của AutoEncoder, một đại diện tiêu biểu của học không giám sát.

Nội dung học chính: Đặc điểm dữ liệu điện tâm đồ (ECG), Tổng quan và triển khai AutoEncoder (AE), Logic phát hiện bất thường


✒ Phần 5. [Dự án 4] Hoạt hình hóa hình ảnh bằng GAN (Bài 17 ~ Bài 23)

Chúng tôi sẽ đề cập đến lĩnh vực AI tạo sinh thú vị nhất. Chúng tôi sẽ đi sâu tìm hiểu kiến trúc CycleGAN, giúp chuyển đổi những bức ảnh thông thường sang phong cách hoạt hình.

Công nghệ cốt lõi: Nguyên lý của GAN, Image-to-Image Translation, cấu trúc và ứng dụng CycleGAN


✒ Phần 6.[Dự án 5] Chẩn đoán bệnh dựa trên hình ảnh y tế (Bài 24 ~ Bài 28)

Học về phân đoạn hình ảnh (Image Segmentation), cốt lõi của AI y tế. Sử dụng mô hình U-Net để nắm vững kỹ thuật tìm kiếm chính xác các vùng bệnh cụ thể trong hình ảnh.

Kỹ thuật cốt lõi: Kiến trúc U-Net, Tiền xử lý hình ảnh y tế, Semantic Segmentation


✒ Section 7.[Project 6] Phân loại dữ liệu âm thanh (Bài 29 ~ Bài 32)

Chuyển đổi dữ liệu âm thanh sang dạng mà deep learning có thể hiểu được và tiến hành phân loại. Học các thư viện và kỹ thuật thiết yếu trong xử lý âm thanh.

Nội dung học chính: Sử dụng Librosa, chuyển đổi Mel Spectrogram, lập mô hình Deep Learning cho âm thanh


✒ Phần 8. [Dự án 7] Máy tính tổng các chữ số (Bài 33 ~ Bài 35)

Đây là dự án tích hợp kết hợp OpenCV và Deep Learning. Bạn sẽ hoàn thiện quy trình thực tế từ việc nhận diện chữ số trong hình ảnh đến thực hiện các phép tính vật lý.

Nội dung học chính: Xử lý hình ảnh OpenCV, liên kết mô hình Deep Learning, nhận dạng chữ số và logic tính tổng.


✒ 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 "Island Adventure" của SKT
• Phát triển và ra mắt nội dung di động "Quiz Soccer" của KT
• Ra mắt "Môi giới bất động sản di động" của SK
• Phát triển ứng dụng iPhone "Hanja Tong"
• Phát triển ứng dụng iPhone "Health Training"
• Phát triển nội dung "Tales of Commons" của Namco Nhật Bản cho KT/SK
• Phát triển mini game KT (Yageumyageum Ttangttameokgi, Aladdin's Magic Lamp, Mystery Block Detective, 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 và những người chưa có việc làm 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 trong 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. Tôi xây dựng bài giảng bằng cách lồng ghép các 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, hãy đặt câu hỏi & giải đáp.

Khuyến nghị cho
những người này

Khóa học này dành cho ai?

  • * Những người muốn học nhanh thông qua các dự án: Những người muốn trực tiếp tạo ra nhiều mô hình AI hoạt động thực tế thay vì liệt kê các lý thuyết nhàm chán.

  • * Những người muốn trải nghiệm đa dạng các lĩnh vực dữ liệu: Những người muốn chinh phục tất cả các loại dữ liệu phi cấu trúc như dữ liệu chuỗi thời gian, âm thanh, y tế bên cạnh hình ảnh.

  • * Những người tò mò về AI tạo sinh và kiến trúc mới nhất: Những người muốn trực tiếp triển khai các mô hình đang được chú ý trong thực tế như GAN, CycleGAN, U-Net, v.v.

  • * Người tìm việc/người chuyển việc cần portfolio: Những ai muốn sở hữu 7 kết quả dự án Deep Learning đa dạng, không giới hạn trong một lĩnh vực duy nhất.

Cần biết trước khi bắt đầu?

  • Bạn cần phải quen thuộc với cú pháp cơ bản của Python, và sẽ là tốt nhất nếu bạn đã có kinh nghiệm xử lý dữ liệu cơ bản bằng cách sử dụng Numpy và Pandas.

  • Nội dung tập trung vào việc triển khai và ứng dụng thực tế hơn là các nguyên lý toán học của mô hình deep learning, nên nếu là người mới bắt đầu có kỹ năng lập trình thì hoàn toàn có thể theo kịp.

Xin chào
Đây là softcampus

16,078

Học viên

827

Đánh giá

594

Trả lời

4.7

Xếp hạng

45

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.

Thêm

Chương trình giảng dạy

Tất cả

37 bài giảng ∙ (12giờ 31phút)

Tài liệu khóa học:

Tài liệu bài giảng
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!

Ưu đãi có thời hạn

49.500 ₫

50%

2.088.708 ₫