DLI: Instructor-led Workshop

Fundamentals of Deep Learning (Cơ bản về học sâu)

Posted by Mai Xuan Trang on September 06, 2021 · 4 mins read

Các công ty trên toàn thế giới đang sử dụng trí tuệ nhân tạo (AI) để giải quyết nhiều các vấn đề lớn trong xã hội. Các chuyên gia sức khoẻ sử dụng AI để có thể dự đoán bệnh cho bệnh nhân chính xác và nhanh chóng hơn. Các công ty bán lẻ sử dụng AI để mang đến trải nghiệm mua hàng cá nhân hoá cho khách hàng. Các nhà sản xuất ô tô sử dụng AI để sản xuất ra những chiếc xe tiện ích và an toàn hơn. Học sâu (Deep Learning) là một công cụ AI mạnh mẻ sử dụng nhiều lớp mạng Nơ-ron nhân tạo để mang lại kết quả tốt nhất trong các tác vụ như nhận diện vật thể (Object detection), nhận diện dọng nói (Speech recognition), và dịch (translation). Sử dụng học sâu, máy tính có thể học và nhận diện ra các mẫu (patterns) từ dữ liệu mà quá phức tạp để các hệ thống phần mềm chuyên gia có thể làm được

Trong khoá học này, bạn sẽ được học về cách hoạt động của học sâu thông qua các bài thực hành trong lĩnh vực thị giác máy tính (computer vision) và xử lý ngôn ngữ tự nhiên (natural language processing). Bạn sẽ học cách huấn luyện một mô hình học sâu từ đầu, và học các kỹ thuật để thu được mô hình có độ chính xác cao.

Mục tiêu học tập (Learning Objectives):

Tham dự khoá học này, bạn sẽ:

  • Học các kỹ thuật cơ bản và các công cụ để huấn luyện mô hình học sâu
  • Có được kinh nghiệm với các loại dữ liệu cơ bản và các kiến trúc mô hình học sâu phổ biến
  • Cải thiện tập dữ liệu thông qua các kỹ thuật làm giàu dữ liệu nhằm nâng cao độ chính xác của mô hình
  • Sử dụng phương pháp “transfer learning” để thu để kết quả tốt với lượng dữ liệu nhỏ
  • Xây dựng sự tự tin để bạn có thể triển khai các dự án của riêng mình sử dụng các framework học sâu hiện đại

Nội dung khoá học (Workshop Outline):

Introduction -
Giới thiệu
(15 mins)
The Mechanics of Deep Learning
(240 mins)		 Explore the fundamental mechanics and tools involved in successfully training deep neural networks:
  • Train your first computer vision model to learn the process of training.
  • Introduce convolutional neural networks to improve accuracy of predictions in vision applications.
  • Apply data augmentation to enhance a dataset and improve model generalization.
Pre-trained Models and Recurrent Networks
(240 mins)		 Leverage pre-trained models to solve deep learning challenges quickly. Train recurrent neural networks on sequential data:
  • Integrate a pre-trained image classification model to create an automatic doggy door.
  • Leverage transfer learning to create a personalized doggy door that only lets in your dog.
  • Train a model to autocomplete text based on New York Times headlines.
Final Project: Object Classification
(240 mins)		 Apply computer vision to create a model that distinguishes between fresh and rotten fruit:
  • Create and train a model that interprets color images.
  • Build a data generator to make the most out of small datasets.
  • Improve training speed by combining transfer learning and feature extraction.
  • Discuss advanced neural network architectures and recent areas of research where students can further improve their skills.
Final Review
(15 mins)
  • Review key learnings and answer questions.
  • Complete the assessment and earn a certificate.
  • Complete the workshop survey.
  • Learn how to set up your own AI application development environment.

Nội dung trên đã được điều chỉnh một chút về thời gian từ nội dung của NVIDIA DLI Outline để phù hợp hơn với sinh viên.

← Previous Post