I.             Tổng quan

Khóa học được thiết kế bao gồm phần kiến thức: mạng neuron nhân tạo (Artificial Neural Network) và học sâu (Deep learning), mạng neuron tích chập (Convolution Neural Network), mạng hồi quy (Recurrent Neural Network), Long-short Term Memory.

Khóa học này sẽ tập trung vào việc hướng dẫn các bạn xây dựng các mô hình học sâu ứng dụng trong thị giác máy tính. Khóa học sẽ không đi sâu vào các công thức toán của mô hình học máy mà chỉ tập trung vào xây dựng các mô hình có khả năng ứng dụng cao. Khóa học cũng hướng dẫn các bạn cách triển khai các mô hình đã xây dựng được vào trong thực tế

II.         Thời lượng: 40h

III.      Mục tiêu:

Nắm vững các khái niệm phổ biến như Convolution Neural Networks, R-CNNs, YOLO, GAN.

     Cách sử dụng thư viện Keras, Tensorflow, Pytorch trong Python để xây dựng ứng dụng Computer Vision.

     Có khả năng lựa chọn, phân tích, thiết kế và áp dụng các cấu trúc mạng neuron nhân tạo, mạng học sâu, và lựa chọn các giải thuật huấn luyện tối ưu cho mạng trong lĩnh thực Computer Vision.

     Hiểu và vận dụng các thuật toán Deep Learning trong việc giải quyết các vấn đề thực tế trong Computer Vision như: phân loại, dự đoán, nhận dạng

IV.      Đối tượng tham gia

-       Sinh viên từ các chuyên ngành khác nhau như công nghệ thông tin, toán tin, khoa học tự nhiên, kinh tế, tài chính, ngân hàng, ngoại thương v.v...

-       Người đi làm ở các ngành nghề khác nhau và có mong muốn chuyển sang ngành Khoa học dữ liệu, Phân tích dữ liệu, Học máy

V.          Yêu cầu:

-       Học viên có kiến thức cơ bản về: ngôn ngữ lập trình Python, đại số tuyến tính, xác suất thống kê.

-       Có kiến thức cơ bản về Machine Learning.

VI.      Nội dung khóa học:

1.      Introduction to Deep Learning

• Deep Learning with Tensorflow/Keras
• Inspecting and monitoring deep-learning models using TensorBoard

Lab:

• Building a model for the classic MNIST dataset of hand-written digits.      

2.      Tensorflow + Convolutional Neural Networks

• Understand Tensorflow
• Understand convolutional neural networks (CNNs)
• Build a first model to recognize dogs and cats

3.      Convolution Neural Network - part 1

• Convolution Neural Network (CNN) Architecture.
• Build CNN from scratch
• (Exercises: Build Conv Layer and Max Pool layer)

4.      Convolutional Neural Networks - part 2

• How to improve the accuracy of the model built in the previous class
• Data augmentation
• Hyperparameter tuning
• Batch normalization

5.      Image Classification - part 1

• Image Classification with Deep Learning - Architectures

6.      Image Classification - part 2

• Image Classification with Deep Learning - Implementation

7.      Object Detection - part 1

• Object Detection with Deep Learning - Architectures

8.      Object Detection - part 2

• Object Detection with Deep Learning - Implementatio

9.      Transfer learning

• Transfer learning using pre-trained models

10.  Generative Adversarial Networks (GANs)

• Introduction to GANs
• Image Generator - Drawing Cartoons with Generative Adversarial Networks

11.  Segmentation - part 1

• Introduction to segmentation
• Introduction to Unets
• Automatically identify the boundaries of the car in an image.

12.  Segmentation - part 2

• Ultrasound Nerve Segmentation
• Identify nerve structures in ultrasound images of the neck