Liên hệ với chúng tôi

Đề cương khóa học

1. Giới thiệu về Kỹ thuật AI

  • Kỹ thuật AI là gì?
  • AI so với Machine Learning và Deep Learning
  • Vòng đời của kỹ thuật AI
  • Ứng dụng của AI trên các ngành nghề
  • Vai trò và trách nhiệm của một kỹ sư AI

2. Nền tảng Trí tuệ Nhân tạo

  • Các khái niệm và thuật ngữ cốt lõi của AI
  • Học có giám sát, học không giám sát và học tăng cường
  • Mạng nơ-ron và nền tảng học sâu (Deep Learning)
  • Tổng quan về AI sinh生成 (Generative AI) và các mô hình nền (Foundation models)
  • Hệ sinh thái và framework phát triển AI

3. Python cho Kỹ thuật AI

  • Các thư viện Python thiết yếu cho AI
  • NumPy, Pandas và Matplotlib
  • Xử lý và trực quan hóa dữ liệu
  • Làm việc với Jupyter Notebooks
  • Viết mã AI có thể tái sử dụng

4. Chuẩn bị Dữ liệu cho AI

  • Khoác và hiểu bộ dữ liệu
  • Vệ sinh và xử lý trước dữ liệu
  • Kỹ thuật đặc trưng (Feature engineering)
  • Chuẩn hóa và chuẩn hóa đặc trưng
  • Chia bộ dữ liệu thành tập huấn luyện, xác thực và kiểm tra
  • Xử lý giá trị thiếu và ngoại lệ

5. Nền tảng Học máy (Machine Learning)

  • Các thuật toán hồi quy
  • Các thuật toán phân loại
  • Kỹ thuật cụm (Clustering)
  • Công tác huấn luyện mô hình
  • Các chỉ số đánh giá mô hình
  • Ngăn ngừa hiện tượng overfitting (học quá khớp) và underfitting (học dưới khớp)

6. Xây dựng Mô hình AI với TensorFlow và PyTorch

  • Giới thiệu về TensorFlow
  • Giới thiệu về PyTorch
  • Tạo mạng nơ-ron
  • Huấn luyện và xác thực mô hình
  • Lưu và tải mô hình
  • So sánh hai framework

7. Nền tảng Xử lý Ngôn ngữ Tự nhiên (NLP)

  • Xử lý trước văn bản
  • Mã hóa từ (Word embeddings)
  • Phân loại văn bản
  • Phân tích cảm xúc
  • Giới thiệu về các mô hình transformer
  • Các ứng dụng NLP thực tế

8. AI trong Phát triển Phần mềm

  • Tích hợp AI vào các ứng dụng hiện có
  • Gọi dịch vụ AI thông qua API
  • Phát triển các ứng dụng được cung cấp bởi AI
  • Công cụ phát triển phần mềm hỗ trợ AI
  • Kiểm thử các ứng dụng tích hợp AI

9. Quy trình Tốt nhất trong Kỹ thuật AI

  • Tổ chức dự án
  • Quản lý phiên bản với Git
  • Theo dõi thí nghiệm
  • Xem lại phiên bản mô hình
  • Tiêu chuẩn hóa tài liệu
  • Tính tái lập trong các dự án AI

10. Triển khai Mô hình AI

  • Mã hóa đối tượng mô hình (Model serialization)
  • Xây dựng dịch vụ suy luận (Inference services)
  • REST APIs cho các mô hình AI
  • Giới thiệu về Docker trong triển khai AI
  • Giám sát các mô hình đã triển khai
  • Bảo trì và cập nhật mô hình

11. Kỹ thuật Dữ liệu AI

  • Các đường dẫn dữ liệu (Data pipelines)
  • Các quy trình ETL
  • Quản lý dữ liệu có cấu trúc và không cấu trúc
  • Tùy chọn lưu trữ dữ liệu
  • Quản lý chất lượng dữ liệu
  • Sẵn sàng chuẩn bị bộ dữ liệu cho môi trường sản xuất

12. AI Có Trách nhiệm và Đạo Đức

  • Thiên vị và sự công bằng trong AI
  • AI có thể giải thích (Explainable AI - XAI)
  • Bảo mật thông tin và bảo vệ dữ liệu
  • Các cân nhắc về an ninh AI
  • Phát triển AI có trách nhiệm
  • Vấn đề về quy định và quản trị

13. Quản lý Dự án AI

  • Vòng đời dự án AI
  • Các phương pháp luận Agile cho dự án AI
  • Sự hợp tác giữa nhóm kỹ thuật và nhóm kinh doanh
  • Dự toán ngân sách dự án AI
  • Quản lý rủi ro
  • Đo lường sự thành công của dự án

14. Buổi Thực hành Kỹ thuật AI và Xu hướng Tương lai

  • Cài đặt quy trình phát triển AI hoàn chỉnh
  • Xây dựng một dự án học máy trọn vẹn (end-to-end)
  • Huấn luyện và đánh giá mô hình sử dụng TensorFlow hoặc PyTorch
  • Triển khai một ứng dụng AI đơn giản
  • Các xu hướng hiện tại trong Kỹ thuật AI
  • AI sinh生成 (Generative AI) và Các Mô hình Ngôn ngữ Lớn (LLMs)
  • MLOps và tự động hóa AI
  • Hướng đi nghề nghiệp và học tập liên tục
  • Tổng kết, Hỏi & Đáp, và các bước tiếp theo

Yêu cầu

  • Hiểu biết về các khái niệm lập trình cơ bản
  • Có kinh nghiệm với ngôn ngữ lập trình Python
  • Quen thuộc với thống kê cơ bản và đại số tuyến tính

Đối tượng tham gia

  • Kỹ sư AI
  • Nhà phát triển phần mềm
  • Phân tích viên dữ liệu
 14 Giờ

Số người tham gia


Giá cho mỗi học viên

Đánh giá (2)

Các khóa học sắp tới

Các danh mục liên quan