Quay lại Khóa học
COMP5511

PolyU | Các Khái niệm Trí tuệ nhân tạo

Khóa học toàn diện này cung cấp một giới thiệu chặt chẽ nhưng dễ tiếp cận về Trí tuệ nhân tạo, được thiết kế dành cho sinh viên sau đại học và chuyên gia. Khóa học nối liền khoảng cách giữa nền tảng lịch sử và những đổi mới tiên tiến, đi từ trí tuệ nhân tạo biểu tượng và các thuật toán tìm kiếm đến Deep Learning hiện đại và Trí tuệ nhân tạo sinh thành. Sinh viên sẽ khám phá các chủ đề then chốt như biểu diễn tri thức, suy luận xác suất và học máy cổ điển trước khi đi sâu vào mạng nơ-ron, Transformers và Các Mô hình Ngôn ngữ lớn (LLMs). Nhấn mạnh cả lý thuyết lẫn thực hành, khóa học sử dụng Python và các khung công cụ chuẩn ngành như PyTorch để triển khai các thuật toán, tương tác với các API hiện đại và giải quyết những vấn đề quan trọng về đạo đức và an toàn trong AI.

5.0 Đánh giá
100 Học viên
Bắt đầu học

Tổng quan khóa học

📚 Tóm tắt Nội dung

Khóa học toàn diện này cung cấp một giới thiệu nghiêm ngặt nhưng dễ tiếp cận về Trí tuệ Nhân tạo, được thiết kế cho sinh viên sau đại học và các chuyên gia. Nối liền khoảng cách giữa các nền tảng lịch sử và những đổi mới tiên tiến, chương trình giảng dạy tiến triển từ AI biểu tượng và các thuật toán tìm kiếm đến Học Sâu và AI Tạo sinh hiện đại. Học viên sẽ khám phá các chủ đề thiết yếu như biểu diễn tri thức, suy luận xác suất và học máy cổ điển trước khi đi sâu vào mạng nơ-ron, Transformers và Mô hình Ngôn ngữ Lớn (LLM). Nhấn mạnh cả lý thuyết và thực hành, khóa học sử dụng Python và các framework tiêu chuẩn ngành như PyTorch để triển khai thuật toán, tương tác với các API hiện đại và giải quyết các vấn đề quan trọng về đạo đức và an toàn AI.

Nối liền khoảng cách giữa AI Biểu tượng cổ điển và AI Tạo sinh hiện đại, khóa học này trang bị cho sinh viên chiều sâu lý thuyết và kỹ năng Python thực tế để thiết kế, triển khai và đánh giá một cách có đạo đức các hệ thống thông minh.

🎯 Mục tiêu Học tập

  1. Làm chủ Nền tảng AI: Phân tích và triển khai các mô hình giải quyết vấn đề cơ bản, bao gồm tìm kiếm bằng thuật toán thăm dò, suy luận dựa trên logic và mô hình hóa xác suất.
  2. Triển khai Kiến trúc Học Sâu: Thiết kế và huấn luyện các mạng nơ-ron tiên tiến bằng PyTorch, từ Perceptrons Đa lớp đến Mạng Nơ-ron Tích chập và Transformers.
  3. Triển khai Giải pháp AI Tạo sinh: Xây dựng các ứng dụng sử dụng Mô hình Ngôn ngữ Lớn (LLM), áp dụng các kỹ thuật như tinh chỉnh, kỹ thuật gợi ý và Sinh Tăng cường Truy xuất (RAG).
  4. Đảm bảo Phát triển AI Có Đạo đức: Đánh giá một cách phê phán các hệ thống AI về thiên vị, an toàn và sự phù hợp, áp dụng các chiến lược về khả năng giải thích và tính mạnh mẽ trong các tình huống thực tế.

🔹 Bài 1: Lịch sử và Nền tảng của AI

Tổng quan: Khám phá nguồn gốc của Trí tuệ Nhân tạo, bao gồm Bài kiểm tra Turing, Hội nghị Dartmouth và bản chất chu kỳ của sự phát triển AI được gọi là 'Mùa đông AI'.

Kết quả Học tập:

  • Lần theo sự phát triển lịch sử của AI từ năm 1956 đến nay.
  • So sánh và đối chiếu các mô hình AI Biểu tượng (GOFAI) và Thuyết kết nối.
  • Thảo luận về tác động của Cuộc cách mạng Học Sâu và những đột phá tạo sinh gần đây.

🔹 Bài 2: Chiến lược Tìm kiếm: Không thông tin và Có thông tin

Tổng quan: Giới thiệu các tác nhân giải quyết vấn đề cơ bản bằng thuật toán tìm kiếm, phân biệt giữa tìm kiếm mù quáng và các phương pháp dựa trên thuật toán thăm dò.

Kết quả Học tập:

  • Triển khai các phương pháp tìm kiếm không thông tin bao gồm BFS, DFS và tìm kiếm Chi phí Đồng nhất.
  • Áp dụng các kỹ thuật tìm kiếm bằng thuật toán thăm dò như A* và Tìm kiếm Tham lam Tốt nhất Trước.
  • Phân tích độ phức tạp và tính tối ưu của các chiến lược tìm kiếm khác nhau.

🔹 Bài 3: Tìm kiếm Đối kháng và Thỏa mãn Ràng buộc

Tổng quan: Đi sâu vào việc ra quyết định trong môi trường cạnh tranh (trò chơi) và giải quyết các vấn đề được xác định bởi các ràng buộc.

Kết quả Học tập:

  • Làm chủ thuật toán Minimax và tỉa Alpha-Beta để chơi game.
  • Hiểu về Tìm kiếm Cây Monte Carlo (MCTS) được sử dụng trong các hệ thống tiên tiến như AlphaGo.
  • Giải các Bài toán Thỏa mãn Ràng buộc (CSP) bằng cách sử dụng quay lui và tìm kiếm cục bộ.

🔹 Bài 4: Biểu diễn Tri thức và Suy luận

Tổng quan: Nghiên cứu cách các hệ thống AI biểu diễn thông tin một cách logic để thực hiện suy luận, chuyển từ logic cổ điển sang các cấu trúc tri thức hiện đại.

Kết quả Học tập:

  • Sử dụng Logic Mệnh đề và Logic Vị từ để biểu diễn và suy luận.
  • So sánh Hệ chuyên gia cũ với Đồ thị Tri thức và Bản thể học hiện đại.
  • Khám phá AI Neuro-Symbolic như một cầu nối giữa logic và mạng nơ-ron.

🔹 Bài 5: Sự không chắc chắn trong Kỷ nguyên GenAI

Tổng quan: Vượt ra ngoài các phép tính xác suất cổ điển để hiểu tại sao sự không chắc chắn lại thúc đẩy AI hiện đại. Bài học này khám phá lý do tại sao LLM bị ảo giác (và tại sao đó là một tính năng, không phải lỗi), cách các mô hình Diffusion tạo ra nghệ thuật từ sự hỗn loạn thuần túy, và cách các Tác nhân Tự trị đưa ra quyết định trong các thế giới mở không thể đoán trước.

Kết quả Học tập:

  • Từ Bayes đến "Cảm nhận": Hiểu trực quan về sự tự tin và hiệu chuẩn, học cách "xác suất 99%" vẫn có thể sai mà không bị lạc trong toán học phức tạp.
  • Động cơ Sáng tạo: Phân tích cách các cơ chế lấy mẫu xác suất (Nhiệt độ, Top-P) cho phép sự sáng tạo của AI Tạo sinh và dẫn đến ảo giác.
  • Ra quyết định của Tác nhân: Hiểu các chiến lược ra quyết định dưới sự không chắc chắn, tập trung vào tình thế tiến thoái lưỡng nan "Thăm dò so với Khai thác" trong Học Tăng cường và Hệ thống Đa tác nhân.

🔹 Bài 6: Học máy Cổ điển

Tổng quan: Giới thiệu thực tế về các thuật toán dựa trên dữ liệu cho học có giám sát và không giám sát bằng Python.

Kết quả Học tập:

  • Triển khai các mô hình học có giám sát bao gồm Cây Quyết định và SVM.
  • Áp dụng các kỹ thuật không giám sát như phân cụm K-means và PCA.
  • Sử dụng Scikit-learn để giải quyết các vấn đề phân tích dữ liệu cơ bản.

🔹 Bài 7: Nền tảng Mạng Nơ-ron

Tổng quan: Chuyển đổi sang tính toán lấy cảm hứng từ sinh học, bao gồm kiến trúc và cơ chế huấn luyện của mạng nơ-ron nhân tạo.

Kết quả Học tập:

  • Giải thích cấu trúc của các nơ-ron nhân tạo và Perceptrons Đa lớp (MLP).
  • Làm chủ thuật toán Lan truyền Ngược và các hàm kích hoạt khác nhau (ReLU, GELU).
  • Xây dựng một mạng nơ-ron cơ bản bằng PyTorch.

🔹 Bài 8: Thị giác Máy tính và CNN

Tổng quan: Tập trung vào việc xử lý dữ liệu hình ảnh thông qua các kiến trúc học sâu chuyên biệt.

Kết quả Học tập:

  • Hiểu cơ chế của Mạng Nơ-ron Tích chập (CNN).
  • Phân tích các kiến trúc tiên tiến như ResNet và Transformers Thị giác (ViT).
  • Triển khai một mô hình phân loại hình ảnh cơ bản.

🔹 Bài 9: Mô hình hóa Chuỗi và Transformer

Tổng quan: Sự phát triển của xử lý chuỗi từ Mạng Nơ-ron Hồi quy đến cơ chế Chú ý mang tính cách mạng.

Kết quả Học tập:

  • Phân biệt giữa RNN, LSTM và kiến trúc Transformer.
  • Giải thích bài báo 'Attention Is All You Need' và các cơ chế tự chú ý.
  • Hiểu vai trò của Bộ mã hóa và Bộ giải mã trong các mô hình như BERT và GPT.

🔹 Bài 10: Mô hình Ngôn ngữ Lớn (LLM)

Tổng quan: Nghiên cứu chuyên sâu về AI Tạo sinh tiên tiến, tập trung vào việc tạo văn bản và điều chỉnh mô hình.

Kết quả Học tập:

  • Mô tả vòng đời Tiền huấn luyện và Tinh chỉnh của LLM.
  • Khám phá Học Tăng cường từ Phản hồi của Con người (RLHF).
  • Thực hành Kỹ thuật Gợi ý và các phương pháp tinh chỉnh hiệu quả tham số (PEFT/LoRA).

🔹 Bài 11: Các Ứng dụng AI Tạo sinh Nâng cao

Tổng quan: Mở rộng từ văn bản sang các hệ thống truy xuất và phương tiện tạo sinh bằng các API hiện đại.

Kết quả Học tập:

  • Triển khai Sinh Tăng cường Truy xuất (RAG) để giảm ảo giác.
  • Hiểu toán học đằng sau Mô hình Diffusion (ví dụ: Stable Diffusion) và VAE.
  • Tương tác với các API AI hiện đại để xây dựng một ứng dụng tạo sinh.

🔹 Bài 12: Đạo đức, An toàn và Sự phù hợp của AI

Tổng quan: Phân tích phê phán tác động xã hội của AI, tập trung vào trách nhiệm và các giao thức an toàn.

Kết quả Học tập:

  • Xác định các nguồn thiên vị và đảm bảo tính công bằng trong các mô hình AI.
  • Thảo luận về An toàn AI, Tính mạnh mẽ và vấn đề Sự phù hợp.
  • Đánh giá Khả năng Giải thích (XAI) và các chiến lược giảm thiểu ảo giác của LLM.