LEARNDO / HỌC QUA VIỆC LÀM
Mở một bài, làm theo ví dụ nhỏ, rồi thử trên dữ liệu của bạn. Giải thích vừa đủ để hiểu mình đang làm gì.
25 CÂU CHUYỆN
Mốc ý tưởng: 1985
Lịch sử học sâu · Con người & ý tưởng / 7 phút đọc
Cơ bản · Con người & ý tưởng
Ackley, Hinton và Sejnowski tìm cách để mạng học các quan hệ trong dữ liệu. Ngẫu nhiên trở thành một phần của phương pháp, thay vì chỉ là nhiễu cần loại bỏ.
Đọc câu chuyệnMốc ý tưởng: 1986
Lịch sử học sâu · Con người & ý tưởng / 8 phút đọc
Cơ bản · Con người & ý tưởng
Lan truyền ngược đưa sai số đầu ra về từng tham số. Câu chuyện này giúp phân biệt cách tính gradient với cách dùng gradient để học.
Đọc câu chuyệnMốc ý tưởng: 1997–2000
Lịch sử học sâu · Con người & ý tưởng / 7 phút đọc
Cơ bản · Con người & ý tưởng
Sepp Hochreiter và Jürgen Schmidhuber nghiên cứu khó khăn khi học quan hệ cách xa trong chuỗi. LSTM mở ra một cách tổ chức bộ nhớ có kiểm soát.
Đọc câu chuyệnMốc ý tưởng: 2006
Lịch sử học sâu · Con người & ý tưởng / 7 phút đọc
Cơ bản · Con người & ý tưởng
Khi huấn luyện mạng sâu còn khó, một hướng nghiên cứu tìm cách chuẩn bị từng lớp trước. Câu chuyện năm 2006 giúp ta hiểu vai trò của điểm khởi đầu.
Đọc câu chuyệnMốc ý tưởng: 2009–2012
Lịch sử học sâu · Con người & ý tưởng / 8 phút đọc
Cơ bản · Con người & ý tưởng
ImageNet tạo một nguồn dữ liệu và cách so sánh chung. AlexNet cho thấy sức mạnh khi dữ liệu, kiến trúc và tính toán gặp nhau.
Đọc câu chuyệnMốc ý tưởng: 2012–2014
Lịch sử học sâu · Con người & ý tưởng / 7 phút đọc
Cơ bản · Con người & ý tưởng
Tạm ngắt một số đơn vị trong lúc học nghe như làm mạng yếu đi. Dropout cho thấy một sự xáo trộn có chủ đích có thể giúp mô hình bớt phụ thuộc vào những phối hợp quá riêng.
Đọc câu chuyện22 BÀI HƯỚNG DẪN
NumPy · Nền tảng AI / 22 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ đọc kích thước, kiểu số và miền giá trị của một mảng ảnh. Ba thông tin này giúp bạn chọn phép tính phù hợp ngay từ đầu.
Mở bài hướng dẫnNumPy · Nền tảng AI / 22 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ cắt một vùng ảnh, chọn điểm ảnh bằng mặt nạ và tạo bản sao. Ví dụ giúp bạn tránh sửa nhầm ảnh gốc khi chỉ muốn đổi một vùng nhỏ.
Mở bài hướng dẫnNumPy · Nền tảng AI / 22 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ xử lý từng kênh màu mà không viết vòng lặp. Bài giải thích cách NumPy mở rộng các chiều tương thích khi tính trên nhiều mảng.
Mở bài hướng dẫnNumPy · Nền tảng AI / 22 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ tính thống kê theo từng chiều và chuẩn hóa ảnh. Hai lựa chọn axis, keepdims giúp bạn giữ đúng hình dạng dữ liệu sau phép tính.
Mở bài hướng dẫnNumPy · Nền tảng AI / 22 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ nhân ma trận và tính khoảng cách giữa nhiều vector cùng lúc. Kiểm tra một cặp bằng tay giúp bạn hiểu kết quả của cả bảng.
Mở bài hướng dẫnNumPy · Nền tảng AI / 22 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ chia dữ liệu bằng một nguồn ngẫu nhiên cố định rồi lưu kết quả. Bài giúp bạn giữ ảnh và nhãn đúng cặp khi chạy lại thí nghiệm.
Mở bài hướng dẫn10 BÀI HƯỚNG DẪN
Matplotlib · Trực quan hóa dữ liệu / 16 phút đọc
Cơ bản · Bắt đầu · Python cơ bản
Bạn sẽ đặt ảnh gốc và ảnh đã xử lý cạnh nhau bằng Matplotlib. Chọn đúng màu, trục và thang giá trị giúp việc so sánh có ý nghĩa.
Mở bài hướng dẫnMatplotlib · Trực quan hóa dữ liệu / 17 phút đọc
Cơ bản · Bắt đầu · Python và NumPy cơ bản
Bạn sẽ vẽ biểu đồ để xem độ sáng, kích thước và số lượng ảnh. Những hình này giúp phát hiện dữ liệu lệch trước khi huấn luyện mô hình.
Mở bài hướng dẫnMatplotlib · Trực quan hóa dữ liệu / 22 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ sắp xếp nhiều biểu đồ trong một hình và hiểu vai trò của Figure, Axes. Bố cục rõ ràng giúp người đọc so sánh kết quả dễ hơn.
Mở bài hướng dẫnMatplotlib · Trực quan hóa dữ liệu / 22 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ biểu diễn ma trận bằng màu và ghi số lên từng ô. Ví dụ ma trận nhầm lẫn giúp bạn nhận ra mô hình hay nhầm những lớp nào.
Mở bài hướng dẫnMatplotlib · Trực quan hóa dữ liệu / 22 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ thay độ rộng mỗi khoảng chia của histogram và quan sát hình đổi ra sao. Bài phân biệt số đếm, tỷ lệ và mật độ.
Mở bài hướng dẫnMatplotlib · Trực quan hóa dữ liệu / 22 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ dùng vị trí, màu và kích thước điểm để biểu diễn nhiều biến. Chú giải rõ ràng giúp người đọc hiểu từng dấu hiệu trên biểu đồ.
Mở bài hướng dẫn8 BÀI HƯỚNG DẪN
Đại số tuyến tính · Toán cho deep learning / 25 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ dùng vector để mô tả một mẫu và so sánh hai mẫu theo hướng. Tích vô hướng và cosine giúp giải thích phép so sánh này.
Mở bài hướng dẫnĐại số tuyến tính · Toán cho deep learning / 25 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ giải một hệ phương trình nhỏ rồi dùng ma trận để biến đổi một lưới điểm. Thêm độ lệch giúp bạn hiểu phép affine trong các lớp mạng.
Mở bài hướng dẫnĐại số tuyến tính · Toán cho deep learning / 25 phút đọc
Trung cấp · Thực hành · Python và NumPy
Bạn sẽ khử từng ẩn và kiểm tra hạng của ma trận. Qua đó, bạn biết khi nào hệ có một nghiệm, nhiều nghiệm hoặc không có nghiệm.
Mở bài hướng dẫnĐại số tuyến tính · Toán cho deep learning / 25 phút đọc
Trung cấp · Thực hành · Python và NumPy
Bạn sẽ biến đổi một hình vuông và đo diện tích sau phép biến đổi. Định thức cho biết diện tích đổi bao nhiêu và khi nào hình mất một chiều.
Mở bài hướng dẫnĐại số tuyến tính · Toán cho deep learning / 25 phút đọc
Trung cấp · Thực hành · Python và NumPy
Bạn sẽ tìm điểm gần nhất trên một đường hoặc một không gian con. Phép chiếu và tính vuông góc giúp giải thích phần thông tin giữ lại và phần bỏ đi.
Mở bài hướng dẫnĐại số tuyến tính · Toán cho deep learning / 25 phút đọc
Trung cấp · Thực hành · Python và NumPy
Khi các phép đo không nằm đúng trên một đường, ta chọn đường nào? Bạn sẽ tìm lời giải bình phương tối thiểu và xem dữ liệu gần phụ thuộc làm kết quả nhạy ra sao.
Mở bài hướng dẫn10 BÀI HƯỚNG DẪN
Xác suất · Toán cho deep learning / 25 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ đếm ảnh theo độ sáng và kết quả dự đoán để tính xác suất. Ví dụ làm rõ hợp, giao, tính độc lập và xác suất có điều kiện.
Mở bài hướng dẫnXác suất · Toán cho deep learning / 25 phút đọc
Cơ bản · Thực hành · Python và NumPy
Một cảnh báo có đáng tin khi lỗi rất hiếm? Bạn sẽ dùng Bayes để kết hợp tỷ lệ lỗi ban đầu với độ nhạy và tỷ lệ cảnh báo nhầm.
Mở bài hướng dẫnXác suất · Toán cho deep learning / 25 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ mô tả kết quả hai khả năng, nhiều lớp và dữ liệu liên tục bằng các phân phối phù hợp. Bài phân biệt xác suất với chiều cao của đường mật độ.
Mở bài hướng dẫnXác suất · Toán cho deep learning / 25 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ tính giá trị trung bình có trọng số và mức dao động quanh nó. Kỳ vọng, phương sai và hiệp phương sai giúp giải thích thống kê trên từng lô dữ liệu.
Mở bài hướng dẫnXác suất · Toán cho deep learning / 25 phút đọc
Cơ bản · Thực hành · Python và NumPy
Vì sao dự đoán rất tự tin nhưng sai lại chịu mức phạt lớn? Bạn sẽ tìm câu trả lời qua entropy, entropy chéo và xác suất của nhãn đúng.
Mở bài hướng dẫnXác suất · Toán cho deep learning / 25 phút đọc
Chuyên sâu · Thực hành · Python và NumPy
Bạn sẽ ước lượng một xác suất từ dữ liệu, rồi xem điều gì thay đổi khi thêm giả định ban đầu. Ví dụ phân biệt MLE, MAP và trung bình hậu nghiệm.
Mở bài hướng dẫn9 BÀI HƯỚNG DẪN
Giải tích · Toán cho deep learning / 25 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ đo tốc độ thay đổi của một hàm tại một điểm. So sánh đạo hàm với sai phân giúp bạn hiểu cả ý nghĩa hình học lẫn sai số tính toán.
Mở bài hướng dẫnGiải tích · Toán cho deep learning / 25 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ vẽ sigmoid, tanh, ReLU và đạo hàm của chúng. Các đường này giúp giải thích vì sao một số vùng làm gradient nhỏ hoặc bằng không.
Mở bài hướng dẫnGiải tích · Toán cho deep learning / 25 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ tính đạo hàm qua một chuỗi phép toán của nơron. Quy tắc chuỗi cho thấy thay đổi ở đầu vào truyền đến kết quả như thế nào.
Mở bài hướng dẫnGiải tích · Toán cho deep learning / 25 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ gom các đạo hàm riêng thành gradient rồi dùng nó để giảm hàm mất mát. Thay độ dài bước giúp bạn thấy khi nào quá trình tiến gần hoặc rời xa nghiệm.
Mở bài hướng dẫnGiải tích · Toán cho deep learning / 25 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ tính gradient khi ghép softmax với entropy chéo. Kết quả gọn giúp giải thích cách lớp cuối sửa điểm số cho từng nhãn.
Mở bài hướng dẫnGiải tích · Toán cho deep learning / 25 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ tự truyền gradient ngược qua một mạng nhỏ. Kiểm tra từng tham số bằng sai phân giúp phát hiện lỗi trong phép tính.
Mở bài hướng dẫn42 BÀI HƯỚNG DẪN
OpenCV · Xử lý ảnh / 6 phút đọc
Cơ bản · Bắt đầu
Bạn sẽ mở một ảnh màu, chuyển ảnh sang mức xám và tìm đường biên bằng OpenCV. Qua đó, bạn thấy máy tính xử lý ảnh dưới dạng những con số như thế nào.
Mở bài hướng dẫnOpenCV · Xử lý ảnh / 15 phút đọc
Cơ bản · Cơ bản · Python và mảng NumPy
Ảnh có thể đổi màu nếu bạn nhầm thứ tự kênh. Bạn sẽ đọc ảnh bằng OpenCV và phân biệt ba cách biểu diễn màu BGR, RGB, HSV.
Mở bài hướng dẫnOpenCV · Xử lý ảnh / 22 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ xác định tọa độ trên ảnh rồi vẽ điểm, đường, hộp và chữ. Bài giúp bạn tránh nhầm hàng, cột với trục ngang, trục dọc.
Mở bài hướng dẫnOpenCV · Xử lý ảnh / 8 phút đọc
Cơ bản · Đã đọc các bài nền tảng trong cùng chủ đề
Cắt một vùng ảnh, lấy bounding box của vật thể rồi chuyển hộp từ hệ ROI về hệ ảnh gốc bằng một phép kiểm tra độc lập.
Mở bài hướng dẫnOpenCV · Xử lý ảnh / 22 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ đổi độ sáng, pha hai ảnh và chỉ xử lý vùng trong mặt nạ. Bài giúp bạn kiểm tra kiểu số để tránh tràn giá trị điểm ảnh.
Mở bài hướng dẫnOpenCV · Xử lý ảnh / 22 phút đọc
Cơ bản · Thực hành · Python và NumPy
Bạn sẽ xem phân bố mức sáng rồi thử điều chỉnh tương phản. Biểu đồ giúp giải thích vì sao hai ảnh trông khác nhau dù cùng kích thước.
Mở bài hướng dẫn40 BÀI HƯỚNG DẪN
PyTorch · Học sâu / 25 phút đọc
Trung cấp · Thực hành · Python và PyTorch
Bạn sẽ đánh giá riêng từng lớp khi dữ liệu có lớp nhiều, lớp ít. Ma trận nhầm lẫn giúp phát hiện những lỗi mà độ chính xác chung che khuất.
Mở bài hướng dẫnPyTorch · Học sâu / 9 phút đọc
Trung cấp · Python và tensor
Bạn sẽ dùng kiến thức ResNet đã học để phân biệt hai loại lá. Bài hướng dẫn cách chuẩn bị ảnh, huấn luyện lớp đầu ra và thử mô hình với ảnh mới.
Mở bài hướng dẫnPyTorch · Học sâu / 25 phút đọc
Trung cấp · Thực hành · Python và PyTorch
Bạn sẽ cố định một phần mạng rồi mở từng nhóm tham số để tinh chỉnh. Bài giúp bạn kiểm tra nhóm nào thực sự thay đổi khi huấn luyện.
Mở bài hướng dẫnPyTorch · Học sâu / 25 phút đọc
Trung cấp · Thực hành · Python và PyTorch
Bạn sẽ lưu trạng thái huấn luyện rồi tiếp tục từ bản lưu. Ngoài trọng số, bộ tối ưu và nguồn ngẫu nhiên cũng ảnh hưởng đến bước học kế tiếp.
Mở bài hướng dẫnPyTorch · Học sâu / 8 phút đọc
Trung cấp · Đã đọc các bài nền tảng trong cùng chủ đề
Tạo logits đồng điểm, tính hạng lạc quan và hạng bảo thủ rồi so với một quy tắc phá hòa cố định.
Mở bài hướng dẫnPyTorch · Học sâu / 8 phút đọc
Trung cấp · Đã đọc các bài nền tảng trong cùng chủ đề
Lưu một mô hình nhỏ cùng mean, std và thứ tự lớp, tải lại trong bộ nhớ rồi kiểm tra dự đoán được khôi phục đúng.
Mở bài hướng dẫn9 BÀI HƯỚNG DẪN
YOLO · Phát hiện đối tượng / 25 phút đọc
Trung cấp · Thực hành · Python và NumPy
Bạn sẽ đổi hộp giới hạn từ tọa độ điểm ảnh sang dạng nhãn YOLO và đổi ngược lại. Kiểm tra hai chiều giúp phát hiện lỗi chuẩn hóa.
Mở bài hướng dẫnYOLO · Phát hiện đối tượng / 25 phút đọc
Trung cấp · Thực hành · Python và NumPy
Bạn sẽ kiểm tra lớp, tọa độ và cặp ảnh–nhãn trước khi huấn luyện YOLO. Những lỗi nhỏ ở dữ liệu có thể làm mô hình học sai vị trí vật thể.
Mở bài hướng dẫnYOLO · Phát hiện đối tượng / 25 phút đọc
Trung cấp · Thực hành · Python và NumPy
Bạn sẽ thêm viền để đổi kích thước ảnh mà giữ tỷ lệ, rồi đưa hộp dự đoán về ảnh gốc. Bài làm rõ phần phóng ảnh và phần bù tọa độ.
Mở bài hướng dẫnYOLO · Phát hiện đối tượng / 25 phút đọc
Trung cấp · Thực hành · Python và NumPy
Bạn sẽ chạy YOLO trên ảnh và lưu kết quả vào JSON. Cấu trúc rõ ràng giúp dùng tiếp tên lớp, điểm tin cậy và tọa độ hộp.
Mở bài hướng dẫnYOLO · Phát hiện đối tượng / 8 phút đọc
Trung cấp · Đã biết Python
Bạn sẽ tinh chỉnh YOLO26 để tìm cốc và chai trong ảnh của mình. Bắt đầu từ nhãn dữ liệu, bạn huấn luyện mô hình rồi kiểm tra cả lỗi bỏ sót lẫn nhận nhầm.
Mở bài hướng dẫnYOLO · Phát hiện đối tượng / 25 phút đọc
Trung cấp · Thực hành · Python và NumPy
Bạn sẽ tự tính precision, recall và AP50 từ các hộp dự đoán nhỏ. Bài giúp bạn hiểu cách ghép dự đoán với nhãn và ảnh hưởng của thứ tự điểm số.
Mở bài hướng dẫn17 BÀI HƯỚNG DẪN
Phân đoạn ảnh / 18 phút đọc
Trung cấp · Thực hành · Python và NumPy
Bạn sẽ kiểm tra mặt nạ nhãn rồi tự đếm phần đúng, phần thừa và phần thiếu. Các con số này dẫn đến hai chỉ số IoU và Dice.
Mở bài hướng dẫnPhân đoạn ảnh / 25 phút đọc
Trung cấp · Thực hành · Python và NumPy
Bạn sẽ kiểm tra từng cặp ảnh và mặt nạ trước khi học. Bài giúp phát hiện sai kích thước, sai mã lớp và nhãn không khớp ảnh.
Mở bài hướng dẫnPhân đoạn ảnh / 25 phút đọc
Trung cấp · Thực hành · Python và NumPy
Bạn sẽ biến đổi ảnh và mặt nạ bằng cùng một phép xoay hoặc lật. Ví dụ giúp bạn giữ nhãn đúng vị trí và chọn cách nội suy phù hợp.
Mở bài hướng dẫnPhân đoạn ảnh / 25 phút đọc
Trung cấp · Thực hành · Python và PyTorch
Bạn sẽ so sánh hai cách tính mất mát BCE và Dice, rồi kết hợp chúng. Bài giúp bạn hiểu mỗi thành phần phản ứng thế nào với vùng vật thể nhỏ.
Mở bài hướng dẫnPhân đoạn ảnh / 25 phút đọc
Trung cấp · Thực hành · Python và PyTorch
Bạn sẽ thử các cách tăng độ phân giải và nối lại đặc trưng từ nhánh mã hóa. Kiểm tra kích thước giúp tránh lệch vùng khi ghép tensor.
Mở bài hướng dẫnPhân đoạn ảnh / 28 phút đọc
Trung cấp · Thực hành · Python và NumPy
Bạn sẽ xây dựng một U-Net nhỏ bằng PyTorch và huấn luyện trên dữ liệu minh họa. Bài giúp bạn theo dõi kích thước ảnh qua nhánh thu nhỏ và nhánh khôi phục.
Mở bài hướng dẫn10 BÀI HƯỚNG DẪN
OCR · Đọc chữ từ ảnh / 14 phút đọc
Trung cấp · Bắt đầu · Python cơ bản
Bạn sẽ dùng Tesseract và Python để đọc một dòng chữ trong ảnh. Từ kết quả đầu tiên, bạn xem lại ảnh đầu vào và cách chọn ngôn ngữ.
Mở bài hướng dẫnOCR · Đọc chữ từ ảnh / 14 phút đọc
Trung cấp · Bắt đầu · Python cơ bản
Bạn sẽ làm rõ chữ và nền trước khi nhận dạng. So sánh kết quả giúp bạn thấy tiền xử lý có thể cải thiện hoặc làm giảm chất lượng đọc chữ.
Mở bài hướng dẫnOCR · Đọc chữ từ ảnh / 8 phút đọc
Trung cấp · Thực hành
OCR có thể đọc sai vì ảnh đầu vào quá mờ hoặc chữ gần trùng màu với nền. Trước khi thay mô hình, ta đo một vài dấu hiệu chất lượng ảnh.
Mở bài hướng dẫnOCR · Đọc chữ từ ảnh / 8 phút đọc
Trung cấp · Thực hành
Một tài liệu nghiêng nhẹ có thể làm việc chia dòng và nhận dạng khó hơn. Ta sẽ tự tạo trang chữ nghiêng 7 độ rồi tìm góc hiệu chỉnh.
Mở bài hướng dẫnOCR · Đọc chữ từ ảnh / 14 phút đọc
Trung cấp · Bắt đầu · Python cơ bản
Bạn sẽ chọn cách đọc phù hợp với bố cục ảnh và xem vị trí từng hộp chữ. Thao tác này giúp tìm nguyên nhân khi hệ thống bỏ sót hoặc ghép sai dòng.
Mở bài hướng dẫnOCR · Đọc chữ từ ảnh / 14 phút đọc
Trung cấp · Bắt đầu · Python cơ bản
Bạn sẽ chuyển văn bản nhận dạng thành các trường thông tin đơn giản. Bài hướng dẫn kiểm tra định dạng thay vì tin ngay mọi ký tự máy đọc được.
Mở bài hướng dẫn4 BÀI HƯỚNG DẪN
Kalman Filter · Theo dõi chuyển động / 14 phút đọc
Trung cấp · Bắt đầu · Python cơ bản
Một cảm biến không phải lúc nào cũng đo chính xác. Bạn sẽ kết hợp dự đoán với phép đo và xem độ nhiễu ảnh hưởng đến kết quả ra sao.
Mở bài hướng dẫnKalman Filter · Theo dõi chuyển động / 14 phút đọc
Trung cấp · Bắt đầu · Python cơ bản
Bạn sẽ theo dõi hai bước dự đoán và hiệu chỉnh của bộ lọc Kalman. Thay đổi Q giúp bạn thấy bộ lọc phản ứng thế nào khi chuyển động khác dự kiến.
Mở bài hướng dẫnKalman Filter · Theo dõi chuyển động / 14 phút đọc
Trung cấp · Bắt đầu · Python cơ bản
Bạn sẽ dùng NumPy để ước lượng cả vị trí lẫn vận tốc từ các phép đo có nhiễu. Ma trận giúp viết gọn mối liên hệ giữa hai đại lượng này.
Mở bài hướng dẫnKalman Filter · Theo dõi chuyển động / 14 phút đọc
Trung cấp · Bắt đầu · Python cơ bản
Bạn sẽ thử bộ lọc Kalman khi cảm biến mất tín hiệu hoặc trả về một giá trị bất thường. Bài giúp bạn phân biệt lúc nên cập nhật và lúc nên bỏ qua phép đo.
Mở bài hướng dẫn4 BÀI HƯỚNG DẪN
Theo dõi đối tượng / 8 phút đọc
Trung cấp · Thực hành
Detector thường trả về một danh sách vị trí mới ở mỗi khung hình. Thứ tự danh sách có thể đổi, nên số thứ tự phần tử không thể dùng làm ID.
Mở bài hướng dẫnTheo dõi đối tượng / 8 phút đọc
Trung cấp · Thực hành
Theo dõi đối tượng cần giữ danh tính, còn optical flow mô tả sự dịch chuyển của điểm ảnh hoặc điểm đặc trưng. Bài này tạo một vùng có texture rồi dịch đúng 6 pixel sang phải và 4 pixel xuống dưới.
Mở bài hướng dẫnTheo dõi đối tượng / 8 phút đọc
Trung cấp · Thực hành
Một tâm đối tượng có thể dao động quanh vạch vì hộp phát hiện rung nhẹ. Nếu cứ đổi dấu là tăng bộ đếm, cùng một người có thể bị đếm nhiều lần.
Mở bài hướng dẫnTheo dõi đối tượng / 8 phút đọc
Trung cấp · Thực hành
Khi một vật bị che, bộ lọc vẫn có thể dự đoán vị trí trong thời gian ngắn. Nhưng dự đoán tiếp tục không có nghĩa hệ thống còn biết chắc vật ở đâu.
Mở bài hướng dẫn32 BÀI HƯỚNG DẪN
Hình học 3D · Camera và độ sâu / 22 phút đọc
Trung cấp · Thực hành có nền tảng
Dựng một tín hiệu liên tục có dịch chuyển biết trước, suy ra đỉnh parabol từ ba chi phí và kiểm tra khi nào phép nội suy nên bị từ chối.
Mở bài hướng dẫnHình học 3D · Camera và độ sâu / 8 phút đọc
Trung cấp · Đã đọc các bài nền tảng trong cùng chủ đề
Tự gom các điểm vào ô lưới, lấy centroid và kiểm tra một lỗi lượng tử hóa ở phía âm của gốc tọa độ.
Mở bài hướng dẫnHình học 3D · Camera và độ sâu / 8 phút đọc
Trung cấp · Đã đọc các bài nền tảng trong cùng chủ đề
Đếm láng giềng trong một point cloud nhỏ, kiểm tra điểm cô lập và thấy vì sao ngưỡng mật độ cần gắn với điều kiện đo.
Mở bài hướng dẫnHình học 3D · Camera và độ sâu / 8 phút đọc
Trung cấp · Đã đọc các bài nền tảng trong cùng chủ đề
Tạo hai tập điểm liên hệ bởi một phép biến đổi đã biết, dùng Kabsch để khôi phục quay và tịnh tiến rồi kiểm tra định thức.
Mở bài hướng dẫnHình học 3D · Camera và độ sâu / 8 phút đọc
Trung cấp · Đã đọc các bài nền tảng trong cùng chủ đề
Tự viết vòng nearest-neighbor và Kabsch trên điểm tổng hợp, ghi đường giảm sai số và nêu rõ vai trò của khởi tạo.
Mở bài hướng dẫnHình học 3D · Camera và độ sâu / 8 phút đọc
Trung cấp · Đã đọc các bài nền tảng trong cùng chủ đề
Thêm một điểm xa vào tập đích rồi so khoảng cách source-to-target, target-to-source, trung bình và percentile.
Mở bài hướng dẫn9 BÀI HƯỚNG DẪN
NLP · Xử lý ngôn ngữ / 18 phút đọc
Chuyên sâu · Thực hành · Python và NumPy
Bạn sẽ tách câu thành các đơn vị từ và đếm số lần xuất hiện. Từ đó, bạn tạo vector Bag of Words và nhận ra thông tin nào cách biểu diễn này bỏ mất.
Mở bài hướng dẫnNLP · Xử lý ngôn ngữ / 18 phút đọc
Chuyên sâu · Thực hành · Python và NumPy
Những từ xuất hiện trong ngữ cảnh giống nhau có thể mang thông tin liên quan. Bạn sẽ dùng ví dụ nhỏ để hiểu ý tưởng biểu diễn từ bằng vector.
Mở bài hướng dẫnNLP · Xử lý ngôn ngữ / 22 phút đọc
Chuyên sâu · Thực hành · Python và NumPy
Bạn sẽ tự huấn luyện một ví dụ Skip-gram bằng NumPy. Mô hình học vector từ thông qua việc dự đoán những từ xuất hiện gần nhau.
Mở bài hướng dẫnNLP · Xử lý ngôn ngữ / 18 phút đọc
Chuyên sâu · Thực hành · Python và NumPy
Đổi thứ tự từ có thể đổi nghĩa câu. Bạn sẽ theo dõi trạng thái của RNN để hiểu cách mạng mang thông tin từ bước trước sang bước sau.
Mở bài hướng dẫnNLP · Xử lý ngôn ngữ / 22 phút đọc
Chuyên sâu · Thực hành · Python và NumPy
Bạn sẽ theo dõi bộ nhớ của một ô LSTM qua từng bước. Ba cổng quên, ghi và đầu ra cho thấy mạng giữ hoặc thay thông tin như thế nào.
Mở bài hướng dẫnNLP · Xử lý ngôn ngữ / 22 phút đọc
Chuyên sâu · Thực hành · Python và NumPy
Bạn sẽ nối một bộ đọc chuỗi với một bộ tạo chuỗi. Ví dụ làm rõ cách dịch nhãn đầu ra và dùng từ đúng ở bước trước khi huấn luyện.
Mở bài hướng dẫn10 BÀI HƯỚNG DẪN
VLM · Thị giác và ngôn ngữ / 18 phút đọc
Chuyên sâu · Thực hành nền tảng
Tính số patch, thử gom token thị giác và quan sát phần thông tin biến mất khi ảnh bị nén. Phân biệt phép đếm cấu trúc với chi phí bộ nhớ của mô hình thật.
Mở bài hướng dẫnVLM · Thị giác và ngôn ngữ / 26 phút đọc
Chuyên sâu · Thực hành nền tảng
Tự tạo ma trận cặp ảnh và câu, đo mất mát đối xứng và thấy vì sao thêm một nhãn ứng viên có thể đổi điểm softmax dù ảnh giữ nguyên.
Mở bài hướng dẫnVLM · Thị giác và ngôn ngữ / 22 phút đọc
Chuyên sâu · Thực hành nền tảng
Tính mất mát sigmoid theo cặp, so sánh cách chuẩn hóa và thấy tác hại của việc gán hai mô tả phù hợp thành cặp âm.
Mở bài hướng dẫnVLM · Thị giác và ngôn ngữ / 24 phút đọc
Chuyên sâu · Thực hành nền tảng
Huấn luyện một phép chiếu nhỏ trên các cặp vector tổng hợp, kiểm tra bằng dữ liệu chưa thấy và đối chứng ghép sai để hiểu vai trò của bộ nối.
Mở bài hướng dẫnVLM · Thị giác và ngôn ngữ / 18 phút đọc
Chuyên sâu · Thực hành nâng cao
Dựng một batch hai hội thoại có số token ảnh khác nhau. Kiểm tra dịch nhãn, bỏ qua ảnh và padding trong loss, nhưng vẫn giữ ảnh làm ngữ cảnh.
Mở bài hướng dẫnVLM · Thị giác và ngôn ngữ / 20 phút đọc
Chuyên sâu · Thực hành nâng cao
So sánh lấy khung đều và lấy theo biến đổi trên video tổng hợp. Đo khả năng nhìn thấy sự kiện trước khi đánh giá khả năng hiểu sự kiện của VLM.
Mở bài hướng dẫn
