Khóa học đã chọn

Khóa học Combo Python cơ bản + Python for Machine Learning, Data Science and Data Visualization

Computer Vision with Deep Learning

Khóa học cung cấp cho học viên các kiến thức cần thiết về Deep Learning, một nhánh rất “hot” của Deep Learning và các kỹ thuật quan trọng trong việc xử lý các bài toán Computer Vision
Trang bị kiến thức và kỹ năng vận dụng các thuật toán quan trọng như Convolutional Neural Network (CNN), Transfer Learning từ Pre-trained model, Object detection, Image segmentation… vào Computer Vision (thị giác máy tính) thông qua việc sử dụng các bộ thư viện, công cụ mạnh mẽ, mã nguồn mở như Python, Numpy, Pandas, Pytorch…
Thực hiện các project trong lĩnh vực Computer Vision với tính thực tế cao như Classification, Segmentation, Object detection…
Là nền tảng để tiếp tục tìm hiểu, áp dụng các nghiên cứu mới nhất trong lĩnh vực Computer Vision vào các ứng dụng trong công việc và cuộc sống

Sẽ rất hữu ích nếu bạn là:

HV đã tham gia khóa “Machine Learning with Python” hoặc có kiến thức tương đương
HV muốn áp dụng AI/Computer Vision vào công việc
HV có định hướng sẽ làm việc trong lĩnh vực Machine Learning/Computer Vision

Bạn sẽ nhận được gì qua khóa học?

Sau khi hoàn thành khóa học, học viên sẽ đạt được các kỹ năng:

Hiểu rõ thư viện Pytorch, một trong những thư viện hiện đại nhất về deep learning
Hiểu và vận dụng các thuật toán Deep Learning trong việc giải quyết các vấn đề Computer Vision thực tế, cụ thể
Tinh chỉnh, thiết kế các kiến trúc mới

Khoản đầu tư dành cho khóa học:

Tổng số giờ: 42 giờ
Học phí: 5.800.000đ (có chế độ miễn giảm của mỗi khóa, xem chi tiết trong Thời Khóa Biểu)

Chính sách ưu đãi

Ưu đãi 100.000đ dành cho học viên đăng kí Online
Ưu đãi 10% dành cho HS-SV, Nhóm 2 Học viên
Ưu đãi 15% dành cho nhóm 3 Học viên trở lên
Đặc biệt: Ưu đãi 20% dành cho Học viên cũ, áp dụng duy nhất trong đợt khai giảng tháng 12/2025

***Lưu ý: Áp dụng chính sách ưu đãi cao nhất, không áp dụng cộng dồn

Bạn sẽ học những gì?

Tổng quan Deep Learning & Computer Vision
- Deep Learning và Machine learning
- Lịch sử, sự phát triển của các phương pháp Deep Learning & Neural Network
- Giới thiệu về Computer Vision
- Một số bài toán phổ biến trong lĩnh vực Computer Vision
Giới thiệu PyTorch và Perceptron
- PyToch là gì và Tại sao sử dụng PyTorch
- Perceptron: Linear và Non-Linear (Activation)
- Tensor và các phép toán trên Tensor
- Quy trình làm việc với PyTorch
- Quản lý dữ liệu trong PyTorch: Transform, DataSet và DataLoader
- Thực hành 1: Tensor và Image
- Thực hành 2: Dự đoán giá trị
- Thực hành 3: Phân lớp nhị phân
MLP – Multi Layer Perceptron
- Tại sao cần tầng ẩn?
- Thuật toán Gradient Descent
- Thực hành: Phân lớp trên tập MNIST
CNN – Image Classification
- Filter, Pattern, Feature map
- Kiến trúc chung về CNN
- Huấn luyện CNN để phân lớp ảnh
- Thiết kế kiến trúc dạng module
- Khám phá bên trong model: kiểm tra model, debug model
- Một số kiến trúc phổ biến: AlexNet, VGG
- Thực hành 1: Phân lớp trên tập MNIST
- Thực hành 2: Phân lớp trên tập CIFAR10
- Thực hành phân lớp: quang cảnh, đồ vật, con vật, cây cối, hoa quả…
Tối ưu hóa siêu tham số
- Thước đo đánh giá
- Tối ưu learning rate: StepLR, ReduceLROnPlateau, ConsineAnnealingLR
- Các siêu tham số trong: Kiến trúc, Huấn luyện và Regularization
- Quy trình thực hiện
- Tối ưu tự động với optuna
- Thực hành: Tối ưu hóa kiến trúc
Transfer learning và Torchvision
- Các công cụ trong Torchvision (Datasets, Models, Tranforms, Hàm tiện ích)
- Transfer learning với Torchvision
- Thực hành 1: Transfer learning trên tập dữ liệu đơn giản (Dataset có 2-3 loại)
- Thực hành 2: Transfer learning trên tập dữ liệu khó (Dataset có nhiều loại, ví dụ như Oxford Flower có 102 loại, vài chục ảnh trên 1 loại)
Kỹ thuật thiết kế kiến trúc
- Một số kỹ thuật thiết kế: Modular Model, Multi-input Multi-output Model, Conditional Model, Dynamic model
- ResNet và Kỹ thuật sử dụng skip connection cho mô hình khác
- Thực hành: Thiết kế mô hình với skip connection
Vision Transformer (ViT)
- Giới thiệu ViT
- ViT attention map
- Thực hành: Fine tuning ViT, bài toán phân lớp
Image Segmentation
- Bài toán Segmentation và một số khái niệm cơ bản
- Kiến trúc chung cho segmentation
- Phân vùng với CNN: Deeplab
- Phân vùng với ViT: Segformer
- Thực hành Image Segmentation
Object Detection
- Bài toán và một số khái niệm cơ bản
- Mô hình 2 giai đoạn: FasterRCNN
- Mô hình 1 giai đoạn: YOLO
- Thực hành Object Detection
Real case project 1: Segmentation cho ảnh giao thông
Real case project 2: Object detection cho ảnh giao thông
Tổng quan Generative AI
- Giới thiệu GAN
- Cơ chế hoạt động của GAN, cách huấn luyện mô hình GAN
- Các kiến trúc GAN phổ biến: CycleGAN, StyleGAN, Vanilla GAN

Chứng nhận khóa học

Học viên thi đạt kết quả cuối môn học sẽ được cấp chứng nhận "Computer Vision with Deep Learning - Thị giác máy tính với Học sâu" do Trung Tâm Tin Học - Trường ĐH Khoa Học Tự Nhiên cấp.