Explainability in Deep Learning: Demystifying Black-Box Models Training Course

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho các chuyên gia nâng cao mong muốn nâng cao hiểu biết về các kỹ thuật XAI (Giải thích trí tuệ nhân tạo) cho các mô hình AI phức tạp.

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

• Triển khai các kỹ thuật XAI tiên tiến trong các mô hình AI.
• Giải thích các mô hình học sâu và các quyết định của chúng.
• Áp dụng các phương pháp giải thích không phụ thuộc vào mô hình và đặc thù mô hình nâng cao.
• Giải quyết các thách thức liên quan đến tính minh bạch của AI trong các hệ thống phức tạp.

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.

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.

Đây là khóa học kéo dài 4 ngày giới thiệu về AI và ứng dụng của nó. Có tùy chọn tham gia thêm một ngày để thực hiện một dự án AI sau khi hoàn thành khóa học này.

Đây là một khóa học kéo dài 4 ngày giới thiệu về AI và ứng dụng của nó bằng ngôn ngữ lập trình Python. Có tùy chọn tham gia thêm một ngày để thực hiện một dự án AI sau khi hoàn thành khóa học này.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà khoa học dữ liệu và nhà thống kê ở trình độ trung cấp, những người muốn chuẩn bị dữ liệu, xây dựng mô hình và áp dụng các kỹ thuật học máy một cách hiệu quả trong lĩnh vực chuyên môn của họ.

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

• Hiểu và triển khai nhiều thuật toán Machine Learning.
• Chuẩn bị dữ liệu và mô hình cho các ứng dụng học máy.
• Thực hiện phân tích hậu kiểm và trực quan hóa kết quả một cách hiệu quả.
• Áp dụng các kỹ thuật học máy vào các tình huống thực tế, cụ thể theo ngành.

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.

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.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) cung cấp một giới thiệu về lĩnh vực nhận dạng mẫu và học máy. Khóa học đề cập đến các ứng dụng thực tế trong thống kê, khoa học máy tính, xử lý tín hiệu, thị giác máy tính, khai thác dữ liệu và tin sinh học.

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

• Áp dụng các phương pháp thống kê cốt lõi vào nhận dạng mẫu.
• Sử dụng các mô hình chính như mạng nơ-ron và phương pháp kernel để phân tích dữ liệu.
• Triển khai các kỹ thuật nâng cao để giải quyết các vấn đề phức tạp.
• Cải thiện độ chính xác dự đoán bằng cách kết hợp các mô hình khác nhau.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các nhà phát triển và nhà khoa học dữ liệu muốn tìm hiểu các nguyên tắc cơ bản của Deep Reinforcement Learning khi họ thực hiện từng bước tạo một Deep Learning Agent.

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

• Hiểu các khái niệm chính đằng sau Deep Reinforcement Learning và có thể phân biệt nó với Machine Learning.
• Áp dụng các thuật toán Reinforcement Learning nâng cao để giải quyết các vấn đề thực tế.
• Xây dựng một Deep Learning Agent.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho các chuyên gia ở trình độ mới bắt đầu, những người muốn tìm hiểu các kiến thức cơ bản về Trí tuệ Nhân tạo Giải thích được (Explainable AI) và vai trò của nó trong việc phát triển các hệ thống AI có trách nhiệm.

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

• Hiểu các khái niệm cơ bản của Trí tuệ Nhân tạo Giải thích được.
• Khám phá tầm quan trọng của tính minh bạch và khả năng diễn giải trong các mô hình AI.
• Học các kỹ thuật cơ bản để làm cho các mô hình AI có thể giải thích được.
• Áp dụng các kỹ thuật XAI vào các mô hình học máy đơn giản.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này tại Việt Nam (trực tuyến hoặc tại chỗ) dành cho các chuyên gia ở trình độ trung cấp, những người muốn áp dụng các kỹ thuật AI có thể giải thích được (Explainable AI) để đảm bảo tính công bằng, minh bạch và các hệ thống AI có đạo đức.

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

• Hiểu rõ vai trò của XAI trong các hệ thống AI có đạo đức.
• Triển khai các kỹ thuật XAI để phát hiện và giảm thiểu sự thiên vị trong các mô hình AI.
• Đảm bảo tính minh bạch trong các quy trình ra quyết định của mô hình AI.
• Đảm bảo sự phát triển AI phù hợp với các tiêu chuẩn đạo đức và quy định.

Khóa đào tạo trực tiếp, do giảng viên hướng dẫn này (trực tuyến hoặc tại chỗ) dành cho các chuyên gia từ trung cấp đến cao cấp, những người muốn triển khai các hệ thống AI minh bạch trong các ứng dụng thực tế.

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

• Hiểu tầm quan trọng của tính minh bạch trong các mô hình AI.
• Triển khai các kỹ thuật XAI nâng cao để diễn giải các mô hình phức tạp.
• Tăng cường tính minh bạch của mô hình bằng cách sử dụng SHAP, LIME và các công cụ khác.
• Giải quyết các vấn đề đạo đức và tính công bằng trong các mô hình AI.