Phần 1: Kiến thức nền tảng về học máy và học sâu:

Machine Learning

Nền tảng về học máy: sử dụng tài liệu và video theo link ở đây: https://bkai.ai/course/machine-learning-and-data-mining/

Sách machine learning căn bản https://www.coursera.org/learn/machine-learning/home/week/1

Linear Regression

Đầu ra: slide trình bày ngắn và làm bài tập trên khoá coursera

Linear Regression với cách tiếp cận dùng Gradient Descent để tối ưu

Đầu ra: Trình bày tư tưởng của thuật toán Gradient descent và các thuật liên quan. Hiểu được code python của Gradient descent áp dụng vào bài toán linear Regression , có thể buld được mô hình đơn giản

Perceptron

Đầu ra trình bày:
1. Mô hình bài toán
2. Lost function và đạo hàm của lost function
3. Kỹ thuật tối ưu				
4. Ưu và nhược điểm của thuật toán
5. Viết code mô tả bằng python

Logistic regression:

Đầu ra trình bày:
1. Mô hình bài toán
2. Activation function
3. Lost function
4. Kỹ thuật tối ưu
5. Ưu nhược điểm và ứng dụng
6. Viết code miêu tả bằng python

Softmax regresion

Đầu ra trình bày:
1. Bài toán phân loại nhiều lớp
2. Bài toán sử dụng Softmax
3. Lost function trong bài toán sử dụng softmax
4. Viết code mô tả bằng python

Multi-layer classification

Đầu ra trình bày:
1. Multilayer neural network cùng tư tưởng về feedforưard
2. Backpropagation
3. Viết code mô tả bằng python

CNN

Đầu ra trình bày:
1. Giới thiệu layer tích chập và pooling. Tìm hiểu về shared weight/ các kiến trúc CNN phổ biển
2. Code bài toán phân loại chó mèo bằng CNN

Advanced: Huấn luyện mạng NN:

Đầu ra trình bày:
1. Các giải thuật tối ưu SGD+momentum, AdaGrad, RMSProp, Adam
2. Các kỹ  thuật chống overfit: hiệu chỉnh L2, early stopping, dropout
3. Bài toán phân loại chó mèo kết hợp phương phối tối ưu/ chống overfitting

Xem thêm các thuật toán

1. Học có giám sát
2. Học không giám sát
3. Học tăng cường
4. Học bán giám sát

Deep Learning

Khóa học cs231n (stanford) : https://bit.ly/3uO5XUH.

Course notes và slides các bạn có thể xem tại: http://cs231n.stanford.edu/index.html

Python

Tham khảo chính https://www.sololearn.com và https://www.coursera.org/learn/python-project

Học các kiểu dữ liệu, cấu trúc điều khiển, cấu trúc lặp:

1. https://howkteam.vn/course/lap-trinh-python-co-ban-37

2. Đầu ra yêu cầu: Phần mềm quản lí sinh viên trên console.Mỗi sinh viên có thông tin bao gồm: MSSV, họ tên, tuổi, điểm số. Chương trình có các tính năng sau:

   1. Thêm sinh viên.
   2. Xóa sinh viên bởi MSSV.
   3. Sắp xếp sinh viên theo điểm số.
   4. Hiển thị danh sách sinh vien.
   5. Ghi danh sách sinh viên vào file "student.txt" .

Học:

1. Các kiểu dữ liệu : List, dict ,tuple, set .

2. Ép kiểu dữ liệu

3. Nhập xuất dữ liệu

4. Package,import thư viện , một số thư viện: datetime, os, argparse,random(Không cần tìm hiểu qúa nhiều, chỉ cần biết cách import thư viện )

5. Vòng lặp for,do,while

6. Câu lệnh điều kiện: if, else

7. Tham khảo: https://quantrimang.com/cong-nghe/python

8. Đầu ra yêu cầu: Bài tập trên trang hackerrank để quen với cú pháp python

Học:

1. Hàm return

2. Module, package

3. Thưu viện numpy:https://cs231n.github.io/python-numpy-tutorial/)

4. Vector, ma trận, ma trận nhiều chiều

5. Transpose, reshape, min, max, argmin, argmax()

6. Tham khảo: https://machinelearningcoban.com/2017/10/12/fundaml_vectors/ và https://cs231n.github.io/python-numpy-tutorial/

7. Đầu ra: Tìm hiểu cách cài đặt, các hàm, các tham số trong thư viện numpy

Phần 2: Thị giác máy tính:

1. Basics : https://www.coursera.org/learn/computer-vision-basics (very short)

2. Chuỗi bài giảng chi tiết về thị giác máy tính : https://bit.ly/3g2Z4Ma

(20 videos với độ dài khoảng 1h của cô Oanh) Xem file Excel

Một số bài giảng = tiếng việt (giảng dạy qua MS Teams đc ghi lại) (Xem link trong file Excel )

Phần 3: Một số chủ đề sâu hơn:

1. Lecture 15, 16 (object detection and segmentation – 2h30) từ : https://bit.ly/3a8YqGH

2. Cơ bản về ảnh đa phổ

   Simple and short https://www.youtube.com/watch?v=b0webdvlySo

   Detailed video: https://www.youtube.com/watch?v=G425UFkYw3w

Sách tham khảo về Computer Vision (for students to pick some things that they might need, and because it points to many interesting references): https://bit.ly/3a9F43Y