Bài giảng Học máy thống kê: Mô hình máy học kết hợp (Ensemble Learning) khám phá các kỹ thuật kết hợp nhiều mô hình học máy để đạt được hiệu suất tốt hơn. Chuyên đề này sẽ trình bày các phương pháp như Bagging, Pasting, Random Forests, Boosting và Stacking. Học các kỹ thuật này sẽ giúp bạn xây dựng các mô hình mạnh mẽ và bền vững hơn. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng Các kỹ thuật học sâu và ứng dụng - Bài 2: Mô hình máy học đi sâu vào các mô hình học máy cơ bản, tạo nền tảng cho học sâu. Chuyên đề này bao gồm mô hình hồi quy tuyến tính, hồi quy luận lý, softmax regression và giới thiệu về mạng nơ-ron truyền thống. Nắm vững các mô hình này là yếu tố then chốt để bạn hiểu cách học sâu hoạt động. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng Các kỹ thuật học sâu và ứng dụng - Bài 9: Cơ chế Attention trong Mô hình Seq2Seq giới thiệu một kỹ thuật đột phá giúp cải thiện đáng kể hiệu suất của mô hình Seq2Seq. Chuyên đề này sẽ làm rõ cơ chế Attention, cách nó cho phép mô hình tập trung vào các phần quan trọng của dữ liệu đầu vào khi tạo đầu ra.

Bài giảng Các kỹ thuật học sâu và ứng dụng - Bài 7: Các biến thể của Recurrent Neural Network tiếp tục khám phá các kiến trúc RNN tiên tiến hơn để giải quyết những hạn chế của mô hình cơ bản. Chuyên đề này trình bày Long Short Term Memory (LSTM), Gated Recurrent Unit (GRU), Bidirectional RNN và Deep-stacked RNN. Nắm vững các biến thể này giúp bạn xử lý hiệu quả các chuỗi dài và phức tạp. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng Các kỹ thuật học sâu và ứng dụng - Bài 5: Học sâu trong xử lý ngôn ngữ tự nhiên Word2Vec là chuyên đề đi sâu vào ứng dụng học sâu trong lĩnh vực Xử lý Ngôn ngữ Tự nhiên (NLP). Bài giảng giới thiệu tổng quan về NLP và đặc biệt tập trung vào mô hình Word2Vec, một kỹ thuật tạo biểu diễn vector cho từ. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng Các kỹ thuật học sâu và ứng dụng - Bài 3: Mạng Convolutional Neural Network tập trung vào một trong những kiến trúc mạng nơ-ron mạnh mẽ nhất, đặc biệt hiệu quả trong xử lý ảnh. Chuyên đề này giới thiệu về CNN, cách thức hoạt động và hướng dẫn cài đặt CNN sử dụng thư viện Tensorflow. Đây là kiến thức cốt lõi để bạn xây dựng các ứng dụng thị giác máy tính. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng Các kỹ thuật học sâu và ứng dụng - Bài 4: Các kiến trúc xử lý ảnh phổ biến tiếp tục khám phá các mô hình CNN tiên tiến và ứng dụng thực tế. Chuyên đề này ôn lại kiến trúc CNN, giới thiệu các mô hình xử lý ảnh phổ biến và kỹ thuật học chuyển tiếp (Transfer Learning) mạnh mẽ. Nắm vững các kiến trúc này giúp bạn giải quyết nhiều bài toán thị giác máy tính phức tạp. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng Các kỹ thuật học sâu và ứng dụng - Bài 6: Recurrent Neural Network giới thiệu về mạng nơ-ron hồi quy (RNN), một kiến trúc mạnh mẽ cho dữ liệu trình tự. Chuyên đề này phân tích mô hình ngôn ngữ và các bài toán trong NLP, đồng thời đi sâu vào giới thiệu về RNN cùng những vấn đề và hướng giải quyết thường gặp. Đây là kiến thức cốt lõi để xử lý các chuỗi dữ liệu. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng Các kỹ thuật học sâu và ứng dụng - Bài 8: Mô hình Sequence-to-Sequence đi sâu vào một kiến trúc quan trọng cho các bài toán chuyển đổi trình tự. Chuyên đề này giới thiệu về dịch máy (Machine Translation), mô hình ngôn ngữ điều kiện và kiến trúc mã hóa-giải mã (Encoder-Decoder Architecture). Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng Các kỹ thuật học sâu và ứng dụng - Bài 1: Bài mở đầu là chuyên đề giới thiệu tổng quan về môn học và lĩnh vực học sâu. Bài giảng sẽ trình bày lịch sử hình thành, những thành tựu nổi bật của Trí tuệ Nhân tạo và ôn tập các kiến thức nền tảng toán học cần thiết. Mời các bạn cùng tham khảo bài giảng để biết thêm chi tiết!

Bài giảng "Lập trình Python cho máy học: Bài 8 - Phân loại mô hình & các mô hình máy học" trình bày cách phân loại các mô hình máy học và giới thiệu các nhóm mô hình phổ biến hiện nay. Mời các bạn cùng tham khảo!

Bài giảng "Lập trình Python cho máy học: Bài 9 - Mô hình và bài toán máy học" trình bày về bài toán máy học; mô hình máy học; máy học tự động (Auto Machine learning). Mời các bạn cùng tham khảo!

Bài giảng "Lập trình Python cho máy học: Bài 10 - Xây dựng mô hình máy học" tập trung vào quy trình xây dựng mô hình máy học từ đầu đến cuối, bao gồm các bước huấn luyện, đánh giá và tối ưu hóa mô hình. Nội dung bao gồm cách chọn mô hình phù hợp, huấn luyện mô hình với dữ liệu, đánh giá hiệu suất mô hình qua các chỉ số như accuracy, precision, recall, F1-score, và sử dụng các kỹ thuật như cross-validation để đảm bảo mô hình không bị quá khớp. Mời các bạn cùng tham khảo!

Bài giảng "Lập trình Python cho máy học: Bài 11 - Xây dựng mô hình máy học (tt)" tập trung vào các kỹ thuật quan trọng trong việc xây dựng và tối ưu hóa mô hình máy học. Nội dung bao gồm: Model Selection và Evaluation; Handle Imbalanced Data Method; Error Analysis Model. Mời các bạn cùng tham khảo!

Bài giảng "Lập trình Python cho máy học: Bài 3 - Quy trình xây dựng mô hình máy học" trình bày các bước cơ bản trong quy trình xây dựng mô hình máy học, từ thu thập và xử lý dữ liệu, chia tập dữ liệu, lựa chọn thuật toán, huấn luyện mô hình, đánh giá hiệu suất đến tối ưu hóa mô hình. Người học sẽ được làm quen với các công cụ hỗ trợ trong Python như Scikit-learn và quy trình kiểm định chéo (cross-validation), giúp đảm bảo mô hình có tính khái quát và hiệu quả cao khi triển khai thực tế.

Nghiên cứu này đề xuất sử dụng thuật toán FastTreeOval để xây dựng một mô hình chẩn đoán hiệu quả hơn. FastTreeOval được lựa chọn nhờ khả năng xử lý dữ liệu đa biến, tạo mô hình dễ hiểu và độ chính xác cao. Mục tiêu của nghiên cứu là đánh giá khả năng của FastTreeOval trong việc phân loại các loại lỗi DGA phổ biến và xác định các biến DGA quan trọng.