Phát hiện và Phát triển Thuốc dựa trên AI Khóa Học Đào Tạo

Khóa học này bao gồm các chủ đề về AI (tập trung vào Machine Learning và Deep Learning) trong ngành Automotive. Khóa học này giúp xác định công nghệ nào có thể được (tiềm năng) sử dụng trong nhiều tình huống trong ô tô: từ tự động hóa đơn giản, nhận dạng hình ảnh đến khả năng đưa ra quyết định tự động.

Khám phá các nguyên lý cơ bản của trí tuệ nhân tạo cho thấy cách công nghệ thông minh định hình lại chiến lược số, tự động hóa và ra quyết định trong các hoạt động doanh nghiệp. Bài học xem xét các khái niệm trọng tâm bao gồm lịch sử phát triển của AI, khung giải quyết vấn đề, biểu diễn tri thức, suy luận trong điều kiện không chắc chắn và các mô hình học máy, đồng thời đề cập đến giao tiếp, nhận thức và hành động tự chủ. Hướng dẫn các nhà lãnh đạo và kiến trúc sư đánh giá cơ hội chuyển đổi do AI thúc đẩy, phân tích các xu hướng công nghệ mới nổi và tích hợp các giải pháp thông minh thực tiễn để tăng tốc độ linh hoạt của doanh nghiệp.

Khóa học đào tạo trực tiếp có hướng dẫn này tại Việt Nam (qua mạng hoặc tại chỗ) nhằm mục đích hỗ trợ các nhà sinh học muốn hiểu rõ cách AlphaFold hoạt động và sử dụng các mô hình AlphaFold làm tài liệu tham chiếu trong các nghiên cứu thực nghiệm của mình.

Sau khi hoàn thành khóa học này, học viên sẽ có khả năng:

• Hiểu các nguyên lý cơ bản của AlphaFold.
• Nắm vững cách thức hoạt động của AlphaFold.
• Học cách diễn giải các kết quả và dự đoán từ AlphaFold.

Mạng nơ-ron nhân tạo là một mô hình dữ liệu tính toán được sử dụng trong việc phát triển các hệ thống Artificial Intelligence (AI) có khả năng thực hiện các tác vụ "thông minh". Neural Networks thường được sử dụng trong các ứng dụng Machine Learning (ML), vốn là một triển khai của AI. Deep Learning là một tập hợp con của ML.

Khóa học Áp dụng AI từ Cơ bản bằng Python cung cấp cho các lập trình viên và nhà phân tích dữ liệu những kỹ năng nền tảng để xây dựng các giải pháp học máy từ đầu bằng Python. Nội dung bao gồm các nguyên lý cốt lõi của học có giám sát (phân loại và hồi quy), học không giám sát (phân cụm và phát hiện bất thường), cùng với các kiến trúc mạng nơ-ron tiên tiến. Khóa học phân tích các phương pháp hiệu quả để làm việc với scikit-learn, Apache Spark MLlib và Jupyter notebooks nhằm hỗ trợ phát triển AI thực tiễn. Giúp các chuyên gia triển khai các mô hình ML thực tế, đánh giá các hạn chế của thuật toán và hoàn thành các dự án ứng dụng để giải quyết các vấn đề thực tế.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho các nhà nghiên cứu và phát triển muốn sử dụng Chainer để xây dựng và huấn luyện mạng nơ-ron trong Python đồng thời giúp mã dễ dàng gỡ lỗi.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập môi trường phát triển cần thiết để bắt đầu phát triển các mô hình mạng nơ-ron.
• Định nghĩa và triển khai các mô hình mạng nơ-ron bằng mã nguồn dễ hiểu.
• Thực thi các ví dụ và sửa đổi các thuật toán hiện có để tối ưu hóa các mô hình huấn luyện học sâu trong khi tận dụng GPU để đạt hiệu suất cao.

Khóa học này do giảng viên hướng dẫn, được tổ chức trực tuyến hoặc tại chỗ, dành cho những chuyên gia cấp cao muốn sâu hơn vào thị giác máy tính và khám phá khả năng của TensorFlow trong việc phát triển các mô hình thị giác phức tạp bằng Google Colab.

Đến cuối khóa học, người tham gia sẽ có thể:

• Xây dựng và huấn luyện mạng nơron tích chập (CNN) bằng TensorFlow.
• Tận dụng Google Colab để phát triển mô hình dựa trên đám mây một cách mở rộng và hiệu quả.
• Thực hiện các kỹ thuật tiền xử lý ảnh cho các nhiệm vụ thị giác máy tính.
• Triển khai các mô hình thị giác cho các ứng dụng thực tế.
• Sử dụng chuyển giao học để nâng cao hiệu suất của mô hình CNN.
• Trực quan hóa và giải thích kết quả của các mô hình phân loại ảnh.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) cung cấp một giới thiệu về lĩnh vực nhận dạng mẫu và học máy. Khóa học đề cập đến các ứng dụng thực tế trong thống kê, khoa học máy tính, xử lý tín hiệu, thị giác máy tính, khai thác dữ liệu và tin sinh học.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Áp dụng các phương pháp thống kê cốt lõi vào nhận dạng mẫu.
• Sử dụng các mô hình chính như mạng nơ-ron và phương pháp kernel để phân tích dữ liệu.
• Triển khai các kỹ thuật nâng cao để giải quyết các vấn đề phức tạp.
• Cải thiện độ chính xác dự đoán bằng cách kết hợp các mô hình khác nhau.

Deep Reinforcement Learning (DRL) kết hợp các nguyên lý học củng cố với các kiến trúc học sâu để cho phép các tác nhân đưa ra quyết định thông qua tương tác với môi trường của họ. Nó là nền tảng cho nhiều tiến bộ AI hiện đại như xe tự lái, kiểm soát robot, giao dịch thuật toán và hệ thống đề xuất thích ứng. DRL cho phép một tác nhân nhân tạo học chiến lược, tối ưu hóa chính sách và đưa ra quyết định tự động dựa trên học từ thử nghiệm và sai lầm thông qua học dựa trên phần thưởng.

Khóa học này, được dẫn dắt bởi giảng viên (trực tuyến hoặc tại chỗ), được thiết kế cho các lập trình viên và khoa học dữ liệu trung cấp muốn học và áp dụng các kỹ thuật Deep Reinforcement Learning để xây dựng các tác nhân thông minh có khả năng đưa ra quyết định tự động trong các môi trường phức tạp.

Khi kết thúc khóa học, các tham gia sẽ có thể:

• Hiểu các nguyên lý lý thuyết và các nguyên tắc toán học của Reinforcement Learning.
• Triển khai các thuật toán RL chính bao gồm Q-Learning, Policy Gradients và các phương pháp Actor-Critic.
• Xây dựng và huấn luyện các tác nhân Deep Reinforcement Learning bằng TensorFlow hoặc PyTorch.
• Áp dụng DRL vào các ứng dụng thực tế như trò chơi, robot học và tối ưu hóa quyết định.
• Xử lý, hình ảnh hóa và tối ưu hóa hiệu suất huấn luyện bằng các công cụ hiện đại.

Định dạng của khóa học

• Bài giảng tương tác và thảo luận dẫn dắt.
• Bài tập thực hành và triển khai thực tế.
• Demonstrations mã nguồn trực tiếp và các ứng dụng dựa trên dự án.

Lựa chọn tùy chỉnh khóa học

• Để yêu cầu một phiên bản tùy chỉnh của khóa học này (ví dụ: sử dụng PyTorch thay vì TensorFlow), vui lòng liên hệ với chúng tôi để sắp xếp.

Khóa học được hướng dẫn bởi giảng viên (trực tuyến hoặc tại chỗ) nhằm vào các nhà phát triển, nhà khoa học dữ liệu và chuyên gia AI ở trình độ trung cấp, những người muốn tận dụng TensorFlow Lite cho ứng dụng Edge AI.

Sau khi kết thúc khóa học này, người tham gia sẽ có thể:

• Hiểu rõ các nguyên tắc cơ bản của TensorFlow Lite và vai trò của nó trong Edge AI.
• Phát triển và tối ưu hóa các mô hình AI bằng TensorFlow Lite.
• Triển khai các mô hình TensorFlow Lite trên nhiều thiết bị cạnh.
• Sử dụng các công cụ và kỹ thuật để chuyển đổi và tối ưu hóa mô hình.
• Thực hiện các ứng dụng Edge AI thực tế bằng TensorFlow Lite.

Khóa đào tạo trực tiếp do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại địa điểm) nhắm đến các nhà khoa học dữ liệu mong muốn tăng tốc các ứng dụng học máy thời gian thực và triển khai chúng ở quy mô lớn.

Sau khóa đào tạo, người tham gia sẽ có khả năng:

• Cài đặt bộ công cụ OpenVINO.
• Tăng tốc ứng dụng thị giác máy tính bằng cách sử dụng FPGA.
• Thực thi các lớp CNN khác nhau trên FPGA.
• Mở rộng ứng dụng trên nhiều nút trong cụm Kubernetes.

Khóa đào tạo trực tiếp do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) nhắm đến các nhà phát triển hoặc nhà khoa học dữ liệu muốn sử dụng Horovod để chạy các khóa huấn luyện học sâu phân tán và mở rộng quy mô để thực thi song song trên nhiều GPU.

Kết thúc khóa đào tạo này, học viên sẽ có khả năng:

• Thiết lập môi trường phát triển cần thiết để bắt đầu thực hiện các khóa huấn luyện học sâu.
• Cài đặt và cấu hình Horovod nhằm huấn luyện các mô hình với TensorFlow, Keras, PyTorch và Apache MXNet.
• Mở rộng quy mô huấn luyện học sâu bằng Horovod để chạy trên nhiều GPU.

Khóa học này bắt đầu bằng việc cung cấp cho bạn kiến thức khái niệm về mạng neuron và nói chung là thuật toán học máy, học sâu (thuật toán và ứng dụng).

Phần 1 (40%) của khóa huấn luyện tập trung vào cơ bản, nhưng sẽ giúp bạn chọn công nghệ phù hợp: TensorFlow, Caffe, Theano, DeepDrive, Keras, v.v.

Phần 2 (20%) của khóa huấn luyện giới thiệu Theano - một thư viện Python giúp viết mô hình học sâu dễ dàng hơn.

Phần 3 (40%) của khóa huấn luyện sẽ tập trung vào TensorFlow - API của thư viện phần mềm nguồn mở do Google phát triển cho Học Sâu. Các ví dụ và bài thực hành đều được thực hiện bằng TensorFlow.

Đối tượng học viên

Khóa học này dành cho các kỹ sư muốn sử dụng TensorFlow trong dự án Học Sâu của họ.

Sau khi hoàn thành khóa học, học viên sẽ:

• có hiểu biết tốt về mạng neuron sâu (DNN), CNN và RNN
• hiểu cấu trúc và cơ chế triển khai của TensorFlow
• có khả năng thực hiện các tác vụ cài đặt / môi trường sản xuất / kiến trúc và cấu hình
• có thể đánh giá chất lượng mã, thực hiện gỡ lỗi, giám sát
• có thể triển khai các tác vụ nâng cao như huấn luyện mô hình, xây dựng đồ thị và ghi log

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho các chuyên gia nâng cao muốn khám phá các kỹ thuật XAI (Giải thích trí tuệ nhân tạo) tiên tiến cho mô hình học sâu, với trọng tâm xây dựng các hệ thống AI có thể giải thích được.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Hiểu được những thách thức của khả năng giải thích trong học sâu.
• Triển khai các kỹ thuật XAI nâng cao cho mạng nơ-ron.
• Giải thích các quyết định được đưa ra bởi mô hình học sâu.
• Đánh giá sự đánh đổi giữa hiệu suất và tính minh bạch.