Lợi ích của học viên



  • Tặng miễn phí 01 tài khoản trên Hệ thống quản lý học tập của MCI
  • Được support từ đội ngũ IT và CTO của MCI về công nghệ, dữ liệu lớn và hàng trăm job trên Workspace
  • Tham gia cộng đồng học viên sôi động, chia sẻ và hợp tác cùng hàng ngàn chuyên gia.
  • Nhận chứng chỉ sau khóa học – Ghi nhận kỹ năng và kiến thức đã học.
  • Miễn phí học lại không giới hạn – Luôn cập nhật với xu hướng mới nhất.
OB_PYTHON_L3

Python for Deep Learning - tấm vé thông hành giúp bạn chinh phục công nghệ AI

Python for Deep Learning - Khám phá thế giới AI đầy cơ hội cùng Python

Bạn đang muốn chinh phục lĩnh vực trí tuệ nhân tạo đầy tiềm năng? Vậy thì Python chính là chìa khóa giúp bạn mở ra cánh cửa dẫn tới thế giới AI!

Tham gia khóa học Python for Deep Learning, bạn sẽ:

• Nắm vững các khái niệm cốt lõi về học sâu và học máy
• Thành thạo các thư viện TensorFlow, Keras, PyTorch
• Sử dụng Python để xây dựng các mô hình CNN, RNN, GAN,..
• Áp dụng deep learning vào computer vision, NLP, phân tích dữ liệu
• Thực hành với các case study và dự án thực tế

Khóa học sẽ cung cấp cho bạn đầy đủ kiến thức và kỹ năng để có thể làm chủ công nghệ AI. Hãy nhanh chóng đăng ký để có được tấm vé thông hành và chinh phục thế giới AI cùng Python ngay hôm nay!

4.8 (369)

Đối tượng

• Sinh viên, học viên đang theo học các ngành liên quan đến AI, machine learning, data science. Khóa học sẽ giúp các bạn tiếp cận và nắm vững công nghệ AI đang rất hot hiện nay.
• Kỹ sư, lập trình viên đang làm việc trong lĩnh vực phần mềm, công nghệ thông tin. Thông qua khóa học các bạn có thể nâng cao kỹ năng để áp dụng AI vào công việc.
• Các nhà nghiên cứu, khoa học dữ liệu quan tâm đến việc ứng dụng các thuật toán học sâu, học máy trong nghiên cứu. Khóa học sẽ cung cấp kiến thức và kỹ năng thực hành để các bạn có thể sử dụng AI hiệu quả.
• Những người đam mê công nghệ, muốn tìm hiểu và học tập về AI. Khóa học giúp họ tiếp cận ngành học hot nhất hiện nay một cách dễ dàng và hiệu quả.

Yêu cầu đầu vào

• Có kiến thức về lập trình python cơ bản và nâng cao
• Có kiến thức về đại số tuyến tính

Bạn sẽ học những gì

• Hiểu rõ các khái niệm cơ bản về Deep Learning và Neural Network
• Thành thạo các thư viện AI phổ biến TensorFlow, Keras, PyTorch
• Xây dựng các mô hình CNN, RNN, GAN, tăng cường khả năng dự đoán và phân loại
• Ứng dụng Deep Learning vào Computer Vision, xử lý ngôn ngữ tự nhiên, phân tích dữ liệu

Nội dung khóa học

    Chủ đề:

    Machine Learning

    Mục tiêu:

    Giới thiệu về Python.
    Giới thiệu về Machine Learning.
    Kiến trúc mạng nơ-ron.

    Ứng dụng:

    Hiểu biết cơ bản về Python, Machine Learning và kiến trúc mạng nơ-ron.

    Case Study:

    Phân tích dữ liệu đơn giản với Python, và xây dựng một mô hình Machine Learning đơn giản để phân loại hoặc dự đoán.

    Chủ đề:

    Deep Learning và Computer Vision

    Mục tiêu:

    Nói thêm về Deep Learning.
    Computer vision.
    Dữ liệu dạng khuôn mặt.

    Ứng dụng:

    Hiểu biết về Deep Learning trong lĩnh vực thị giác máy tính, xử lý dữ liệu khuôn mặt.

    Case Study:

    Xây dựng một mô hình nhận diện khuôn mặt đơn giản sử dụng Deep Learning.

    Chủ đề:

    CNN

    Mục tiêu:

    Phép nhân tích chập vonvolution.
    Các tham số quan trọng của vonvolution.
    Các layer trong vonvolution.
    Các kiến trúc mô hình CNN nổi tiếng.

    Ứng dụng:

    Hiểu rõ về vonvolution và kiến trúc CNN trong xử lý hình ảnh.

    Case Study:

    Phân loại hình ảnh sử dụng một mô hình CNN đơn giản.

    Chủ đề:

    Natural Language Processing

    Mục tiêu:

    Chuẩn bị dữ liệu.
    Chuẩn bị Model và thực hành.
    Giới thiệu Natural Language Processing (NLP).
    Bài toán NLP.

    Ứng dụng:

    Kỹ năng chuẩn bị dữ liệu và mô hình, hiểu biết cơ bản về NLP.

    Case Study:

    Xử lý và phân tích cảm xúc từ đoạn văn bản sử dụng NLP.

    Chủ đề:

    Recurrent Neural Network và LSTM

    Mục tiêu:

    Recurrent Neural Network (RNN).
    Vấn đề phụ thuộc xa và kiến trúc mô hình long short (LSTM).
    Các biến thể của LSTM.

    Ứng dụng:

    Hiểu biết về RNN và LSTM, ứng dụng trong xử lý ngôn ngữ.

    Case Study:

    Xây dựng một mô hình dự đoán chuỗi thời gian đơn giản sử dụng RNN/LSTM.

    Chủ đề:

    Audio Processing

    Mục tiêu:

    Làm sạch dữ liệu.
    Tokenization và bài thực hành.
    Âm thanh dưới góc độ vật lý.
    Spectrograms và các bài toán audio processing.

    Ứng dụng:

    Kỹ năng làm sạch dữ liệu, hiểu biết về xử lý âm thanh.

    Case Study:

    Phân loại âm thanh (như nhận diện tiếng nói hoặc nhạc cụ) từ các mẫu âm thanh.

    Chủ đề:

    Time Series

    Mục tiêu:

    Spectrograms thực hành phần 1 và 2.
    Train model.
    Time series.

    Ứng dụng:

    Thực hành với spectrograms và hiểu biết về phân tích chuỗi thời gian.

    Case Study:

    Xây dựng một mô hình phân tích và dự đoán xu hướng thời gian từ dữ liệu chuỗi thời gian.

    Chủ đề:

    Phân tích Chuỗi Thời gian

    Mục tiêu:

    Seasonal plot và seasonal indicators.
    Fourier features.
    Chuẩn bị dữ liệu và xây dựng mô hình.

    Ứng dụng:

    Hiểu biết và thực hành với phân tích chuỗi thời gian, kỹ năng xây dựng mô hình.

    Case Study:

    Phân tích và dự đoán mẫu mùa vụ trong dữ liệu kinh doanh hoặc tài chính.

    Chủ đề:

    Reinforcement Learning

    Mục tiêu:

    Giới thiệu Reinforcement learning.
    Q learning.
    Reinforcement Q learning.

    Ứng dụng:

    Hiểu biết cơ bản về Reinforcement learning và ứng dụng của nó.

    Case Study:

    Tạo một mô hình đơn giản để tự học và tối ưu hóa hành vi trong một môi trường mô phỏng.

    Chủ đề:

    Semi Supervised và Self Supervised Learning

    Mục tiêu:

    Các vấn đề với supervised learning.
    Ý tưởng của Semi supervised learning.
    Ý tưởng của Self supervised learning.

    Ứng dụng:

    Hiểu biết về Semi và Self supervised learning, khám phá các phương pháp học máy mới.

    Case Study:

    Áp dụng các kỹ thuật Semi và Self supervised learning trong một bài toán phân loại hoặc dự đoán.

    Chủ đề:

    Gradient descent.

    Mục tiêu:

    Gradient descent.
    Momentum gradient descent.
    Adaptive gradient algorithm.

    Ứng dụng:

    Hiểu biết về các kỹ thuật tối ưu hóa và cải tiến trong học máy.

    Case Study:

    Tối ưu hóa một mô hình học máy sử dụng các kỹ thuật Gradient Descent khác nhau.

    Chủ đề:

    Giải bài tập và trả lời câu hỏi.

    Mục tiêu:

    Hoàn thành project cuối khóa
    giải đáp các case study

    Ứng dụng:

    Áp dụng kiến thức đã học vào việc giải quyết các vấn đề cụ thể.

    Case Study:

    Áp dụng kiến thức đã học để giải quyết một vấn đề cụ thể hoặc xây dựng một ứng dụng thực tế.

Tại sao khóa học tại MCI phù hợp với bạn

1. Lộ trình khóa học thiết kế khoa học, theo quy trình làm việc thực tế giúp bạn tiếp thu và nắm chắc kiến thức theo trình tự khoa học
2. Giáo trình đào tạo theo chuẩn Quốc tế kết hợp giữa lý thuyết và thực hành qua các case study thực tế
3. 100% Giảng viên tại MCI là các chuyên gia tư vấn tại Big4 các tập đoàn lớn tại Việt Nam, có chứng chỉ đào tạo nghiên cứu quốc tế trong lĩnh vực lập trình và dữ liệu
4. Giảng viên hướng dẫn tận tay giúp bạn thành thạo Python trong thời gian ngắn nhất
5. Cam kết chất lượng đào tạo, miễn phí học lại trọn đời nếu chưa nắm rõ kiến thức

Đội ngũ giảng viên


Nguyễn Hữu Minh

- 5 năm kinh nghiệm trong ngành Khoa học dữ liệu và Công nghệ thông tin tại Việt Nam
- Hiện đảm nhân vị trí Data Scientist, AI Researcher tại Công ty PIXTA Vietnam Co. Ltd
- Giải nhất cuộc thi Sinh viên Nghiên cứu Khoa học - Khoa Toán ứng dụng và Hệ thống thông tin
- Kĩ sư Toán và Thông tin tại trường Bách Khoa Hà Nội