DAT301m - Phát triển UDTTNT với TensorFlow

DAT301m - Phát triển UDTTNT với TensorFlow là môn 3 tín chỉ bậc cử nhân của Đại học FPT, học sau CPV301 và DPL302m. Môn đưa người học từ chỗ hiểu học sâu trên lý thuyết tới chỗ tự dựng, huấn luyện và kiểm tra được mô hình chạy thật bằng TensorFlow và Keras. Văn bản là ví dụ rõ nhất cho việc dữ liệu phải được chuẩn bị trước khi mạng nơ-ron đọc được: câu chữ được tách thành từ, đánh số theo một bộ từ vựng, đệm hoặc cắt cho cùng độ dài, rồi ánh xạ sang vector nhúng, nơi các từ gần nghĩa nằm gần nhau. Khi thứ tự từ quyết định nghĩa của câu, mô hình cần lớp hồi quy như LSTM để nhớ ngữ cảnh xa, và cũng chính cơ chế đó cho phép sinh văn bản bằng cách dự đoán từ kế tiếp. Nền móng của mọi bài toán vẫn là vòng học cơ bản: khai báo các lớp, chọn hàm mất mát và bộ tối ưu, huấn luyện rồi đo trên dữ liệu mô hình chưa từng thấy, với bài toán nhận diện ảnh làm ví dụ mở đầu. Chuỗi thời gian là loại dữ liệu thứ ba: một chuỗi được tách thành xu hướng, tính mùa vụ và nhiễu, được chia theo mốc thời gian thay vì xáo ngẫu nhiên, và được đo bằng sai số tuyệt đối hoặc bình phương trung bình trước khi giao cho mạng sâu hay mạng hồi quy dự báo. Với ảnh thật, kích thước lớn và đa dạng, mô hình rất dễ học thuộc dữ liệu huấn luyện; tăng cường ảnh, dropout và học chuyển giao từ một mạng đã huấn luyện sẵn là ba cách chống lại hiện tượng quá khớp đó. Cốt lõi của thị giác máy tính là phép tích chập và gộp, giúp mạng tự rút ra đường nét và hình dạng thay vì nhìn từng điểm ảnh rời rạc. Các thuật ngữ người học dùng thường xuyên gồm tensor, lớp Dense, Conv2D, MaxPooling2D, Tokenizer, Embedding, LSTM và cửa sổ trượt. Môn cũng rèn quy trình của một ứng dụng trí tuệ nhân tạo hoàn chỉnh: thu thập, làm sạch và khám phá dữ liệu, xây dựng và đánh giá mô hình, rồi báo cáo kết quả. Học xong, người học đọc được kiến trúc một mô hình Keras và tính được kích thước đầu ra của từng lớp, chọn được cách biểu diễn phù hợp cho ảnh, văn bản và chuỗi thời gian, nhận ra dấu hiệu quá khớp và biết cách xử lý, đồng thời đủ nền để tự triển khai một bài toán học sâu nhỏ từ dữ liệu thô tới kết quả có thể giải thích.