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

Học nhanh các chức năng cốt lõi của SPSS để vượt qua kỳ thi thực hành Chứng chỉ Phân tích Điều tra Xã hội cấp độ 2. Từ nhập dữ liệu đến thống kê mô tả, phân tích chéo, kiểm định t-test, phân tích phương sai, phân tích tương quan và hồi quy, bạn sẽ được học các bí quyết SPSS cùng với lời giải chi tiết để chuẩn bị hoàn hảo cho kỳ thi thực hành.

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

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.

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".

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!

Để trực tiếp thiết kế các loại chip bán dẫn AI như NPU, bộ tăng tốc Transformer hay mini LLM, bạn cần phải hiểu rõ lý thuyết về lý do tại sao các phép toán bên trong lại diễn ra. Khóa học này được nén thành ba phần, chắt lọc những tinh túy lý thuyết thiết yếu nhất cho việc thiết kế phần cứng, từ một nơ-ron đơn lẻ cho đến CNN, Transformer và LLM. Thay vì học thuộc lòng các công thức, giáo sư đương nhiệm với 30 năm kinh nghiệm trong ngành bán dẫn sẽ kết nối lý thuyết phần mềm và triển khai phần cứng thành một thông qua trực giác về việc "tại sao nó lại như vậy".

DNN, CNN, RNN? Khóa học thực hành Deep Learning giúp bạn hệ thống hóa hoàn hảo các thuật toán cốt lõi của Deep Learning, từ những thuật ngữ chuyên môn có vẻ khó nhằn đến việc ứng dụng chúng vào thực tế!

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.

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.

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

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.