Deep Learning Đào tạo tại Hanoi

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 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 học trực tuyến hoặc tại chỗ này dưới sự hướng dẫn của giảng viên (tại Hanoi) dành cho các nhà khoa học dữ liệu và nhà phát triển có trình độ trung cấp muốn hiểu và áp dụng kỹ thuật học sâu bằng môi trường Google Colab.

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

• Thiết lập và điều hướng Google Colab cho các dự án học sâu.
• Hiểu rõ cơ bản về mạng thần kinh.
• Triển khai mô hình học sâu bằng TensorFlow.
• Huấn luyện và đánh giá mô hình học sâu.
• Tận dụng các tính năng nâng cao của TensorFlow cho học sâu.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Hanoi (trực tuyến hoặc tại chỗ) dành cho các chuyên gia nâng cao muốn chuyên sâu về các kỹ thuật học sâu tiên tiến cho NLU.

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

• Hiểu rõ sự khác biệt chính giữa các mô hình NLU và NLP.
• Áp dụng các kỹ thuật học sâu tiên tiến vào các tác vụ NLU.
• Khám phá các kiến trúc sâu như transformers và cơ chế attention.
• Tận dụng các xu hướng tương lai trong NLU để xây dựng các hệ thống AI tinh vi.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Hanoi (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.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà khoa học dữ liệu, kỹ sư học máy, nhà nghiên cứu học sâu và chuyên gia thị giác máy tính trình độ trung cấp đến nâng cao, những người muốn mở rộng kiến thức và kỹ năng của họ về học sâu để tạo ảnh từ văn bản.

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

• Hiểu các kiến trúc và kỹ thuật học sâu nâng cao để tạo ảnh từ văn bản.
• Triển khai các mô hình và tối ưu hóa phức tạp để tổng hợp hình ảnh chất lượng cao.
• Tối ưu hóa hiệu suất và khả năng mở rộng cho các tập dữ liệu lớn và các mô hình phức tạp.
• Điều chỉnh các siêu tham số để cải thiện hiệu suất và khả năng khái quát hóa của mô hình.
• Tích hợp Stable Diffusion với các khung và công cụ học sâu khác.

Khoá đào tạo trực tiếp này ở Hanoi (trực tuyến hoặc tại địa phương) được thiết kế cho những chuyên gia cấp cao muốn ứng dụng các kỹ thuật AI để cách mạng hóa các quá trình tìm kiếm và phát triển thuốc.

Sau khi hoàn thành khóa học này, các tham gia sẽ có thể:

• Hiểu vai trò của AI trong tìm kiếm và phát triển thuốc.
• Áp dụng các kỹ thuật học máy để dự đoán các đặc tính và tương tác phân tử.
• Sử dụng các mô hình học sâu cho lọc ảo và tối ưu hóa dẫn đầu.
• Tích hợp các phương pháp AI vào quá trình thử nghiệm lâm sàng.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Hanoi (trực tuyến hoặc tại chỗ) dành cho các nhà sinh học muốn hiểu cách AlphaFold hoạt động và sử dụng các mô hình AlphaFold làm hướng dẫn trong các nghiên cứu thực nghiệm của họ.

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

• Hiểu các nguyên tắc cơ bản của AlphaFold.
• Tìm hiểu cách AlphaFold hoạt động.
• Tìm hiểu cách diễn giải các dự đoán và kết quả của AlphaFold.

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 kỹ sư học máy ở trình độ sơ cấp đến trung cấp, những người muốn cải thiện hiệu suất của các mô hình học sâu của họ.

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

• Hiểu các nguyên tắc của học sâu phân tán.
• Cài đặt và cấu hình DeepSpeed.
• Mở rộng quy mô các mô hình học sâu trên phần cứng phân tán bằng DeepSpeed.
• Triển khai và thử nghiệm các tính năng của DeepSpeed để tối ưu hóa và hiệu quả bộ nhớ.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển ở trình độ mới bắt đầu đến trung cấp, những người muốn sử dụng Mô hình Ngôn ngữ Lớn cho nhiều tác vụ xử lý ngôn ngữ tự nhiên.

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

• Thiết lập môi trường phát triển bao gồm một LLM phổ biến.
• Tạo một LLM cơ bản và tinh chỉnh nó trên một tập dữ liệu tùy chỉnh.
• Sử dụng LLM cho các tác vụ xử lý ngôn ngữ tự nhiên khác nhau như tóm tắt văn bản, trả lời câu hỏi, tạo văn bản, v.v.
• Gỡ lỗi và đánh giá LLM bằng các công cụ như TensorBoard, PyTorch Lightning và Hugging Face Datasets.

Chương trình đào tạo trực tiếp do giảng viên hướng dẫn này (trực tuyến hoặc tại địa điểm) hướng đến các nhà khoa học dữ liệu, kỹ sư học máy và nhà nghiên cứu thị giác máy tính, những người mong muốn tận dụng Stable Diffusion để tạo ra các hình ảnh chất lượng cao cho nhiều trường hợp sử dụng khác nhau.

Ở cuối khóa đào tạo này, người tham dự sẽ có khả năng:

• Hiểu các nguyên tắc của Stable Diffusion và cách nó hoạt động để tạo ảnh.
• Xây dựng và huấn luyện các mô hình Stable Diffusion cho các nhiệm vụ tạo ảnh.
• Áp dụng Stable Diffusion vào nhiều tình huống tạo ảnh khác nhau, chẳng hạn như điền vào khoảng trống (inpainting), mở rộng ảnh (outpainting) và chuyển đổi từ ảnh sang ảnh.
• Tối ưu hóa hiệu suất và độ ổn định của các mô hình Stable Diffusion.

Trong khóa đào tạo trực tiếp do giáo viên hướng dẫn tại Hanoi, người tham gia sẽ học những kỹ thuật học máy tiên tiến và phù hợp nhất bằng Python khi họ xây dựng một loạt các ứng dụng mẫu liên quan đến hình ảnh, âm nhạc, văn bản và dữ liệu tài chính.

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

• Triển khai các thuật toán và kỹ thuật học máy để giải quyết các vấn đề phức tạp.
• Áp dụng học sâu và học bán giám sát cho các ứng dụng liên quan đến hình ảnh, âm nhạc, văn bản và dữ liệu tài chính.
• Tối ưu hóa thuật toán Python đến mức tối đa.
• Sử dụng thư viện và gói như NumPy và Theano.

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

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.

Trong khóa đào tạo trực tiếp do giảng viên hướng dẫn tại Hanoi, người tham gia sẽ học cách triển khai các mô hình deep learning cho ngành viễn thông bằng Python khi họ đi qua quá trình tạo ra một mô hình rủi ro tín dụng dựa trên deep learning.

Bằng cuối khóa đào tạo này, người tham gia sẽ có thể:

• Hiểu được các khái niệm cơ bản của deep learning.
• Học về ứng dụng và lợi ích của deep learning trong ngành viễn thông.
• Sử dụng Python, Keras và TensorFlow để tạo mô hình deep learning cho ngành viễn thông.
• Xây dựng mô hình dự đoán khách hàng rời bỏ (churn) của riêng họ bằng Python.

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 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 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 tại Hanoi (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 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 học này là tổng quan về Deep Learning, không đi sâu vào bất kỳ phương pháp cụ thể nào. Nó phù hợp với những người muốn bắt đầu sử dụng Học sâu để nâng cao độ chính xác dự đoán của họ.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà nghiên cứu và phát triển muốn cài đặt, thiết lập, tùy chỉnh và sử dụng nền tảng DeepMind Lab để phát triển các hệ thống trí tuệ nhân tạo và học máy tổng quát.

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

• Tùy chỉnh DeepMind Lab để xây dựng và chạy một môi trường phù hợp với nhu cầu học tập và đào tạo.
• Sử dụng môi trường mô phỏng 3D của DeepMind Lab để huấn luyện các tác nhân học tập ở góc nhìn thứ nhất.
• Tạo điều kiện đánh giá tác nhân để phát triển trí thông minh trong một thế giới giống như trò chơi 3D.

Học máy là một nhánh của Trí tuệ Nhân tạo, trong đó máy tính có khả năng học hỏi mà không cần được lập trình một cách rõ ràng. Học sâu là một lĩnh vực con của học máy, sử dụng các phương pháp dựa trên việc học các biểu diễn và cấu trúc dữ liệu như mạng nơ-ron.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phân tích nghiệp vụ, nhà khoa học dữ liệu và nhà phát triển muốn xây dựng và triển khai các mô hình học sâu để tăng tốc tăng trưởng doanh thu và giải quyết các vấn đề trong thế giới kinh doanh.

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

• Hiểu các khái niệm cốt lõi của học máy và học sâu.
• Có được những hiểu biết sâu sắc về tương lai của kinh doanh và công nghiệp với ML và DL.
• Xác định các chiến lược và giải pháp kinh doanh với học sâu.
• Tìm hiểu cách áp dụng khoa học dữ liệu và học sâu trong việc giải quyết các vấn đề kinh doanh.
• Xây dựng các mô hình học sâu bằng cách sử dụng Python, Pandas, TensorFlow, CNTK, Torch, Keras, v.v.

Trong khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Hanoi, người tham gia sẽ học cách sử dụng các thư viện Python cho NLP khi họ tạo một ứng dụng xử lý một tập hợp hình ảnh và tạo chú thích.

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

• Thiết kế và viết mã DL cho NLP bằng cách sử dụng các thư viện Python.
• Tạo mã Python đọc một bộ sưu tập hình ảnh khổng lồ và tạo từ khóa.
• Tạo mã Python tạo chú thích từ các từ khóa được phát hiện.

Đối tượng

Khóa học này phù hợp với các nhà nghiên cứu và kỹ sư quan tâm đến việc sử dụng các công cụ hiện có (chủ yếu là mã nguồn mở) để phân tích hình ảnh máy tính.

Khóa học này cung cấp các ví dụ thực tế.

Khóa đào tạo trực tiếp do giảng viên hướng dẫn này tại Hanoi (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 Hanoi (trực tuyến hoặc tại chỗ) dành cho các nhà khoa học dữ liệu muốn sử dụng TensorFlow để phân tích dữ liệu gian lận tiềm ẩn.

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

• Tạo một mô hình phát hiện gian lận trong Python và TensorFlow.
• Xây dựng các hồi quy tuyến tính và mô hình hồi quy tuyến tính để dự đoán gian lận.
• Phát triển một ứng dụng AI hoàn chỉnh để phân tích dữ liệu gian lận.

Khóa đào tạo trực tiếp do giảng viên hướng dẫn này tại Hanoi (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 đào tạo trực tiếp, do giảng viên hướng dẫn này tại Hanoi (trực tuyến hoặc tại chỗ) dành cho những người có chuyên môn kỹ thuật muốn áp dụng mô hình học sâu vào các ứng dụng nhận dạng hình ảnh.

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

• Cài đặt và cấu hình Keras.
• Nhanh chóng tạo mẫu các mô hình học sâu.
• Triển khai mạng tích chập.
• Triển khai mạng hồi quy.
• Thực thi mô hình học sâu trên cả CPU và GPU.

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

Khoá học này do giảng viên hướng dẫn trực tiếp (trực tuyến hoặc tại chỗ) nhắm vào các chuyên gia ở mức độ từ cơ bản đến trung cấp, mong muốn phát triển hiểu biết về thuật toán máy học, kỹ thuật học sâu và quyết định dựa trên AI. Khoá học cung cấp kinh nghiệm thực hành với các khái niệm máy học, mô hình học sâu và việc triển khai thực tế bằng R.

Sau khi hoàn thành khoá học này, người tham gia sẽ có thể:

• Hiểu rõ về cơ bản của máy học và học sâu.
• Áp dụng các thuật toán máy học khác nhau cho hồi quy, phân loại, cụm hóa và phát hiện dị thường.
• Sử dụng kiến trúc học sâu như mạng nơron nhân tạo (ANNs).
• Triển khai mô hình học có giám sát và không giám sát.
• Đánh giá hiệu suất mô hình và tối ưu siêu tham số.
• Sử dụng R cho phân tích dữ liệu, trực quan hóa và ứng dụng máy học.

Khóa học này dành cho những người muốn tìm hiểu cơ bản về mạng nơ-ron và các ứng dụng của chúng.

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 đào tạo trực tiếp, do giảng viên hướng dẫn này tại Hanoi (trực tuyến hoặc tại chỗ) dành cho các kỹ sư phần mềm muốn lập trình bằng Python với OpenCV 4 cho học sâu.

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

• Xem, tải và phân loại hình ảnh và video bằng OpenCV 4.
• Triển khai học sâu trong OpenCV 4 với TensorFlow và Keras.
• Chạy các mô hình học sâu và tạo các báo cáo có tác động từ hình ảnh và video.

Trong khóa đào tạo trực tiếp, do giảng viên hướng dẫn này, người tham gia sẽ học các kỹ thuật nâng cao về Machine Learning với R khi họ từng bước thực hiện tạo một ứng dụng thực tế.

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

• Hiểu và triển khai các kỹ thuật học máy không giám sát
• Áp dụng phân cụm và phân loại để đưa ra dự đoán dựa trên dữ liệu thực tế.
• Trực quan hóa dữ liệu để nhanh chóng có được thông tin chi tiết, đưa ra quyết định và tiếp tục tinh chỉnh phân tích.
• Cải thiện hiệu suất của mô hình học máy bằng cách điều chỉnh siêu tham số.
• Đưa mô hình vào sản xuất để sử dụng trong một ứng dụng lớn hơn.
• Áp dụng các kỹ thuật học máy nâng cao để trả lời các câu hỏi liên quan đến dữ liệu mạng xã hội, dữ liệu lớn và hơn thế nữa.

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

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 sử dụng Tensorflow 2.x để xây dựng các công cụ dự đoán, phân loại, mô hình sinh, mạng nơ-ron, v.v.

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

• Cài đặt và cấu hình TensorFlow 2.x.
• Hiểu được lợi ích của TensorFlow 2.x so với các phiên bản trước.
• Xây dựng các mô hình học sâu.
• Triển khai một bộ phân loại hình ảnh nâng cao.
• Triển khai một mô hình học sâu lên đám mây, thiết bị di động và IoT.

Khóa đào tạo trực tiếp, trực tuyến hoặc tại chỗ này dành cho các kỹ sư muốn viết, tải và chạy các mô hình học máy trên các thiết bị nhúng rất nhỏ.

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

• Cài đặt TensorFlow Lite.
• Tải các mô hình học máy lên thiết bị nhúng để cho phép nó phát hiện giọng nói, phân loại hình ảnh, v.v.
• Thêm AI vào các thiết bị phần cứng mà không cần dựa vào kết nối mạng.

Trong khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ), người tham gia sẽ học cách cấu hình và sử dụng TensorFlow Serving để triển khai và quản lý các mô hình ML trong môi trường sản xuất.

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

• Huấn luyện, xuất bản và cung cấp dịch vụ cho nhiều mô hình TensorFlow.
• Test và triển khai thuật toán sử dụng một kiến trúc và bộ API duy nhất.
• Mở rộng TensorFlow Serving để phục vụ các loại mô hình khác ngoài các mô hình TensorFlow.

TensorFlow là API thế hệ thứ 2 của thư viện phần mềm nguồn mở Google cho Deep Learning. Hệ thống được thiết kế để tạo điều kiện cho nghiên cứu trong lĩnh vực học máy, đồng thời giúp việc chuyển đổi từ nguyên mẫu nghiên cứu sang hệ thống sản xuất trở nên nhanh chóng và dễ dàng.

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, học viên sẽ:

• hiểu rõ cấu trúc và cơ chế triển khai của TensorFlow
• có thể thực hiện các tác vụ và cấu hình liên quan đến cài đặt / môi trường sản xuất / kiến trúc
• có thể đánh giá chất lượng mã, thực hiện gỡ lỗi và giám sát
• có thể triển khai các tính năng sản xuất nâng cao như huấn luyện mô hình, xây dựng đồ thị và ghi nhật ký

Khóa học này khám phá, thông qua các ví dụ cụ thể, ứng dụng của Tensor Flow cho mục đích nhận dạng hình ảnh.

Đối tượng

Khóa học này dành cho các kỹ sư muốn sử dụng TensorFlow cho mục đích Nhận dạng Hình ảnh.

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

• hiểu rõ cấu trúc và cơ chế triển khai của TensorFlow
• thực hiện các tác vụ và cấu hình liên quan đến cài đặt / môi trường sản xuất / kiến trúc
• đánh giá chất lượng mã, thực hiện gỡ lỗi, giám sát
• triển khai các tính năng nâng cao trong sản xuất như huấn luyện mô hình, xây dựng đồ thị và ghi nhật ký

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà khoa học dữ liệu muốn chuyển từ việc huấn luyện một mô hình ML duy nhất sang triển khai nhiều mô hình ML vào sản xuất.

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

• Cài đặt và cấu hình TFX và các công cụ hỗ trợ của bên thứ ba.
• Sử dụng TFX để tạo và quản lý một quy trình sản xuất ML hoàn chỉnh.
• Làm việc với các thành phần TFX để thực hiện mô hình hóa, huấn luyện, phục vụ suy luận và quản lý triển khai.
• Triển khai các tính năng học máy cho các ứng dụng web, ứng dụng di động, thiết bị IoT và hơn thế nữa.

TensorFlow™ là một thư viện phần mềm mã nguồn mở để tính toán số bằng cách sử dụng đồ thị luồng dữ liệu.

SyntaxNet là một khung xử lý ngôn ngữ tự nhiên dựa trên mạng nơ-ron dành cho TensorFlow.

Word2Vec được sử dụng để học các biểu diễn vector của từ, được gọi là "word embeddings". Word2vec là một mô hình dự đoán đặc biệt hiệu quả về mặt tính toán để học word embeddings từ văn bản thô. Nó có hai dạng, mô hình Continuous Bag-of-Words (CBOW) và mô hình Skip-Gram (Chương 3.1 và 3.2 trong Mikolov et al.).

Khi được sử dụng kết hợp, SyntaxNet và Word2Vec cho phép người dùng tạo các mô hình Embedding được học từ dữ liệu đầu vào ngôn ngữ tự nhiên.

Đối tượng

Khóa học này dành cho các Nhà phát triển và kỹ sư có ý định làm việc với các mô hình SyntaxNet và Word2Vec trong các đồ thị TensorFlow của họ.

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

• hiểu được cấu trúc và cơ chế triển khai của TensorFlow
• có thể thực hiện các tác vụ và cấu hình liên quan đến 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, nhúng thuật ngữ, xây dựng đồ thị và ghi nhật ký

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