Đề cương môn Các kỹ thuật học sâu và ứng dụng

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:9

Thêm vào BST

Báo xấu

1
lượt xem 0
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Đề cương cung cấp các kiến thức cơ bản trong lĩnh vực máy học đồng thời tiếp cận các hướng tiếp cận máy học hiện đại như thuật toán học sâu (Deep Learning) để ứng dụng giải quyết một số bài toán trong thực tế. Qua môn học này sinh viên có thể hiểu và cài đặt được kiến trúc mạng Convolutional Neural Network (CNN), Recurrent Neural Network (RNN) với các framework nổi tiếng như Tensorflow và Pytorch.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Đề cương môn Các kỹ thuật học sâu và ứng dụng

ĐẠI HỌC QUỐC GIA TP. HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN ĐỀ CƯƠNG MÔN HỌC Môn: CÁC KỸ THUẬT HỌC SÂU VÀ ỨNG DỤNG (Tiếng Anh: DEEP LEARNING AND APPLICATIONS) Chương trình đào tạo: Cử nhân Trí tuệ nhân tạo; Cử nhân Khoa học máy tính. (Bản Cập nhật tháng 01 năm 2023) Người biên soạn: TS. Nguyễn Vinh Tiệp TP. HCM - 2023
1. THÔNG TIN CHUNG 1.1 Thông tin về giảng viên: - Họ và tên: Nguyễn Vinh Tiệp - Chức danh, học vị: Tiến sĩ - Email: tiepnv@uit.edu.vn 1.2 Thông tin về môn học Tên môn học (tiếng Việt): Các kỹ thuật học sâu và ứng dụng Tên môn học (tiếng Anh): Deep learning and Applications Đối tượng học tập Những người muốn có kiến thức chuyên sâu về lĩnh vực máy học và ứng dụng các mô hình vào giải quyết một số bài toán. Mã môn học: CS431 Thuộc khối kiến thức: Chuyên ngành Thuộc nhóm môn học ☒ Đại trà ☒Chất lượng cao ☒ Tài năng Khoa/Bộ môn phụ trách: Bộ môn Trí tuệ Nhân tạo Số tín chỉ: 3 Lý thuyết: 2 Thực hành: 1 Môn học tiên quyết: Môn học trước: IT001 - Nhập môn lập trình; IT002 - Lập trình hướng đối tượng. 2. MÔ TẢ TÓM TẮT NỘI DUNG MÔN HỌC Môn này cung cấp các kiến thức cơ bản trong lĩnh vực máy học đồng thời tiếp cận các hướng tiếp cận máy học hiện đại như thuật toán học sâu (Deep Learning) để ứng dụng giải quyết một số bài toán trong thực tế. Qua môn học này sinh viên có thể hiểu và cài đặt được kiến trúc mạng Convolutional Neural Network (CNN), Recurrent Neural Network (RNN) với các framework nổi tiếng như Tensorflow và Pytorch. Ngoài ra, sinh viên còn có thể huấn luyện lại các kiến trúc mạng cho dữ liệu mới của một số ứng dụng của như: phát hiện đối tượng, phân đoạn ngữ nghĩa đối tượng, truy vấn đối tượng, phân loại văn bản, dịch máy, tạo phụ đề ảnh… 1
3. MỤC TIÊU VÀ CHUẨN ĐẦU RA MÔN HỌC 3.1 Mục tiêu môn học: 3.1.1. Mục tiêu chung: Trang bị cho người học những kiến thức nâng cao về lĩnh vực máy học nói chung và học sâu nói riêng, đồng thời áp dụng các mô hình này để giải quyết một số bài toán thực tế. 3.1.2. Mục tiêu cụ thể Mục tiêu Nội dung mục tiêu môn học Làm việc ở mức độ cá nhân và cộng tác nhóm để CG1 trình bày và giải quyết một số mô hình học sâu như CNN, RNN và các phiên bản mở rộng. Hiểu và giải thích được các khái niệm, thuật ngữ liên quan tới các mô hình học sâu như mạng tích chập CG2 (CNN), mạng hồi quy (RNN) và các phiên bản mở rộng. Ứng dụng các lý thuyết, mô hình và thuật toán học CG3 sâu vào giải quyết các bài toán trong thực tế. Có khả năng tự học một số vấn đề để vận dụng vào CG4 việc trả lời các câu hỏi trong quá trình học. Có thái độ, quan điểm và nhận thức đúng đắn về môn CG5 học. 3.2 Chuẩn đầu ra: Sau khi hoàn thành môn học này người học có thể có được các khả năng sau: Ánh xạ CĐR Cấp độ CĐRMH về CĐRMH Mô tả CĐRMH CTĐT NT, KN, TĐ Hiểu, giải thích được thuật ngữ CLO1 tiếng Anh chuyên ngành của môn LO2.2 NT3 học liên quan đến ngôn ngữ lập trình Python, các thuật toán toán 2
học sâu như mạng tích chập (CNN), mạng hồi quy (RNN) và một số biến thể. Biết được cách sử dụng ngôn ngữ Python kết hợp với framework như Tensorflow, Pytorch để cài đặt các mô hình CNN, RNN, thay CLO2 đổi kiến trúc các mô hình. Từ đó LO3.3, LO4.2 KN3 có thể áp dụng các mô hình này để giải quyết một số bài toán như nhận dạng hình ảnh, dịch ngôn ngữ, phân loại cảm xúc văn bản. Rèn luyện kỹ năng làm việc nhóm CLO3 và sử dụng ngoại ngữ (đọc hiểu, LO5.1, LO6.2 KN2 trình bày). Có thái độ, quan điểm và nhận CLO4 LO8.2 TĐ2 thức đúng đắn về môn học. 3.3 Mối quan hệ giữa Mục tiêu và Chuẩn đầu ra: Mối quan hệ giữa mục tiêu môn học và chuẩn đầu ra môn học được thể hiện trong ma trận sau: Các thành phần Mục tiêu Chuẩn đầu ra Kiến thức CG1, CG2 CLO1, CLO2 Kỹ năng CG3, CG4 CLO3, CLO4 Thái độ CG5 CLO5 4. YÊU CẦU ĐỐI VỚI NGƯỜI HỌC - Sinh viên cần tuân thủ nghiêm túc các nội quy và quy định của Khoa và Trường. - Đối với bất kỳ sự gian lận nào trong quá trình làm bài tập hay bài thi, sinh viên phải chịu mọi hình thức kỷ luật của Khoa/Trường và bị 0 điểm cho môn học này. 5. NỘI DUNG MÔN HỌC, KẾ HOẠCH GIẢNG DẠY - Thời lượng: Mỗi buổi học lý thuyết là 3 tiết. 3
5.1 Lý thuyết Thời Buổi Nội dung CĐRMH Hoạt động dạy và học điểm học kiểm tra 1 Giới thiệu môn học và dẫn nhập CLO1, Giảng viên: A1, A4 một số mô hình máy học có CLO2 - Thuyết giảng giám sát - GV đặt câu hỏi thảo luận, 1. Giới thiệu môn học tổng hợp, tổng kết. - Giới thiệu đồ án cuối kỳ. 2. Lịch sử phát triển của mạng Neural Network nhân tạo Sinh viên: và một số biến thể - Thảo luận nhóm, trình bày, 3. Ôn tập ngôn ngữ lập trình thảo luận trước lớp, nghe Python giảng. 4. Linear Regression - Làm đồ án/bài tập lớn theo nhóm và báo cáo tiến độ 5. Logistic Regression 6. SoftMax Regression 7. Neural Network 8. Làm một số bài tập ôn tập 2 CLO1, Giảng viên: A1, A4 Mạng Convolutional Neural Network (CNN) cho bài toán CLO2 - Thuyết giảng phân loại đối tượng. - GV đặt câu hỏi thảo luận, tổng hợp, tổng kết. 1. Giới thiệu về bộ lọc trong - Hướng dẫn làm đồ án xử lý hình ảnh 2. Giới thiệu tập dữ liệu ImageNet 1000 Sinh viên: 3. Kiến trúc mạng CNN - Thảo luận nhóm, trình bày, 4. Thuật toán huấn luyện thảo luận trước lớp, nghe mạng CNN giảng. 5. Giới thiệu thư viện - Làm đồ án/bài tập lớn theo Tensorflow/Pytorch và nhóm và báo cáo tiến độ cách cài đặt 3-5 CLO1, Giảng viên: A1, A4 Ứng dụng mạng CNN trong một số bài toán CLO2, - Thuyết giảng CLO3 - GV đặt câu hỏi thảo luận, 1. Phát hiện đối tượng tổng hợp, tổng kết. 2. Phân đoạn ngữ nghĩa ảnh - Hướng dẫn làm đồ án 3. Truy vấn hình ảnh 4. Thử nghiệm với dữ liệu thực Sinh viên: 4
- Thảo luận nhóm, trình bày, thảo luận trước lớp, nghe giảng. - Làm đồ án/bài tập lớn theo nhóm và báo cáo tiến độ 6 CLO1, Giảng viên: A1, A4 Mạng Recurrent Neural Network (RNN) CLO2, - Thuyết giảng CLO3, - GV đặt câu hỏi thảo luận, 1. Kiến trúc mạng RNN CLO4 tổng hợp, tổng kết. 2. Kiến trúc mạng LSTM - Hướng dẫn làm đồ án 3. Seq2Seq 4. Cài đặt với các kiến trúc với Tensorflow/Pytorch Sinh viên: - Thảo luận nhóm, trình bày, thảo luận trước lớp, nghe giảng. Làm đồ án/bài tập lớn theo nhóm và báo cáo tiến độ 7-9 CLO1, Giảng viên: A1, A4 Ứng dụng mạng RNN trong một số bài toán CLO2, - Thuyết giảng CLO3, - GV đặt câu hỏi thảo luận, 1. Phân loại văn bản CLO4 tổng hợp, tổng kết. 2. Dịch máy - Hướng dẫn làm đồ án 3. Tạo phụ đề cho ảnh 4. Thử nghiệm với dữ liệu thực Sinh viên: - Thảo luận nhóm, trình bày, thảo luận trước lớp, nghe giảng. - Làm đồ án/bài tập lớn theo nhóm và báo cáo tiến độ 10 CLO1, Sinh viên: A4 Báo cáo đồ án cuối kỳ CLO2, Trình bày seminar đồ án cuối CLO3, kỳ. Ôn tập CLO4 Giảng viên: - Nhận xét đánh giá các đồ án môn học. 5
5.2 Thực hành Buổi Thời điểm Nội dung CĐRMH Hoạt động dạy và học học kiểm tra 1 Lập trình cơ bản và nâng cao Giảng viên: Hướng dẫn trên Python và các thư viện: thực hành. A1 Numpy, Matplotlib, Pandas. Sinh viên: Thực hành cài đặt thuật toán. 2 Cài đặt thuật toán Linear Giảng viên: Hướng dẫn Regression, Logistic thực hành. A1 Regression, Soft Max Sinh viên: Thực hành cài Regression, Neural Network đặt thuật toán. 3 Cài đặt được kiến trúc mạng Giảng viên: Hướng dẫn Convolutional Neural Network thực hành. A1 với Tensorflow Sinh viên: Thực hành cài đặt thuật toán. 4 Huấn luyện được thuật toán Giảng viên: Hướng dẫn phát hiện đối tượng sử dụng thực hành. A1 mạng CNN Sinh viên: Thực hành cài đặt thuật toán. 5 Cài đặt được kiến trúc mạng Giảng viên: Hướng dẫn RNN với LSTM cho bài toán thực hành. A1 phân loại văn bản và dịch máy Sinh viên: Thực hành cài sử dụng Tensorflow. đặt thuật toán. 6 Hướng dẫn SV thực hiện đồ án Giảng viên: Hướng dẫn môn học. thực hiện đồ án môn học. A4 Sinh viên: Đặt câu hỏi và trình bày kết quả. 6. PHƯƠNG PHÁP VÀ PHƯƠNG TIỆN DẠY HỌC - Phương pháp giảng dạy chủ yếu: Giảng viên đặt vấn đề, giải thích đề bài, trao đổi và kiểm tra giải pháp. Sinh viên nghe giảng, suy nghĩ và thảo luận nhằm thiết kế thuật toán cho các vấn đề - Học liệu: các nguồn tài liệu được sử dụng trên lớp, các slides và tài liệu khác do giảng viên cung cấp. 7. KIỂM TRA, ĐÁNH GIÁ KẾT QUẢ HỌC TẬP 7.1 Khung thông tin về kiểm tra đánh giá kết quả học tập 6
Thời Hình thức Công cụ Trọng Thang Tiêu chí đánh giá điểm KTĐG TĐG số điểm kiểm tra Bài tập lập Kiểm tra trên trình trên A1 Quá trình 30% 10 lớp lớp hoặc về nhà A2 Giữa kỳ 0 Thực Bài thực hành, Báo cáo đồ A3 30% 10 hành bài tập đồ án án A4 Cuối kỳ 40% 10 Nội dung trong bài làm đảm Bài thi Làm bài viết Câu hỏi tự bảo tính chính xác, đầy đủ và 40% 10 viết trên giấy thi. luận phù hợp với yêu cầu của nội dung câu hỏi. 8. TÀI LIỆU HỌC TẬP, THAM KHẢO  Deep learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville, 2015 9. PHẦN MỀM HAY CÔNG CỤ HỖ TRỢ THỰC HÀNH  Ngôn ngữ lập trình: Python  Thư viện Anaconda  Framework: Tensorflow / PyTorch  Trình soạn thảo mã nguồn: Visual Code / Sublime / PyCharm 7
10. Ngày phê duyệt: 11. Cấp phê duyệt: Bộ môn Tín toán Đa phương tiện Tp.HCM, ngày 12 tháng 01 năm 2023 Trưởng Bộ môn Giảng viên biên soạn (Ký và ghi rõ họ tên) (Ký và ghi rõ họ tên) Ngô Đức Thành Nguyễn Vinh Tiệp 8