Lý thuyết cốt lõi và thực hành về mạng nơ-ron

Nhập môn / Statistics, EDA, User Interviews

5.0

(1)

Nhiệm vụ

Chúng tôi luôn ủng hộ việc ôn thi và chúc bạn thi đỗ. Bài giảng dựa trên nội dung có trong tài liệu PDF, địa chỉ tải xuống PDF: https://www.inflearn.com/clip/1364/%EC%82%AC%ED%9A%8C%EC%A1%B0%EC%82%AC%EB%B6%84%EC%82%AC-2%EA%B8%89-%ED%95%84%EA%B8%B0

Nhập môn

Statistics, EDA, User Interviews

Kỳ thi viết lần 1 Chuyên viên Phân tích Điều tra Xã hội năm 2026

aha30005480

Nhập môn / Statistics, EDA, User Interviews

5.0

(1)

Nhiệm vụ

Khóa học tương tự

Khám phá các khóa học khác trong cùng lĩnh vực!

Công nghệ tiên tiến thế hệ tiếp theo deep learning - Giới thiệu về mạng lưới thần kinh thông tin vật lý và thực hành Pytorch

dlbro

1.472.249 ₫

Cơ bản / PyTorch, Deep Learning(DL), Machine Learning(ML), Artificial Neural Network

4.7

(27)

200+

Khóa học này nói về việc nghiên cứu các mạng lưới thần kinh thông tin vật lý, một trong những công nghệ học sâu cải tiến thế hệ tiếp theo và trực tiếp triển khai chúng bằng Pytorch. Cùng tôi tìm hiểu thế hệ công nghệ trí tuệ nhân tạo tiên tiến tiếp theo!

Cơ bản

PyTorch, Deep Learning(DL), Machine Learning(ML)

Công nghệ tiên tiến thế hệ tiếp theo deep learning - Giới thiệu về mạng lưới thần kinh thông tin vật lý và thực hành Pytorch

dlbro

1.472.249 ₫

Cơ bản / PyTorch, Deep Learning(DL), Machine Learning(ML), Artificial Neural Network

4.7

(27)

200+

Đại số tuyến tính cho AI

codingmax

1.148.354 ₫

Cơ bản / Machine Learning(ML), Deep Learning(DL), Artificial Neural Network, Linear Algebra, AI

5.0

(1)

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.

Cơ bản

Machine Learning(ML), Deep Learning(DL), Artificial Neural Network

Đại số tuyến tính cho AI

codingmax

1.148.354 ₫

Cơ bản / Machine Learning(ML), Deep Learning(DL), Artificial Neural Network, Linear Algebra, AI

5.0

(1)

Xây dựng NPU MNIST với FPGA — Từ RTL đến kiểm chứng Bit-True

EdgeChipLab

5.447.320 ₫

Trung cấp trở lên / Artificial Neural Network, Computer Vision(CV), Verilog HDL, FPGA, verification, AI, rtl

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".

Trung cấp trở lên

Artificial Neural Network, Computer Vision(CV), Verilog HDL

Xây dựng NPU MNIST với FPGA — Từ RTL đến kiểm chứng Bit-True

EdgeChipLab

5.447.320 ₫

Trung cấp trở lên / Artificial Neural Network, Computer Vision(CV), Verilog HDL, FPGA, verification, AI, rtl

# Deep Learning của Shin Kyung-sik - Gradient-based Linear Regression (2) --- **Lưu ý về bản dịch**: Đây là tiêu đề của một bài giảng hoặc tài liệu về Deep Learning, cụ thể là phần thứ 2 về Hồi quy Tuyến tính dựa trên Gradient (Gradient-based Linear Regression). Nếu bạn có n

asdfghjkl13551941

Nhập môn / Deep Learning(DL), PyTorch, gradient-descent, python3, optimization-problem

Đây là bài giảng học cách triển khai code thực tế bằng cách sử dụng các tính năng của PyTorch cho code đã tự triển khai trong Gradient-based Linear Regression (1). Ngoài ra, đây cũng là bài giảng học về sự cần thiết của tiền xử lý dữ liệu, lý thuyết, ảnh hưởng đến quá trình học tập một cách lý thuyết, và triển khai bằng code thực tế.

Nhập môn

Deep Learning(DL), PyTorch, gradient-descent

asdfghjkl13551941

Nhập môn / Deep Learning(DL), PyTorch, gradient-descent, python3, optimization-problem

Thực hành Python học máy để triển khai trên FPGA

EdgeChipLab

1.766.698 ₫

Trung cấp trở lên / Python, Machine Learning(ML), Artificial Neural Network, Numpy, Scikit-Learn, FPGA, AI

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.

Trung cấp trở lên

Python, Machine Learning(ML), Artificial Neural Network

Thực hành Python học máy để triển khai trên FPGA

EdgeChipLab

1.766.698 ₫

Trung cấp trở lên / Python, Machine Learning(ML), Artificial Neural Network, Numpy, Scikit-Learn, FPGA, AI

Lý thuyết thiết yếu cho thiết kế chất bán dẫn AI — từ nơ-ron đến LLM

EdgeChipLab

Nhập môn / Deep Learning(DL), Machine Learning(ML), CNN, transformer, LLM, Artificial Neural Network, AI

Nếu muốn tự mình thiết kế các chất bán dẫn AI như NPU, bộ tăng tốc Transformer hay mini LLM, bạn cần nắm được bằng lý thuyết tại sao các phép tính bên trong chúng lại diễn ra. Khóa học này cô đọng trong ba phần những tinh túy lý thuyết thiết yếu cho thiết kế phần cứng, từ một nơ-ron đơn lẻ đến CNN, Transformer và LLM. Không phải là học thuộc công thức, mà là dùng trực giác để hiểu “tại sao lại như vậy”; một giáo sư đương nhiệm với 30 năm kinh nghiệm trong ngành bán dẫn sẽ kết nối lý thuyết phần mềm với việc triển khai phần cứng thành một thể thống nhất.

Nhập môn

Deep Learning(DL), Machine Learning(ML), CNN

Lý thuyết thiết yếu cho thiết kế chất bán dẫn AI — từ nơ-ron đến LLM

EdgeChipLab

Nhập môn / Deep Learning(DL), Machine Learning(ML), CNN, transformer, LLM, Artificial Neural Network, AI

[Ôn tập khóa đào tạo định kỳ tháng 7] Tìm hiểu sự khác biệt về đặc điểm giữa các nhóm sử dụng dữ liệu với. TRÁI TIM

HEARTCOUNT

Nhập môn / Data literacy, Big Data, statistical-test, classification, decisiontrees

5.0

(4)

Đây là video phát lại của hội thảo trực tuyến thứ bảy bao gồm cách sử dụng 'HEARTCOUNT', một công cụ trực quan hóa dữ liệu miễn phí không yêu cầu mã hóa. Hãy dành thời gian tìm hiểu về dữ liệu hoặc các công cụ học tập bằng cách sử dụng dữ liệu đó để tìm thông tin bạn cần cho công việc của mình.

Nhập môn

Data literacy, Big Data, statistical-test

[Ôn tập khóa đào tạo định kỳ tháng 7] Tìm hiểu sự khác biệt về đặc điểm giữa các nhóm sử dụng dữ liệu với. TRÁI TIM

HEARTCOUNT

Nhập môn / Data literacy, Big Data, statistical-test, classification, decisiontrees

5.0

(4)

Mô hình ngôn ngữ quy mô lớn, chỉ những điều cốt lõi một cách nhanh chóng!

haesunpark

912.794 ₫

Nhập môn / Artificial Neural Network, PyTorch, LLM, Fine-Tuning, RNN

4.7

(10)

<Mô hình Ngôn ngữ Lớn, chỉ những điều cốt lõi một cách nhanh chóng!>(Insight, 2025)를 바탕으로 LLM의 이론과 실전 예제를 다루는 강의입니다.

Nhập môn

Artificial Neural Network, PyTorch, LLM

Mô hình ngôn ngữ quy mô lớn, chỉ những điều cốt lõi một cách nhanh chóng!

haesunpark

912.794 ₫

Nhập môn / Artificial Neural Network, PyTorch, LLM, Fine-Tuning, RNN

4.7

(10)

Phát triển ứng dụng Android, iOS sử dụng mô hình học máy

pnuswedu

Cơ bản / Android, iOS, gan, Artificial Neural Network

4.3

(8)

600+

Bạn sẽ được thực hành tạo ứng dụng Android/iOS dựa trên mô hình học máy đơn giản, đồng thời tìm hiểu về các kiến thức cơ bản về học máy, quy trình chuyển đổi mô hình bằng TFLite và cách triển khai ứng dụng Android/iOS.

Cơ bản

Android, iOS, gan

Phát triển ứng dụng Android, iOS sử dụng mô hình học máy

pnuswedu