Giới thiệu về Deep Learning

Enrollment in this course is by invitation only

GIỚI THIỆU MÔN HỌC!

Deep Learning (Học sâu) có thể được coi là một tập con của học máy (Machine Learning). Đây là một lĩnh vực dựa trên việc học hỏi và cải thiện bằng các thuật toán máy tính. Trong khi học máy sử dụng các khái niệm đơn giả, học sâu hoạt động với các mạng lưới thần kinh sâu (deep neural networks), được thiết kế để bắt chước cách con người suy nghĩ và học hỏi.

Ở môn học thứ tư này, người học sẽ được cung cấp những kiến thức cơ bản về các neural networks hiện đại và các ứng dụng của chúng trong thị giác máy tính và nghiên cứu ngôn ngữ tự nhiên. Chúng ta sẽ bắt đầu với việc xem xét các mô hình tuyến tính, gradient descent và đi sâu hơn vào các phương pháp tối ưu, điển hình cho việc huấn luyện deep neural networks. Sau đó, bạn sẽ tìm ra các lớp phổ biến nhất của neural networks là lớp fuult conected (phân loại), lớp convolution (thị giác máy tính) và các lớp recurrent (xử lý ngôn ngữ tự nhiên). Sau đó, bạn sẽ sử dụng các lớp này để xây dựng các mô hình DNN đầy đủ sử dụng các framework Tensorflow và Keras. Trong các dự án trong khóa học, bạn sẽ giải quyết vấn đề phân loại ảnh cảnh vật và phân loại văn bản độc hại bằng cách sử dụng Keras.

Để bắt đầu, tôi khuyên bạn nên dành một vài phút để khám phá trang web khóa học. Xem lại tài liệu chúng tôi sẽ trình bày mỗi tuần và xem trước các bài tập / dự án / câu hỏi bạn sẽ cần hoàn thành để vượt qua khóa học.

Các khái niệm chính được phân phối thông qua video, bản demo và bài tập thực hành.

THÔNG TIN MÔN HỌC

Mã môn học:	DSP304x
Tên môn học:	Giới thiệu về Deep Learning
Số tín chỉ:	3
Thời gian học:	6 tuần

MỤC TIÊU MÔN HỌC

Nắm được khái niệm cơ bản, ứng dụng và vai trò của Deep Learning hiện nay và cách sử dụng, triển khai các mạng shallow và deep neural network.
Có kiến thức về các phương pháp tối ưu trong DL: Gradient Descent, mini-batch GD, hyper-parameter optimization và các thuật toán bổ trợ GD (RMSProp, Adam, …).
Nắm được các ứng dụng của DL vào trong thị giác máy tính thông qua kiến trúc mạng CNN: Bài toán phân loại hình ảnh, nhận diện vật thể, phân biệt khuôn mặt.
Nắm được ứng dụng của DL vào trong xử lý ngôn ngữ tự nhiên thông qua các kiến trúc mạng về RNN, LSTM, GRU và Attention: Nhận diện cảm xúc thông qua văn bản, dịch máy, xây dựng và sử dụng Word Embedding.
Có năng lực về chuẩn hóa dữ liệu, xây dựng và đánh giá, phân tích lỗi, cải thiện và tối ưu model với Tensorflow trong các dự án ML/DL.

CẤU TRÚC MÔN HỌC

Phần 1 - Neural Networks and Deep Learning

Bài 1: Cơ bản về Neural Networks
Bài 2: Numpy và Vectorization
Bài 3: Shallow Neural Network (Mạng nơron nông)
Bài 4: Deep Neural Network (Mạng nơron sâu)

Phần 2 - Tối ưu trong DNN (Deep Neural Networks)

Bài 5: Regularization (điều chuẩn)
Bài 6: Các thuật toán tối ưu
Bài 7: Hyperparameters Tuning (Điều chỉnh siêu tham số)

Phần 3 - Học sâu với Computer Vision (Thị giác máy tính)

Bài 8: Fundamental Convolutional Neural Network (CNN - mạng tích chập)
Bài 9: Các kiến trúc CNN cơ bản
Bài 10: Object Detection
Bài 11: Face Recognition

Assignment 1 - Project - Image Classification (Phân loại hình ảnh)

Phần 4 - Học sâu với Natural Language Processing (Xử lý ngôn ngữ tự nhiên)

Bài 12: Recurrent Neural Networks (RNN - mạng nơron hồi tiếp)
Bài 13: Word Embeddings
Bài 14: Sequence models

Assignment 2 - Project - Toxic comment classification (Phân loại bình luận độc hại)

Bài 15: Tensorflow Developer Certification

ĐỘI NGŨ THIẾT KẾ MÔN HỌC

THIẾT KẾ MÔN HỌC

M.Sc. Nguyễn Hải Nam

Chief mentor & chuyên gia thiết kế khóa học tại FUNiX
Thạc sĩ Khoa học Máy tính, Đại học Cassino, Ý
Cử nhân Khoa học ứng dụng, Kỹ thuật viễn thông, PTIT
Lĩnh vực nghiên cứu: Deep Learning, Computer vision, Handwritting OCR, Abnormal detection
Online profile: https://www.linkedin.com/in/hai-nam-nguyen-474587119/

M.S. Vũ Thương Huyền

Nhà khoa học dữ liệu tại FPT Software - FPT
Thạc sĩ Kỹ thuật phần mềm, Đại học Công nghệ, Đại học Quốc gia Hà Nội
Cử nhân Kỹ thuật, Toán ứng dụng và Tin học, Đại học Bách Khoa Hà Nội
Lĩnh vực nghiên cứu: Machine learning, Deep learning, Reinforcement Learning, Natural Language Processing…
Profile online: https://www.linkedin.com/in/thuong-huyen-3969747a/

CHUYÊN GIA PHẢN BIỆN

Chuyên gia phản biện chi tiết

Kiểm thử

Ph.D. Đặng Hoàng Vũ

Giám đốc khoa học FPT
Tiến sĩ Toán học, Đại học Cambridge
Thành viên nòng cốt của các hoạt động R&D tại Tập đoàn FPT
Chịu trách nhiệm chính trong lĩnh vực phân tích của Platform quản lý dữ liệu và nghiên cứu khoa học dữ liệu của FPT

B.A. Hồ Quốc Bảo

Trợ lý Nghiên cứu, học viên cao học về Công nghệ Micro và Nano, Đại học Đông Nam, Na Uy
Học viên Cao học Kỹ thuật Viễn thông, ĐHBK HCM
Cử nhân Kỹ thuật Điện tử Viễn thông, ĐHBK
Lĩnh vực nghiên cứu: Signal Processing, Modelling, Machine Learning, Optical cable, Ultrasound Signal
Hồ sơ online: https://www.linkedin.com/in/quoc-bao-ho-bb239288/

CHUYÊN GIA PHẢN BIỆN KHUNG CHƯƠNG TRÌNH

Assoc. Prof. Từ Minh Phương

Ph.D. Nguyễn Văn Vinh

Ph.D. Trần Thế Trung

Trưởng khoa CNTT, Đại học Bưu chính viễn thông (PTIT)
Chuyên gia tư vấn công nghệ AI & machine learning
Trưởng phòng Lab Học máy & Ứng dụng của PTIT

Giảng viên & thành viên cốt lõi của Phòng thí nghiệm AI, Đại học Công nghệ - VNU
Chuyên gia tư vấn AI cho DPS, Fsoft
Bằng tiến sĩ Khoa học máy tính, Viện Khoa học và Công nghệ tiên tiến Nhật Bản
Cử nhân CNTT, Đại học Công nghệ, VNU

Viện trưởng Viện nghiên cứu công nghệ FPT, Đại học FPT
Bằng tiến sĩ Vật lý tính toán, UVSQ Université de Versailles
Thạc sĩ Vật lý thiên văn, Đại học Pierre & Marie Curie
Cử nhân Vật lý lý thuyết và Toán học, Đại học Melbourne

NGUỒN HỌC LIỆU (MOOC)

Với môn học Giới thiệu về Deep Learning này, chúng tôi tin tưởng giới thiệu với các bạn học viên các nguồn tài nguyên MOOC sau từ Coursera:

Trong thời đại hiện nay, mỗi môn học đều có nhiều nguồn tài liệu liên quan kể cả sách in và online, FUNiX Way không quy định một nguồn học liệu cụ thể mà khuyến cáo để học viên chọn được nguồn phù hợp nhất cho mình. Trong quá trình học từ nhiều nguồn khác nhau theo lựa chọn cá nhân đó, khi sinh viên phát sinh câu hỏi thì sẽ được kết nối nhanh nhất với mentor để được giải đáp. Toàn bộ phần đánh giá bao gồm các câu hỏi trắc nghiệm, bài tập, dự án và thi vấn đáp do FUNiX thiết kế, xây dựng và thực hiện.

Các môn học của FUNiX không quy định bắt buộc tài liệu học tập, sinh viên có thể chủ động tìm và học từ bất kỳ nguồn nào phù hợp, kể cả sách in hay nguồn học liệu online (MOOC) hay các website. Việc sử dụng các nguồn đó do học viên chịu trách nghiệm và đảm bảo tuân thủ các chính sách của chủ sở hữu nguồn, trừ trường hợp họ có sự hợp tác chính thức với FUNiX. Nếu cần hỗ trợ, học viên có thể liên hệ phòng đào tạo FUNiX để được hướng dẫn.

Dưới đây là một số nguồn học liệu của môn học mà học viên có thể tham khảo sử dụng. Việc liệt kê nguồn dưới đây không nhất thiết hàm ý rằng FUNiX có sự hợp tác chính thức với chủ sở hữu của nguồn: Coursera, Towards Data Science, Github, Miai, Codelearn, Medium, Data Novia.

Kênh phản hồi

FUNiX sẵn sàng đón nhận và trao đổi về mọi ý kiến góp ý, phản hồi liên quan đến học liệu qua email program@funix.edu.vn.