TTO – Ngành giáo dục đang sắp phải đối mặt với một thách thức mới đang dần lan rộng: AI hỗ trợ viết luận văn.
Trình tạo văn bản trực tuyến được ra mắt lần đầu vào năm 2005. Giờ đây, văn bản do trí tuệ nhân tạo (AI) tạo ra có thể được tìm thấy trong tiểu thuyết, tin tức giả mạo lẫn các tin tức thật, chiến dịch tiếp thị và hàng chục sản phẩm sáng tạo nội dung khác.
Việc sử dụng công nghệ AI không phải là “đạo văn” theo nghĩa truyền thống, vì không có sự sao chép từ bất kỳ tác phẩm nào trước đây. Thay vào đó, người dùng gợi ý một số văn bản từ một hoặc nhiều nguồn vào chương trình AI. Sau đó, AI tạo nội dung dựa trên các nguồn đó. Người dùng cũng có thể cá nhân hóa theo ý thích. Nhờ vậy, một sinh viên có thể sử dụng AI để rút ngắn thời gian hoàn thành bài luận của mình đi rất nhiều lần so với tự mình viết.
Giả sử một sinh viên muốn viết một bài luận về chính sách Hoa Kỳ – Trung Quốc bằng AI, và sử dụng những dòng sau đây từ một báo cáo của Lầu Năm Góc làm tiền đề: Trung Quốc ngày càng rõ ràng trong các tham vọng và ý định của mình. Bắc Kinh tìm cách định hình lại trật tự quốc tế để phù hợp hơn với hệ thống độc đảng và lợi ích quốc gia của họ, như một thành phần quan trọng trong chiến lược của họ nhằm đạt được sự trẻ hóa vĩ đại của đất nước Trung Quốc.
AI đã kiến tạo nên đoạn văn sau dựa trên những gì đã trình bày ở trên:
Hoa Kỳ và các đồng minh của họ phải đối mặt với một quân đội hiện đại hóa nhanh chóng, với khả năng của họ đang phát triển nhanh chóng, đặc biệt là trên không và trên biển. Trung Quốc cũng đã đạt được những bước tiến lớn trong việc phát triển các năng lực không gian mạng và tập trung vào khả năng làm suy giảm hoặc phá vỡ công nghệ quân sự quan trọng của Mỹ, cũng như nhắm vào cơ sở hạ tầng dân sự. Ngoài việc trở thành một thách thức đối với quân đội Hoa Kỳ và các đồng minh của họ, các hoạt động của Trung Quốc trong không gian mạng có khả năng làm suy thoái các thể chế chính trị và kinh tế của Hoa Kỳ và cơ sở hạ tầng thông tin toàn cầu đang gặp rủi ro.
Nếu một học sinh trung học sử dụng đoạn văn trên, giáo viên chắc chắn sẽ nghi ngờ. Nhưng nếu điều này diễn ra ở cấp đại học hoặc sau đại học, thì sẽ khó bị phát hiện hơn nhiều.
Nhưng vẫn có một số công cụ hỗ trợ học tập được chấp nhận. Khi viết bài, học sinh, sinh viên hoàn toàn có thể sử dụng tiêu chuẩn của Microsoft Word để kiểm tra lỗi ngữ pháp lẫn lỗi trình bày nếu có. Các ứng dụng như Grammarly giúp viết câu hay hơn và sửa lỗi. Google Tài liệu hoàn thành các câu trong bản nháp và email.
Vì vậy, ranh giới giữa việc sử dụng công cụ hỗ trợ và gian lận vẫn còn mờ nhạt.
Các nhà khoa học cho biết việc quét não có thể đánh giá, dự đoán kết quả học tập của học sinh chính xác hơn việc thi cử, chấm điểm.
Theo nghiên cứu gần đây trên tạp chí Science Advances, các bài kiểm tra và điểm số thông thường mà trường học sử dụng có thể đánh giá việc học kém chính xác hơn so với quét não.
Nghiên cứu này được thực hiện bởi nhóm nghiên cứu từ 7 tổ chức dưới sự chỉ đạo của các nhà khoa học thần kinh tại Đại học Georgetown. Nó có thể không chỉ thay đổi cách các nhà giáo dục thiết kế chương trình giảng dạy mà còn tiết lộ mối liên hệ tiềm ẩn trong trí óc con người.
“Từ lâu, các nhà tâm lý học và triết học đã tranh luận liệu tư duy không gian, giống như hình ảnh tinh thần của các đối tượng, có thực sự ẩn bên dưới suy nghĩ bằng lời hay không”, Adam Green, tác giả lâu năm của cuộc nghiên cứu, phó giáo sư khoa Tâm lý thuộc Đại học Khoa học và Nghệ thuật Georgetown, giải thích.
Ông cho biết: “Nếu điều này là đúng, việc dạy học sinh cải thiện kỹ năng tư duy không gian sẽ thúc đẩy khả năng suy luận bằng lời nói của họ”.
Các nhà nghiên cứu đã khảo sát khóa học khoa học về không gian được giảng dạy tại các trường trung học công lập ở Virginia. Những khóa học này tập trung vào kỹ năng tư duy về không gian như tạo bản đồ và xem xét cách thiết kế lại thành phố để sử dụng ít năng lượng hơn.
Kết quả chụp cộng hưởng từ (MRI) cho thấy não bộ học sinh thay đổi khi họ tham gia khóa học. Những thay đổi này được so sánh với các phương pháp đo lường thông thường về học tập như điểm kiểm tra.
Thay đổi ở não là yếu tố dự đoán chính xác hơn về việc học. Trong đó, có một hình thức học gọi là “chuyển giao xa”, xảy ra khi có sự chuyển giao kiến thức và kỹ năng của người học từ bối cảnh được dạy sang bối cảnh khác. Phương pháp này giúp học sinh hoàn thành các bài tập khi thậm chí họ không được dạy cách làm.
Đối với các nhà giáo dục, chuyển giao xa là hình thức khó thực hiện vì nó rất khó đo lường bằng các kỳ thi truyền thống.
Mô hình tư duy rất quan trọng đối với những khóa học có tính thực tiễn cao. Ảnh: Imperial
Mô hình tư duy rất quan trọng đối với những khóa học có tính thực tiễn cao. Ảnh: Imperial
Tạo mô hình trong trí não
Phát hiện của nhóm ủng hộ cho Lý thuyết Mô hình Tư duy (Mental Model Theory – MMT). Thuyết này đặt ra khi con người nắm bắt ngôn ngữ nói hoặc viết, trí óc sẽ “không gian hóa” thông tin này. Lý thuyết dựa trên cơ sở hệ thống trong não được phát triển ban đầu để giúp tổ tiên linh trưởng nhanh chóng xem xét những cảnh quan phức tạp.
Khi các nhà nghiên cứu đánh giá khả năng suy luận bằng lời nói, từ trong câu thay vì các đối tượng trên bản đồ, họ nhận thấy những cải thiện rõ rệt ở học sinh đã tham gia khóa học trên. Hơn nữa, học sinh có tư duy không gian càng tốt, khả năng suy luận bằng lời nói càng được cải thiện.
“Những phát hiện này chứng minh MMT có thể là cơ sở quan trọng cho sự chuyển giao xa trong nền giáo dục tập trung vào thực tiễn. Nghiên cứu không chỉ cung cấp hiểu biết về cách giáo dục thay đổi bộ não mà còn tiết lộ hiểu biết quan trọng về bản chất của trí óc”, TS tâm lý học Robert Cortes, tác giả chính, cho biết.
Ông nói thêm lập luận bằng lời nói là một trong những công cụ mạnh mẽ nhất mà quá trình tiến hóa của loài người tạo ra. Vị chuyên gia cho rằng việc kết hợp giữa khoa học thần kinh và giáo dục để hiểu rõ hơn về cách bộ não con người học cách suy luận rất thú vị. Ông hy vọng có thể tận dụng phát hiện này để cải thiện khả năng suy luận của con người rộng rãi hơn.
Nhóm nghiên cứu phát hiện thay đổi trong trung tâm xử lý không gian trong não của học sinh, đặc biệt vỏ não sau. Nó có thể dự đoán chính xác nhất cải thiện trong lập luận bằng lời nói. Điều này cung cấp thêm bằng chứng về MMT trong não.
Sáng tạo chương trình giảng dạy dựa trên quét não
Các cuộc tranh luận về mô hình tư duy đã xảy ra từ lâu, nhưng một trong những cuộc tranh luận gay gắt nhất trong bối cảnh giáo dục hiện đại là liệu khoa học thần kinh có thể cải thiện việc dạy và học trong trường học không.
Việc tích hợp khoa học thần kinh với giáo dục tuy hiệu quả nhưng chi phí cao và tốn nhiều thời gian. Ảnh: Blog.radiology.virginia
Việc tích hợp khoa học thần kinh với giáo dục tuy hiệu quả nhưng chi phí cao và tốn nhiều thời gian. Ảnh: Blog.radiology.virginia
Mặc dù đầy hứa hẹn về mặt lý thuyết, nỗ lực tích hợp khoa học thần kinh với giáo dục đối mặt nhiều thách thức trong thực tế. Một trong những rào cản lớn là công cụ khoa học thần kinh, như quét MRI, đắt tiền và tốn thời gian. Vì vậy, chúng khó có thể áp dụng ở quy mô lớn trong chính sách giáo dục thực tiễn.
“Chúng tôi không thể quét não của mọi đứa trẻ và sẽ thực sự là một ý tưởng tệ hại nếu làm điều đó ngay cả khi có thể”, Adam Green, giảng viên của Chương trình liên ngành về Khoa học thần kinh, cho biết.
Các nhà phê bình từ lâu đã bày tỏ lo ngại liệu những gì khoa học thần kinh cung cấp thực sự có thể cho nhà giáo dục biết điều gì đó mà họ không thể tìm ra bằng cách sử dụng giấy, bút truyền thống hoặc các bài kiểm tra trên máy tính không.
Phát hiện mới của nhóm nghiên cứu chỉ ra cách mới để tích hợp khoa học thần kinh với giáo dục giúp vượt qua thách thức này. Thay vì tập trung vào bộ não của từng học sinh, nghiên cứu tập trung vào chương trình học.
Kết quả cho thấy hình ảnh não bộ có thể phát hiện thay đổi đi kèm với việc học chương trình cụ thể trong các lớp học thế giới thực. Ngoài ra, những thay đổi não này có thể được sử dụng để so sánh các chương trình giảng dạy khác nhau.
Ông Green nói: “Việc phát triển chương trình giảng dạy có thể diễn ra ở quy mô nhỏ mà khoa học thần kinh có thể đáp ứng một cách thực tế. Vì vậy, nếu có thể tận dụng công cụ hình ảnh thần kinh để xác định phương pháp giảng dạy mang lại hiệu quả chuyển giao tốt nhất, chương trình học có thể được giáo viên và hệ thống trường học áp dụng rộng rãi. Chương trình học có thể tăng cường, nhưng hình ảnh thần kinh không nhất thiết phải tăng thêm”.
Học sinh trong chương trình học về không gian có sự thay đổi não bộ mạnh mẽ hơn học sinh học trong chương trình khoa học tiên tiến khác. Thay đổi này dường như cho thấy não có thể áp dụng chương trình học không gian rất linh hoạt. Đây là điều mà bài kiểm tra truyền thống về kỹ năng cụ thể có lẽ không nắm bắt được đầy đủ.
Đặc biệt, nghiên cứu cung cấp bằng chứng cho thấy quan điểm bên trong mà khoa học thần kinh cung cấp có thể cho các nhà giáo dục hiểu biết sâu sắc về phương pháp học chuyển giao xa.
Theo TS Cortes, nghiên cứu này là ví dụ tuyệt vời về sứ mệnh của khoa học thần kinh trong việc kết nối thần kinh với các lĩnh vực lân cận thông qua khoa học.
“Chúng tôi hy vọng sẽ sử dụng dữ liệu này để thuyết phục các nhà hoạch định chính sách tăng cường khả năng tiếp cận với loại hình giáo dục không gian”, TS Cortes nói.
Thời gian qua, đại dịch Covid-19 diễn biến phức tạp, phương thức giảng dạy trực tuyến trở nên thông dụng. Và ngay cả trong bối cảnh bình thường mới, một số các buổi học và họp trực tuyến vẫn được duy trì. Các trường đại học trên cả nước nói chung và Học viện Ngân hàng nói riêng đã áp dụng các phần mềm tiện ích như Zoom Meeting, Google Meeting, Hangouts Meets, Google Classroom… nhằm giúp giảng viên và sinh viên có thể trao đổi với nhau một cách dễ dàng nhất, nội dung kiến thức bài học sẽ được giảng viên chia sẻ và giải đáp thắc mắc một cách tốt nhất. Khi giảng viên và sinh viên không giao tiếp trực tiếp mặt đối mặt, sinh viên khó trao đổi thông tin trực tiếp, giảng viên cũng khó quan sát được cảm xúc và mức độ tập trung của sinh viên nên hiệu quả học tập chưa cao.
Mức độ tiếp thu của người học có sự tác động không nhỏ từ môi trường học tập như: Yêu cầu của giảng viên, yêu cầu của môn học, nội dung học tập, khả năng truyền đạt kiến thức của giảng viên… có thể tác động gây ra cảm giác chán nản, tức giận hay khó chịu (biểu hiện gần của stress). Đo lường và đánh giá mức độ cảm xúc của người học trong quá trình học tập có thể coi là hoạt động cần thiết và quan trọng, giúp người dạy biết được tâm lý người học khi mà điều kiện học tập trực tuyến rất khó để nhận biết. Điều này sẽ giúp người dạy điều tiết quá trình giảng dạy, làm giảm mức độ căng thẳng trong học tập của người học giúp người học tiếp thu hiệu quả hơn. Không chỉ vậy, đây cũng có thể được coi là kênh thông tin để đo lường hoạt động giảng dạy của giảng viên.
Với mục đích nâng cao hiệu quả dạy và học, nhóm tác giả tiến hành nghiên cứu “Mô hình phát hiện cảm xúc khuôn mặt nhằm đánh giá mức độ “hài lòng” của sinh viên Học viện Ngân hàng khi tham gia học trực tuyến” sử dụng trong quá trình giảng dạy, giúp giảng viên có thể điều chỉnh lại hoạt động giảng dạy sao cho phù hợp và thúc đẩy hiệu quả của quá trình giảng dạy và học tập. Nhóm tác giả đã thu thập hình ảnh của sinh viên Học viện Ngân hàng khi tham gia học trực tuyến qua phần mềm Zoom Meeting để làm dữ liệu huấn luyện và kiểm thử mô hình.
2. Bài toán phát hiện cảm xúc
Cùng với sự phát triển của xã hội, nhu cầu thu thập phản hồi của khách hàng và lựa chọn giải pháp phù hợp nhất để thực hiện nó là điều cần quan tâm. Đánh giá cảm xúc tự động đặc biệt quan trọng với một số lĩnh vực như: Người máy, tiếp thị, giáo dục và công nghiệp giải trí. Ứng dụng của đánh giá cảm xúc tự động nhằm đạt được các mục tiêu khác nhau trong các lĩnh vực khác nhau như: Trong lĩnh vực người máy nhằm để tạo ra các Robot hợp tác hoặc các dịch vụ thông minh có thể tương tác với con người; trong lĩnh vực tiếp thị, với mục đích tạo ra các quảng cáo chuyên biệt dựa trên trạng thái cảm xúc của khách hàng; trong lĩnh vực giáo dục nhằm cải thiện quá trình học tập, chuyển giao kiến thức và nhận thức; trong công nghiệp giải trí nhằm đề xuất các sản phẩm giải trí phù hợp nhất với khách hàng mục tiêu…
Việc đánh giá cảm xúc được coi là quá trình phân loại và thiết lập ranh giới giữa cảm xúc và tâm trạng. Các nghiên cứu của Feidakis, Daradoumis và Cabella đã đưa ra cách phân loại cảm xúc gồm 66 cảm xúc chia thành hai nhóm: Mười cảm xúc cơ bản như tức giận, mong đợi, không tin tưởng, sợ hãi, hạnh phúc, niềm vui, tình yêu, nỗi buồn, sự ngạc nhiên, tin tưởng và 56 cảm xúc thứ cấp. Để đánh giá một lượng cảm xúc khổng lồ như vậy là điều vô cùng khó khăn, đặc biệt là nếu cần phải nhận dạng và đánh giá tự động. Hơn nữa, những cảm xúc tương tự có thể có các thông số trùng lặp, được đo lường. Để xử lý vấn đề này, phần lớn các nghiên cứu về đánh giá cảm xúc tập trung vào các phân loại khác, chủ yếu là giảm số chiều cảm xúc, trong hầu hết trường hợp là giá trị (kích hoạt, tiêu cực, tích cực); kích thích (cao/thấp) và chỉ phân tích các cảm xúc cơ bản dễ dàng xác định.
Các phương pháp đánh giá cảm xúc
Các phương pháp đánh giá cảm xúc có thể được chia thành hai nhóm chính theo các kỹ thuật cơ bản sử dụng để phát hiện cảm xúc: Kỹ thuật tự đánh giá dựa trên bảng hỏi, kỹ thuật đánh giá dựa trên phép đo các thông số khác nhau của cơ thể người, hoặc kết hợp nhiều phương pháp khác nhau để tăng độ tin cậy của kết quả thu được. Tuy nhiên, các phương pháp truyền thống này thường tốn khá nhiều thời gian và công sức để đạt được kết quả như mong muốn. Đặc biệt với kỹ thuật thứ nhất có thể thiếu tính khách quan khi phương pháp phụ thuộc hoàn toàn vào câu trả lời của chủ thể được đo lường cảm xúc. Kỹ thuật thứ hai điển hình với các kỹ thuật điện não đồ, điện tâm đồ, phản ứng da Galvanic, biến thiên nhịp tim, phân tích tỷ lệ hô hấp… nhằm đánh giá cảm xúc của con người là tốn kém về thời gian và công sức.
Phương pháp phát hiện cảm xúc thông qua khuôn mặt
Phát hiện cảm xúc khuôn mặt là bước phát triển tiếp sau của việc phát hiện khuôn mặt, tuy nhiên, có nhiều quan điểm trong việc định nghĩa khái niệm cảm xúc, vốn rất không rõ ràng. Matsumoto phân chia cảm xúc khuôn mặt thành 07 nhóm thể hiện chính: Vui vẻ, ngạc nhiên, hài lòng, buồn bực, cáu giận, phẫn nộ và sợ hãi. Tuy nhiên, nhóm của Mase và Pentland cho rằng chỉ 04 loại cảm xúc được thể hiện một cách rõ ràng là hạnh phúc, ngạc nhiên, giận dữ và căm phẫn, các loại cảm xúc khác thường không rõ ràng và tùy thuộc nhiều vào kinh nghiệm của người quan sát (tức là không thể định lượng một cách chính xác). Do việc định nghĩa khái niệm cảm xúc không rõ ràng, nên việc đánh giá chất lượng các phương pháp phát hiện cảm xúc tùy thuộc vào tập dữ liệu huấn luyện và kiểm tra. Trong bài viết này, chúng tôi thử nghiệm kiến trúc Deep Learning dựa trên nhiều lớp tích chập (ConvNet) để phát hiện cảm xúc khuôn mặt. Dữ liệu thu được từ Camera của phần mềm Zoom Meeting chụp mặt của các sinh viên trong buổi học với nhiều trạng thái khác nhau, sau đó dữ liệu được chuyển vào xử lý với đầu ra xác suất (Softmax), trả về xác suất của 03 loại cảm xúc do hệ thống tính toán được. (Mô hình 1)
Mô hình 1: Phát hiện cảm xúc thông qua khuôn mặt
Mô hình truyền thống
Phương pháp hiện đại
Tiền xử lý ảnh: Trước hết, phải xử lý một số vấn đề của ảnh đầu vào hệ thống, xử lý trước quá trình Trainning. Các bước thực hiện: Căn chỉnh để phát hiện khuôn mặt, tăng dữ liệu hình ảnh đảm bảo đủ dữ liệu Training, cuối cùng là chuẩn hóa dữ liệu khuôn mặt. Sử dụng các phương pháp CNN, DBN, DAE, RNN, GAN…
Phân loại: Trong phương pháp truyền thống, bước trích xuất đặc trưng và bước phân loại tính năng là độc lập với nhau, trong Deep Learning có thể thực hiện theo thuật ngữ FER từ đầu đến cuối. Một lớp hình ảnh được thêm vào cuối mạng để điều chỉnh lỗi lan truyền ngược, sau đó xác suất dự đoán của từng mẫu có thể được mạng trực tiếp xuất ra.
3. Mạng nơ-ron tích chập
Mạng nơ-ron tích chập (Convolutional Neural Network – CNNs) là một loại mạng nơ-ron nhân tạo (ANN), hiệu quả trong các tác vụ hình ảnh khác nhau, bao gồm phân loại hình ảnh, phân đoạn hình ảnh, truy xuất hình ảnh, phát hiện đối tượng, nhận dạng khuôn mặt, ước lượng tư thế, nhận dạng biển báo giao thông, xử lý giọng nói…
Mạng nơ-ron tích chập ngày càng được quan tâm trong những năm gần đây, tuy nhiên, sự phát triển của nó bắt đầu sớm hơn nhiều. Nghiên cứu trong những thập niên 1950 và 1960 của D.H Hubel và T.N Wiesel trên não của động vật đã đề xuất một mô hình mới cho cách mà động vật nhìn nhận thế giới. Trong nghiên cứu, tác giả đã diễn tả 02 loại tế bào nơ-ron trong não và cách hoạt động khác nhau: Tế bào đơn giản (Simple cell – S cell) và tế bào phức tạp (Complex cell – C cell). Các S cell được kích hoạt khi nhận diện các hình dáng đơn giản như đường nằm trong một khu vực cố định và một góc cạnh của nó. Các C cell có vùng tiếp nhận lớn hơn và đầu ra của nó không nhạy cảm với những vị trí cố định trong vùng. Trong thị giác, vùng tiếp nhận của một nơ-ron tương ứng với một vùng trên võng mạc, nơi sẽ kích hoạt nơ-ron tương ứng. Năm 1980, Fukushima đề xuất mô hình mạng nơ-ron có cấp bậc gọi là Neocognitron. Mô hình này dựa trên khái niệm về S cell và C cell. Mạng Neocognitron có thể nhận diện mẫu dựa trên việc học hình dáng của đối tượng. Sau đó vào năm 1998, mạng nơ-ron tích chập được giới thiệu bởi Bengio, Le Cun, Bottou và Haffner. Mô hình đầu tiên của họ được gọi tên là LeNet-5. Mô hình này có thể nhận diện chữ số viết tay.
CNNs được thiết kế để xử lý dữ liệu dưới dạng nhiều mảng, ví dụ, một hình ảnh màu bao gồm ba mảng 2D chứa cường độ pixel trong các kênh ba màu. Họ sử dụng các bộ lọc chập của mình để trích xuất thông tin từ hình ảnh, các lớp trước đó phát hiện các cạnh, các lớp sau có thể phát hiện một phần của đối tượng, thậm chí các lớp sau có thể phát hiện các đối tượng hoàn chỉnh, chẳng hạn như khuôn mặt hoặc các hình dạng hình học phức tạp khác. CNNs được cấu tạo bởi một tập hợp các lớp bao gồm: Lớp tích chập; lớp lấy mẫu (Pooling); lớp kết nối đầy đủ (Fully connected). Các lớp này liên kết với nhau theo một thứ tự nhất định. Thông thường, một hình ảnh sẽ được lan truyền qua lớp tích chập đầu tiên, sau đó các giá trị tính toán được sẽ lan truyền qua lớp lấy mẫu, lớp tích chập và lớp lấy mẫu có thể được lặp lại nhiều lần trong mạng. Và sau đó được lan truyền qua kết nối đầy đủ để tính xác suất ảnh đó chứa vật thể gì.
Lớp tích chập
Phép toán tích chập là một trong những nền tảng cơ bản của mạng nơ-ron tích chập. Tích chập được thực hiện trên giá trị đầu vào của dữ liệu và ma trận lọc (kernel), bộ lọc (filter) (thuật ngữ này được sử dụng khác nhau tùy tình huống) để tạo ra một bản đồ đặc trưng (feature map). Thực hiện phép tích chập bằng cách trượt kernel/filter theo dữ liệu đầu vào. Tại mỗi vị trí, tiến hành phép nhân ma trận và tính tổng các giá trị để đưa vào bản đồ đặc trưng. Trong thực tế, tích chập được thực hiện hiện trên không gian 3 chiều. Mỗi hình ảnh được biểu diễn dưới dạng 3 chiều: Rộng, cao và sâu. Chiều sâu ở đây chính là giá trị màu sắc của hình (RGB).
Thực hiện phép tích chập trên đầu vào nhiều lần khác nhau, mỗi lần sử dụng một kernel/filter khác nhau. Kết quả ta sẽ thu được những bản đồ đặc trưng khác nhau. Cuối cùng, ta kết hợp toàn bộ bản đồ đặc trưng này thành kết quả cuối cùng của tầng tích chập.
Trong quá trình trượt kernel/filter trên dữ liệu đầu vào, quy định một bước nhảy (stride) với mỗi lần di chuyển, thể hiện số pixel cần phải dịch chuyển mỗi khi trượt filter qua bức ảnh. Khi stride = 1, thì mỗi lần dịch kernel/filter sẽ sang phải 1 pixel, khi hết cạnh biên phải thì xuống 01 dòng và dịch tiếp. Còn nếu stride = 2 thì mỗi lần dịch sẽ sang phải 2 pixel, khi hết cạnh thì xuống 02 dòng. Thông thường người ta lựa chọn bước nhảy là 1.
Khi áp dụng phép tích chập thì ma trận đầu vào sẽ có kích thước nhỏ dần đi, do đó số lớp của mô hình CNN sẽ bị giới hạn, nên ta cần một phép xử lý đầu vào để đầu ra không bị co giãn. Đơn giản ta chỉ cần thêm một lề nhỏ vào đầu vào. Một lề với giá trị 0 sẽ được thêm vào xung quanh đầu vào trước khi thực hiện phép tích chập.
Kích thước đầu ra được tính theo công thức:
Trong đó: n là số filter/kernel, p là kích thước khoảng trắng phía ngoài viền của ảnh đầu vào, f là kích thước và s là bước trượt của filter/kernel.
Tương tự như mạng nơ-ron thông thường, CNNs sử dụng một hàm kích hoạt (Activate function) để có đầu ra dưới dạng phi tuyến. Đầu ra của phép tích chập sẽ đi qua hàm kích hoạt nào đó như hàm ReLU (Rectified linear units)… để giới hạn phạm vi biên độ cho phép của giá trị đầu ra. Hình 1 thể hiện một hàm phi tuyến ReLU theo sau lớp tích chập. Hàm ReLU thường được chọn do cài đặt đơn giản, tốc độ xử lý nhanh mà vẫn đảm bảo được tính toán hiệu quả. Phép tính toán của hàm ReLU chỉ đơn giản là chuyển tất cả các giá trị âm thành giá trị 0. Lớp ReLU được áp dụng ngay phía sau lớp tích chập, với đầu ra là một ảnh mới có kích thước giống với ảnh đầu vào, các giá trị điểm ảnh cũng hoàn toàn tương tự, trừ các giá trị âm đã bị loại bỏ.
Hình 1. Một lớp tích chập
Lớp lấy mẫu
Lớp lấy mẫu đặt sau lớp tích chập để làm giảm kích thước ảnh đầu ra trong khi vẫn giữ được các thông tin quan trọng của ảnh đầu vào. Việc giảm kích thước dữ liệu có tác dụng làm giảm được số lượng tham số cũng như tăng hiệu quả tính toán. Lớp lấy mẫu cũng sử dụng một cửa sổ trượt để quét toàn bộ các vùng trong ảnh như lớp tích chập và thực hiện phép lấy mẫu thay vì phép tích chập, chọn lưu lại một giá trị duy nhất đại diện cho toàn bộ thông tin của vùng ảnh đó. (Hình 2)
Hình 2. Lớp lấy mẫu
Lớp lấy mẫu được sử dụng phổ biến nhất là kích thước bộ lọc 2 với bước nhảy 2. Có 02 phương thức lấy mẫu thường được sử dụng nhất hiện nay, đó là Max Pooling (lấy giá trị điểm ảnh lớn nhất) và Avarage Pooling (lấy giá trị trung bình của các điểm ảnh trong vùng ảnh cục bộ).
Lớp kết nối đầy đủ
Lớp cuối cùng trong mạng CNNs là lớp kết nối đầy đủ, phần này hoạt động tương tự như mạng nơ-ron thông thường. Các lớp được kết nối đầy đủ thường là một vài lớp cuối cùng của được thể hiện như trong Hình 3. Lớp kết nối đầy đủ chứa cùng số lượng nơ-ron đầu ra với số lớp được nhận dạng.
Hình 3. Lớp kết nối đầy đủ
4. Phát hiện cảm xúc tích cực và tiêu cực của sinh viên trong học tập trực tuyến
Tập dữ liệu gồm: 1.000 ảnh (với 580 ảnh có cảm xúc tích cực và 420 ảnh có cảm xúc tiêu cực) ảnh được thu thập từ các ảnh chụp sinh viên Học viện Ngân hàng thông qua giao diện màn hình của phần mềm trực tuyến Zoom.
– Tập huấn luyện: Chiếm 60% dùng để học khi huấn luyện.
– Tập kiểm chứng: Chiếm 20% dùng để kiểm chứng mô hình huấn luyện.
– Tập kiểm tra: Chiếm 20% dùng để kiểm tra mô hình đã phù hợp sau khi huấn luyện.
Độ chính xác của mô hình thu được là 93.54%.
5. Kết luận và hướng phát triển
Mô hình 2: Mô hình thực hiện
Phát hiện cảm xúc tích cực và tiêu cực của người học trong quá trình học tập có vai trò quan trọng trong việc điều chỉnh hoạt động giảng dạy nhằm thu được hiệu quả cho quá trình này. Phương pháp phát hiện và đánh giá cảm xúc tự động thông qua nhận diện khuôn mặt là giải pháp khả thi về mặt kỹ thuật và thời gian cũng như đảm bảo tính khách quan. Việc ứng dụng phương pháp đánh giá cảm xúc thông qua khuôn mặt cho quá trình giảng dạy trực tuyến là rất khả quan và đem lại hiệu quả trong việc cải tiến quá trình giảng dạy của người dạy với mục đích làm giảm stress cho người học, điều này sẽ giúp nâng cao hiệu quả giảng dạy trực tuyến. Ảnh khuôn mặt của sinh viên sẽ được thu thập tự động qua phần mềm Zoom sau mỗi giờ học với số lượng nhất định, sử dụng làm đầu vào hệ thống để thu được kết quả đánh giá cảm xúc tích cực và tiêu cực chung của sinh viên, từ đó đưa ra kết quả giờ giảng của giảng viên có ảnh hưởng tích cực hay tiêu cực. Trên cơ sở đó, người giảng sẽ tiếp tục phát huy hoặc điều chỉnh phương án giảng dạy cho phù hợp. Với mong muốn tiếp tục đẩy mạnh hiệu quả hoạt động giảng dạy, hệ thống có thể phát triển để đánh giá cảm xúc tích cực và tiêu cực của từng sinh viên giúp các giảng viên, cố vấn học tập có thể trợ giúp, tư vấn học tập cho sinh viên kịp thời, đảm bảo quá trình học tập có thể diễn ra được đúng kế hoạch.
Bên cạnh việc phát hiện cảm xúc tích cực và tiêu cực của sinh viên Học viện Ngân hàng trong quá trình học trực tuyến thì mô hình này cũng có thể áp dụng cho các ngân hàng. Với dữ liệu đầu vào là ảnh của khách hàng khi đến phòng giao dịch, được thu thập qua các camera giám sát, đưa qua mô hình có thể phát hiện cảm xúc hài lòng hay không hài lòng của khách hàng khi sử dụng dịch vụ, từ đó, ngân hàng nắm bắt được tâm trạng của khách hàng, họ có thể đưa ra phân tích và giải pháp phù hợp nhằm mang lại trải nghiệm cá nhân hóa, phục vụ khách hàng tốt hơn.
THƯ MỜI VIẾT BÀI HỘI THẢO KHOA HỌC QUỐC GIA “Phân tích định lượng các vấn đề kinh tế và xã hội trong môi trường số – Lần thứ hai”
Kính gửi: – Các lãnh đạo doanh nghiệp trong các lĩnh vực công nghiệp, công nghệ và dữ liệu, – Các chuyên gia kinh tế, quản trị kinh doanh, nhà hoạch định chính sách, – Các nhà khoa học, giảng viên, nhà nghiên cứu,
Việt Nam là một trong những quốc gia có nền kinh tế phát triển với tốc độ nhanh chóng nhờ thực hiện công cuộc Chuyển đổi số toàn dân, toàn diện với 3 trụ cột chính: Chính phủ số, Kinh tế số và Xã hội số. Sự dịch chuyển và thay đổi theo hướng số hóa nhanh giúp Việt Nam phát triển kinh tế số ngày càng mạnh. Đại dịch Covid-19 đã tạo ra cú hích cộng hưởng để hành trình chuyển đổi số diễn ra nhanh hơn. Mặc dù đã đạt được một số thành công nhất định trong phát triển kinh tế số nhưng so với khu vực và thế giới, thành tựu của Việt Nam vẫn còn rất khiêm tốn. Để đạt được mục tiêu đến năm 2030, giá trị của kinh tế số chiếm 30% GDP, chúng ta cần thực hiện đồng bộ các giải pháp trên nhiều lĩnh vực. Một trong những giải pháp cấp bách là đào tạo nguồn nhân lực nhằm đáp ứng nhu cầu chuyển đổi kinh tế số.
Nối tiếp thành công của Hội thảo “Phân tích định lượng các vấn đề kinh tế và xã hội trong môi trường số – Lần thứ nhất”, ba đơn vị gồm: Trường Đại học Hà Nội, Trường Đại học Thương mại, Học viện Chính sách và Phát triển phối hợp đồng tổ chức Hội thảo khoa học cấp Quốc gia “Phân tích định lượng các vấn đề kinh tế và xã hội trong môi trường số – Lần thứ 2”. Hội thảo là diễn đàn để các nhà khoa học, các nhà nghiên cứu, các chuyên gia, các giảng viên và các lãnh đạo doanh nghiệp tiếp tục trao đổi, chia sẻ kết quả nghiên cứu và kinh nghiệm về phát triển các công cụ định lượng trong giải quyết các vấn đề kinh tế – xã hội trong giai đoạn mới, đặc biệt chú trọng vào nội dung xây dựng, phát triển những chuyên ngành đào tạo tại các trường đại học có mục tiêu cung cấp nguồn nhân lực đáp ứng nhu cầu chuyển đổi số của Quốc gia.
Nội dung của Hội thảo
Ban tổ chức Hội thảo trân trọng kính mời các nhà khoa học, các nhà nghiên cứu, các chuyên gia, các giảng viên và các lãnh đạo doanh nghiệp viết bài và tham dự Hội thảo. Bài viết khoa học tập trung (nhưng không giới hạn) vào các chủ đề chính sau đây: (1) Tổng quan lý thuyết về các phương pháp phân tích định lượng nghiên cứu kinh tế – xã hội trong môi trường số; (2 Nghiên cứu về quản trị doanh nghiệp, hiệu quả hoạt động, phân tích chiến lược chuyển đổi số, marketing số và du lịch bền vững; (3) Nghiên cứu về tài chính, kế toán doanh nghiệp, vốn hóa thị trường trong môi trường số ; (4) Nhu cầu nhân lực ngành Kinh tế số; Triển vọng, cơ hội và thách thức trong đào tạo ngành Kinh tế số; (5) Kinh nghiệm xây dựng đội ngũ giảng viên, chương trình đào tạo đáp ứng tiêu chuẩn kiểm định chất lượng ngành Kinh tế số; (6) Ứng dụng các công cụ Toán trong phân tích các vấn đề kinh tế và xã hội; (7) Các công cụ để quản trị và xử lý dữ liệu lớn trong các tổ chức và doanh nghiệp; (8) Phân tích dữ liệu lớn và ứng dụng trong kinh tế, kinh doanh; (9) Hoặc những nội dung khác có liên quan đến chủ đề Hội thảo.
Đơn vị, thời gian và địa điểm tổ chức
– Đơn vị chủ trì: Trường Đại học Hà Nội. – Đơn vị đồng tổ chức: Trường Đại học Thương mại, Học viện Chính sách và Phát triển. – Thời gian tổ chức (dự kiến): Thứ Năm ngày 15/12/2022. – Địa điểm tổ chức: Trực tiếp tại Trường Đại học Hà Nội (Km9, đường Nguyễn Trãi, phường Trung Văn, quận Nam Từ Liêm, thành phố Hà Nội), kết hợp trực tuyến trên nền tảng MS Team/ Zoom webinar.
Ngôn ngữ, quy cách trình bày toàn văn bài viết
– Ngôn ngữ: Tiếng Việt.
– Quy cách trình bày: file định dạng đính kèm trong LINK-NÀY
Thời hạn, địa chỉ nhận bài viết
– Thời hạn nhận toàn văn bài viết: Ngày 10/10/2022.
– Thông báo kết quả thẩm định bài viết: Ngày 30/10/2022. – Ngày nhận lại bài viết sau chỉnh sửa: Ngày 10/11/2022. – Địa chỉ nhận toàn văn bài viết qua email: hoithao.ptdl@tmu.edu.vn. Bài viết không trùng lặp với các nghiên cứu trước được chấp nhận sau khi phản biện sẽ được biên tập và đăng toàn văn trong Kỷ yếu Hội thảo khoa học Quốc gia có giấy phép xuất bản và mã số ISBN.
Lệ phí tham gia Hội thảo
– Lệ phí tham dự và đăng bài: Miễn phí. – Kinh phí đi lại, lưu trú của đại biểu trong thời gian tham dự Hội thảo do cơ quan cử đi chi trả hoặc cá nhân tự túc. Mọi thông tin chi tiết về Hội thảo, vui lòng liên hệ Ban thư ký Hội thảo: – ThS Phạm Thị Mỹ Phương, Trường Đại học Hà Nội, SĐT: 0949.907.157; – TS Nguyễn Thu Thủy, Trường Đại học Thương mại, SĐT: 0916.009.917; – TS Nguyễn Hữu Xuân Trường, Học viện Chính sách và Phát triển, SĐT: 0982.239.982.
Ban tổ chức Hội thảo kính mời và mong nhận được sự quan tâm, tham gia viết bài của các nhà khoa học, các nhà nghiên cứu, các chuyên gia, các giảng viên và các lãnh đạo doanh nghiệpđể Hội thảo được tổ chức thành công tốt đẹp. Trân trọng!
Thời gian: 8:00-11:30, thứ 3, ngày 12/4/2022 Hình thức: Trực tiếp tại Đại học Thương mại và trực tuyến qua Zoom. Link đăng ký: https://bit.ly/3tIbtcv Tóm tắt báo cáo: https://bit.ly/3tTGmLv
This courses introduces foundations and state-of-the-art machine learning challenges in genomics and the life sciences more broadly. We introduce both deep learning and classical machine learning approaches to key problems, comparing and contrasting their power and limitations. We seek to enable students to evaluate a wide variety of solutions to key problems we face in this rapidly developing field, and to execute on new enabling solutions that can have large impact. As part of the subject students will implement solutions to challenging problems, first in problem sets that span a carefully chosen set of tasks, and then in an independent project. Students will program using Python 3 and TensorFlow 2 in Jupyter Notebooks, a nod to the importance of carefully documenting your work so it can be precisely reproduced by others.
Tutorials for TensorFlow, NumPy, Google Cloud, and Jupyter notebooks
We collected a series of pointers to tutorials on NumPy, TensorFlow, Google Cloud and Conda here. We also provide a Quickstart tutorial to set up essential environment and tools for you to work on problem set 0 and problem set 1.
Prerequisites
You should be comfortable with calculus, linear algebra, (Python) programming, probability, and introductory molecular biology. This will be a fast paced course, and it is targeted towards students that are both mathematically and computational capable. There are many other subjects at MIT that teach overviews of computational biology that are less demanding, we would be happy to recommend other options if you find this subject is not what you desire.
Class meeting times
Lecture: TR1-2.30
Recitation: F3-4
Mentoring Session: F4-5
Contact
You should feel free to contact the lecturer and the TAs about any questions through 6.874staff@mit.edu. The best way to get detailed questions answered is to attend TA office hours and recitation or post them on Piazza.
Grading will be based upon five programming-intensive problem sets (30%), a quiz (25%), a project (35%), and participation plus one day of lecture scribing (10%). Attendance in lecture is important as the class moves quickly and you will need to be present. For students enrolled in one of the graduate versions of this class (6.874, 20.490, and HST.506) there will be an extra section on some problem sets. You can use three late days for problem set deadlines (or email the course staff).
Lecture Scribing
If you are enrolled in this course for credit, you are requiured to scribe for one lecture.
The requirements for lecture scribing are as follows:
On the day of lecture you may take notes however you like. Lectures will be recorded, so asynchronous participation is fine.
During the week after lecture, we ask that you work with everyone assigned to scribe your lecture to compile a finalized set of notes that summarize the key points of the lecture, explain important equations, images and plots, illustrate or describe relevant things that were written on the board, and describe any important questions & answers between student and professor that were exchanged. The end goal is for you to generate a compact resource which you and your classmates can use to glean the important material from your lecture. The finalized notes should generally adhere to and extend from the structure outlined by the headings at the beginning of the notes template.
The notes template and finished scribed notes may be found here.
Let the course staff know you are finished compiling the notes by sending an email to 6.874staff@mit.edu. The deadline for completing the notes will be end-of-day one week after your lecture (e.g. notes from a lecture on 2/18 will be due on 2/25 @ 11:59 PM).
Project
This subject has a substantial project component. We strongly recommend working on projects in team of 2-3 students, but if there’s a strong justification, we can consider exceptions. You are free to choose any problem in the life sciences related to the lectures of the course, and develop a deep learning solution using the subject’s methodologies or cloud resources. We will have extensive mentoring resources for the students to help provide guidance, access to datasets, and biological insights. We will hold mentoring sessions during which you will have a chance to refine your ideas in consultation with the teaching staff and research mentors for each research area.
Textbook
We will be using the book “Deep Learning” by Goodfellow, Bengio, and Courville. You can find the book online here and here. You can purchase a hard copy at MIT Press or on Amazon.
Another useful book is the Matrix Cookbook, an extensive collection of facts about matrices.MIT – 6.802 / 6.874 / 20.390 / 20.490 / HST.506 Computational Systems Biology: Deep Learning in the Life Sciences – Spring 2019
This is the course material for STAT115/215 BIO/BST282 at Harvard University. All the YouTube videos in this course are organized under the 2021 STAT115 playlist.
Yang Liu Bo Yuan Jack Kang Scarlett Qian Jiazhen Rong Phillip Nicol Maartin De Vries
We thank many colleagues in the community, who helped Dr. Liu in prepare the STAT115/215 BIO/BST282 course over the years. Some of the lecture slides acknowledged their contributions, but these contributors are not individually acknowledged here.
THƯ MỜI VIẾT BÀI HỘI THẢO KHOA HỌC QUỐC GIA Phân tích định lượng các vấn đề kinh tế và xã hội trong môi trường số
Kính gửi: – Các nhà khoa học, giảng viên, nhà nghiên cứu, nhà quản lý – Các chuyên gia kinh tế-xã hội, các nhà hoạch định chính sách – Các lãnh đạo doanh nghiệp trong lĩnh vực công nghệ và dữ liệu
Cuộc cách mạng Công nghiệp lần thứ tư đã đánh dấu sự phát triển vượt bậc, đồng thời công nghệ kỹ thuật số cũng tác động mạnh mẽ của vào tất cả các hoạt động của đời sống xã hội, đặc biệt là trong lĩnh vực kinh tế. Bên cạnh đó, sự biến đổi không dự đoán được của tình hình thế giới như khí hậu, môi trường, dịch bệnh và chính trị đã khiến việc số hóa hầu hết các hoạt động kinh tế và xã hội được đẩy mạnh, với chi phí trở nên tương đối thấp. Các ý tưởng, các cuộc gặp gỡ, các công việc kinh doanh đã có thể diễn ra vòng quanh thế giới một cách dễ dàng, mở ra cơ hội vô cùng lớn cho Việt Nam để thu hẹp khoảng cách phát triển so với thế giới. Quyết định 2289/QĐ-TTg của Thủ tướng Chính phủ về Ban hành Chiến lược quốc gia về Cách mạng công nghiệp lần thứ tư với mục tiêu đến năm 2030, giá trị kinh tế số chiếm 30% GDP. Tuy vậy, việc đo lường đóng góp của kinh tế số trong GDP là công việc khó khăn, phức tạp và nhiều thách thức khi có nhiều khái niệm, quan điểm và cách tiếp cận khác nhau dẫn tới sự khác biệt lớn trong kết quả tính toán quy mô kinh tế số. Chính vì thế, việc nghiên cứu và sử dụng các công cụ định lượng tiên tiến để có thể đo lường các vấn đề kinh tế, xã hội trong môi trường số hiện nay là một nhu cầu vô cùng thiết thực. Nhằm tăng cường trao đổi, chia sẻ những nghiên cứu giữa các chuyên gia, giảng viên và các doanh nghiệp về phát triển các công cụ định lượng trong giải quyết các vấn đề kinh tế – xã hội, Trường Đại học Thương mại phối hợp với Học viện Chính sách và Phát triển tổ chức Hội thảo khoa học cấp quốc gia với chủ đề “Phân tích định lượng các vấn đề kinh tế và xã hội trong môi trường số”.
Nội dung của Hội thảo
Bài viết khoa học của Hội thảo tập trung (nhưng không giới hạn) vào các chủ đề chính sau đây: (1) Tổng quan lý thuyết về các phương pháp phân tích định lượng nghiên cứu kinh tế – xã hội trong môi trường số; (2) Khoa học dữ liệu và ứng dụng trong phát triển kinh tế số, xây dựng xã hội số; (3) Các công nghệ xử lý và phân tích dữ liệu lớn trong hoạt động kinh doanh của doanh nghiệp; (4) Thực trạng, cơ hội và thách thức về đào tạo nhân lực có khả năng phân tích định lượng trong môi trường số; (5) Chia sẻ kinh nghiệm giảng dạy các học phần cung cấp kiến thức, kỹ năng và công cụ phân tích định lượng; (6) Lý luận, kinh nghiệm quốc tế về ứng dụng các phương pháp phân tích định lượng trong kinh tế – xã hội và bài học cho Việt Nam; (7) Nhu cầu thực tiễn và chế độ đãi ngộ đối với nhân lực có khả năng phân tích định lượng trong môi trường số; (8) Hoặc những nội dung khác có liên quan đến chủ đề hội thảo.
Thời gian và địa điểm tổ chức
Thời gian: 07/04/2022 (dự kiến). Địa điểm: Trường Đại học Thương mại – 79 Hồ Tùng Mậu, Cầu Giấy, Hà Nội.
Ngôn ngữ, thời hạn, địa chỉ nhận bài viết
3.1. Ngôn ngữ và quy cách bài viết Ngôn ngữ: Tiếng Việt Quy cách: Bài viết dài từ 08-15 trang A4 (210mm x 297mm), font chữ Times New Roman, cỡ chữ 13, giãn dòng 1.2, lề trái 3.5cm, lề phải 2cm, trên 2cm, dưới 2cm (chi tiết xem file định dạng đính kèm). 3.2. Thời hạn, địa chỉ nhận bài viết – Thời gian nhận bài đến hết ngày: 28/02/2022. – Thời gian gửi kết quả thẩm định bài viết: 15/03/2022. – Thời gian nhận bài sửa sauthẩm định: 22/03/2022. -Địa chỉ nhận bài viết qua email: khoahoc.toan@tmu.edu.vn hoặc khoakinhteso@apd.edu.vn. Bài viết được chấp nhận sau khi phản biện sẽ được biên tập và đăng toàn văn trong Kỷ yếu Hội thảo khoa học Quốc gia có giấy phép xuất bản và mã số ISBN. Mọi thông tin chi tiết về Hội thảo, vui lòng liên hệ Ban thư ký Hội thảo: TS. Nguyễn Thu Thủy (SĐT: 0916.009.917) TS. Nguyễn Hữu Xuân Trường (SĐT: 0982.239.982) ThS. Đàm Thị Thu Trang(SĐT: 0984.822.826) Ban tổ chức Hội thảo kính mời và mong nhận được sự quan tâm, tham gia viết bài của các nhà khoa học, giảng viên, nhà nghiên cứu, … để Hội thảo thành công. Trân trọng!
ĐỒNG TRƯỞNG BAN TỔ CHỨC PHÓ GIÁM ĐỐC HỌC VIỆN CHÍNH SÁCH VÀ PHÁT TRIỂN
TS. Nguyễn Thế Hùng
ĐỒNG TRƯỞNG BAN TỔ CHỨC PHÓ HIỆU TRƯỞNG TRƯỜNG ĐẠI HỌC THƯƠNG MẠI
BỘ VIDEO BÀI GIẢNG TOÁN ỨNG DỤNG CHO KINH TẾ CỦA TRƯỜNG ĐẠI HỌC KINH TẾ LUẬT, ĐHQG HCM
Với 38 video trải rộng trên các môn Kinh tế lượng, Thống kê ứng dụng, Dự báo kinh tế, Phân tích chuỗi thời gian trong tài chính, bạn có thể nắm được nền tảng toán học để học tiếp các môn về Phân tích dữ liệu sử dụng ngôn ngữ lập trình R/ Python. Bộ video được xây dựng bởi khoa Toán Kinh tế.
Những khóa học Machine Learning dưới đây đều được triển khai bởi những trường đại học, viện nghiên cứu hay công ty công nghệ uy tín từ khắp nơi trên thế giới. Hãy nhanh chóng lưu lại, trải nghiệm và chia sẻ cùng cộng đồng công nghệ nhé!
Tổng hợp 08 khóa học miễn phí về Machine Learning
1, Machine Learning with Python: A Practical Introduction (IBM): Khóa học này sẽ là một khởi đầu tuyệt vời dành cho các “newbie” muốn tìm hiểu về học máy. Tại đây, các bạn sẽ được trang bị các thuật toán học có giám sát (supervised learning), bao gồm phân loại và hồi quy, cùng các thuật toán học không giám sát (unsupervised learning), bao gồm phân cụm và giảm chiều. Ngoài ra, một số kiến thức về mối quan hệ giữa mô hình thống kê với học máy, và những ứng dụng thực tế cũng sẽ được giới thiệu trong khóa học.
2, Machine Learning Fundamentals (UCSanDiego): Khóa học sẽ giúp bạn hiểu vai trò của học máy trong việc xây dựng mô hình, dự đoán và ra quyết định theo hướng dữ liệu. Một số nội dung của khóa học bao gồm:
Các thuật toán phân loại, hồi quy và xác suất có điều kiện
Mô hình sinh (Generative models) và mô hình phân biệt (discriminative models)
Mô hình tuyến tính và phi tuyến tính bằng cách sử dụng các phương pháp Kernel
Các phương pháp kết hợp: boosting, bagging, random forests
Kỹ thuật phân cụm, giảm chiều, tự động mã hóa…
3, Machine learning with Python for finance professionals (ACCA): Khóa học tập trung vào việc cung cấp các kỹ năng Python thực tế cho các chuyên gia tài chính, những người muốn tối đa hóa việc sử dụng các công cụ tự động nhằm cải thiện hiệu suất làm việc trong tổ chức. Những nội dung chính của khóa học gồm:
Giới thiệu về Python, từ thiết lập ban đầu đến giải thích các khái niệm cơ bản như các dạng dữ liệu, biến, toán tử, điều khiển luồng và hàm
Sử dụng Python để phân tích dữ liệu
Tự động hóa quy trình làm việc của Excel bằng Python
Các hoạt động cơ bản của mô hình học máy và mối quan hệ của nó với khoa học dữ liệu, Dữ liệu lớn và Trí tuệ nhân tạo.
Các nguyên tắc đằng sau những bài toán học máy như phân loại, hồi quy, phân cụm và học tăng cường
Cách triển khai và phân tích các mô hình như mô hình tuyến tính, kernel, mạng nơ-ron và mô hình đồ họa
Quy trình thực hiện các dự án học máy, từ đào tạo, đánh giá, điều chỉnh tham số đến các kỹ thuật tính năng.
5, Machine Learning for Data Science and Analytics (ColumbiaX): Khóa học sẽ cung cấp các kiến thức cơ bản về học máy và mối liên hệ với khoa học dữ liệu. Cụ thể, học viên có có hội tìm hiểu về cách học máy sử dụng các thuật toán máy tính để tìm kiếm các mẫu trong dữ liệu; cách sử dụng các mẫu dữ liệu để đưa ra quyết định và dự đoán; quy trình chuẩn bị dữ liệu, xử lý dữ liệu bị thiếu và tạo các giải pháp phân tích dữ liệu tùy chỉnh cho từng ngành khác nhau. Một số thuật toán cơ bản và được sử dụng phổ biến như sắp xếp, tìm kiếm, giải thuật tham lam (greedy algorithms) và quy hoạch động (dynamic programming).
6, PyTorch Basics for Machine Learning (IBM): Trong khóa học này, bạn sẽ tìm hiểu phương thức triển khai các thuật toán học máy cổ điển, tập trung vào cách PyTorch tạo và tối ưu hóa mô hình. Một số nội dung của khóa học bao gồm:
Xây dựng pipeline học máy trong PyTorch
Đào tạo mô hình trong PyTorch.
Tải tập dữ liệu lớn
Đào tạo các ứng dụng học máy với PyTorch
Các kiến thức nền tảng để áp dụng cho học sâu
7, Deep Learning with Tensorflow (IBM): Khóa học tập trung vào việc áp dụng Học sâu với TensorFlow cho các dữ liệu phi cấu trúc nhằm giải quyết những vấn đề thực tế. Đáng lưu ý, “Deep Learning with Tensorflow” không dành cho những bạn mới bắt đầu tìm hiểu về học máy, bởi nội dung chương trình này ở ngưỡng từ trung cấp trở lên, như:
Các khái niệm TensorFlow cơ bản (chức năng chính, hoạt động và pipeline thực thi)
Cách áp dụng TensorFlow trong điều chỉnh đường cong, hồi quy, phân loại và giảm thiểu các hàm lỗi.
Các dạng của Deep Architectures, chẳng hạn như Mạng nơ-ron tích chập, Mạng nơ-ron hồi quy và Tự động mã hóa.
Áp dụng TensorFlow để điều chỉnh trọng số và độ lệch trong khi đào tạo Mạng thần kinh.
8, High-Dimensional Data Analysis (HarvardX): Khóa học tập trung vào một số kỹ thuật được sử dụng phổ biến trong phân tích dữ liệu đa chiều. Trong đó, có thể kể đến các kỹ thuật bao gồm: giảm chiều, phương pháp phân tích suy biến (singular value decomposition), phân tích thành phần chính (Principal Component Analysis),… Lưu ý, đây là khóa học ở cấp độ “advanced”, dành cho những bạn đã thuần thục về học máy và khoa học dữ liệu.
.JPG)
.JPG)
.JPG)
Thời gian: 8:00-11:30, thứ 3, ngày 12/4/2022
MFEDE 