Giới thiệu về Cách Sử Dụng Neural Networks Training Course

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.

Khóa học này được thiết kế dành cho các nhà quản lý, kiến trúc sư giải pháp, giám đốc đổi mới, CTO, kiến trúc sư phần mềm và bất kỳ ai quan tâm đến tổng quan về trí tuệ nhân tạo ứng dụng và dự báo gần nhất về sự phát triển của nó.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho những người tham gia ở trình độ mới bắt đầu, mong muốn học các khái niệm cơ bản về xác suất, thống kê, lập trình và học máy, và áp dụng những điều này vào phát triển AI.

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

• Hiểu các khái niệm cơ bản về xác suất và thống kê, và áp dụng chúng vào các tình huống thực tế.
• Viết và hiểu mã lập trình thủ tục, hàm và hướng đối tượng.
• Triển khai các kỹ thuật học máy như phân loại, phân cụm và mạng nơ-ron.
• Phát triển các giải pháp AI bằng cách sử dụng công cụ quy tắc và hệ thống chuyên gia để giải quyết vấn đề.

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.

Đây là khóa học kéo dài 4 ngày giới thiệu về AI và ứng dụng của nó. Có tùy chọn tham gia thêm một ngày để thực hiện một dự án AI sau khi hoàn thành khóa học này.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà khoa học dữ liệu và nhà thống kê ở trình độ trung cấp, những người muốn chuẩn bị dữ liệu, xây dựng mô hình và áp dụng các kỹ thuật học máy một cách hiệu quả trong lĩnh vực chuyên môn của họ.

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

• Hiểu và triển khai nhiều thuật toán Machine Learning.
• Chuẩn bị dữ liệu và mô hình cho các ứng dụng học máy.
• Thực hiện phân tích hậu kiểm và trực quan hóa kết quả một cách hiệu quả.
• Áp dụng các kỹ thuật học máy vào các tình huống thực tế, cụ thể theo ngành.

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 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.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển và nhà khoa học dữ liệu muốn tìm hiểu các nguyên tắc cơ bản của Deep Reinforcement Learning khi họ thực hiện từng bước tạo một Deep Learning Agent.

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

• Hiểu các khái niệm chính đằng sau Deep Reinforcement Learning và có thể phân biệt nó với Machine Learning.
• Áp dụng các thuật toán Reinforcement Learning nâng cao để giải quyết các vấn đề thực tế.
• Xây dựng một Deep Learning Agent.

Loại hình: Khóa đào tạo lý thuyết với các ứng dụng được quyết định trước cùng học viên trên Lasagne hoặc Keras tùy theo nhóm học tập

Phương pháp giảng dạy: trình bày, trao đổi và nghiên cứu tình huống

Trí tuệ nhân tạo, sau khi làm thay đổi nhiều lĩnh vực khoa học, đã bắt đầu cách mạng hóa một số lượng lớn các ngành kinh tế (công nghiệp, y học, truyền thông, v.v.). Tuy nhiên, cách trình bày của nó trên các phương tiện truyền thông lớn thường mang tính ảo tưởng, rất khác xa so với thực tế của các lĩnh vực Machine Learning hoặc Deep Learning. Mục tiêu của khóa đào tạo này là cung cấp cho các kỹ sư đã có kiến thức thành thạo các công cụ máy tính (bao gồm cả kiến thức cơ bản về lập trình phần mềm) một giới thiệu về Deep Learning cũng như các lĩnh vực chuyên môn khác nhau của nó và do đó là các kiến trúc mạng chính hiện có ngày nay. Mặc dù các kiến thức toán học cơ bản được nhắc lại trong suốt khóa học, nhưng trình độ toán học tương đương BAC+2 (tương đương với hai năm học sau trung học) được khuyến nghị để có sự thoải mái hơn. Về lý thuyết, bạn có thể bỏ qua khía cạnh toán học để chỉ giữ lại một tầm nhìn “hệ thống”, nhưng cách tiếp cận này sẽ hạn chế rất nhiều sự hiểu biết của bạn về chủ đề này.

Trong khóa đào tạo trực tiếp, do giảng viên hướng dẫn này, người tham gia sẽ học cách sử dụng Matlab để thiết kế, xây dựng và trực quan hóa mạng nơ-ron tích chập cho nhận dạng hình ảnh.

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

• Xây dựng mô hình học sâu
• Tự động gắn nhãn dữ liệu
• Làm việc với các mô hình từ Caffe và TensorFlow-Keras
• Huấn luyện dữ liệu bằng nhiều GPU, đám mây hoặc cụm

Đối tượng

• Nhà phát triển
• Kỹ sư
• Chuyên gia trong lĩnh vực

Định dạng khóa học

• Kết hợp bài giảng, thảo luận, bài tập và thực hành chuyên sâu

This classroom based training session will contain presentations and computer based examples and case study exercises to undertake with relevant neural and deep network libraries

Khóa học này là một giới thiệu về việc áp dụng mạng神经网络被切断了，我将继续翻译剩余部分：

Khóa học này là một giới thiệu về việc áp dụng mạng neural trong các vấn đề thực tế sử dụng phần mềm R-project.

Trong khóa học huấn luyện trực tiếp tại Việt Nam, các học viên sẽ được hướng dẫn cách tận dụng những cải tiến của bộ xử lý TPU để tối ưu hóa hiệu suất cho ứng dụng AI của riêng mình.

Đến cuối khóa học, học viên sẽ có thể:

• Huấn luyện nhiều loại mạng神经网络被翻译成了中文，我将把它改回英文。
  • 在大量数据上训练多种类型的神经网络。
  • 使用TPU将推理过程加速高达两个数量级。
  • 利用TPU处理诸如图像搜索、云视觉和照片等密集型应用。

  课程格式

  • 部分讲座，部分讨论，练习以及大量动手实践

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

Phần 1 (40%) của khóa đào tạo này tập trung nhiều hơn vào các nguyên tắc cơ bản, nhưng sẽ giúp bạn chọn công nghệ phù hợp: TensorFlow, Caffe, Theano, DeepDrive, Keras, v.v.

Phần 2 (20%) của khóa đào tạo giới thiệu Theano - một thư viện python giúp việc viết các mô hình học sâu trở nên dễ dàng.

Phần 3 (40%) của khóa đào tạo sẽ dựa trên Tensorflow - API Thế hệ thứ 2 của thư viện phần mềm nguồn mở của Google cho Deep Learning. Các ví dụ và thực hành sẽ được thực hiện trong TensorFlow.

Đối tượng

Khóa học này dành cho các kỹ sư muốn sử dụng TensorFlow cho các dự án Deep Learning của họ

Sau khi hoàn thành khóa học này, người tham gia sẽ:

• có hiểu biết tốt về mạng nơ-ron sâu (DNN), CNN và RNN

• hiểu rõ cấu trúc và cơ chế triển khai của TensorFlow

• có thể thực hiện các tác vụ và cấu hình về cài đặt / môi trường sản xuất / kiến trúc

• có thể đánh giá chất lượng mã, thực hiện gỡ lỗi, giám sát

• có thể triển khai các tính năng sản xuất nâng cao như đào tạo mô hình, xây dựng đồ thị và ghi nhật ký