Đào tạo trực tuyến Deep Learning tại Việt Nam

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 Việt Nam) 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 Việt Nam (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 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.

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 Việt Nam (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 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.

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 Việt Nam, 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.

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.

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.

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 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.

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 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 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 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.

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.

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 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) 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 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.

Trong buổi đào tạo trực tiếp do giảng viên hướng dẫn này, người tham dự 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.

Kết thúc khóa đào tạo, người tham dự sẽ có khả năng:

• Xây dựng mô hình học sâu
• Tự động hóa việc gán nhãn dữ liệu
• Làm việc với các mô hình từ Caffe và TensorFlow-Keras
• Huấn luyện dữ liệu sử dụng nhiều GPU, đám mây hoặc cụm máy chủ

Đối tượng tham dự

• Phát triển viên (Developer)
• Kỹ sư
• Chuyên gia lĩnh vực (Domain expert)

Định dạng khóa học

• Kết hợp giữa bài giảng và thảo luận, kèm theo bài tập và thực hành chi tiết

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 đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (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 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 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