Bài viết nghiên cứu ứng dụng học sâu (MobileNetV3, InceptionV3, VGG19) nhận diện bệnh lá sầu riêng với độ chính xác cao (95.87% với VGG19). Hỗ trợ phát hiện bệnh sớm.

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 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 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!

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.

Tóm tắt Luận án Tiến sĩ Kỹ thuật "Nghiên cứu giải pháp nâng cao hiệu quả chẩn đoán lỗi vòng bi động cơ điện bằng kỹ thuật xử lý tín hiệu tiên tiến và học máy" được nghiên cứu với mục tiêu: Đề xuất các giải pháp mới nhằm nâng cao độ chính xác, giảm thời gian thực thi trong chẩn đoán lỗi vòng bi động cơ điện bằng cách kết hợp các kỹ thuật xử lý tín hiệu tiên tiến và kỹ thuật học máy, học sâu.

Bài viết này giới thiệu một hệ thống phát hiện xâm nhập mạng áp dụng phương pháp học sâu dựa trên mạng nơ-ron nhân tạo (Artificial Neural Network ANN) và đa lớp (Multi-layers Perceptron- MLP). Các phương pháp đánh giá mô hình cho thấy rằng giải pháp được đề xuất hoạt động hiệu quả.

Trong nghiên cứu này, chúng tôi xây dựng mô hình nhận dạng trộm theo thời gian thực dựa trên kỹ thuật học chuyển giao (Transfer learning) trên thiết bị biên phổ biến Hệ thống đã được thử nghiệm trên các bộ dữ liệu mẫu và trên các mô hình YOLOv8n, EfficientDetD0, MobilenetV2 SSDLite cho thấy mô hình tốc độ độ xử lý thấp nhất là 3.6 FPS (Raspberry Pi 3 B+), 6.5 FPS (Raspberry Pi 4 B), 10.2 FPS (Jetson Nano) với độ chính xác AP (kiểm tra) trên 60%.

Nhằm giúp các bạn có thêm tài liệu ôn tập, củng cố lại kiến thức đã học và rèn luyện kỹ năng làm bài tập, mời các bạn cùng tham khảo Đề thi kết thúc học phần học kì 2 môn Phân tích dữ liệu lớn năm 2023-2024 - Trường ĐH Văn Lang dưới đây. Hy vọng sẽ giúp các bạn tự tin hơn trong kỳ thi sắp tới.

Mời các bạn cùng tham khảo Đề thi kết thúc học phần học kì 2 môn Học sâu trong khoa học dữ liệu năm 2023-2024 - Trường ĐH Văn Lang sau đây để biết được cấu trúc đề thi, cách thức làm bài thi cũng như những dạng bài chính được đưa ra trong đề thi. Từ đó, giúp các bạn sinh viên có kế hoạch học tập và ôn thi hiệu quả.

Tóm tắt Luận án Tiến sĩ Kỹ thuật "Nghiên cứu ứng dụng bộ mã hóa tự động (AE) nâng cao hiệu năng truyền thông của mạng không dây trên cơ thể sống (WBAN)" được nghiên cứu với mục tiêu: Đề xuất giải pháp ứng dụng kỹ thuật học sâu, kỹ thuật AE tiên tiến vào truyền thông trong WBAN nhằm nâng cao dung lượng và hiệu năng truyền thông của mạng.

Bài viết này đã đề xuất sử dụng thêm kỹ thuật học sâu. Mô hình học sâu được sử dụng dạng Unet. Quá trình mô phỏng trên bộ ảnh y tế đã chỉ ra rằng với một ảnh y tế mờ từ hệ thống quang học, sau hai bước xử lý bằng thuật toán Lucy – Richardson – Rosen và kết hợp với mạng học sâu Unet đã cho ảnh khôi phục tốt hơn.

Bài viết trình bày việc lựa chọn test đánh giá kỹ thuật cho nữ sinh viên học phần Bóng chuyền 1 (tự chọn) tại Trường Đại học Sài Gòn; Xác định các test đánh giá kỹ thuật cho nữ sinh viên học phần Bóng chuyền 1 (tự chọn) tại trường Đại học Sài Gòn.

Bài viết này giới thiệu cách tiếp cận dựa trên biểu diễn đặc trưng của đoạn clip, khai thác thông tin không gian và thời gian qua cơ chế học tự chú ý (self-attention). Kết quả thực nghiệm cho thấy cách tiếp cận này có tiềm năng lớn cho các ứng dụng tóm tắt video thực tế.