Site announcements

(No announcements have been posted yet.)

Available courses


Dự báo (forecast) là một nhu cầu vô cùng lớn trong các lĩnh vực đời sống. Study group này sẽ tập trung vào chủ đề Learning to Forecast: áp dụng các mô hình & giải thuật Machine Learning mới nhất vào các bài toán forecast. Các bạn yêu thích topic Learn2Forecast và có background phù hợp xin gửi profile link về ngo@intelligence.edu.vn hoặc nhắn qua fb.com/CuriousAI để đăng ký.

Prerequisites

  1. Có nền tảng Toán (ví dụ MathAIR), XSTK, ML + kỹ năng coding cho các giải thuật & models. Chúng tôi có GPU servers 8xTesla V100 ráp bởi Lambda Labs và CPU cluster mạnh đang được setup.
  2. Nghiêm túc tham gia (đăng ký reading assignments, dự các discussion sessions online hoặc onsite ở Phú Nhuận HCMC, và contribute to coding repos).
Organizing staff

Hưng Ngô (CoTAI & AINovation), Dr. Mẫn Ngô (JVN), Dr. Trung Nguyễn (HCMUS & AINovation), Dr. Thanh Bùi (HCMUS & AINovation), Jacob Tuấn Trần (Sentifi). Rất mong có thêm các bạn nghiên cứu sâu về chủ đề này tham gia hướng dẫn tự nguyện cho nhóm. Update Mar. 4: Dr. Tan Le (Wollongong & MienTrung Uni), Hanh Tran (Tima & USTH), Dr. Vinh Đặng (TrustingSocial) vừa tham gia. Lưu ý: Moodle liệt kê danh sách này là "teachers" nhưng thực sự đây là 1 self-organized study group: mọi người cùng nhau tự học và trao đổi, sẽ không có giảng viên.

Schedule

Kick-off date: 8 tháng 3, 2019 từ 17:30 đến 19:00 (Vietnam timezone). Chúng ta sẽ bắt đầu với bài review trên PLOS ONE [1]. Có 1 câu chuyện thú vị về submission history [2]. Đi kèm là các benchmark methods + datasets open-sourced trên cuộc thi M4 (2018) [3]. Winning solutions trên cuộc thi này là hybrid models of ML (LSTM) combined with statistical methods (e.g., exponential smoothing). Xem blog trên Uber [4] và bài tổng kết cuộc thi [5].

Đặc biệt trong winning solutions có dùng attention mechanisms, 1 chủ đề đang rất hot [6–16]. Chúng ta sẽ tìm hiểu từ abstract vector spaces đến embeddings, RNNs, neural Turing machines, differentiable neural computers & attention mechanisms. Các bạn có hứng thú nên tìm hiểu trước về Turing machines [17].

Chúng ta cũng sẽ tham gia các forecast competitions [18]. Đặc biệt relevant: Rossmann sales forecast [26] using store, promotion, and competitor data (Kaggle'15); dự báo ô nhiễm không khí ở Bắc Kinh [19] trên KDD’18; và Google Analytics customer revenue prediction [20] trên Kaggle (một nhóm các bạn Việt Nam vừa thắng giải nhì [21]). Ngoài ra chúng ta sẽ hướng đến tổ chức các cuộc thi, benchmark & open datasets của Việt Nam, ví dụ trên platform AI-vì-VN [22].

Misc

Spatio-temporal DS program [23]. Có thời gian chúng ta sẽ discuss bài tutorial khá hot & controversial về deep learning arsenals for time series forecast [24] với những concerns về các pitfalls trong time-series forecast [25], overfit, evaluation metrics, reproducibility chưa đc giải đáp & validate. Các bạn biết excellent resources khác xin email để chúng tôi tổng hợp lại và chia sẻ cho cộng đồng.


Updates: Buổi kickoff meeting đã diễn ra tốt đẹp mặc dù là ngày 8 tháng 3 :-D


Tài liệu tham khảo

[1] Makridakis S, Spiliotis E, Assimakopoulos V. Statistical and Machine Learning forecasting methods: Concerns and ways forward. PLoS ONE 13(3), 2018.

[2] https://twitter.com/spyrosmakrid/status/1041657820523978753?lang=en

[3] https://github.com/M4Competition

[4] https://eng.uber.com/m4-forecasting-competition/

[5] Makridakis S, Spiliotis E, Assimakopoulos V. The M4 Competition: Results, findings, conclusion and way forward. International Journal of Forecasting. International Journal of Forecasting2018.

[6] Riemer M. Correcting forecasts with multifactor neural attention. Proceedings of the 33rd International Conference on International Conference on Machine Learning, 2016.

[7] Hollis T., Viscardi A., Yi S.E. A Comparison of LSTMs and Attention Mechanisms for Forecasting Financial Time Series. 2018.

[8] Gangopadhyay T., Tan S.Y., Huang G., Sarkar S. Temporal Attention and Stacked LSTMs for Multivariate Time Series Prediction. NIPS 2018

[9] Song H., Rajan D., Thiagarajan J.J., Spanias A. Attend and Diagnose: Clinical Time Series Analysis using Attention Models. 2017

[10] Yagmur G. Cinar, Hamid Mirisaee, Parantapa Goswami, Eric Gaussier, Ali Ait-Bachir, Vadim Strijov. Position-based Content Attention for Time Series Forecasting with Sequence-to-sequence RNNs. 2017

[11] https://github.com/gantheory/TPA-LSTM

[12] Yao Qin et. al. A dual-stage attention-based recurrent neural network for time series prediction. Proceedings of the 26th International Joint Conference on Artificial Intelligence, 2017.

[13] Gábor Petneházi. Recurrent Neural Networks for Time Series Forecasting. 2019.

[14] Shengnan YU. Financial Time Series Analysis of Stock Data, 2018.

[15] Time Series Forecasting : Temporal Convolutional Networks vs. AutoML’s XGBoost Regression.

[16] Cinar Yagmur et. al. Time Series Forecasting using RNNs: an Extended Attention Mechanism to Model Periods and Handle Missing Values. 2017.

[17] https://www.facebook.com/curiousAI/posts/1582431645234432

[18] https://robjhyndman.com/hyndsight/forecasting-competitions/

[19] https://biendata.com/competition/kdd_2018/

[20] https://www.kaggle.com/c/ga-customer-revenue-prediction

[21] https://www.facebook.com/groups/machinelearningcoban/permalink/642967252827352/

[22] https://www.aivivn.com

[23] https://www.ima.umn.edu/2017-2018.6

[24] https://towardsdatascience.com/aifortrading-2edd6fac689d

[25] https://towardsdatascience.com/how-not-to-use-machine-learning-for-time-series-forecasting-avoiding-the-pitfalls-19f9d7adf424

[26] https://www.kaggle.com/c/rossmann-store-sales


Khoá học này sẽ giới thiệu các ứng dụng mới của AI trong các lĩnh vực văn hoá nghệ thuật âm nhạc điện ảnh thời trang giáo dục y tế etc. Chúng ta sẽ chú trọng phân tích cách đặt vấn đề từ nhu cầu thực tế, cách thu thập dữ liệu từ “chuyên gia” trong ngành (hoặc thợ lành nghề), cách ứng dụng các công cụ AI vào để giải quyết các vấn đề và sáng tạo ra sản phẩm mới, đồng thời phân tích hiệu quả và lợi ích mà công cụ AI mang lại. 

Khoá học này không đòi hỏi kỹ năng lập trình hay Toán học, mà chủ yếu luyện kỹ năng sáng tạo, kết nối ý tưởng và cộng tác với những người làm AI.


Khoá học này được thiết kế dành riêng cho học sinh cấp 3 trở lên muốn nghiên cứu sâu về ngành trí tuệ nhân tạo (Artificial Intelligence, AI). Khoá học đặc biệt chú trọng phát triển trực giác hình học (geometric intuition) của các khái niệm toán học trừu tượng, đồng thời minh hoạ cụ thể qua các ví dụ trong ngành học máy (machine learning) và robotics, từ bước lập mô hình (intuitive problem formulations) cho đến phương pháp và giải thuật (solution approaches & resulting algorithms). 

Phần đầu của khoá học tập trung vào các khái niệm trong không gian vector trừu tượng (abstract, coordinate-free vector spaces). Đây là lĩnh vực xương sống (backbone) cực kỳ quan trọng, đóng vai trò là ngôn ngữ (description language) mà chúng ta sẽ dùng để mô tả, xây dựng các bài toán AI. Phần sau của khoá học tập trung vào các công cụ giúp chúng ta giải các bài toán đã được mô tả. Cụ thể là kiến thức cốt lõi của các ngành như đại số tuyến tính (linear algebra), giải tích hàm (functional analysis), hình học vi phân (differential geometry), tối ưu (optimization), xác suất và thông kê (probability & statistics), lý thuyết thông tin (information theory), logic, etc.

Chú ý (disclaimers): Khoá học này không nhằm mục đích thay thế các khoá học cơ sở về Toán. Học viên được khuyến khích tham dự các khoá học khác một cách bài bản. 

Yêu cầu (prerequisites): học viên cần viết báo cáo dùng LaTEX hoặc Markdown editor trong suốt khoá học. Các bạn có thể tham khảo tài liệu giới thiệu LaTEX để tìm hiểu cách sử dụng LaTEX trên trang OverLeaf, hoặc tài liệu tự học, và loạt video về LaTEX kèm Github sourcecode. Học viên cũng được khuyến khích tạo GitHub (hoặc GitLab) repository để đăng bài tóm tắt và github.io blog qua đó xây dựng profile. Học viên có thể tham khảo tutorial môn Tin của Trại hè Toán & khoa học MaSSP để chuẩn bị.

Chính sách (course policy): Học viên đạt trên 75% điểm số bài tập cuối kỳ sẽ được cấp chứng chỉ hoàn thành khoá học. Học viên đạt trên 85% tổng điểm số bài tập sẽ được xem xét mời thực tập nghiên cứu và phát triển. Học viên chỉ đạt dưới 50% điểm số bài tập ở giữa kỳ sẽ bị buộc không tiếp tục tham gia chương trình. Điểm số mỗi bài tập được tính dựa trên nỗ lực làm bài của học viên, không dựa vào kết quả (đúng/sai hay làm được/không được).

Hình thức: online từ 16/2/2019 đến 16/4/2019. Học phí: tự nguyện đóng góp (voluntary donations to support technical and teaching staff).  

Giáo trình & tài liệu tham khảo (textbooks & references): Giáo trình do giảng viên Ngô Quốc Hưng tổng hợp và biên soạn. Học viên sẽ được giao đọc và tham khảo từ các nguồn sau (theo thứ tự ưu tiên): 



Khoá học này dành cho các bạn có định hướng chuyên sâu về lập trình AI và robot. Khoá học được thiết kế để các bạn có thể nhanh chóng nắm bắt các mô hình toán, hiểu các giải thuật, từ đó tập trung lập trình ứng dụng các giải thuật này vào giải quyết các vấn đề cụ thể. 

Yêu cầu (prerequisites): học viên cần có máy tính để thực hành và nộp bài lập trình, do đó cần biết sử dụng Command Line Interface (CLI), GitHub (hoặc GitLab), một ít kỹ năng coding Python hoặc MATLAB/GNU Octave. Học viên cũng cần viết báo cáo (và được khuyến khích viết blogs trên github.io) dùng LaTEX hoặc Markdown editor trong suốt khoá học.  Do đó học viên được yêu cầu học trước phần tutorial môn Tin của Trại hè Toán & khoa học MaSSP để chuẩn bị.

Giảng viên Ngô Quốc Hưng cùng sáng lập viên công ty AINovation (tất cả đều là cựu học sinh trường) trong buổi làm việc cùng đại diện nhà trường về kế hoạch triển khai chương trình AI cho học sinh trường chuyên Lê Hồng Phong.

Giảng viên Ngô Quốc Hưng cùng sáng lập viên công ty AINovation & Med2Lab (cựu học sinh chuyên Lê Hồng Phong Petrus Ký) trong buổi làm việc với Ban Giám Hiệu thông qua đề cương chương trình giảng dạy AI cho học sinh trường.


Chương trình ONSITE thí điểm này hiện chỉ dành cho học sinh trường chuyên Lê Hồng Phong HCM trước khi được triển khai đại trà. Đi kèm với các khoá học online là khoá học onsite tại trường chuyên Lê Hồng Phong, Q.5 HCM (13:30 thứ Bảy hàng tuần, trong 2 tiết) với giảng viên Ngô Quốc Hưng trực tiếp đứng lớp theo mô hình flipped classroom. 

Chương trình không thu học phí; học sinh có thể tự nguyện đóng góp.

Đăng ký (Registration)

Học sinh trường chuyên Lê Hồng Phong có thể đăng ký theo học chương trình ONSITE này theo 2 bước:

  1. Gửi email về register@intelligence.edu.vn với tiêu đề "AI4HS-LHP.SG ONSITE Program" và nội dung là tên các khoá học onsite muốn đăng ký, ví dụ "MathAIR'19.01, CodeAIR'19.01, CreativeAI'19.01", cùng tên của học sinh. 
  2. Tạo tài khoản và đăng ký học các lớp online tương ứng (self-enrollment) trên intelligence.edu.vn. 

Chương trình sẽ bắt đầu với khoá học online “Nền tảng toán cho AI” gọi tắt là MathAIR'19.01 từ 16/2/2019 với khoá học onsite 6 tuần đi kèm sẽ bắt đầu từ 16/2/2019 tại phòng A115Những khoá học khác (như lập trình AI và sáng tạo với AI) sẽ được triển khai tiếp sau. 

Update (16.2.2019)

Chương trình onsite bằng tiếng Anh đã chính thức bắt đầu với 50 học sinh tham dự lớp MathAIR'19.01.