Trong làn sóng bùng nổ công nghệ, Trí tuệ nhân tạo (AI) đang được đưa vào trung tâm của các hệ thống hiện đại, từ những sản phẩm thông minh hằng ngày cho đến hạ tầng mạng và truyền thông quy mô lớn. AI từng bước thay đổi cách con người thiết kế, tối ưu và vận hành các hệ thống phức tạp.
Học tăng cường (Reinforcement Learning - RL) chính là bước chuyển từ học để biết sang học cách hành động thông minh, mở ra kỷ nguyên Intelligent Networking. Với định hướng đó, NT549 - Học tăng cường cho các hệ thống mạng là môn học được xây dựng nhằm trang bị cho sinh viên kiến thức và kỹ năng ứng dụng học tăng cường trong lĩnh vực mạng máy tính. Môn học không chỉ giới thiệu các thuật toán RL, mà còn hướng đến mô hình hóa bài toán mạng, thiết kế tác nhân học tăng cường, triển khai và đánh giá các giải pháp RL cho các hệ thống mạng thực tế và mô phỏng.
NHỮNG NỘI DUNG BẠN SẼ CHINH PHỤC:
- Nền tảng học tăng cường từ gốc rễ: hiểu cách hệ thống học thông qua tương tác với môi trường.
- Các thuật toán RL hiện đại: làm chủ Q-learning, Deep Q-Network, Policy Gradient và Actor - Critic - nền tảng của AI ra quyết định và các thuật toán RL hiện đại khác.
- Ứng dụng RL trong hệ thống mạng: giải quyết các bài toán thực tế như định tuyến động, phân phối tài nguyên, offloading, bảo mật mạng,…
- Multi-Agent Reinforcement Learning: xây dựng và phân phối các hệ thống nhiều tác nhân cùng học và phối hợp trong môi trường mạng phức tạp.
- Công cụ và framework: Python, PyTorch, Gymnasium, Stable-Baselines3 để triển khai và huấn luyện mô hình RL.
- Đánh giá và tối ưu giải pháp: phân tích hiệu năng, so sánh các phương pháp và chứng minh tính hiệu quả của mô hình, không chỉ dừng ở việc “chạy được code”.
MỤC TIÊU MÔN HỌC
Kết thúc môn học, sinh viên không chỉ triển khai được các thuật toán học tăng cường, mà còn hình thành tư duy thiết kế một giải pháp học tăng cường hoàn chỉnh cho hệ thống mạng. Sinh viên có khả năng mô hình hóa bài toán mạng thành bài toán ra quyết định trong môi trường động, xây dựng tác nhân học tăng cường, lựa chọn thuật toán phù hợp và huấn luyện mô hình trong môi trường mô phỏng thực tế.
Quan trọng hơn, sinh viên sẽ biết cách đánh giá hiệu năng, phân tích hành vi của agent và chứng minh tính hiệu quả của giải pháp đối với hệ thống. Thông qua đồ án nhóm, kiến thức AI được gắn trực tiếp với các bài toán thực tế, giúp sinh viên tự tin tiếp cận các hướng nghiên cứu và ứng dụng chuyên sâu trong lĩnh vực Intelligent Networking.
VỀ SINH VIÊN
NT549 là môn học dành cho sinh viên tất cả các ngành của UIT, đặc biệt phù hợp với sinh viên Khoa Mạng máy tính và Truyền thông, những người mong muốn đi xa hơn trong việc tối ưu hệ thống mạng, để hiểu cách AI thực sự ra quyết định trong các hệ thống động và phức tạp. Nếu bạn quan tâm đến các bài toán mà môi trường luôn thay đổi, kết quả của mỗi quyết định chỉ được phản hồi theo thời gian, và hệ thống phải liên tục học hỏi để tối ưu hiệu năng, thì đây chính là môn học dành cho bạn.
Môn học đặc biệt thích hợp với sinh viên có định hướng nghiên cứu hoặc ứng dụng trong các lĩnh vực như AI, hệ thống mạng, edge/cloud computing và các hệ thống thông minh.
Về yêu cầu nền tảng, sinh viên cần học trước các môn Nhập môn Mạng máy tính và Lập trình hướng đối tượng, đồng thời có khả năng lập trình Python để thực hiện các bài thực hành và đồ án. Kiến thức về học sâu và các framework như PyTorch không bắt buộc nhưng sẽ là lợi thế lớn khi tiếp cận các nội dung học tăng cường sâu.
Trong trường hợp sinh viên chưa có nền tảng về các công cụ, kiến thức yêu cầu, môn học vẫn có phần giới thiệu và hướng dẫn bổ trợ trong quá trình học lý thuyết và thực hành, với điều kiện người học có tinh thần chủ động và sẵn sàng thử thách với các bài toán mới.
VỀ GIẢNG VIÊN DẪN DẮT MÔN HỌC NÀY:
- TS. Huỳnh Văn Đặng - GVLT.
- ThS. Phan Trung Phát - GVTH.
THÔNG TIN MÔN HỌC
Mã môn học: NT549.
Tên môn học: Học tăng cường cho các hệ thống mạng.
Môn học trước: Nhập môn Mạng máy tính, Lập trình hướng đối tượng.
Loại hình môn học: Môn học chuyên ngành.
Thời khóa biểu dự kiến: Lý thuyết Thứ 2 tiết 123 và Thực hành Thứ 2 tiết 67890.
Thời gian học: 15 buổi lý thuyết và 6 buổi thực hành.
Hình thức thực hành: Hình thức 1.
Thông tin chi tiết tại: https://www.facebook.com/share/p/1CXPfQxoam/
Đông Xanh - Cộng tác viên truyền thông Trường Đại học Công nghệ Thông tin
