Mô tả vắn tắt học phần

1. Tên học phần:

Học sâu

2. Ngôn ngữ giảng dạy:

Tiếng Anh

3. Mã học phần:

ISB574148

4. Bộ môn phụ trách giảng dạy:

TN - Khoa Tài năng kinh doanh

5. Trình độ:

Đại Học

6. Số tín chỉ:

3

7. Phân bổ thời gian:

  • Đối với hoạt động trên lớp:
  • Lý thuyết: -> Hoạt động giảng dạy trên lớp: 30 giờ
  • Làm việc nhóm, thảo luận:: 15 giờ
  • Đối với hoạt động tại phòng máy tính, phòng mô phỏng, …:
  • Thực hành, làm việc nhóm, thảo luận
  • Tự nghiên cứu, tự học: -> Tự học: 45 giờ -> Thực hiện bài tập cá nhân: 30 giờ -> Thực hiện bài tập nhóm: 30 giờ
  • Đồ án, Đề án, Dự án
  • Thực tập

8. Ngành áp dụng:

Dữ liệu đang cập nhật...

9. Điều kiện tiên quyết:

Không có môn học bắt buộc phải hoàn thành trước học phần này

10. Mục tiêu học phần:

- Giải thích các khái niệm cơ bản và nâng cao của học sâu, bao gồm kiến trúc mạng nơ-ron, hàm kích hoạt, hàm mất mát và các kỹ thuật tối ưu hóa. - Phân tích các yếu tố ảnh hưởng đến hiệu quả huấn luyện mô hình học sâu và đánh giá khả năng ứng dụng của học sâu trong các bài toán thực tế. - Xây dựng và huấn luyện các kiến trúc mạng nơ-ron sâu (DNN), mạng nơ-ron tích chập (CNN), mạng nơ-ron hồi quy (RNN/LSTM) và Transformer bằng PyTorch. - Áp dụng các chiến lược huấn luyện hiệu quả bao gồm regularization, batch normalization, learning rate scheduling và transfer learning. - Triển khai các mô hình học sâu cho các bài toán xử lý ảnh, xử lý ngôn ngữ tự nhiên và dữ liệu chuỗi thời gian. - Đánh giá hiệu năng mô hình, nhận diện các vấn đề như overfitting, vanishing gradient và đề xuất giải pháp khắc phục.

11. Mô tả vắn tắt nội dung học phần:

Học phần cung cấp nền tảng lý thuyết và thực hành về học sâu (Deep Learning), một nhánh quan trọng của học máy sử dụng mạng nơ-ron nhiều lớp để học các biểu diễn phức tạp từ dữ liệu. Nội dung bao gồm các kiến trúc mạng nơ-ron cơ bản (Feedforward Neural Networks), mạng nơ-ron tích chập (CNN) cho xử lý ảnh, mạng nơ-ron hồi quy (RNN, LSTM, GRU) cho dữ liệu tuần tự, và kiến trúc Transformer cho các bài toán xử lý ngôn ngữ tự nhiên. Sinh viên sẽ nắm vững các kỹ thuật tối ưu hóa (SGD, Adam), regularization (Dropout, Batch Normalization) và các chiến lược huấn luyện hiện đại.

Phần thực hành tập trung vào việc xây dựng và huấn luyện các mô hình học sâu bằng PyTorch, áp dụng vào các bài toán thực tế như phân loại ảnh, nhận dạng đối tượng, phân tích cảm xúc văn bản và dự đoán chuỗi thời gian. Sinh viên cũng được trang bị kiến thức về transfer learning, fine-tuning pre-trained models và các kỹ thuật đánh giá, debug mô hình học sâu để có thể triển khai hiệu quả trong môi trường kinh doanh và nghiên cứu.