- 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.