Chương trình Sau đại học về Học máy & Trí tuệ Nhân tạo (Cao cấp)

Từ Hộp Đen đến Hộp Kính: Giới thiệu về AI Giải thích được

• Với sự gia tăng sử dụng AI, nhu cầu đảm bảo rằng các mô hình AI có thể hiểu và tin cậy được ngày càng cao. Phiên này sẽ giới thiệu về khái niệm AI Giải thích được và Diễn giải Mô hình.
• Mục tiêu: Hiểu rõ tầm quan trọng của XAI (Explainable Artificial Intelligence) và cách diễn giải mô hình, đồng thời học cách xây dựng và diễn giải một mô hình học máy có thể giải thích được bằng các kỹ thuật LIME và SHAP. 

AI có phân biệt đối xử và thiên vị không?

• Khi AI ngày càng được ứng dụng rộng rãi, điều quan trọng là phải xem xét các vấn đề đạo đức và những thiên vị tiềm ẩn. Phiên này sẽ giới thiệu cho người học về các khái niệm đạo đức và thiên vị trong AI, cùng với các ví dụ thực tế.
• Mục tiêu: Hiểu rõ các vấn đề đạo đức và thiên vị trong AI, và cách xác định, giảm thiểu các rủi ro tiềm ẩn. Học qua các nghiên cứu tình huống trong y tế, tài chính, xe tự lái, tuyển dụng, và nhiều lĩnh vực khác.

Từ Dữ liệu đến Đối thoại: Khám phá Kiến trúc và Chức năng của ChatGPT

• Phiên này cung cấp cái nhìn tổng quan về các mô hình GPT và kiến trúc của chúng, cùng với các kỹ thuật tiên tiến như RLHF và InstructGPT.
• Mục tiêu: Giới thiệu cho người học về một biến thể của Transformer - mô hình GPT, cụ thể là biến thể Davinci. Người học sẽ nắm được kiến trúc của GPT và các kỹ thuật tiên tiến như Học Tăng cường từ Phản hồi của Con người (RLHF), học một lần và học ít lần. Họ cũng sẽ học cách tinh chỉnh GPT với các kỹ thuật prompt và đánh giá hiệu suất thông qua các bài tập thực hành.

Phân loại Phiếu hỗ trợ với ChatGPT: Bước đột phá cho Đội ngũ Hỗ trợ

• Sử dụng học chuyển giao với GPT-3 loại bỏ nhu cầu huấn luyện mô hình NLP từ đầu và cung cấp quyền truy cập vào các mô hình ngôn ngữ tiên tiến cho nhiều tác vụ NLP. Phiên này sẽ hướng dẫn bạn thực hiện 'Phân loại yêu cầu hỗ trợ với ChatGPT.
• Mục tiêu: Xây dựng một sản phẩm tự động phân loại phiếu hỗ trợ theo các danh mục dựa trên chủ đề của chúng, sử dụng mô hình ChatGPT đã được tinh chỉnh. Điều này giúp các công ty và tổ chức nâng cao hiệu quả xử lý phiếu hỗ trợ và giảm bớt khối lượng công việc của đội ngũ hỗ trợ.

Xây dựng Công cụ tạo Hình ảnh bằng Stable Diffusion

• Sử dụng học chuyển giao với GPT-3 loại bỏ nhu cầu huấn luyện mô hình NLP từ đầu và cung cấp quyền truy cập vào các mô hình ngôn ngữ tiên tiến cho nhiều tác vụ NLP. Phiên này sẽ giúp bạn 'Xây dựng bộ tạo hình ảnh với Stable Diffusion'.-
• Mục tiêu: Hướng dẫn người học cách xây dựng một bộ tạo hình ảnh sử dụng Stable Diffusion và thư viện Hugging Face. Họ sẽ học cách chuẩn bị dữ liệu, xây dựng và huấn luyện mô hình Stable Diffusion, đánh giá hiệu suất của nó, và xây dựng bảng điều khiển Streamlit để hiển thị kết quả của mô hình.

Thế Giới của Mạng Lưới Đồ thị

• Phiên này nhằm đơn giản hóa quá trình và cung cấp cho người học sự hiểu biết toàn diện về Mạng Nơ-ron Đồ thị (GNNs) và cách xây dựng mô hình GNN đơn giản.
• Mục tiêu: Giới thiệu cho người học các thành phần của GNN, cơ chế hoạt động, và cách xây dựng mô hình GNN đơn giản cho một vấn đề cụ thể. Sau phiên này, người học sẽ có thể áp dụng kiến thức để giải quyết các vấn đề liên quan đến dữ liệu đồ thị. 

Mạng Lưới Đồ thị Nâng cao

• Với những hạn chế của GNN đơn giản, cần phải khám phá các kiến trúc GNN nâng cao. Phiên này cung cấp kiến thức sâu sắc về các mạng lưới đồ thị nâng cao.
• Mục tiêu: Sau phiên này, người học sẽ hiểu rõ những nhược điểm của GNN đơn giản, và có thể so sánh, đánh giá hiệu suất của các GNN nâng cao như Mạng Nơ-ron Đồ thị Tập trung (GATs) và Mạng Nơ-ron Đồ thị Chú ý (GANs) so với GNN đơn giản.

Kiến trúc Tiên tiến trong Thị giác Máy

• Phiên này sẽ giới thiệu người học về khái niệm phát hiện điểm mốc và đặc trưng, và giúp họ xây dựng một hệ thống phát hiện điểm mốc đơn giản.
• Mục tiêu: Sau phiên này, người học sẽ hiểu rõ các nguyên lý cơ bản của phát hiện điểm mốc, các thuật toán phát hiện đặc trưng phổ biến như SIFT và SURF, và xây dựng hệ thống phát hiện điểm mốc sử dụng các thuật toán này.

Kiến trúc Tiên tiến trong Mô hình Tạo sinh

• Việc cập nhật những tiến bộ mới nhất trong mô hình sinh tạo có thể là một thách thức. Phiên này cung cấp cái nhìn tổng quan về các kiến trúc tiên tiến trong mô hình sinh tạo và các ứng dụng của chúng.
• Mục tiêu: Sau phiên này, người học sẽ hiểu rõ về các kiến trúc tiên tiến trong mô hình sinh tạo và có thể đọc các bài nghiên cứu về các chủ đề như mô hình ảnh-thành-văn bản (Vision Transformers), mô hình văn bản-thành-ảnh (CoCA, CLIP), và đa phương thức (Pathways).