Module 1: Nền tảng ANN
- Bài 1: Tại sao Deep Learning? Phân biệt với ML cổ điển
- Bài 2: Perceptron — đơn vị tính toán cơ bản nhất
- Bài 3: Multi-Layer Perceptron (MLP) — chồng nhiều layer
- Bài 4: Forward Propagation — luồng dữ liệu đi qua mạng
- Bài 5: Activation function: Sigmoid và vấn đề saturation
- Bài 6: Activation function: ReLU và biến thể (LeakyReLU)
- Bài 7: Activation function: Tanh
- Bài 8: Activation function: Softmax cho multi-class
- Bài 9: Loss function cho regression: MSE, MAE
- Bài 10: Loss function cho classification: Cross-Entropy
- Bài 11: Backpropagation — chain rule và cập nhật trọng số
Module 2: PyTorch
- Bài 12: PyTorch vs TensorFlow — chọn cái nào và vì sao
- Bài 13: Tensor — cấu trúc dữ liệu cốt lõi của PyTorch
- Bài 14: GPU và CUDA — chuyển tensor giữa CPU / GPU
- Bài 15: Autograd — PyTorch tự động tính gradient
- Bài 16: nn.Module — xây dựng mạng neural đầu tiên
- Bài 17: Optimizer cơ bản: SGD và Adam
- Bài 18: Viết Training Loop chuẩn trong PyTorch
- Bài 19: Dataset và DataLoader — quản lý batch dữ liệu
- Bài 20: Weight Initialization — Xavier và He initialization
Module 3: Regularization & Optimization
- Bài 21: Overfitting trong Deep Learning — dấu hiệu nhận biết
- Bài 22: Dropout — bỏ ngẫu nhiên neuron khi train
- Bài 23: Batch Normalization — chuẩn hóa giữa các layer
- Bài 24: Early Stopping và Model Checkpoint
- Bài 25: Learning Rate Scheduling — giảm LR theo thời gian
- Bài 26: Data Augmentation cơ bản — tăng dữ liệu bằng biến đổi
Module 4: CNN cho ảnh
- Bài 27: Vì sao MLP không hiệu quả cho ảnh
- Bài 28: Convolutional Layer — kernel và feature map
- Bài 29: Pooling Layer — Max Pooling và Average Pooling
- Bài 30: Flatten và Fully Connected ở cuối CNN
- Bài 31: Xây dựng mô hình phân loại ảnh CIFAR-10 từ đầu
- Bài 32: Transfer Learning — fine-tune ResNet pretrained
- Bài 33: Các kiến trúc CNN nổi bật: VGG, ResNet, EfficientNet (overview)
Module 5: RNN cho dữ liệu chuỗi
- Bài 34: Sequential Data — vì sao cần kiến trúc khác MLP / CNN
- Bài 35: Vanilla RNN — cơ chế lan truyền trạng thái ẩn
- Bài 36: Vanishing Gradient — vấn đề cốt lõi của RNN
- Bài 37: LSTM — cổng input, forget, output
- Bài 38: GRU — biến thể đơn giản hơn của LSTM
- Bài 39: Ứng dụng LSTM cho dự đoán chuỗi thời gian
- Bài 40: Sequence-to-Sequence intuition — encoder-decoder cho dịch máy
Module 6: Nền tảng Generative
- Bài 41: Autoencoder — học biểu diễn nén dữ liệu
- Bài 42: Denoising Autoencoder — học biểu diễn robust
- Bài 43: Variational Autoencoder (VAE) intuition — sinh dữ liệu mới
- Bài 44: GAN intuition — Generator vs Discriminator