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 viết nghiên cứu cải tiến dịch máy Anh-Việt bằng đồ thị tri thức, tích hợp vào Transformer. BERT tiền huấn luyện tăng chất lượng dịch thực thể.

Bài viết nghiên cứu ANN dự đoán hệ số hiệu chỉnh tự hấp thụ gamma, giảm thời gian tính toán so với MCNP6. Độ chính xác cao, sai biệt <12%.

Bài giảng "Cơ sở hệ mờ và mạng nơ ron" trình bày các nội dung sau: Tập mờ; hệ suy luận mờ; một số ứng dụng của hệ mờ; mạng nơ-ron nhân tạo; mạng nhiều lớp và ứng dụng.

Nghiên cứu ứng dụng học máy (Random Forest) dự đoán tình trạng bỏ học của sinh viên với độ chính xác 91.33%, từ đó đưa ra giải pháp hỗ trợ kịp thời.

Nghiên cứu nhận dạng tổn thương da dựa trên học sâu, xử lý dữ liệu mất cân bằng. ConvNeXtTiny đạt độ chính xác cân bằng 0.7584, độ chính xác 0.8408.

Nghiên cứu này đề xuất sử dụng mô hình mạng nơ-ron lượng tử lai, kết hợp giữa máy học cổ điển và tính toán lượng tử. Tính toán lượng tử giúp tăng tốc tính toán và nâng cao độ chính xác nhờ khả năng xử lý song song và tính chất đặc trưng của cơ học lượng tử.

Đồ án nghiên cứu ứng dụng học máy để xây dựng web app nhận diện biển số xe. Sử dụng YOLOv5, Flask, Laravel, đạt độ chính xác 80%, hướng tới thương mại hóa.

Đồ án tốt nghiệp công nghệ thông tin trình bày khái quát các về bài toán ước lượng tư thế người, mô tả tín hiệu radar và tính thực tiễn bài toán và nêu ra động lực, mục tiêu và phạm vi đồ án.

Đồ án nghiên cứu ứng dụng học máy để xây dựng web app nhận diện biển số xe. Sử dụng CNN, Flask, OpenCV và YOLO để phát triển ứng dụng web.

Luận án "Nghiên cứu ứng dụng bộ điều khiển PID dựa trên mạng nơ-ron nhân tạo thích nghi cho hệ thống điều khiển tàu thủy" phát triển mô hình điều khiển PID kết hợp mạng nơ-ron thích nghi nhằm tối ưu hóa hiệu suất điều khiển hệ thống tàu thủy trong điều kiện thay đổi và nhiễu loạn.

Bài viết đề xuất cấu trúc điều khiển mới gồm một hệ logic mờ để xác định góc Pitch tối ưu công suất tua bin gió khi tốc độ gió thay đổi và một bộ điều khiển góc Pitch. Để góc Pitch bám theo góc Pitch tối ưu, một bộ điều khiển không biết trước mô hình và nhiễu được đề xuất dựa trên mạng nơ-ron và điều khiển mặt động.

Bài giảng "Trí tuệ nhân tạo" Chương 6: Perceptron, giới thiệu mô hình mạng nơ-ron đơn giản đầu tiên dùng trong học máy. Nội dung bài học giúp hiểu cách hoạt động của Perceptron, thuật toán huấn luyện, và khả năng phân loại tuyến tính. Đây là nền tảng để tiếp cận mạng nơ-ron và deep learning.

Bài giảng "Trí tuệ nhân tạo" Chương 8: Neural Networks, trình bày kiến thức nền tảng về mạng nơ-ron nhân tạo, cấu trúc mạng nhiều lớp (MLP), quá trình lan truyền tiến và lan truyền ngược (backpropagation), cùng các hàm kích hoạt phổ biến. Bài học giúp người học hiểu rõ cách mạng nơ-ron học và dự đoán, làm nền tảng cho deep learning và các ứng dụng AI hiện đại.

Bài thuyết trình Ứng dụng khai thác dữ liệu (Data Mining and Application): Artificial Neural Network for Classification tập trung vào ứng dụng của mạng nơ-ron nhân tạo trong bài toán phân loại. Nội dung thuyết trình đề cập đến cấu trúc, cách hoạt động của mạng nơ-ron, các ưu điểm, thách thức và một số ứng dụng thực tiễn. Đây là nền tảng quan trọng trong các hệ thống học sâu hiện đại. Mời các bạn cùng tham khảo 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 thuyết trình Ứng dụng khai thác dữ liệu (Data Mining and Application): DNN-Based Anomaly Detection trình bày cách ứng dụng mạng nơ-ron sâu trong việc phát hiện bất thường. Nội dung bao gồm các thuật toán phổ biến, mô hình autoencoder, Anogan và các tình huống áp dụng thực tế. Đây là phương pháp hiện đại giúp tăng cường độ chính xác trong việc phân tích bất thường dữ liệu phức tạp. Mời các bạn cùng tham khảo 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.