Ưu đãi trong tuần: Nhập mã UD50 giảm 50k cho đơn từ 300k!
Trang chủ
Menu

Practical Deep Learning: Master PyTorch in 15 Days

Thực Hành Deep Learning: Làm Chủ PyTorch Trong 15 Ngày

Thực Hành Deep Learning: Làm Chủ PyTorch Trong 15 Ngày

Từ Con Số 0 Đến Mô Hình Của Riêng Bạn: Học PyTorch qua các dự án thực tế. Không cần kinh nghiệm trước.

4.6
(523 đánh giá)
4,182 học viên
Giảng viên
Jannis Seemann
Phụ đề Việt chất lượng cao Phụ đề tiếng Anh Bán chạy Đánh giá cao
50.000đ 349.000đ -86%
✓ Xem giỏ hàng và thanh toán
Bao gồm phụ đề tiếng Việt, tiếng Anh
16.5 giờ video
144 bài giảng
51 bài quiz
Truy cập vĩnh viễn
Học trên mọi thiết bị
Cập nhật: 30/05/2026

Bạn sẽ học được gì

Lộ Trình 15 Ngày Làm Chủ PyTorch: Xây dựng, huấn luyện và triển khai mô hình deep learning theo lộ trình có cấu trúc - từ người mới đến chuyên gia
Trọng Tâm Dự Án Thực Hành: Tạo các ứng dụng thực tế như bộ lọc thư rác, bộ phân loại hình ảnh và công cụ dự đoán giá
Chuyên Môn Triển Khai Thực Tế: Biến mô hình thành ứng dụng tương tác với Gradio để có kết quả ngay lập tức
Từ Cơ Bản Đến Nâng Cao: Khám phá neuron, CNN, transfer learning và hơn thế nữa. Làm chủ PyTorch một cách dễ dàng
Xử Lý Dữ Liệu Hiệu Quả: Học cách tiền xử lý, tối ưu hóa và đánh giá nhiều loại dữ liệu khác nhau (hình ảnh, văn bản, ...)
Học mà chơi: Bao gồm nhiều câu đố tương tác và bài kiểm tra thực hành
Khai Thác Sức Mạnh Của Transfer Learning Với ResNet Cho Bài Toán Phân Loại Nâng Cao
Làm Chủ Các Công Cụ Thiết Yếu: Python, PyTorch, Jupyter, và Visual Studio Code

Yêu cầu

Kiến Thức Python Cơ Bản: Bạn nên quen với việc viết các script Python đơn giản và hiểu các kiểu dữ liệu thông dụng, vòng lặp và hàm.
Không Cần Kinh Nghiệm AI/Deep Learning Trước Đó: Chúng ta sẽ bắt đầu từ đầu, nên người mới hoàn toàn có thể tham gia.
Kết Nối Internet Ổn Định & Một Máy Tính: Bạn sẽ cần tải Python, PyTorch và các công cụ liên quan, và có thể khám phá các tài nguyên trên nền tảng đám mây.
Tinh Thần Sẵn Sàng Học Hỏi & Thử Nghiệm: Sự tò mò và động lực của bạn là điều kiện tiên quyết quan trọng nhất. Mọi thứ khác, chúng tôi sẽ hướng dẫn bạn từng bước.

Đối tượng phù hợp

Người mới bắt đầu hoàn toàn, háo hức bước vào thế giới AI và deep learning.
Những người đam mê dữ liệu muốn củng cố portfolio của mình bằng các dự án thực hành.
Lập trình viên và nhà khoa học dữ liệu muốn nâng cao kỹ năng PyTorch và triển khai mô hình.
Bất kỳ ai khao khát một lộ trình rõ ràng để làm chủ deep learning, mỗi ngày một bước.

Nội dung khóa học

14 phần • 137 bài giảng
1 Tổng quan: Thực Hành Deep Learning
1 Tài liệu khóa học
2 Cài đặt công cụ cần thiết (Windows)
3 Cài đặt công cụ cần thiết (Linux)
4 Cài đặt công cụ cần thiết (macOS)
5 Chạy tệp đầu tiên
6 Mô hình là gì?
7 Phát Triển Một Nơ-ron Đầu Tiên
8 Tensor Đầu Tiên
9 Giải Nén Tensor, Truy Cập Vector
10 Ma Trận Trong Một Tensor
11 Tạo Một Mô Hình
12 Kiểu dữ liệu (dtype) của Tensor
1 Giới thiệu về Huấn Luyện Nơ-ron
2 Học là gì?
3 Cách Một Nơ-ron Học: Phương Pháp Có Thể Mở Rộng
4 Hiểu Gradient Descent Để Tối Ưu Hóa Nơ-ron
5 Huấn Luyện Một Nơ-ron 1: Chuẩn Bị và Tối Ưu Hóa
6 Tối Ưu Hóa Huấn Luyện Cho Mô Hình Nơ-ron Của Chúng Ta
7 Huấn Luyện Một Nơ-ron 2: Học Lặp và Điều Chỉnh
8 Tầm Quan Trọng Của Sai Số Bình Phương Trung Bình (MSE) Trong Huấn Luyện Mô Hình
9 Học Theo Batch và Dự Đoán Với PyTorch
10 Tận Dụng Tối Đa Các Vai Diễn [Beta]
1 [Ngày 3]: Giới Thiệu Dự Đoán Giá Xe Đã Qua Sử Dụng
2 Tổng Quan Về Bộ Dữ Liệu Giá Xe Đã Qua Sử Dụng
3 Bắt Đầu Với Jupyter: Lập Trình Python Tương Tác
4 Khám Phá Bộ Dữ Liệu Xe Đã Qua Sử Dụng Với Pandas
5 Khảo Sát Các Mối Quan Hệ Dữ Liệu Quan Trọng Cho Huấn Luyện Mô Hình
6 Hoàn Thiện Các Cột Đầu Vào và Mục Tiêu Cho Huấn Luyện Mô Hình
7 Cấu Trúc Hóa Dữ Liệu Để Đưa Vào Mô Hình và Chạy Dự Đoán Ban Đầu
8 Huấn Luyện Mô Hình: Thiết Lập Ban Đầu và Thách Thức
9 [Ngày 4]: Hiểu Chuẩn Hóa Đầu Ra Để Học Ổn Định
10 Triển Khai Chuẩn Hóa Đầu Ra Trong PyTorch Để Có Dự Đoán Nhất Quán
11 Hiểu Chuẩn Hóa Đầu Vào Để Huấn Luyện Nhất Quán
12 Triển Khai Chuẩn Hóa Đầu Vào Trong PyTorch Để Cải Thiện Dự Đoán
13 Thử Nghiệm Các Tham Số Huấn Luyện Qua Trực Quan Hóa Loss
14 Lưu và Tải Mô Hình Trong PyTorch
15 Bài Tập: Thêm Một Cột Dữ Liệu Vào Mô Hình
16 Lời Giải: Thêm Một Cột Dữ Liệu Vào Mô Hình
1 [Ngày 5]: Giới Thiệu Phát Hiện Thư Rác
2 Khám Phá và Tiền Xử Lý Bộ Dữ Liệu SMS Spam
3 Sử Dụng Count Vectorizer Để Chuyển Đổi Văn Bản Thành Dữ Liệu Số
4 Tùy chọn / Bổ sung: Khám Phá TF-IDF Vectorizer Để Cải Thiện Tiền Xử Lý Văn Bản
5 Huấn Luyện Mô Hình Để Phân Loại Thư Rác
6 Tối Ưu Hóa Huấn Luyện Cho Bộ Phân Loại Nơ-ron Của Chúng Ta
7 Hiểu Hàm Kích Hoạt Sigmoid Để Xuất Xác Suất
8 Chuyển Sang Hàm Mất Mát Binary Cross Entropy Để Huấn Luyện Hiệu Quả
9 Sử Dụng BCE Với Sigmoid Để Tính Loss và Dự Đoán
10 Đánh Giá Mô Hình Với Các Chỉ Số Hiệu Suất Quan Trọng
11 [Ngày 6]: Hiểu Dữ Liệu Huấn Luyện, Kiểm Định và Kiểm Tra Trong Phát Triển Mô Hình
12 Triển Khai Chia Tách Dữ Liệu Huấn Luyện và Kiểm Định Trong Python
13 Áp Dụng và Đánh Giá Mô Hình Trên Dữ Liệu Mới
14 Tùy chọn / bổ sung: Cải Thiện Phát Hiện Thư Rác Với Embedding Từ Mô Hình Ngôn Ngữ Lớn
15 Tùy chọn / bổ sung: Tạo Embedding Với BART Cho Phát Hiện Thư Rác
16 Tùy chọn / bổ sung: Xây Dựng Hàm Để Tạo Embedding Cho Phát Hiện Thư Rác
17 Tùy chọn / bổ sung: Tích Hợp Embedding Vào Bộ Lọc Thư Rác
1 [Ngày 7]: Từ Một Nơ-ron Đến Mạng Nơ-ron
2 Tùy chọn: Hiểu Các Hàm Kích Hoạt Trong Mạng Nơ-ron
3 Tùy chọn / bổ sung: Khám Phá Tính Phi Tuyến và Tác Động Của Nó Lên Mạng Nơ-ron
4 Hiểu Backpropagation Trong Mạng Nơ-ron
5 Tùy chọn: Giải Mã Toán Học Của Backpropagation
6 Phân Tích Dữ Liệu Hiệu Suất Học Sinh Để Dự Đoán Kết Quả Thi
7 Tùy chọn: Áp Dụng Một Nơ-ron Đơn Vào Dữ Liệu Thi Của Sinh Viên
8 Xây Dựng và Huấn Luyện Mạng Nơ-ron Đầu Tiên Của Chúng Ta
9 Tối Ưu Hóa Huấn Luyện Cho Bộ Phân Loại Mạng Nơ-ron Của Chúng Ta
10 Đánh Giá Hiệu Suất Mạng Nơ-ron
11 Đơn Giản Hóa Mã Với nn.Sequential
12 [Ngày 8]: Giới Thiệu Hàm Kích Hoạt ReLU
13 Tối Ưu Hóa Huấn Luyện Với Adam
14 Triển Khai Học Theo Mini-Batch Để Huấn Luyện Hiệu Quả
15 Tối Ưu Hóa Theo Dõi Loss Trong Huấn Luyện Mini-Batch
1 Giới Thiệu Dự Đoán Phê Duyệt Khoản Vay
2 Khám Phá Bộ Dữ Liệu Phê Duyệt Khoản Vay
3 Lời Giải Phần 1: Chuẩn Bị Dữ Liệu Cho Mô Hình Phê Duyệt Khoản Vay
4 Lời Giải Phần 2: Xây Dựng và Huấn Luyện Mô Hình Phê Duyệt Khoản Vay
1 [Ngày 9]: Giới Thiệu Phân Loại Chữ Số Viết Tay
2 Khám Phá Dữ Liệu MNIST Với TorchVision
3 Từ Dataset Đến DataLoader: Chuẩn Bị Dữ Liệu Cho Mạng Nơ-ron
4 Xây Dựng Bộ Phân Loại Nhị Phân Để Phát Hiện Số 0
5 Đánh Giá Bộ Phân Loại Nhị Phân Để Phát Hiện Số 0
6 Phân Loại Đa Lớp Trong Mạng Nơ-ron
7 Hiểu One-Hot Encoding
8 Huấn Luyện Mạng Nơ-ron Cho Phân Loại Đa Lớp
9 Tối Ưu Hóa Huấn Luyện Cho Bộ Phân Loại Đa Lớp Mạng Nơ-ron Của Chúng Ta
10 Đánh Giá Mạng Nơ-ron Cho Phân Loại Đa Lớp
11 [Ngày 10]: Hiểu Softmax Để Chuẩn Hóa Xác Suất Lớp
12 Áp Dụng Softmax Trong Mạng Nơ-ron
13 Thử Nghiệm Với Các Kiến Trúc Mạng Nơ-ron Khác Nhau
14 Hiểu Tình Trạng Overfitting Trong Mạng Nơ-ron
15 Minh Họa Overfitting Trong Huấn Luyện Mạng Nơ-ron
16 Chiến Lược Để Chống Lại Overfitting
17 Tùy chọn / bổ sung: Áp Dụng Mạng Nơ-ron Vào Hình Ảnh Tùy Chỉnh
18 Tùy chọn / bổ sung: Vượt Qua Thách Thức Tiền Xử Lý Trong Ứng Dụng Mô Hình
1 [Ngày 11]: Giới Thiệu Mạng Nơ-ron Tích Chập (CNN)
2 Khám Phá Dữ Liệu Fashion MNIST
3 Tùy chọn: Đánh Giá Hiệu Suất Mô Hình Trước Đó Trên Dữ Liệu Fashion MNIST
4 Khám Phá Phát Hiện Biên Với Toán Tử Sobel
5 Hiểu Cấu Trúc Của Mạng Nơ-ron Tích Chập Cho Phát Hiện Biên
6 Phần 1: Triển Khai Một CNN
7 Phần 2: Nâng Cao Triển Khai CNN
8 Tối Ưu Hóa Huấn Luyện Cho CNN Của Chúng Ta
9 Giảm Độ Phức Tạp CNN Với Max Pooling
10 Tận Dụng Tăng Tốc GPU Với PyTorch
11 Tùy chọn: Bật CUDA Trên GPU NVIDIA
12 Tận Dụng GPU Miễn Phí Của Google Colab
13 Tối Ưu Hóa Tính Toán Tensor Trên GPU
14 Chạy Mô Hình Đơn Giản Trên GPU
15 Tăng Tốc Độ Thực Thi CNN Với GPU
16 [Ngày 12]: Nâng Cao Độ Phức Tạp CNN
17 Nâng Cao Hiệu Suất CNN Với Độ Phức Tạp Bộ Lọc Tăng Lên
18 Giới Thiệu Dropout Để Cải Thiện Khả Năng Tổng Quát Hóa
19 Tối Ưu Hóa CNN Với Các Lớp Dropout
20 Tinh Chỉnh CNN Với Batch Normalization
21 Tùy chọn: Hiểu Toán Học Của Batch Normalization
22 Tùy chọn / bổ sung: Ứng Dụng Phát Hiện Overfitting và Hoàn Thiện Mô Hình
1 [Day 13]: Introduction to Transfer Learning and Tire Quality Prediction
2 Preparing the Tire Quality Dataset
3 Exploring the Tire Quality Dataset
4 An Introduction to ResNet in Transfer Learning
5 Using ResNet-50 to Classify an Image of a Cat
6 Optional / extra: Exploring the ResNet Research Paper
7 Preparing Data for ResNet Training
8 Part 1: Customizing ResNet-50 for Tire Quality Prediction
9 Part 2: Building a Transfer Learning Model for Tire Quality Prediction
10 [Day 14]: Part 3: Training the Transfer Learning Model
11 Part 4: Evaluating Model Performance and Addressing Overfitting
12 Data Augmentation for Combating Overfitting
13 Integrating Data Augmentation into Model Training for Improved Accuracy
14 Adapting Model Weights for Universal Compatibility
15 Using the Trained Model to Predict Tire Quality
16 Testing Approaches for Tire Model Deployment
1 Introduction to Deploying AI Models with Gradio
2 Getting Started with Gradio for Simple AI Apps
3 Uploading and Processing Images with Gradio
4 Integrating Gradio with PyTorch for Predictions
5 Deploying Gradio for Real-World Tire Predictions
1 Closing words

Giới thiệu khóa học

Have you ever watched AI automatically classify images or detect spam and thought, “I wish I could do that”? Have you ever wondered how a spam filter works? Or do you want to master Deep Learning in a hands-on way? 

With this course, you’ll learn how to build and deploy your own deep learning models in just 15 days - gaining practical, hands-on experience every step of the way.

Why This Course?

From day one, you’ll get comfortable with the essential concepts that power modern AI. No fluff, no endless theory - you'll learn by building real-world projects like Spam filters, or image detections. By the end, you won’t just know what neurons and neural networks are - you’ll be able to train, refine, and apply them to projects that truly matter.

Who Is This Course For?

  • Absolute beginners eager to break into the world of AI and deep learning.

  • Data enthusiasts who want to strengthen their portfolios with hands-on projects.

  • Developers and data scientists looking to deepen their PyTorch and model deployment skills.

  • Anyone who craves a clear roadmap to mastering deep learning, one day at a time.

What Makes This Course Unique?

  • Day-by-Day Progression: Follow a structured, 15-day plan that ensures you never feel lost or overwhelmed.

  • Real-World Projects: Predict used car prices, detect spam in SMS, classify handwritten digits, recognize fashion items—all using deep learning techniques.

  • Modern Tools & Frameworks: Master industry-standard tools like PyTorch and dive into CNNs, transfer learning with ResNet, and more.

  • Practical Deployment: Learn how to turn your trained models into interactive apps with Gradio, making your projects truly come alive.

By the End of This Course, You Will:

  • Confidently implement, train, and evaluate deep learning models.

  • Understand how to prepare and process various types of data, from text to images.

  • Know how to improve and optimize your models to achieve better performance.

  • Be ready to deploy your AI solutions, making them accessible and interactive for real users.

No Prior Experience Needed

Whether you’re a coding novice or a data analyst stepping into AI, this course starts from the very basics. You’ll be guided through installing Python, PyTorch, and setting up your coding environment, all the way to training full-fledged neural networks on your GPU.

Get Ready to Dive In

If you’ve always wanted to get into deep learning, now is your chance. Enroll today and join me on a practical, hands-on journey that will transform the way you see and build AI solutions. In 15 days, you’ll have gone from curious beginner to proud deep learning practitioner—with real projects to show for it.

Khóa học liên quan

Khám phá thêm các khoá học cùng chủ đề

Hiển thị tất cả khoá học Deep Learning
Hiển thị tất cả khoá học Machine Learning
Hiển thị tất cả khoá học Neural Networks
Hiển thị tất cả khoá học Pytorch
Zalo
Tôi có thể tư vấn khoá học cho bạn 😊