CHƯƠNG I. NGÔN NGỮ LẬP TRÌNH VÀ FRAMEWORK (4 BUỔI)

Mục đích: Cung cấp cho người học những kiến thức cơ bản về:

-       Ngôn ngữ lập trình Python

-       Các Framework thường dùng trong lập trình các thuật toán AI

-       Các thư viện thường dùng trong lập trình các thuật toán AI

Buổi 1.1: Giới thiệu ngôn ngữ lập trình Python

Buổi 1.2: Giới thiệu các Framework thường dùng trong lập trình các thuật toán AI

Buổi 1.3: Giới thiệu các thư viện thường dùng trong lập trình các thuật toán AI

Buổi 1.4: Một số các bài tập ứng dụng

CHƯƠNG II. MÔI TRƯỜNG LÀM VIỆC (1 BUỔI)

Mục đích: Trang bị các kiến thức cơ bản về:

-       Google Colab và các môi trường thường dùng để code các mô hình AI

-       Các công cụ thường dùng để trực quan dữ liệu, theo dõi đánh giá quá trình huấn luyện mô hình: wandb, …

Bài 1. Google Colab và ứng dụng trong phát triển các mô hình AI

Bài 2. Các công cụ trực quan hóa để giám sát quá trình huấn luyện mô hình

CHƯƠNG III. HỌC MÁY CƠ BẢN (3 BUỔI)

Mục đích: Giới thiệu khái niệm AI, học máy. Trang bị các kiến thức về xử lý dữ liệu. Cách sử dụng các mô hình học máy cơ bản.

-       Các khái niệm AI, ML, tác vụ, mô hình, dữ liệu, huấn luyện, kiểm thử

-       Các dạng tác vụ, các kiểu thuật toán huấn luyện mô hình

-       Xử lý dữ liệu (phân tích phân phối dữ liệu, loại nhiễu, loại outlier, điền dữ liệu thiếu, …)

-       Các mô hình học máy cơ bản: hồi quy, KNN, SVM, Decision Tree, Random Forest, XGBoost, ANN

Buổi 3.1: Nhập môn AI/ML và xử lý dữ liệu

        Thực hành: Phân tích và làm sạch bộ dữ liệu nhỏ

Buổi 3.2: Các thuật toán học máy cơ bản

       Thực hành: Xây dựng 1 số mô hình hồi quy và phân loại

Buổi 3.3: Các thuật toán học máy nâng cao

       Thực hành: Áp dụng kỹ thuật Grid Search để tối ưu hóa một mô hình cụ thể

CHƯƠNG IV. THỊ GIÁC MÁY TÍNH (3 buổi)

Mục đích: Trang bị các kiến thức cơ bản trong lĩnh vực thị giác máy tính. Giới thiệu một số mô hình thường dụng trong lĩnh vực thị giác máy tính.

-       Các loại bài toán trong lĩnh vực thị giác máy tính (object detection, segmentation) và ứng dụng thực tế.

-       Mạng CNN: cơ sở lý thuyết, cách dùng, cách xử lý dữ liệu, …

-       Một số model họ CNN thông dụng: cách sử dụng, các hyperparameters thường finetune.

CHƯƠNG V. XỬ LÝ NGÔN NGỮ TỰ NHIÊN (4 BUỔI)

Mục đích: Trang bị các kiến thức cơ bản trong lĩnh vực xử lý ngôn ngữ tự nhiên (NLP). Giới thiệu về lý thuyết và các mô hình xác suất truyền thống. Nhập môn về mô hình ngôn ngữ lớn, cách sử dụng các mô hình ngôn ngữ lớn.

Thực hành: Làm quen với công cụ NLTK; Làm quen với các bộ dữ liệu; Định dạng đầu vào và đầu ra của từng bài toán; Chạy thử với các mô hình đơn giản.

Buổi 5.2: Giới thiệu về các mô hình xác suất trong NLP

Thực hành: Tính toán về xác suất từ loại theo công thức Markov; Huấn luyện mô hình Markov với tập dữ liệu từ nltk; Xử lý văn bản với tf-idf và ứng dụng vào bài toán tóm tắt văn bản; Thực hành xây dựng n-gram; Thực hành sử dụng không gian vector của từ vựng để so sánh câu.

Buổi 5.3: Giới thiệu về các thư viện lưu trữ mô hình NLP

Thực hành: Thực hành tạo ra pipeline cho tác vụ hỏi đáp với ngôn ngữ tiếng Anh; Thực hành tạo ra pipeline cho tác vụ nhận dạng thực thể có tên với ngôn ngữ tiếng Việt; Cài đặt mô hình cho tác vụ tìm kiếm văn bản (ranking); Tinh chỉnh mô hình với một bộ dữ liệu cho trước.

Buổi 5.4: Giới thiệu về các mô hình ngôn ngữ lớn

Thực hành: Một số mô hình LLM thông dụng; Viết hàm so sánh văn bản dựa trên một mô hình LLM cho trước; Điều chỉnh tập từ vựng và quá trình Tokenization; Học ít mẫu và tính chỉnh mô hình LLM sẵn có.