Nội dung khóa học

• Buổi 1: Giới thiệu về trí tuệ nhân tạo (AI)
Chủ đề:

Giới thiệu về trí tuệ nhân tạo (AI)

Mục tiêu:

• Tổng quan về AI: Định nghĩa, lịch sử phát triển, các lĩnh vực ứng dụng.
• Nguyên lý hoạt động cơ bản của AI (Machine Learning, Deep Learning, Neural Networks).
• Phân loại các thuật toán học máy: học giám sát, không giám sát


Ứng dụng:

- Cài đặt môi trường lập trình Python (Anaconda, Jupyter Notebook).
- Xây dựng chương trình Machine Learning đơn giản với thuật toán Linear Regression.

Case Study:

- Case study: Phân tích dữ liệu bán hàng và dự đoán doanh số bán hàng

• Buổi 2: Quy trình phát triển hệ thống AI và Xử lý dữ liệu
Chủ đề:

Quy trình phát triển hệ thống AI và Xử lý dữ liệu

Mục tiêu:

Quy trình phát triển hệ thống AI: Thu thập dữ liệu, tiền xử lý dữ liệu, huấn luyện, đánh giá, triển khai.




Ứng dụng:

Thực hành:
- Xử lý dữ liệu với Pandas và NumPy.
- Triển khai pipeline tiền xử lý dữ liệu tự động (Data Cleaning, Data Normalization).

Case Study:

Case study: Nhận dạng chữ viết tay, dự báo giá cả

• Buổi 3: Giới thiệu phần lõi của hệ thống AI: Các mô hình học máy, học sâu
Chủ đề:

Giới thiệu phần lõi của hệ thống AI: Các mô hình học máy, học sâu

Mục tiêu:

Tìm hiểu các thuật toán cơ bản Decision tree, SVM, Logistic regression
Tìm hiểu mạng nơ ron và mạng nơ ron tích chập: cấu trúc mô hình, cách huấn luyện, hàm loss




Ứng dụng:

Ứng dụng AI trong bài toán phân loại, hồi quy, phát hiện đối tượng

Case Study:

Case study: Xử lý dữ liệu ảnh và phát hiện đối tượng trong hình ảnh.

• Buổi 4: Tối ưu hóa mô hình AI và triển khai thực tế
Chủ đề:

Tối ưu hóa mô hình AI và triển khai thực tế

Mục tiêu:

Kỹ thuật tối ưu hóa mô hình: Regularization, Hyperparameter Tuning
Đánh giá mô hình: Confusion Matrix, ROC-AUC, Precision, Recall, F1-score.




Ứng dụng:

Thực hành:
- Huấn luyện mô hình học máy nâng cao: Decision Tree, Random Forest, Neural Network.
- Sử dụng GridSearchCV để tối ưu hóa mô hình.

Case Study:

- Case study: Phát hiện bất thường trong hệ thống log server (Anomaly Detection)

• Buổi 5: Xây dựng ứng dụng AI với ChatGPT và NLP
Chủ đề:

Xây dựng ứng dụng AI với ChatGPT và NLP

Mục tiêu:

ChatGPT: Cấu trúc, nguyên lý hoạt động và ứng dụng
Các mô hình NLP phổ biến: BERT, GPT, Transformer.


Ứng dụng:

Thực hành:
- Kết nối API của OpenAI để xây dựng ứng dụng Chatbot thông minh.
- Xây dựng hệ thống hỏi đáp tự động bằng NLP (Natural Language Processing).

Case Study:

Case study: Xây dựng Chatbot tư vấn tự động theo kịch bản của công ty.

• Buổi 6: Xây dựng AI Agent chuyên biệt và ứng dụng thực tế
Chủ đề:

Xây dựng AI Agent chuyên biệt và ứng dụng thực tế

Mục tiêu:

Khái niệm AI Agent và các kỹ thuật tạo lập Agent chuyên biệt.
Thuật toán học tăng cường Reinforcement Learning


Ứng dụng:

Thực hành:
- Xây dựng AI Agent giải quyết bài toán tìm đường trong mê cung (Maze Solving).
- Triển khai thuật toán Reinforcement Learning để nâng cao hiệu quả học tập của Agent.


Case Study:

Case study: Tạo AI Agent để giải quyết bài toán thực tế như nhận diện khuôn mặt hoặc điều khiển robot đơn giản.