Các phương pháp học máy và ứng dụng
Machine learning and applications
Mô tả học phần
Học phần giới thiệu khái niệm và phương pháp và các kỹ thuật học máy cơ bản. Các ứng dụng tiềm năng và giới hạn của học máy trong xử lý dữ liệu đa phương tiện; thông qua các ví dụ thực tế. Lý thuyết và thuật toán học máy truyền thống như các kỹ thuật phân loại có giám sát; kỹ thuật phân cụm không giám sát, các mô hình hồi quy; cũng như các kỹ thuật học sâu được tập trung giới thiệu. Quá trình xây dựng các bước đối với một ứng dụng học máy cũng được trình bày. Nội dung bài tập của môn học bao gồm việc cài đặt, triển khai trên kỹ thuật học máy cơ bản và phương pháp lựa chọn các kỹ thuật; đánh giá hiệu quả của từng kỹ thuật phù hợp cho mỗi loại ứng dụng. Nhóm học viên có thể lựa chọn một trong số các ứng dụng phổ biến của học máy cho dự án môn học, bao gồm: thị giác máy dự trên học sâu, xử lý ngôn ngữ tự nhiên, nhận dạng tiệng nói, trí tuệ nhân tạo biên. Học viên được sử dung các công cụ phần mềm dựa trên ngôn ngữ Python, phục vụ nghiên cứu hoặc phát triển sản phẩm học máy/học sâu như Tensorflow, Caffe hoặc Pytorch. Mạch trí tuệ nhân tạọ biên từ các hãng Nivida, Intel hoặc Google có thể được sử dụng tùy thuộc yêu cầu dự án môn học.
English description
The course introduces concepts and methods and basic machine learning techniques. Potential applications and limitations of machine learning in multimedia data processing; through practical examples. Traditional machine learning theories and algorithms such as supervised classification techniques; Unsupervised clustering techniques, regression models; as well as deep learning techniques are focused on introduction. The process of building a machine learning application is also presented. The content of the course's exercises includes installing and implementing basic machine learning techniques and methods for selecting techniques; Evaluate the effectiveness of each appropriate technique for each type of application. Student groups can choose from a number of popular applications of machine learning for their course project, including: deep learning-based machine vision, natural language processing, speech recognition, artificial intelligence Edge creation or artificial intelligence applications for Telecommunications.Industrial machine learning/deeplearning frameworks using Python and their working environment are concentrated in this course such as Tensorflow, Caffe or Pytorch. Different edge AI technologies are possible to be used by students’ final project such as devices from Nividia, Intel or Google)
Chuẩn đầu ra học phần (CLO) 5
Bấm vào từng chuẩn đầu ra để xem bản tiếng Anh, liên kết PLO và mức độ đóng góp.
-
CLO1 Giải thích được các khái niệm cơ bản, quy trình và các thuật toán chính trong học máy
Explain fundamental concepts, workflows, and core algorithms in machine learning.
-
CLO2 Phân tích và đánh giá được hiệu năng của các mô hình học máy
Analyze and evaluate the performance of machine learning models.
-
CLO3 Vận dụng được các kỹ thuật học máy và học sâu để giải quyết các bài toán thực tế.
Apply machine learning and deep learning techniques to solve real-world problems.
-
CLO4 Sử dụng thành thạo các công cụ và thư viện học máy phổ biến để cài đặt, huấn luyện và triển khai mô hình học máy.
Implement, train, and deploy machine learning models using common tools and libraries.
-
CLO5 Thể hiện kỹ năng làm việc nhóm, đọc hiểu tài liệu chuyên ngành tiếng Anh, trình bày và báo cáo kết quả dự án học máy một cách rõ ràng, có tư duy phản biện
Demonstrate teamwork, technical communication in English, and justify design choices and experimental results with critical thinking.
Đánh giá học phần
| Thành phần | Tỉ trọng | Thời gian |
|---|---|---|
| Tham dự trên lớp | 5.0% | |
| Bài tập lập trình và bài tập về nhà | 25.0% | |
| Bảo vệ bài tập lớn | 70.0% |
Tài liệu học tập
Bắt buộc
- [1] Artificial Intelligence: A Modern Approach, Russell, S. & Norvig, P, 2010, Prentice-Hall
- [2] Deep Learning, Goodfellow, I., Bengio, Y. and Courville, A., 2016, MIT Press