Trí tuệ nhân tạo (AI) là một lĩnh vực của khoa học máy tính mà mục tiêu chính là tạo ra máy móc có khả năng thực hiện các công việc mà trước đây chỉ có thể được thực hiện bởi con người. AI đang phát triển với tốc độ nhanh chóng, và ảnh hưởng sâu rộng đến mọi khía cạnh của cuộc sống hiện đại, từ công nghiệp đến y tế, giáo dục, và giao tiếp.
Nhằm giúp các bạn tiếp cận với AI một cách bài bản, chi tiết và khoa học nhất , giảng viên Trần Văn Nhân đã kết hợp cùng Học tập giá rẻ cho ra mắt khóa AI ứng dụng: Học sâu cho thị giác máy tính dành cho các học viên có nhu cầu tìm hiểu và mong muốn học về kiến thức nền tảng của AI, cùng với cách ứng dụng các kiến thức đó để thực hiện giải quyết các vấn đề trong thực tế. Mục tiêu của khóa học là xây dựng một kiến thức nền tảng vững chắc để có thể làm việc được với các dự án về AI cũng như dễ dàng phát triển chuyên sâu trong lĩnh vực AI.
Bạn sẽ học được gì?
- Bạn sẽ có được kiến thức cơ bản về học sâu và thị giác máy tính-Deep learning for computer vision
- Hiểu được ứng dụng của AI thông qua thực hành, giải quyết các vấn đề liên quan AI cơ bản - nâng cao qua mỗi phần học
- Cơ sở để học tiếp các khóa học chuyên sâu hơn về AI
- Củng cố kiến thức lập trình Python đã được học, hiểu rõ hơn về framework PyTorch và ứng dụng
- Có được định hướng về các hướng phát triển trong lĩnh vực AI
- Có khả năng tự học và tư phát triển trong mảng AI
-
Bài 1 : Giới thiệu về học sâu
Học thử
-
Bài 2 : Lịch sử của học sâu
Học thử
-
Bài 3 : Các công cụ hỗ trợ cho học sâu
Học thử
-
Bài 4 : Cài đặt phần mềm
Học thử
-
Bài 5 : Giới thiệu về Linear Regression
Học thử
-
Bài 6 : Nghiệm của bài toán Linear Regression
Học thử
-
Bài 7 : Huấn luyện và đánh giá Linear Regression
-
Bài 8 : Xây dựng mô hình Linear Regression (Lập trình)
-
Bài 9 : Xây dựng mô hình Linear Regression-tiếp theo (Lập trình)
-
Bài 10 : Giới thiệu về Multi-layer Perceptron
-
Bài 11 : Các hàm kích hoạt
-
Bài 12 : Phân tích Multi-layer Perceptron
-
Bài 13 : Hàm Softmax
-
Bài 14 : Đánh giá mô hình Multi-layer Perceptron
-
Bài 15 : MLP code
Học thử
-
Bài 16 : MLP code- tiếp theo
-
Bài 17 : Các cách giải quyết Overfitting & Underfitting
-
Bài 18 : Các thuật toán tối ưu mô hình
-
Bài 19 : Các thuật toán tối ưu Gradient Descent
-
Bài 20 : Các kỹ thuật tăng chất lượng mô hình
-
Bài 21 : Giới thiệu về thị giác máy tính
-
Bài 22 : Convolutional Neural Network
-
Bài 23 : Các kiến trúc CNN nâng cao
-
Bài 24 : ResNet code - phần 1
Học thử
-
Bài 25 : ResNet code - phần 2
-
Bài 26 : ResNet code - phần 3
-
Bài 27 : Các thuật toán Object Detection
-
Bài 28 : Thuật toán của YOLO
-
Bài 29 : YOLO github
-
Bài 30 : Giới thiệu về dữ liệu
-
Bài 31 : Xử lý dữ liệu
-
Bài 32 : Xử lý dữ liệu (code)
-
Bài 33 : Huấn luyện mô hình phân loại
-
Bài 34 : Huấn luyện mô hình phân loại (code)
-
Bài 35 : Cải thiện kết quả huấn luyện
-
Bài 36 : Cải thiện kết quả huấn luyện (code)
-
Bài 37 : Huấn luyện mô hình phân đoạn
-
Bài 38 : Huấn luyện mô hình phân đoạn - tiếp theo
-
Bài 39 : Huấn luyện mô hình phân đoạn (code)
-
Bài 40 : Kết nối toàn bộ hệ thống
-
Bài 41 : Kết nối toàn bộ hệ thống (code)
-
Bài 42 : Các hướng phát triển trong AI
Write a public review