Giải tích cho AI — Đạo hàm, gradient và nguyên lý mạng nơ-ron học tập

Đây là khóa học đại số tuyến tính, trong đó bạn sẽ tìm hiểu ý nghĩa của vector và ma trận qua hình ảnh, đồng thời tự tính toán bằng các ví dụ nhỏ. Khóa học trình bày từng bước những kiến thức toán học được sử dụng trong hồi quy tuyến tính, PCA, SVD, tensor và cơ chế attention. Không yêu cầu kiến thức lập trình.

Khóa học này bao gồm phần giới thiệu về đại số tuyến tính và bạn có thể nắm vững phần giới thiệu về đại số tuyến tính thông qua các bài giảng.

Hiểu rõ các khái niệm machine learning, nguyên lý học của trí tuệ nhân tạo, và nguyên lý toán học để triển khai mô hình, nhằm ứng dụng sâu rộng deep learning!

Khóa học này dành cho những người muốn học máy học nhưng thiếu kiến ​​thức thống kê.

Đây là khóa học được thiết kế mới, giúp bạn từng bước nắm vững toán học, lý thuyết, cách triển khai dựa trên PyTorch, học chuyển giao và Transformer cốt lõi của GPT—những kiến thức cần thiết để hiểu về deep learning—dựa trên những trải nghiệm thất bại của giảng viên khi lần đầu học deep learning.

Đưa mạng nơ-ron lên FPGA — nghe thì quen thuộc, nhưng số người thực sự làm được lại rất ít. Nếu muốn vượt lên một bước trong các dự án Capstone, cuộc thi kỹ thuật hay đồ án tốt nghiệp, bạn cần có khả năng tự xây dựng và chứng minh cách các phép tính của mô hình thực sự vận hành bên trong con chip, thay vì chỉ dừng lại ở việc huấn luyện mô hình. Khóa học này sẽ giúp bạn bắc qua khoảng cách giữa lý thuyết và phần cứng thực tế. Từ việc đọc đặc tả, xây dựng mô hình vàng bằng Python, huấn luyện Machine Learning, thiết kế Verilog RTL cho đến kiểm chứng trên FPGA, bạn sẽ tự hoàn thiện từ đầu đến cuối một bộ tăng tốc mạng nơ-ron (NPU) nhận diện các chữ số MNIST viết tay của người thật. Từ lớp Conv được xây dựng bằng bộ đệm dòng và các MAC song song, đi qua ReLU, MaxPool, Flatten, rồi đến lớp kết nối đầy đủ và Argmax — bạn sẽ tích hợp chín khối thành một con chip duy nhất, đồng thời tự mình chứng minh rằng "đáp án Python và đầu ra phần cứng không khác nhau dù chỉ một bit (Bit-True)". Khóa học cũng bao gồm cách vượt qua khoảnh khắc đầy bức bối khi mô phỏng vẫn chạy bình thường nhưng chỉ có kết quả là khác đi một cách tinh vi. Từng bước, tôi sẽ chỉ ra những bí quyết thực chiến mà các giáo trình deep learning thông thường không đề cập, chẳng hạn như lượng tử hóa số nguyên, chuyển đổi thứ tự trục của mảng và phòng tránh tràn bộ tích lũy. Tôi đã đưa vào khóa học những kinh nghiệm và sai lầm tích lũy được qua thời gian dài thiết kế CPU RISC-V và kiểm chứng FPGA Bit-True, để các bạn không phải lặp lại chúng. Khi kết thúc khóa học, bạn sẽ có trong tay một dự án phần cứng hoàn chỉnh và có thể tự tin nói rằng: "Tôi đã trực tiếp thiết kế và chứng minh nó.&quot

Khóa học này bao gồm từ các khái niệm cơ bản của hệ thống gợi ý đến các nguyên lý ứng dụng Deep Learning. Hãy cùng học hỏi các thuật toán gợi ý đa dạng như lọc cộng tác (Collaborative Filtering), lọc dựa trên nội dung (Content-based Filtering), hệ thống gợi ý lai (Hybrid Recommender System) và nâng cao năng lực thực tiễn để phát triển dịch vụ gợi ý!

Đây là khóa học giúp bạn dễ dàng học các khái niệm toán học quan trọng được sử dụng trong trò chơi. Những người giỏi toán thường coi những kiến thức đó là điều hiển nhiên nên khó có thể dạy với giả định rằng người học không biết gì cả. Khóa học này thực sự coi bạn là một người không chuyên và giải thích dưới góc độ của người mới bắt đầu.

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.

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.

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!

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!

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 :)

Mục tiêu đỗ trong thời gian ngắn chứng chỉ AI được nhà nước công nhận đầu tiên! Cung cấp 3 bộ bài giải đề thực tế do giảng viên trực tiếp dự thi và biên soạn lại, cùng các mẫu mã nguồn.

Hãy chắc chắn bắt đầu với những điều cơ bản về học máy và học sâu! Phân loại/hồi quy/phân cụm/tạo và sử dụng mạng thần kinh nhân tạo trong Python

Thông qua bài giảng này, sinh viên sẽ không chỉ học các lý thuyết khác nhau về học tăng cường và trực tiếp triển khai chúng mà còn có thể tạo ra môi trường học tăng cường để kiểm tra thuật toán học tăng cường được triển khai bằng tác nhân học máy Unity.

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.

- 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]

Nếu bạn yêu cầu AI "hãy tạo mô hình bằng dữ liệu này", vài dòng đầu tiên trông có vẻ hợp lý, nhưng chỉ cần phức tạp hơn một chút, nó sẽ sử dụng sai cột, làm rò rỉ dữ liệu (leakage), và dù điểm số tăng lên nhưng mô hình thực tế lại tệ đi. Khóa học này không dạy bạn cách viết prompt tốt hơn. Thay vào đó, nó tập trung vào cách trực tiếp thiết kế một vòng lặp (harness) để Agent có thể hiểu dữ liệu, lập kế hoạch, viết mã, tự xác nhận kết quả và quay lại nếu sai sót. Sau khi thực hành thủ công một vòng lặp năm mảnh của DS-STAR, chúng ta sẽ lần lượt lắp ráp các thành phần: Data Profile Card, Hook, Skill Hierarchy, Independent Verifier và Ablation.

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.