강의

멘토링

로드맵

BEST
AI Development

/

Deep Learning & Machine Learning

Chinh phục hoàn toàn lý thuyết deep learning + thực hành PyTorch

Đây là bài giảng dạy “các khái niệm cốt lõi” về deep learning cần thiết để tham gia vào công việc deep learning và các kỹ năng thực tế cần thiết để thực hiện các dự án deep learning thực tế thông qua thực hành sử dụng PyTorch.

(4.9) 54 đánh giá

450 học viên

  • peterbyun969574
이론 실습 모두
개념정리
딥러닝기초
딥러닝모델
자연어처리
Deep Learning(DL)
PyTorch
Computer Vision(CV)
NLP
transformer

Đánh giá từ những học viên đầu tiên

Dịch cái này sang tiếng Việt

  • Học sâu hoạt động như thế nào

  • Các khái niệm cốt lõi của deep learning (hàm mất mát, giảm độ dốc, phân biệt tự động, v.v.)

  • Tạo mô hình tùy chỉnh với PyTorch

  • Các mô hình chính của deep learning (CNN, RNN, Transformer)

  • Thực hành về thị giác máy tính

  • Thực hành xử lý ngôn ngữ tự nhiên

Lĩnh vực trí tuệ nhân tạo (AI)
Lưu ý cho người tìm việc và nhân viên mới!

AlphaGo

AlphaFold

Hình ảnh được tạo bằng DALLE

Trò chuyệnGPT

Học sâu đang cho thấy những kết quả đáng chú ý trên nhiều lĩnh vực, bao gồm thị giác máy tính, xử lý ngôn ngữ tự nhiên và sinh học. Các ví dụ tiêu biểu bao gồm AlphaGo, AlphaFold, DALLE và ChatGPT. Do đó, nhu cầu thị trường về các kỹ sư và nhà khoa học học sâu (DL)/học máy (ML) đang tăng nhanh chóng.

Tuy nhiên, tôi tin rằng các dịch vụ giáo dục học sâu có thể giảng dạy được trình độ lý thuyết và thực hành cần thiết trong lĩnh vực này vẫn còn thiếu .

Khóa học này có chương trình giảng dạy được thiết kế để cung cấp nghiên cứu chuyên sâu về “các khái niệm và thực hành cốt lõi” của học sâu cần thiết để làm việc trong lĩnh vực học sâu .

Từ nguyên tắc cốt lõi đến thực hành
Học sâu trong một lần

Tìm hiểu các “khái niệm cốt lõi” về học sâu cần thiết trong lĩnh vực học sâu và củng cố các kỹ năng thực hành dự án học sâu của bạn thông qua thực hành thực tế bằng PyTorch.

Các lý thuyết và khái niệm được giải thích sâu sắc và dễ hiểu nhất có thể thông qua nhiều hình ảnh minh họa, thay vì hời hợt.

Mỗi phần đều bao gồm các bài tập thực hành liên quan đến lý thuyết, cho phép bạn hiểu trực quan cách lý thuyết được triển khai và tích hợp vào mã .

Để bù đắp cho những thiếu sót của các trại huấn luyện và các lớp học chính
Chỉ chứa nội dung thực tế

Có rất nhiều trại huấn luyện và khóa học về học sâu, nhưng tôi không thấy nơi nào cung cấp hướng dẫn chuyên sâu, phù hợp với ngành. Họ chủ yếu tập trung vào các kỹ thuật học máy truyền thống như rừng ngẫu nhiên và máy vectơ hỗ trợ. Ngay cả khi nói đến học sâu, tôi không nghĩ có nơi nào cung cấp phương pháp tiếp cận thực hành toàn diện, bao gồm cả lý thuyết và thực hành. Do đó, ngay cả khi bạn tham gia các khóa học này, kỹ năng cơ bản của bạn có thể vẫn còn yếu, khiến bạn khó vượt qua các cuộc phỏng vấn kỹ thuật hoặc trở thành một kỹ sư ML thành công.

Ví dụ, nhiều khóa học và trại huấn luyện học sâu dạy về gradient descent, nhưng lại không giải thích về phép vi phân tự động, điều này giúp thực hiện gradient descent một cách hiệu quả. Vì tất cả các nền tảng học sâu (PyTorch, TensorFlow, v.v.) đều được xây dựng dựa trên phép vi phân tự động, nên việc hiểu phép vi phân tự động được coi là thiết yếu để đạt được "sự hiểu biết về học sâu".

Ngược lại, khóa học này hướng đến việc bao quát tất cả các khái niệm cốt lõi về học sâu mà nhiều trại huấn luyện và bài giảng bỏ qua .

trong khóa học này, chúng ta sẽ không dừng lại ở việc giới thiệu các khái niệm mà sẽ đi sâu hơn vào "lý do chúng được sử dụng", "ý nghĩa của chúng", "chúng được đề xuất trong bối cảnh nào", "chúng có tác dụng gì", v.v. và thông qua nhiều Dự án đồ chơi thực tế và bài tập thực hành, bạn sẽ học cách lý thuyết được triển khai và áp dụng vào mã liên quan đến lý thuyết.

Ví dụ, chúng tôi đề cập đến những nội dung sau:

  • Ý nghĩa của Cross Entropy Loss được sử dụng trong học phân loại và mối quan hệ của nó với KL Divergence là gì?

  • Tại sao khởi tạo lại quan trọng và nó có tác dụng gì?

  • Tại sao lại sử dụng Chuẩn hóa theo lô và nó có tác dụng gì?

  • Cấu trúc của Attention và Transformer, là nền tảng của LLM, là gì và chúng hoạt động như thế nào?

  • Gradient Descent được thực hiện và triển khai như thế nào trong PyTorch và Tensorflow?

Do đó, sau khi tham gia lớp học này, sinh viên sẽ có thể hiểu được lý thuyết học sâu và các kỹ năng thực tế cần thiết để làm việc trong lĩnh vực học sâu .

Để bạn tham khảo, tôi đã biên soạn tài liệu này thành phiên bản rút gọn chỉ chứa những thông tin cần thiết mà bạn cần biết để làm việc trong lĩnh vực học sâu .

Với lý thuyết vững chắc và thực hành đa dạng
Tổng quan toàn diện về các khái niệm và mô hình học sâu cốt lõi.

Khóa học được chia thành 16 phần . Khóa học này bao gồm tất cả các nguyên tắc cơ bản và khái niệm cốt lõi của học sâu (từ gradient descent đến attention)các mô hình học sâu tiêu biểu (mạng nơ-ron kết nối đầy đủ, CNN, mạng nơ-ron hồi quy và bộ biến đổi) . Mặc dù đi sâu vào chi tiết, nhưng khóa học tránh các chi tiết toán học quá mức. Thay vào đó , khóa học phân tích ý nghĩa của các công thức thành các thuật ngữ đơn giản và cung cấp các giải thích dễ hiểu thông qua nhiều hình ảnh minh họa .

Mỗi phần bao gồm các bài giảng [Lý thuyết]các bài giảng [Thực hành] .

[Phần lý thuyết]

  1. Được giải thích dễ dàng nhất có thể bằng hình ảnh trực quan

  1. Bao gồm tất cả các khái niệm cốt lõi về học sâucác mô hình học sâu tiêu biểu.

  1. Giải thích sâu sắc để giúp bạn hiểu ý nghĩa của khái niệm

[Phần thực hành]

  1. Giải thích chi tiết cách lý thuyết được triển khaiđưa vào mã.

  1. Bao gồm một số dự án học sâu "thực tế" cần thiết cho các kỹ năng thực tế.

  1. Mỗi phần bắt đầu bằng phần giải thích lý thuyết, sau đó là phần đào tạo thực hành.

  1. Đào tạo thực hành về các thành phần cốt lõi của PyTorch (Bộ dữ liệu, Trình tải dữ liệu, trình tối ưu hóa, v.v.)

Ngoài ra, phần CNNphần RNN, Attention & Transformer lần lượt thực hiện các Dự án đồ chơi cho Thị giác máy tính và NLP.

Tôi giới thiệu điều này cho những người này

Những người đang chuẩn bị tìm việc làm hoặc thay đổi nghề nghiệp với tư cách là kỹ sư học máy/học sâu

Những người muốn học lên cao học về AI

Những người muốn học máy/học sâu một cách bài bản

Sau giờ học

  • Bạn sẽ có được sự hiểu biết sâu sắc và toàn diện về cách thức hoạt động của học sâu .


  • Bạn sẽ hiểu được các mô hình chính của học sâu và có thể áp dụng chúng vào các vấn đề thực tế .


  • Bạn sẽ có được sự hiểu biết về lý thuyết học sâu và các kỹ năng thực tế cần thiết để làm việc trong lĩnh vực học sâu .

  • Bạn sẽ có thể hiểu và sử dụng các thành phần cốt lõi của PyTorch (Dataset, Dataloader, Optimizer, v.v.) .

  • Bạn sẽ có thể tạo các mô hình học sâu tùy chỉnh bằng PyTorch.


Tìm hiểu về những điều này

Phần (1) Thiết lập môi trường thực hành PyTorch

  • Thiết lập môi trường cần thiết cho việc thực hành học sâu.

  • Chúng tôi sẽ giải thích cách cài đặt và sử dụng PyTorch, một nền tảng học sâu, VS Code, một IDE lập trình và Google Colab, có thể sử dụng tài nguyên GPU.

Phần (2) Học sâu là gì?

  • Tìm hiểu học sâu là gì và nó nhằm mục đích giải quyết những vấn đề gì.

  • Tìm hiểu các thành phần và nguyên lý hoạt động của Mạng nơ-ron.

  • Bạn sẽ học các khái niệm cơ bản liên quan đến thực hành học sâu và kiến thức cơ bản về PyTorch.

Mục (3) Hàm mất mát

  • Bạn sẽ tìm hiểu về hàm mất mát, một trong những thành phần cốt lõi của học sâu.

  • Bạn sẽ tìm hiểu về định nghĩa của hàm mất mát, nhiệm vụ hồi quy và phân loại, cũng như các loại mất mát được sử dụng trong từng nhiệm vụ.

Phần (4) Lý thuyết nâng cao về hàm mất mát

  • Bạn sẽ học lý thuyết nâng cao về hàm mất mát.

  • Chúng ta sẽ xem xét chi tiết hơn về Mất mát Entropy chéo và Mất mát Phân kỳ KL, đồng thời tìm hiểu về mã hóa one-hot và các khái niệm về entropy.

Phần (5) Giảm độ dốc

  • Đây là phương tiện để tối ưu hóa trọng số của mạng nơ-ron và là cốt lõi của học sâu.

    Bạn sẽ tìm hiểu về Gradient Descent.

  • Bạn sẽ tìm hiểu về các khái niệm cơ bản của Gradient Descent, ý nghĩa của Gradient, tác động và vai trò của Learning Rate và Mini-batch Gradient Descent.

Phần (6) Lý thuyết nâng cao về giảm dần độ dốc

  • Bạn sẽ tìm hiểu về lý thuyết nâng cao về quá trình giảm dần độ dốc.

  • Cách thực hiện Gradient Descent cho các đầu vào đa biến và nhiều nơ-ron.

  • Phân biệt tự động là gì, khuôn khổ học sâu dựa trên điều gì và nó hoạt động như thế nào?

  • Bạn sẽ học được nhiều lý thuyết nâng cao như ý nghĩa của gradient, v.v.

Mục (7) Chức năng kích hoạt

  • Kích hoạt là một trong những thành phần cốt lõi của Mạng nơ-ron.

    Bạn sẽ học về các hàm ation.

  • Tìm hiểu Chức năng kích hoạt là gì và tại sao bạn cần nó.

  • Và bạn sẽ tìm hiểu về các loại Hàm kích hoạt khác nhau và đặc điểm của chúng.

Mục (8) Tối ưu hóa

  • Tìm hiểu về nhiều phương pháp tối ưu hóa khác nhau giúp phát triển hơn nữa phương pháp Mini-batch Gradient Descent.

  • Bạn sẽ tìm hiểu về đặc điểm của các phương pháp tối ưu hóa chính và hiểu được lịch sử phát triển của chúng.

Phần (9) Tạo mạng nơ-ron kết nối đầy đủ với PyTorch

  • Trong Phần 9, chúng ta sẽ xây dựng một mạng nơ-ron kết nối hoàn chỉnh với PyTorch và tóm tắt các bài tập đã học cho đến nay.

Mục (10) Chính quy hóa

  • Trong Phần 10, chúng ta sẽ tìm hiểu về hiện tượng quá khớp là gì và một cách để giải quyết nó: chính quy hóa.

Mục (11) Lập lịch tốc độ học tập

  • Tìm hiểu về trình lập lịch tốc độ học tập, một phương pháp điều chỉnh tốc độ học tập dựa trên tiến trình học tập và bước thời gian.

Mục (12) Khởi tạo

  • Tìm hiểu cách khởi tạo.

  • Tại sao khởi tạo lại quan trọng, tiêu chí cho khởi tạo mong muốn,

    Bạn sẽ tìm hiểu cách khởi tạo ảnh hưởng đến quá trình học mô hình và phương pháp khởi tạo nào phù hợp với từng hàm kích hoạt.


  • Bạn sẽ tìm hiểu về các phương pháp khởi tạo sử dụng phương pháp học chuyển giao.

Mục (13) Chuẩn hóa

  • Bạn sẽ tìm hiểu về Chuẩn hóa, vốn đã trở thành một thành phần "gần như" thiết yếu của Mạng nơ-ron.

  • Tìm hiểu về các loại Lớp chuẩn hóa khác nhau.

  • Chúng tôi đề cập đến vấn đề Chuyển đổi biến số nội bộ, một câu hỏi thường gặp trong các cuộc phỏng vấn kỹ thuật và những lợi ích thực tế của Chuẩn hóa theo lô.

Phần (14) Mạng nơ-ron tích chập (CNN)

  • Tìm hiểu về cách thức hoạt động của CNN, các biến thể khác nhau của lớp CNN và các mô hình CNN tiêu biểu.

  • Chúng tôi sẽ triển khai mô hình CNN và thực hiện một dự án thị giác máy tính bằng cách sử dụng CNN.

Mục (15) Mạng nơ-ron hồi quy (RNN)

  • Tìm hiểu cách thức hoạt động của RNN,

  • Bạn sẽ tìm hiểu cách thực hiện lan truyền ngược trong RNN và lý do tại sao lại xảy ra hiện tượng mất dần độ dốc.

  • Tìm hiểu về LSTM và GRU, đây là những mô hình RNN tiêu biểu.

  • Tôi đang làm việc trên một dự án NLP sử dụng RNN, GRU và LSTM.

Mục (16) Chú ý và Máy biến áp

  • Sự chú ý và Máy biến áp, là nền tảng của LLM

  • Tìm hiểu về các khái niệm cơ bản về Sự chú ý và lịch sử tiến hóa của Sự chú ý (BERT, Transformer).

  • Tìm hiểu về cấu trúc và nguyên lý hoạt động của máy biến áp.

  • Chúng tôi đang thực hiện một dự án NLP sử dụng mô hình BERT.

Những điều cần lưu ý trước khi tham gia khóa học

Môi trường thực hành

  • Hệ điều hành và phiên bản (OS): Windows, macOS

  • Công cụ sử dụng: Visual Studio Code, Google Colab

  • Thông số kỹ thuật của PC: CPU 2 lõi trở lên, bộ nhớ 8GB trở lên, ổ đĩa 32GB trở lên

Kiến thức của người chơi

  • Cơ bản về Python

  • Cơ bản về Numpy

  • Toán trung học phổ thông (phân biệt) và tiếng Anh (để hiểu thuật ngữ học sâu)

    • (Mặc dù không bắt buộc) nhưng sẽ rất hữu ích nếu biết Đại số tuyến tính và Xác suất.

    • Chúng tôi cung cấp các giải thích bổ sung cho các khái niệm hoặc nội dung vượt quá trình độ toán và tiếng Anh ở trường trung học.


Những câu hỏi thường gặp

Tôi có thể theo dõi bài giảng ngay cả khi tôi không học chuyên ngành đó không?

  • Vì nội dung bài giảng khá chuyên sâu nên có thể có một số khái niệm mà bạn có thể không hiểu ngay.

  • Tuy nhiên, tôi đã tạo ra bài giảng này dành cho những người không chuyên ngành, và tôi nghĩ bạn sẽ hiểu nếu bạn xem kỹ nhiều lần vì bài giảng giải thích mọi khái niệm ngoài phạm vi toán học phổ thông.

  • Tuy nhiên, có thể có những phần bạn chưa hiểu hết. Phần Hỏi & Đáp về nội dung bài giảng cũng được cung cấp, vì vậy hãy thoải mái đặt câu hỏi bất cứ lúc nào về bất kỳ phần nào bạn chưa hiểu hoặc còn băn khoăn!

Tôi có thể thực hiện các bài tập ngay cả khi không có máy tính xách tay cá nhân không?

  • Vâng, điều đó là có thể!

  • Bạn có thể viết mã trong sổ tay Google Colab và chạy mã đó trên sổ tay Colab.

  • Sổ tay Google Colab đã có sẵn môi trường học sâu mà chúng ta cần (pytorch, numpy, matplotlib, v.v.).

  • Và vì các tài nguyên cần thiết để chạy mã trên máy tính xách tay Colab sử dụng CPU và GPU của máy chủ từ xa của Google chứ không phải tài nguyên cục bộ của người dùng, nên bạn có thể thực hiện các bài tập trên iPad thay vì máy tính để bàn hoặc máy tính xách tay.

  • Google Colab cũng có phiên bản miễn phí, vì vậy bạn có thể thực hành mà không gặp bất kỳ gánh nặng nào!

Khuyến nghị cho
những người này

Khóa học này dành cho ai?

  • Chuẩn bị cho công việc hoặc thay đổi công việc với tư cách là kỹ sư học máy/học sâu

  • Mục tiêu tuyển sinh sau đại học AI

  • Bất cứ ai muốn học machine learning/deep learning đúng cách

  • Những người mong muốn củng cố năng lực lý thuyết và thực hành trong deep learning

  • Những người đã tham gia một số bài giảng về deep learning và chương trình đào tạo nhưng thất vọng

  • Những người chuẩn bị cho cuộc phỏng vấn kỹ thuật kỹ sư ML

  • Những người không chuyên ngành chuẩn bị làm việc với tư cách là kỹ sư ML

Cần biết trước khi bắt đầu?

  • Tiếng Anh và toán cấp trung học

  • Python cơ bản

  • Numpy cơ bản

Xin chào
Đây là

450

Học viên

54

Đánh giá

34

Trả lời

4.9

Xếp hạng

1

Khóa học

경력:

  • (현) ML Engineer @ MakinaRocks

  • (전) ML Engineer @ DearGen

  • (전) ML Engineer @ DeepBio

  • (전) Research Student @ UCL NLP Group, Streetbees

  • (전) Research Student @ ICL Photonics Lab

     

학력:

  • University College London (UCL): MSc in Machine Learning (머신러닝 석사) (학점: Distinction, GPA 4.0/4.0)

  • Imperial College London (ICL): BSc in Theoretical Physics (이론물리학 학사) (학점: First Class Honours, GPA 4.0/4.0)

소개:

5년차 Machine Learning Engineer입니다. (Google DeepMind가 출범하였고, Demis Hasabis가 박사과정을 한) University College London에서 머신러닝 석사를 전공하였습니다. 석사 때는 NLP에서 Knowledge Graph Embedding을 연구하였고, DeepBio에서는 Medical Diagnosis에 적용되는 Image Classification, Segmentation 딥러닝 모델들을 개발하였습니다. Deargen에서는 신약 개발의 Drug Target Interaction와 같은 문제 적용되는 GNN, RNN, Transformer 등등의 다양한 딥러닝 모델들을 적용한 경험이 있습니다. 현재 재직중인 MakinaRocks에서는 제조 현장의 로봇팔의 이상탐지에 적용되는 딥러닝 모델 및 머신러닝 시스템을 구축하고 있습니다.

Chương trình giảng dạy

Tất cả

143 bài giảng ∙ (13giờ 48phút)

Tài liệu khóa học:

Tài liệu bài giảng
Ngày đăng: 
Cập nhật lần cuối: 

Đánh giá

Tất cả

54 đánh giá

4.9

54 đánh giá

  • elizadukim9676님의 프로필 이미지
    elizadukim9676

    Đánh giá 1

    Đánh giá trung bình 5.0

    5

    31% đã tham gia

    Although this lecture is for beginners, it seems to be a good lecture for reviewing the main concepts for practitioners in their second or third year. Among the numerous theories and papers on deep learning, the important core concepts are organized in a well-organized manner, and the lectures are separated by subconcept, making it easy to find the content you need. It was also helpful for my work because it explained the concepts as well as the implementation in an easy-to-understand manner. I wish I had taken this lecture when I was a college student, but I regret why I only took this lecture now. I recommend it to those who want to grasp both concepts and implementation.

    • sguys996119님의 프로필 이미지
      sguys996119

      Đánh giá 3

      Đánh giá trung bình 5.0

      5

      24% đã tham gia

      It was a great help in reviewing the theory because you went into detail about concepts like loss function and optimizer that I didn't know much about and used. I'm looking forward to the intermediate course lecture!!

      • peterbyun969574
        Giảng viên

        Thank you for taking the class :) And I'm glad it was helpful! I'll prepare harder for the next class and open it!

    • seongwook님의 프로필 이미지
      seongwook

      Đánh giá 18

      Đánh giá trung bình 5.0

      5

      22% đã tham gia

      I am currently working as a backend developer. At first, I hesitated to take the course, but after taking it, I think I made a good choice. I have always been interested in ML engineers, so I took the course. Of course, my recent interest in artificial intelligence was also a decisive factor in taking the course. First of all, the vague concepts I learned in college were explained in an easy way, so I was able to understand them clearly. In particular, the formulas were explained easily during the theory lecture, so I was able to understand the formulas well. In particular, it seems to be the perfect course for people like me who only have a basic, superficial understanding of ML. For reference, I had a hard time with my thesis when I was in graduate school. If this course had been available at that time, it would have been very helpful. If you are interested in graduate school artificial intelligence or need conceptual content when writing a graduate school thesis, I think it would be very helpful to listen to it at least once.

      • peterbyun969574
        Giảng viên

        Hello! I was so frustrated with the fact that most deep learning bootcamps and lectures only cover the basics and only cover the surface of the watermelon, and I was also disappointed that many bootcamp graduates I interviewed only had a fragmentary understanding of deep learning. That's why I spent a lot of time and effort to create this lecture, and I'm so glad that it was helpful! Thank you for taking the course!

    • acelhj1123님의 프로필 이미지
      acelhj1123

      Đánh giá 1

      Đánh giá trung bình 5.0

      5

      30% đã tham gia

      This course covers a wide range of topics from the basics to advanced topics of deep learning, and I liked the hands-on approach using PyTorch. It covered a variety of topics, including setting up the PyTorch environment, basic concepts of deep learning, loss functions, gradient descent, activation functions, optimization, regularization, learning rate schedulers, initialization, standardization, CNNs (Convolutional Neural Networks), RNNs (Recurrent Neural Networks), and the latest topics such as Attention and Transformers. The course is designed to be easily accessible to beginners, and each section consists of various exercises along with theoretical explanations, so I especially liked the fact that learners can experience the principles of deep learning by writing code themselves. In particular, it is recommended not only for those who are new to the field of deep learning, but also for those who want to refresh their basic knowledge, as it allows them to learn step-by-step from basic concepts that can be applied immediately in practice to advanced topics. Each topic is covered in depth with ample practice and examples, which I believe will allow learners to comprehensively understand the various aspects of deep learning and develop the ability to apply them to solving real-world problems. The systematic organization of the lectures and the practice-oriented approach provide learners with the practical experience necessary to actually utilize deep learning technology, and I highly recommend this course to anyone interested in the field of deep learning.

      • peterbyun969574
        Giảng viên

        Thank you for taking the class and writing such a detailed review ㅠㅠ I put a lot of thought into organizing the curriculum so that it covers a wide range of topics, but also explains them in depth and in an easy-to-understand manner, and allows you to gain practical experience through hands-on practice. I'm so glad that it was helpful! Thank you :)

    • kyuyeonpooh9631님의 프로필 이미지
      kyuyeonpooh9631

      Đánh giá 1

      Đánh giá trung bình 5.0

      5

      31% đã tham gia

      This lecture can be helpful for both those who are new to the field of deep learning and those who want to review important concepts. For those who are new to the field, the lecture is well organized from the bottom up so that they can follow the flow by following the table of contents, and for those who are already in the field, it seems that they can quickly review the concepts that I was weak in. The lecture table of contents and internal structure seem to have captured the essential elements without unnecessary details. The structure and content are very clean. In addition, the lecture is well organized with content that would be of interest to those in the field. For example, - So what kind of logic is used for the internal operation? - So how do you implement it? I felt that these two were well differentiated. In fact, it is well-incorporated with empirical content that can be learned from the perspective of work performance, not just from the perspective of an instructor.

      • peterbyun969574
        Giảng viên

        Thank you for taking the course~ Thank you for leaving such a detailed review! I put a lot of thought and effort into making the course so that students can understand all the key concepts they need to know, and explain them as easily as possible. I am so grateful and grateful that you found out about it. ㅠㅠ Thank you for the review!

    5.969.211 ₫

    Khóa học tương tự

    Khám phá các khóa học khác trong cùng lĩnh vực!