Deep Learning for Vision Training Course

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà khoa học dữ liệu, kỹ sư học máy, nhà nghiên cứu học sâu và chuyên gia thị giác máy tính trình độ trung cấp đến nâng cao, những người muốn mở rộng kiến thức và kỹ năng của họ về học sâu để tạo ảnh từ văn bản.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Hiểu các kiến trúc và kỹ thuật học sâu nâng cao để tạo ảnh từ văn bản.
• Triển khai các mô hình và tối ưu hóa phức tạp để tổng hợp hình ảnh chất lượng cao.
• Tối ưu hóa hiệu suất và khả năng mở rộng cho các tập dữ liệu lớn và các mô hình phức tạp.
• Điều chỉnh các siêu tham số để cải thiện hiệu suất và khả năng khái quát hóa của mô hình.
• Tích hợp Stable Diffusion với các khung và công cụ học sâu khác.

Khóa học này bao gồm các chủ đề về AI (tập trung vào Machine Learning và Deep Learning) trong ngành Automotive. Khóa học này giúp xác định công nghệ nào có thể được (tiềm năng) sử dụng trong nhiều tình huống trong ô tô: từ tự động hóa đơn giản, nhận dạng hình ảnh đến khả năng đưa ra quyết định tự động.

Khóa học này được thiết kế dành cho các nhà quản lý, kiến trúc sư giải pháp, giám đốc đổi mới, CTO, kiến trúc sư phần mềm và bất kỳ ai quan tâm đến tổng quan về trí tuệ nhân tạo ứng dụng và dự báo gần nhất về sự phát triển của nó.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho những người tham gia ở trình độ mới bắt đầu, mong muốn học các khái niệm cơ bản về xác suất, thống kê, lập trình và học máy, và áp dụng những điều này vào phát triển AI.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Hiểu các khái niệm cơ bản về xác suất và thống kê, và áp dụng chúng vào các tình huống thực tế.
• Viết và hiểu mã lập trình thủ tục, hàm và hướng đối tượng.
• Triển khai các kỹ thuật học máy như phân loại, phân cụm và mạng nơ-ron.
• Phát triển các giải pháp AI bằng cách sử dụng công cụ quy tắc và hệ thống chuyên gia để giải quyết vấn đề.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho các nhà sinh học muốn hiểu cách AlphaFold hoạt động và sử dụng các mô hình AlphaFold làm hướng dẫn trong các nghiên cứu thực nghiệm của họ.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Hiểu các nguyên tắc cơ bản của AlphaFold.
• Tìm hiểu cách AlphaFold hoạt động.
• Tìm hiểu cách diễn giải các dự đoán và kết quả của AlphaFold.

Mạng nơ-ron nhân tạo là một mô hình dữ liệu tính toán được sử dụng trong việc phát triển các hệ thống Artificial Intelligence (AI) có khả năng thực hiện các tác vụ "thông minh". Neural Networks thường được sử dụng trong các ứng dụng Machine Learning (ML), vốn là một triển khai của AI. Deep Learning là một tập hợp con của ML.

Caffe là một framework học sâu được xây dựng với mục tiêu biểu đạt, tốc độ và tính mô-đun.

Khóa học này khám phá ứng dụng của Caffe như một framework học sâu để nhận dạng hình ảnh, sử dụng MNIST làm ví dụ.

Đối tượng

Khóa học này phù hợp cho các nhà nghiên cứu và kỹ sư Deep Learning quan tâm đến việc sử dụng Caffe như một framework.

Sau khi hoàn thành khóa học này, người tham gia sẽ có thể:

• hiểu cấu trúc và cơ chế triển khai của Caffe
• thực hiện các tác vụ và cấu hình liên quan đến cài đặt / môi trường sản xuất / kiến trúc
• đánh giá chất lượng mã, thực hiện gỡ lỗi, giám sát
• triển khai các tính năng nâng cao trong sản xuất như huấn luyện mô hình, triển khai các lớp và ghi nhật ký

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho các nhà nghiên cứu và phát triển muốn sử dụng Chainer để xây dựng và huấn luyện mạng nơ-ron trong Python đồng thời giúp mã dễ dàng gỡ lỗi.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập môi trường phát triển cần thiết để bắt đầu phát triển các mô hình mạng nơ-ron.
• Định nghĩa và triển khai các mô hình mạng nơ-ron bằng mã nguồn dễ hiểu.
• Thực thi các ví dụ và sửa đổi các thuật toán hiện có để tối ưu hóa các mô hình huấn luyện học sâu trong khi tận dụng GPU để đạt hiệu suất cao.

Bộ công cụ Mạng Máy tính (CNTK) là khung học máy huấn luyện RNN đa máy, đa GPU, hiệu quả cao, mã nguồn mở của Microsoft cho giọng nói, văn bản và hình ảnh.

Đối tượng

Khóa học này dành cho các kỹ sư và kiến trúc sư hướng tới việc sử dụng CNTK trong các dự án của họ.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển, nhà khoa học dữ liệu và chuyên gia AI ở trình độ trung cấp, những người muốn tận dụng TensorFlow Lite cho các ứng dụng Edge AI.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Hiểu các nguyên tắc cơ bản của TensorFlow Lite và vai trò của nó trong Edge AI.
• Phát triển và tối ưu hóa các mô hình AI bằng TensorFlow Lite.
• Triển khai các mô hình TensorFlow Lite trên nhiều thiết bị biên khác nhau.
• Sử dụng các công cụ và kỹ thuật để chuyển đổi và tối ưu hóa mô hình.
• Triển khai các ứng dụng Edge AI thực tế bằng TensorFlow Lite.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho các nhà khoa học dữ liệu mong muốn tăng tốc các ứng dụng học máy thời gian thực và triển khai chúng ở quy mô lớn.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Cài đặt bộ công cụ OpenVINO.
• Tăng tốc ứng dụng thị giác máy tính bằng FPGA.
• Thực thi các lớp CNN khác nhau trên FPGA.
• Mở rộng ứng dụng trên nhiều nút trong một cụm Kubernetes.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển hoặc nhà khoa học dữ liệu muốn sử dụng Horovod để chạy các buổi huấn luyện học sâu phân tán và mở rộng quy mô để chạy song song trên nhiều GPU.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Thiết lập môi trường phát triển cần thiết để bắt đầu chạy các buổi huấn luyện học sâu.
• Cài đặt và cấu hình Horovod để huấn luyện mô hình với TensorFlow, Keras, PyTorch và Apache MXNet.
• Mở rộng quy mô huấn luyện học sâu với Horovod để chạy trên nhiều GPU.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho những người có chuyên môn kỹ thuật muốn áp dụng mô hình học sâu vào các ứng dụng nhận dạng hình ảnh.

Khi kết thúc khóa đào tạo, người tham gia sẽ có thể:

• Cài đặt và cấu hình Keras.
• Nhanh chóng tạo mẫu các mô hình học sâu.
• Triển khai mạng tích chập.
• Triển khai mạng hồi quy.
• Thực thi mô hình học sâu trên cả CPU và GPU.

Khóa đào tạo trực tiếp, trực tuyến hoặc tại chỗ này dành cho các nhà khoa học dữ liệu, kỹ sư học máy và nhà nghiên cứu thị giác máy tính, những người muốn tận dụng Stable Diffusion để tạo ra hình ảnh chất lượng cao cho nhiều mục đích sử dụng khác nhau.

Khi kết thúc khóa đào tạo này, người tham gia sẽ có thể:

• Hiểu các nguyên tắc của Stable Diffusion và cách thức hoạt động của nó trong việc tạo hình ảnh.
• Xây dựng và huấn luyện các mô hình Stable Diffusion cho các tác vụ tạo hình ảnh.
• Áp dụng Stable Diffusion vào các tình huống tạo hình ảnh khác nhau, chẳng hạn như nội suy ảnh, mở rộng ảnh và dịch ảnh.
• Tối ưu hóa hiệu suất và độ ổn định của các mô hình Stable Diffusion.

Khóa đào tạo trực tiếp, trực tuyến hoặc tại chỗ này dành cho các kỹ sư muốn viết, tải và chạy các mô hình học máy trên các thiết bị nhúng rất nhỏ.

Khi kết thúc khóa đào tạo, người tham gia sẽ có thể:

• Cài đặt TensorFlow Lite.
• Tải các mô hình học máy lên thiết bị nhúng để cho phép nó phát hiện giọng nói, phân loại hình ảnh, v.v.
• Thêm AI vào các thiết bị phần cứng mà không cần dựa vào kết nối mạng.