Đến nội dung chính

Lộ trình Trắc nghiệm Thực hành Các cuộc thi Tài liệu

Khóa 1

0.1Python 0.2NumPy 0.3Pandas và Matplotlib 0.4Hàm số, mũ và log 0.5Vector và ma trận 0.6Đạo hàm và gradient 0.7Xác suất và thống kê

1.1Bài toán học máy 1.2Generalization 1.3Data split và cross-validation 1.4Pipeline và data leakage 1.5Classification metrics 1.6Regression và ranking metrics 1.7Hyperparameter tuning

2.1Linear regression 2.2Regularization 2.3Logistic regression và softmax 2.4k-Nearest Neighbors 2.5Decision tree 2.6Random forest 2.7Gradient boosting 2.8SVM 2.9Dimensionality reduction 2.10Clustering 2.11Feature engineering

Khóa 2

3.1Tensor và autograd 3.2MLP và backpropagation 3.3Activation và loss 3.4Training loop 3.5Optimizer 3.6Regularization cho mạng neural 3.7Huấn luyện trên GPU 3.8Embedding và dữ liệu chuỗi 3.9Attention và Transformer 3.10Autoencoder

4.1Sử dụng model pretrained 4.2Feature extraction 4.3Fine-tuning 4.4LoRA 4.5Zero-shot

Khóa 3

5.1Convolution và pooling 5.2CNN và ResNet 5.3Augmentation và transfer learning 5.4Vision Transformer 5.5Object detection 5.6Image segmentation 5.7Self-supervised và CLIP 5.8GAN và diffusion 5.9Phân tích hành vi model

6.1Tokenization và text classification 6.2Sentence embedding 6.3BERT 6.4Language model 6.5Encoder–decoder 6.6Large language model

7.1Dữ liệu âm thanh 7.2Audio classification 7.3Speech recognition 7.4Multimodal

Khóa 4

8.1Chiến lược thi 8.2Phân tích dữ liệu trước huấn luyện 8.3Bài toán mở 8.4Ensemble 8.5Thi thử

9.1Reinforcement learning 9.2Tìm kiếm và suy luận 9.3Bài tập lý thuyết

Lộ trình/Chương 4

Chương 4

Model pretrained

4.1Sử dụng model pretrained 4.2Feature extraction 4.3Fine-tuning 4.4LoRA 4.5Zero-shot

Chương 3Mạng neural Chương 5 Thị giác máy tính

AI Canuc80k

Hướng dẫn Khung giáo trình