MODULE 1: LẬP TRÌNH NÂNG CAO VÀ NỀN TẢNG DEEP LEARNING (5 BUỔI)
BUỔI 1: LẬP TRÌNH HƯỚNG ĐỐI TƯỢNG (OOP) – PHẦN 1
Lý thuyết: Các nguyên lý cốt lõi của OOP: Lớp (Class), Đối tượng (Object), Đóng gói (Encapsulation).
Thực hành: Thiết kế và triển khai lớp Student và Teacher.
BUỔI 2: LẬP TRÌNH HƯỚNG ĐỐI TƯỢNG (OOP) – PHẦN 2
Lý thuyết: Kế thừa (Inheritance), Đa hình (Polymorphism). Sử dụng OOP để xây dựng các cấu trúc phức tạp.
Thực hành: Xây dựng hệ thống quản lý trường học đơn giản, áp dụng tính kế thừa giữa các lớp.
BUỔI 3: TOÁN CHO DEEP LEARNING
Lý thuyết: Ôn tập các khái niệm toán học thiết yếu: Đại số tuyến tính (vector, ma trận), Giải tích (đạo hàm, gradient), và Xác suất cơ bản. Giải thích vai trò của chúng trong các mạng neural.
Thực hành: Thực hiện các phép toán với ma trận bằng NumPy, tính toán gradient đơn giản.
BUỔI 4: GIỚI THIỆU NEURAL NETWORK VÀ PYTORCH
Lý thuyết: Cấu trúc của Multi-Layer Perceptron (MLP). Giới thiệu PyTorch, các phép toán trên Tensor, và cơ chế autograd.
Thực hành: Thực hành các thao tác với Tensor trong PyTorch.
BUỔI 5: XÂY DỰNG MẠNG NEURAL ĐẦU TIÊN VỚI PYTORCH
Lý thuyết: Quy trình huấn luyện một mạng neural: forward pass, tính loss, backward pass, cập nhật trọng số.
Thực hành: Xây dựng và huấn luyện một mạng neural đơn giản cho bài toán hồi quy hoặc phân loại trên dữ liệu dạng bảng.
MODULE 2: DEEP LEARNING CHO THỊ GIÁC MÁY TÍNH (4 BUỔI)
BUỔI 6: MẠNG TÍCH CHẬP (CNN) – NGUYÊN LÝ
Lý thuyết: Giới thiệu các thành phần của CNN: lớp tích chập (Conv2d), hàm kích hoạt ReLU, lớp gộp (Pooling). Kiến trúc và ưu điểm của CNN cho bài toán hình ảnh.
Thực hành: Trực quan hóa hoạt động của các bộ lọc tích chập.
BUỔI 7: XÂY DỰNG VÀ HUẤN LUYỆN MÔ HÌNH CNN
Lý thuyết: Các kỹ thuật tăng cường dữ liệu (Data Augmentation) để cải thiện mô hình.
Thực hành: Xây dựng một mô hình CNN từ đầu để phân loại hình ảnh trên bộ dữ liệu CIFAR-10.
BUỔI 8: TỐI ƯU HÓA MÔ HÌNH CNN VÀ REGULARIZATION
Lý thuyết: Các kỹ thuật chống overfitting: Dropout, Batch Normalization. Các thuật toán tối ưu hóa (Adam, SGD) và chiến lược điều chỉnh Learning Rate.
Thực hành: Tối ưu hóa mô hình CNN đã xây dựng, áp dụng Dropout và so sánh hiệu năng.
BUỔI 9: HỌC CHUYỂN GIAO (TRANSFER LEARNING)
Lý thuyết: Khái niệm Transfer Learning. So sánh hai phương pháp: Feature Extraction và Fine-tuning. Giới thiệu các mô hình tiền huấn luyện nổi tiếng như ResNet, VGG.
Thực hành: Sử dụng ResNet18 đã được huấn luyện trước để giải quyết bài toán phân loại Chó và Mèo.
MODULE 3: DEEP LEARNING CHO DỮ LIỆU TUẦN TỰ (4 BUỔI)
BUỔI 10: MẠNG HỒI QUY (RNN & LSTM) – NGUYÊN LÝ
Lý thuyết: Giới thiệu kiến trúc RNN cho dữ liệu tuần tự. Vấn đề vanishing/exploding gradient. Giới thiệu kiến trúc LSTM và ưu điểm.
Thực hành: Xây dựng kiến trúc RNN/LSTM đơn giản bằng PyTorch.
BUỔI 11: ỨNG DỤNG RNN/LSTM TRONG XỬ LÝ NGÔN NGỮ TỰ NHIÊN (NLP)
Lý thuyết: Bài toán phân tích cảm xúc (Sentiment Analysis). Các bước tiền xử lý văn bản (tokenization, embedding).
Thực hành: Xây dựng mô hình phân tích cảm xúc cho các bình luận phim.
BUỔI 12: ĐÁNH GIÁ MÔ HÌNH VÀ CÁC CHIẾN LƯỢC TỐI ƯU HÓA
Lý thuyết: Các chỉ số đánh giá nâng cao. Các cơ chế Early Stopping và Learning Rate Schedulers. Điều chỉnh siêu tham số (Hyperparameter Tuning).
Thực hành: Triển khai Early Stopping và các chiến lược tối ưu hóa cho các mô hình đã xây dựng.
BUỔI 13: GIỚI THIỆU TRIỂN KHAI MÔ HÌNH (MODEL DEPLOYMENT)
Lý thuyết: Tổng quan về việc đưa mô hình AI vào ứng dụng thực tế. Giới thiệu cách tạo một API đơn giản với Flask hoặc FastAPI để phục vụ mô hình.
Thực hành: “Đóng gói” một mô hình phân loại hình ảnh đơn giản và gọi nó thông qua một API.
🏆 MODULE 4: DỰ ÁN TỔNG HỢP (2 BUỔI)
BUỔI 14: DỰ ÁN NHÓM – WORKSHOP
Lý thuyết: Giới thiệu dự án cuối khóa (ví dụ: Hệ thống phân loại cảm xúc). Lên kế hoạch, phân chia công việc.
Thực hành: Học viên làm việc theo nhóm dưới sự hướng dẫn của giảng viên, xây dựng pipeline hoàn chỉnh cho dự án.
BUỔI 15: THUYẾT TRÌNH DỰ ÁN VÀ ĐỊNH HƯỚNG NGHỀ NGHIỆP
Lý thuyết: Kỹ năng thuyết trình dự án AI chuyên nghiệp. Các con đường sự nghiệp và học tập tiếp theo trong ngành AI/ML.
Thực hành: Các nhóm trình bày sản phẩm cuối cùng, nhận phản hồi. Thảo luận về cơ hội nghề nghiệp.
