Trí tuệ nhân tạo

• Áp dụng lập trình và suy luận logic để đưa ra giải pháp cho các vấn đề trong thế giới thực.
• Sử dụng suy luận xác suất để điều hướng thông tin không chắc chắn một cách hiệu quả.
• Xác định phương pháp học máy thích hợp cho một kịch bản hoặc tập dữ liệu nhất định.
• Đánh giá những thách thức trong hệ thống nhận thức cho AI.
• Sử dụng các cảm biến để nhận thức và các ứng dụng của chúng trong các hệ thống thông minh.
• Áp dụng các thuật toán để đào tạo một bộ phân loại hình ảnh.
• Thiết kế một tác nhân có thể lập kế hoạch và hành động để đạt được các mục tiêu nhất định bằng cách sử dụng cảm biến và thiết bị truyền động nhiễu.

Máy học thống kế

• Phân biệt giữa học tập có giám sát và học tập không giám sát.
• Áp dụng các phân phối xác suất phổ biến trong các ứng dụng học máy.
• Sử dụng kiểm chứng chéo để chọn các tham số.
• Sử dụng ước lượng hợp lí cực đại (MLE) để ước tính tham số.
• Triển khai các thuật toán học tập cơ bản như hồi quy logistic và phân cụm k-mean.
• Triển khai các thuật toán học nâng cao hơn như hỗ trợ máy vector và mạng nơ-ron tích tụ.
• Thiết kế một hệ thống sâu bằng cách sử dụng một ứng dụng mẫu để giải quyết một vấn đề cụ thể.
• Áp dụng các kỹ thuật chính được sử dụng trong việc xây dựng kiến trúc học sâu.