해당 커리큘럼 목록
<Hướng dẫn TensorFlow Object Detection API Phần 1 - Phát hiện vật thể bằng cách sửa 10 dòng mã> Phần 1
- Giới thiệu về lĩnh vực bài toán Object Detection
- Object Detection Metric - IoU, mAP
- Object Detection Datasets – Pascal VOC, MS COCO, KITTI, Open Images
<Hướng dẫn TensorFlow Object Detection API Part1 - Phát hiện vật thể bằng cách sửa 10 dòng mã> Phần 3
- Giới thiệu về TensorFlow Object Detection API
<Hướng dẫn TensorFlow Object Detection API Phần 1 - Phát hiện vật thể bằng cách sửa 10 dòng mã> Phần 4
- R-CNN(Regions with CNN)
- Fast R-CNN
- Faster R-CNN
- Non-Maximum Suppression (NMS)
- SSD(Single Shot MultiBox Detector)
- RetinaNet
- CenterNet
<Hướng dẫn TensorFlow Object Detection API Phần 1 - Phát hiện vật thể bằng cách sửa 10 dòng mã> Phần 5
- Phát hiện đối tượng (Object Detection) sử dụng Mô hình đã huấn luyện trước (Pre-Trained Model)
<Nhập môn Deep Learning với TensorFlow 2.0> Phần 1
- Trí tuệ nhân tạo, Học máy, Học sâu & Học có giám sát, Học không giám sát, Học tăng cường
- Lĩnh vực ứng dụng của Deep Learning và TensorFlow
- Sơ lược về lịch sử của Deep Learning
<Nhập môn Deep Learning học cùng TensorFlow 2.0> Phần 3
- Quy trình cơ bản của Machine Learning - Định nghĩa giả thuyết, định nghĩa hàm mất mát, định nghĩa tối ưu hóa
- Triển khai thuật toán Hồi quy tuyến tính (Linear Regression) sử dụng TensorFlow 2.0
- Batch Gradient Descent, Stochastic Gradient Descent, Mini-Batch Gradient Descent
- Dữ liệu huấn luyện (Training Data), Dữ liệu kiểm định (Validation Data), Dữ liệu kiểm tra (Test Data) & Quá màng (Overfitting)
- Hồi quy Softmax (Softmax Regression) & Hàm mất mát Cross-Entropy (Cross-Entropy Loss Function) & One-hot Encoding & MNIST
- TensorFlow 2.0 Keras Subclassing
- Triển khai bộ phân loại chữ số MNIST sử dụng TensorFlow 2.0 và Softmax Regression
<Nhập môn Deep Learning với TensorFlow 2.0> Phần 4
- Perceptron đa tầng MLP
- Triển khai bộ phân loại chữ số MNIST sử dụng TensorFlow 2.0 và ANN
<Nhập môn Deep Learning học cùng TensorFlow 2.0> Phần 5
- Khái niệm về AutoEncoder
- Tái cấu trúc dữ liệu MNIST bằng TensorFlow 2.0 và AutoEncoder
<Nhập môn Deep Learning học cùng TensorFlow 2.0> Phần 6
- Khó khăn của các vấn đề thị giác máy tính và sự ra đời của kỷ nguyên thị giác máy tính dựa trên CNN
- Khái niệm cốt lõi của mạng thần kinh tích chập - Convolution (Tích chập), Pooling (Gộp)
- Triển khai CNN để phân loại chữ số MNIST bằng TensorFlow 2.0
- Dropout (Loại bỏ)
- Triển khai CNN để phân loại hình ảnh CIFAR-10 sử dụng TensorFlow 2.0
<Nhập môn Deep Learning học cùng TensorFlow 2.0> Phần 7
- Mạng thần kinh tái phát (RNN)
- Vấn đề biến mất đạo hàm (Vanishing Gradient Problem) & LSTM & GRU
- Khái niệm về Nhúng (Embedding) & Char-RNN
- Triển khai Char-RNN sử dụng TensorFlow 2.0
<Nhập môn Deep Learning cùng TensorFlow 2.0> Phần 8
- Lưu và tải các tham số bằng cách sử dụng tf.train.CheckpointManager API
- Trực quan hóa (Visualization) quá trình học bằng cách sử dụng TensorBoard
<Nhập môn Deep Learning học cùng TensorFlow 2.0> Phần 9
- Giới thiệu các lĩnh vực vấn đề đa dạng trong thị giác máy tính (Computer Vision)
- Giới thiệu các lĩnh vực vấn đề xử lý ngôn ngữ tự nhiên (NLP) đa dạng