WORKSHOP ONLINE #3 Cải tiến độ chính xác của mô hình học sâu & Giới thiệu CNN

Khoa Công nghệ Phần mềm trân trọng tiếp tục chuỗi Workshop Training Nghiên cứu Khoa học hè 2025, với mục tiêu tạo điều kiện để sinh viên:

- Nâng cao tư duy học thuật và kỹ năng nghiên cứu

- Tiếp cận các xu hướng công nghệ mới như AI, Machine Learning, Deep Learning

- Chuẩn bị hành trang cho các đề tài nghiên cứu, cuộc thi học thuật, đồ án, khóa luận tốt nghiệp

🔍 CNN và bước ngoặt của Deep Learning hiện đại

Sự phát triển nhanh chóng của học sâu (deep learning) bắt đầu từ chiến thắng vượt trội của mô hình AlexNet trong cuộc thi phân loại ảnh ImageNet năm 2012. Đây là cột mốc quan trọng khẳng định sức mạnh của mạng neuron tích chập (CNN) trong việc học đặc trưng trực tiếp từ dữ liệu hình ảnh.

Chiến thắng này đã thúc đẩy làn sóng nghiên cứu mạnh mẽ, dẫn đến nhiều cải tiến về kiến trúc mạng và kỹ thuật huấn luyện. Các phương pháp như regularization, tối ưu hóa hiện đại, chuẩn hóa dữ liệu hay học chuyển tiếp đã góp phần nâng cao đáng kể hiệu suất mô hình học sâu.
Việc hiểu và ứng dụng đúng các phương pháp này không chỉ giúp mô hình hiệu quả hơn mà còn là nền tảng quan trọng trong thực hành nghiên cứu.

🗓 Thông tin buổi workshop thứ ba

Chủ đề: Phương pháp cải tiến độ chính xác của mô hình học sâu & Giới thiệu CNN

Thời gian: 20h00 – 21h00, Thứ Sáu, ngày 18/07/2025

Hình thức: Trực tuyến
▫️ Phòng 1: 🔗 https://meet.google.com/vvv-vvvo-fsf

▫️ Phòng 2: 🔗 https://meet.google.com/cuy-kqxb-aqo

📚 Nội dung chính của buổi học

Phần I – Các phương pháp nâng cao độ chính xác của mô hình học sâu

- Quy trình huấn luyện, chỉnh sửa và đánh giá độ chính xác mô hình

- Regularization: L1/L2, Dropout, Early stopping để giảm overfitting

- Các kỹ thuật tối ưu hiện đại: Momentum, RMSProp, Adam

- Vanishing Gradient và các biện pháp khắc phục như ReLU, BatchNorm

- Chuẩn hóa đầu vào và chuẩn hóa hàng loạt (Batch Normalization)

- Kiểm soát tốc độ học (learning rate schedules)

- Học chuyển tiếp (Transfer Learning) với mô hình đã huấn luyện

Phần II – Mạng neuron tích chập (Convolutional Neural Networks – CNN)

- Ý tưởng nền tảng của CNN trong nhận dạng ảnh

- Nguyên lý hoạt động: Convolution – ReLU – Pooling – Fully Connected

- Các kiến trúc CNN phổ biến: LeNet, AlexNet, VGG

- Mô hình nâng cao: Residual Network (ResNet), Inception Network

- Ứng dụng CNN trong phân loại hình ảnh thực tế

Phần thực hành Hands-on

- Thử nghiệm các phương pháp Regularization

- So sánh hiệu quả của các thuật toán tối ưu

- Xây dựng mô hình CNN đơn giản bằng TensorFlow

- Phân loại hình ảnh sử dụng mô hình CNN pretrained và học chuyển tiếp

Cơ hội khi tham gia chuỗi workshop

- Tham gia vào các đề tài nghiên cứu khoa học dưới sự hướng dẫn từ các giảng viên của Khoa

- Tham gia các cuộc thi học thuật về AI và nhận các phần thưởng từ Khoa 

Thông tin hỗ trợ và liên hệ

Vui lòng truy cập website chính thức của Khoa để biết thêm thông tin và liên hệ với giảng viên hướng dẫn:
https://se.uit.edu.vn/vi/lien-he

Hẹn gặp các bạn vào lúc 20h00, Thứ Sáu, ngày 18/07/2025.
Hãy tận dụng mùa hè để học hỏi, khám phá và phát triển khả năng nghiên cứu khoa học – hành trang quan trọng cho con đường học tập và nghề nghiệp phía trước.