Deep Learning Training in Hanoi

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho 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 các ứng dụng Edge AI.

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

• Hiểu 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 biên khác nhau.
• Sử dụng các công cụ và kỹ thuật để chuyển đổi và tối ưu hóa mô hình.
• Triển khai các ứng dụng Edge AI thực tế bằng TensorFlow Lite.

Đến cuối khóa học này, các học viên sẽ có khả năng:

Khóa học trực tiếp (trực tuyến hoặc tại chỗ) tại Hanoi này hướng đến những chuyên gia trình độ cao muốn làm sâu sắc thêm kiến thức về thị giác máy tính và khám phá khả năng của TensorFlow để phát triển các mô hình thị giác tinh vi bằng cách sử dụng Google Colab.

• Xây dựng và huấn luyện mạng nơ-ron tích chập (CNNs) sử dụng TensorFlow.
• Khai thác Google Colab để phát triển mô hình dựa trên đám mây một cách quy mô và hiệu quả.
• Triển khai các kỹ thuật tiền xử lý hình ảnh cho nhiệm vụ thị giác máy tính.
• triển khai các mô hình thị giác máy tính cho các ứng dụng thực tế.
• Sử dụng học chuyển tiếp để cải thiện hiệu suất của mô hình CNNs.
• Biểu diễn và giải thích kết quả của mô hình phân loại hình ảnh.

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

Khóa học trực tuyến hoặc tại chỗ này (tại Hanoi) hướng đến các nhà khoa học dữ liệu và lập trình viên mức trung cấp muốn hiểu và áp dụng kỹ thuật deep learning sử dụng môi trường Google Colab.

• Thiết lập và điều hướng Google Colab cho các dự án deep learning.
• Hiểu cơ bản về mạng neural.
• Triển khai mô hình deep learning sử dụng TensorFlow.
• Huấn luyện và đánh giá các mô hình deep learning.
• Tận dụng các tính năng nâng cao của TensorFlow cho deep learning.

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 (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.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Hanoi (trực tuyến hoặc tại chỗ) dành cho các chuyên gia trình độ cao mong muốn tận dụng các kỹ thuật AI để cách mạng hóa quy trình khám phá và phát triển thuốc.

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

• Hiểu rõ vai trò của AI trong khám phá 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 để sàng lọc ảo và tối ưu hóa các hợp chất tiềm năng.
• Tích hợp các phương pháp tiếp cận dựa trên AI vào quy 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.

Khóa đào tạo trực tiếp, trực tuyến hoặc tại chỗ này dành cho các nhà khoa học dữ liệu, kỹ sư học máy và nhà nghiên cứu thị giác máy tính, những người muốn tận dụng Stable Diffusion để tạo ra hình ảnh chất lượng cao cho nhiều mục đích sử dụng khác nhau.

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

• Hiểu các nguyên tắc của Stable Diffusion và cách thức hoạt động của nó trong việc tạo hình ảnh.
• Xây dựng và huấn luyện các mô hình Stable Diffusion cho các tác vụ tạo hình ảnh.
• Áp dụng Stable Diffusion vào các tình huống tạo hình ảnh khác nhau, chẳng hạn như nội suy ảnh, mở rộng ảnh và dịch ảnh.
• Tối ưu hóa hiệu suất và độ ổn định của các mô hình Stable Diffusion.

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

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 vào các ứng dụng liên quan đến hình ảnh, âm nhạc, văn bản và dữ liệu tài chính.
• Tối ưu hóa hiệu suất của các thuật toán Python lên mức tối đa.
• Sử dụng các thư viện và gói như NumPy và Theano.

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.

Trong khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Hanoi, người tham gia sẽ học cách triển khai các mô hình học sâu cho ngành viễn thông bằng cách sử dụng Python khi họ từng bước tạo ra một mô hình đánh giá rủi ro tín dụng học sâu.

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

• Hiểu các khái niệm cơ bản của học sâu.
• Tìm hiểu các ứng dụng và cách sử dụng học sâu trong ngành viễn thông.
• Sử dụng Python, Keras và TensorFlow để tạo các mô hình học sâu cho ngành viễn thông.
• Xây dựng mô hình dự đoán tỷ lệ khách hàng rời mạng của riêng họ bằng cách sử dụng 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.

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.

Caffe là một framework học sâu được xây dựng với mục tiêu biểu đạt, tốc độ và tính mô-đun.

Khóa học này khám phá ứng dụng của Caffe như một framework học sâu để nhận dạng hình ảnh, sử dụng MNIST làm ví dụ.

Đối tượng

Khóa học này phù hợp cho các nhà nghiên cứu và kỹ sư Deep Learning quan tâm đến việc sử dụng Caffe như một framework.

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

• hiểu cấu trúc và cơ chế triển khai của Caffe
• 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, triển khai các lớp và ghi nhật ký

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.

Bộ công cụ Mạng Máy tính (CNTK) là khung học máy huấn luyện RNN đa máy, đa GPU, hiệu quả cao, mã nguồn mở của Microsoft cho giọng nói, văn bản và hình ảnh.

Đối tượng

Khóa học này dành cho các kỹ sư và kiến trúc sư hướng tới việc sử dụng CNTK trong các dự án của họ.

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.

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 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. Python là một ngôn ngữ lập trình cấp cao nổi tiếng với cú pháp rõ ràng và khả năng đọc code.

Trong khóa đào tạo trực tiếp, do giảng viên hướng dẫn này, người tham gia sẽ học cách triển khai các mô hình học sâu cho ngành ngân hàng bằng cách sử dụng Python khi họ từng bước tạo ra một mô hình đánh giá rủi ro tín dụng học sâu.

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

• Hiểu các khái niệm cơ bản của học sâu
• Tìm hiểu các ứng dụng và cách sử dụng học sâu trong ngành ngân hàng
• Sử dụng Python, Keras và TensorFlow để tạo các mô hình học sâu cho ngành ngân hàng
• Xây dựng mô hình đánh giá rủi ro tín dụng học sâu của riêng họ bằng cách sử dụng Python

Đối tượng

• Nhà phát triển
• Nhà khoa học dữ liệu

Định dạng khóa học

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

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 chỗ) dành cho 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.

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

• Cài đặt bộ công cụ OpenVINO.
• Tăng tốc ứng dụng thị giác máy tính bằng FPGA.
• Thực thi các lớp CNN khác nhau trên FPGA.
• Mở rộng ứng dụng trên nhiều nút trong một 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 (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển hoặc nhà khoa học dữ liệu muốn sử dụng Horovod để chạy các buổi huấn luyện học sâu phân tán và mở rộng quy mô để chạy song song trên nhiều GPU.

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

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

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.

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

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các chuyên gia ở trình độ mới bắt đầu đến trung cấp, những người muốn phát triển hiểu biết về các thuật toán học máy, kỹ thuật học sâu và quá trình ra quyết định dựa trên AI. Khóa học cung cấp kinh nghiệm thực hành với các khái niệm học máy, mô hình học sâu và triển khai thực tế bằng R.

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

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

Khóa đào tạo này dành cho những người muốn tìm hiểu kiến thức 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.

OpenFace là phần mềm nhận diện khuôn mặt dựa trên mã nguồn mở, thời gian thực, dựa trên nghiên cứu FaceNet của Google, với Python và Torch.

Trong khóa đào tạo trực tiếp, do giảng viên hướng dẫn này, người tham gia sẽ học cách sử dụng các thành phần của OpenFace để tạo và triển khai một ứng dụng nhận diện khuôn mặt mẫu.

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

• Làm việc với các thành phần của OpenFace, bao gồm dlib, OpenCV, Torch và nn4 để triển khai phát hiện, căn chỉnh và chuyển đổi khuôn mặt.
• Áp dụng OpenFace vào các ứng dụng thực tế như giám sát, xác minh danh tính, thực tế ảo, trò chơi và nhận diện khách hàng thường xuyên, v.v.

Đối tượng

• Nhà phát triển
• Nhà khoa học dữ liệu

Định dạng khóa học

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

Trong khóa đào tạo trực tiếp, do giảng viên hướng dẫn này, người tham gia sẽ học cách thiết lập và sử dụng OpenNMT để thực hiện dịch các bộ dữ liệu mẫu khác nhau. Khóa học bắt đầu với tổng quan về mạng nơ-ron khi áp dụng vào dịch máy. Người tham gia sẽ thực hiện các bài tập trực tiếp trong suốt khóa học để chứng minh sự hiểu biết của họ về các khái niệm đã học và nhận phản hồi từ giảng viên.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có kiến thức và kinh nghiệm thực tế cần thiết để triển khai giải pháp OpenNMT trực tiếp.

Các mẫu ngôn ngữ nguồn và đích sẽ được sắp xếp trước theo yêu cầu của đối tượng học viên.

Hình thức của Khóa học

• Kết hợp giảng lý thuyết, thảo luận và thực hành nặng nề

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 một giới thiệu về việc ứng dụng mạng nơ-ron trong các bài toán 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.

Trong khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Hanoi, người tham gia sẽ học cách tận dụng những đổi mới trong bộ xử lý TPU để tối đa hóa hiệu suất của các ứng dụng AI của chính họ.

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

• Huấn luyện nhiều loại mạng nơ-ron trên lượng lớn dữ liệu.
• Sử dụng TPU để tăng tốc quá trình suy luận lên đến hai bậc độ lớn.
• Tận dụng TPU để xử lý các ứng dụng chuyên sâu như tìm kiếm hình ảnh, tầm nhìn đám mây và ảnh.

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 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