Nội dung ôn tập

- Các bài toán trong Computer vision

- Phân loại ảnh bằng KNN, SVM
- Phân loại tuyến tính bằng Perceptron
- Mạng Neural đầy đủ ( khái niệm đầu vào, đầu ra, tầng ẩn,lan truyền tiến, lan truyềnngược, gradient
descent (minh họa mô hình bằng hình cụ thể), phân loại phi tuyếnbằng mạng Neural nhiều tầng)
- Phân loại ảnh bằng mạng Neural đầy đủ dựa trên input là các pixcels và nhược điểm.
- Phân biệt Hing -loss và cross entropy loss trong phân loại tuyến tính - Hàm Softmax
- Phân biệt Vanilla Gradient Descent ( Bath Gradient Descent) và Schochastic Gradient Descent và
mini bath gradient Descent
- Vì sao cần Cross Validation
- Thế nào là epochs?
- Khái niệm accuracy, recall, F1 score
- Lập trình bằng Pytorch ( các phép tạo tensor, các phép toán, phép tính đạo hàm, tạo mạng neural đầy
đủ, convolution…)
- Thế nào là tích chập, tính kích thước đầu ra từ một đầu vào của một khối ảnh saukhi đi qua một tầng
convolution.
- Thế nào là tầng giảm chiều Pool max, cho ví dụ.
- Ý nghĩa của Convolution?
- Mạng Resdnet:
+ Mạng Resdnet giải quyết vấn đề gì? Vì sao cần chuẩn hóa ảnh sau mỗi tầng convolution, giải thích sơ
đồ Resnet -18
+ Thế nào là khối Residual? Xem đoạn mã Residual bằng Pytorch

- Bài toán phát hiện đối tượng:

+ Thế nào là Matrix Confusion, Khái niệm True Positive, False Positive trong bài toánphát hiện đối
tượng, các tính mAP?
+ Cấu tạo mạng R-CNN. Tìm hiểu phương pháp selective search. Hàmloss trong R- CNN là gì?
+ Cấu tạo mạng Fast R- CNN, khác phiên bản R-CNN là gì? Hàm Loss trong Fast R-CNNlà gì?
+ Cấu tạo mang Yolo. Cách tính kích thước tensor đầu ra của mạng Yolo? Hiểu vềhàm loss trong Yolo.