Check with seller Hồ Chí Minh => Tuyển giảng viên Khoa CNTT dạy về lập trình PyTorch cho học sâu

Tuyển dụng Giảng viên Khoa CNTT dạy về Lập trình PyTorch cho Học Sâu

Mô tả công việc:

Chúng tôi đang tìm kiếm một giảng viên có kinh nghiệm và đam mê để giảng dạy môn Lập trình PyTorch cho Học Sâu cho sinh viên Khoa CNTT. Ứng viên lý tưởng sẽ có kiến thức sâu rộng về học sâu, kinh nghiệm thực tế với PyTorch và khả năng truyền đạt kiến thức một cách hiệu quả.

Trách nhiệm:

Phát triển và giảng dạy các bài giảng, bài tập thực hành và dự án liên quan đến lập trình PyTorch cho học sâu.
Cập nhật giáo trình để phản ánh những tiến bộ mới nhất trong lĩnh vực học sâu và PyTorch.
Hướng dẫn và hỗ trợ sinh viên trong quá trình học tập và thực hiện các dự án.
Đánh giá kết quả học tập của sinh viên thông qua các bài kiểm tra, bài tập và dự án.
Tham gia vào các hoạt động nghiên cứu khoa học của Khoa (nếu có).
Tham gia các buổi họp chuyên môn và các hoạt động khác của Khoa.

Yêu cầu:

Bằng Thạc sĩ trở lên trong lĩnh vực Khoa học Máy tính, Trí tuệ Nhân tạo hoặc các lĩnh vực liên quan. Ưu tiên ứng viên có bằng Tiến sĩ.
Có kiến thức vững chắc về các khái niệm cơ bản của học sâu, bao gồm:
Mạng nơ-ron (Neural Networks)
Hàm kích hoạt (Activation Functions)
Hàm mất mát (Loss Functions)
Thuật toán tối ưu hóa (Optimization Algorithms)
Mạng nơ-ron tích chập (Convolutional Neural Networks - CNNs)
Mạng nơ-ron hồi quy (Recurrent Neural Networks - RNNs)
Mạng nơ-ron biến áp (Transformers)
Có kinh nghiệm thực tế trong việc lập trình và triển khai các mô hình học sâu bằng PyTorch.
Có khả năng sử dụng các thư viện và công cụ hỗ trợ cho học sâu như:
NumPy
Pandas
Scikit-learn
Matplotlib/Seaborn
Có kinh nghiệm giảng dạy hoặc đào tạo (ưu tiên).
Có khả năng giao tiếp tốt, truyền đạt kiến thức rõ ràng và dễ hiểu.
Có khả năng làm việc độc lập và làm việc nhóm hiệu quả.
Có tinh thần trách nhiệm cao, nhiệt tình và tâm huyết với công việc.
Có khả năng đọc hiểu tài liệu tiếng Anh chuyên ngành.

Ưu tiên:

Có kinh nghiệm nghiên cứu khoa học trong lĩnh vực học sâu và công bố các bài báo khoa học trên các tạp chí/hội nghị uy tín.
Có kinh nghiệm xây dựng và triển khai các ứng dụng học sâu thực tế.
Có chứng chỉ hoặc khóa học liên quan đến học sâu và PyTorch.
Có kiến thức về các framework học sâu khác như TensorFlow, Keras.
Có kinh nghiệm làm việc với dữ liệu lớn.

Quyền lợi:

Mức lương cạnh tranh, thỏa thuận theo năng lực và kinh nghiệm.
Được hưởng đầy đủ các chế độ bảo hiểm theo quy định của pháp luật.
Được tham gia các khóa đào tạo nâng cao trình độ chuyên môn.
Môi trường làm việc năng động, sáng tạo và chuyên nghiệp.
Cơ hội phát triển nghề nghiệp.
Các phúc lợi khác theo quy định của trường/khoa.

Hồ sơ dự tuyển:

Đơn xin việc.
Sơ yếu lý lịch (CV) chi tiết, ghi rõ kinh nghiệm làm việc và các kỹ năng liên quan.
Bản sao các văn bằng, chứng chỉ liên quan.
Các bài báo khoa học hoặc dự án đã thực hiện (nếu có).
Thư giới thiệu (nếu có).

Cách thức nộp hồ sơ:

Ứng viên quan tâm vui lòng gửi hồ sơ qua email tới địa chỉ: [Điền địa chỉ email của Khoa CNTT]
Hoặc nộp trực tiếp tại văn phòng Khoa CNTT: [Điền địa chỉ văn phòng Khoa CNTT]

Thời hạn nộp hồ sơ:

[Điền thời hạn nộp hồ sơ]

Liên hệ:

Mọi thắc mắc xin vui lòng liên hệ: [Điền số điện thoại liên hệ của Khoa CNTT]

Lưu ý:

Chỉ những ứng viên đáp ứng yêu cầu sẽ được mời tham gia phỏng vấn.
Hồ sơ không được hoàn lại.

Ví dụ về nội dung khóa học PyTorch cho Học Sâu (tham khảo):

Buổi 1: Giới thiệu về Học Sâu và PyTorch

Tổng quan về Học Sâu và các ứng dụng
Giới thiệu về PyTorch: Cài đặt, tensor, autograd

Buổi 2: Xây dựng Mạng Nơ-ron Cơ Bản

Xây dựng và huấn luyện mạng nơ-ron đơn giản
Các hàm kích hoạt và hàm mất mát phổ biến
Tối ưu hóa với Gradient Descent và các biến thể

Buổi 3: Mạng Nơ-ron Tích Chập (CNNs)

Kiến trúc CNN: Convolution, Pooling, Fully Connected Layers
Ứng dụng CNNs trong nhận dạng ảnh (ví dụ: CIFAR-10)
Data augmentation

Buổi 4: Mạng Nơ-ron Hồi Quy (RNNs)

Kiến trúc RNN: LSTM, GRU
Ứng dụng RNNs trong xử lý ngôn ngữ tự nhiên (ví dụ: sentiment analysis)
Sequence-to-sequence learning

Buổi 5: Mạng Nơ-ron Biến Áp (Transformers)

Self-attention mechanism
Kiến trúc Transformer
Ứng dụng Transformers trong dịch máy (Machine Translation)

Buổi 6: Transfer Learning

Fine-tuning các mô hình pre-trained (ví dụ: ResNet, BERT)
Ứng dụng Transfer Learning vào các bài toán thực tế

Buổi 7: Các Kỹ Thuật Nâng Cao

Regularization (Dropout, Batch Normalization)
Learning Rate Scheduling
Model Optimization

Buổi 8: Triển khai Mô Hình Học Sâu

Lưu và tải mô hình
Triển khai mô hình trên CPU/GPU
Giới thiệu về PyTorch Lightning, TorchServe

Lưu ý quan trọng:

Hãy điều chỉnh mô tả công việc, yêu cầu, quyền lợi, và nội dung khóa học cho phù hợp với yêu cầu cụ thể của trường/khoa bạn.
Đảm bảo rằng các thông tin liên hệ (email, số điện thoại, địa chỉ) là chính xác.
Kiểm tra kỹ lưỡng trước khi đăng tải hoặc gửi thông báo tuyển dụng.

Chúc bạn tìm được giảng viên phù hợp!

Contact seller Share

Comments