Add implementation part to stable diffusion

_config.yml

@@ -1,6 +1,6 @@
-title: "Blog Title"
-author: "Blog Author"
-description: "Made with <b style=\"color: #f45;\">&lt;3</b>"
+title: "Artificial Intelligence Blog"
+author: "Viet Le Hoang"
+description: "Ho Chi Minh University of Technology"
 permalink: /:title/
 lang: "en"
 excerpt_separator: "\n\n\n"
@@ -16,13 +16,13 @@ minimal: false             # use a dark header
 # Menu
 
 navigation:                # accepts {file, title, url, icon, sidebaricon}
-  - {file: "index.html"}
-  - {file: "README.md"}
+  - {file: "index.html", title: "Homepage"}
+  - {file: "about_me.md", title: "About"}
 
 external:                  # shows a footer with social links - for available icons see fontawesome.com/icons
-  - {title: Mail, icon: envelope, url: "mailto:[email protected].com"}
-  - {title: Github, icon: github, url: "https://github.com/niklasbuschmann/contrast"}
-  - {title: Subscribe, icon: rss, url: "/feed.xml"}
+  - {title: Mail, icon: envelope, url: "lehoangviet2k@gmail.com"}
+  - {title: Github, icon: github, url: "https://github.com/Mikyx-1"}
+  # - {title: Subscribe, icon: rss, url: "/feed.xml"}
 
 comments:
 #  disqus_shortname: ""    # see https://disqus.com/

_posts/2017-01-01-HOG.md

@@ -0,0 +1,22 @@
+---
+title:  "Giải thích và code thuật toán HOG (Histogram of oriented gradient)"
+mathjax: true
+layout: post
+categories: media
+---
+
+Xin chào các bạn,   
+Trong bài post này, mình sẽ giới thiệu một phương pháp "cổ điển" để extract features của một bức ảnh. Ở thời đại Deep Learning phát triển vượt bậc như hiện nay, các mạng CNN thường được dùng để trích xuất các đặc trưng của bức ảnh. Tuy nhiên, trước khi Yan LeCun đề xuất kiến trúc CNN thì cũng đã có nhiều nghiên cứu về phương pháp để trích xuất features của một bức ảnh và một trong những phương pháp phổ biến nhất đó là Histogram of Oriented Gradients (HOG). Chúng ta hãy cùng tìm hiểu xem HOG là gì và hoạt động như thế nào nhé.
+
+![Image](https://archive.ph/X93ra/a24f8024dd092236524506b3c9e19cd518045fc6.webp)
+
+### 1. Giới thiệu về HOG
+HOG là một giải thuật trích xuất những điểm đặc trưng trong một bức ảnh và những đặc trưng này có thể được dùng để đưa vào các mô hình phân loại như SVM, Decision Tree, ... cho các task classification, detection, hay thậm chí segmentation. 
+
+Điểm chính trong nguyên lý hoạt động c ủa HOG là mô tả hình dạng của một vật thể cục bộ thông qua hai ma trận: **magnitude gradient** và **orientation gradient*. Để tạo ra hai ma trận này, ảnh được chia thành một lưới ô vuông, trên mỗi ô vuông, ta tính toán biểu đồ histogram thống kê độ lớn gradient. Mỗi ô vuông thường có kích thước 8x8 pixels và bao gồm nhiều ô cục bộ. HOG descriptor được tạo thành bằng cách nối liền 4 vector histogram từ mỗi ô cục bộ. HOG descriptor được tạo thành bằng cách nối liền 4 vector histogram từ mỗi ô cục bộ thành một vector tổng hợp. Để cải thiện độ chính xác, mỗi giá trị của vector histogram trên mỗi vùng cục bộ được chuẩn hóa theo Norm 2 hoặc Norm 1. Ưu điểm của HOG là nó bao gồm tính bất biến đối với biến đổi hình học và thay đổi độ sáng, cũng như khả năng loại bỏ chuyển động cơ thể trong phát hiện con người nếu họ duy trì tư thế đứng thẳng. 
+
+### 2. Cách hoạt động của HOG
+Ở mục 1, mình đã giới thiệu tổng quan về HOG. Giờ thì hãy cùng đào sâu xem nó được hoạt động như thế nào nhé. 
+
+
+

_posts/2017-01-01-taylor_series.md

@@ -0,0 +1,16 @@
+---
+title:  "Giải thích và code from scratch chuỗi Taylor (Taylor Series)"
+mathjax: true
+layout: post
+categories: media
+---
+
+
+
+### References
+
+1. [Derivation of the Taylor Series Part 1](https://www.youtube.com/watch?v=2-X7lqZvjy8)
+
+2. [Derivation of Taylor Series Expansion](https://hep.physics.illinois.edu/home/serrede/P435/Lecture_Notes/Derivation_of_Taylor_Series_Expansion.pdf)
+
+3. [Taylor Series](https://byjus.com/maths/taylor-series/)

_posts/2017-02-01-TF-IDF.md

@@ -0,0 +1,17 @@
+---
+title:  "Giải thích và code Term Frequency - Inverse Document Frequency"
+layout: post
+---
+
+Xin chào các bạn,
+
+Trong bài post này, mình sẽ giới thiệu một phương pháp để xác định độ quan trọng của từng từ trong một câu. 
+
+![Image](https://www.kdnuggets.com/wp-content/uploads/arya-tf-idf-defined-0-1024x573.png)
+
+Vậy mức độ quan trọng của một từ là gì? Mức độ quan trọng ở đây là một con số cụ thể  nào đó và nếu nó lớn thì tức là tư đó quan trọng và ngược lại. Giả sử, bài phát biểu nhậm chức của tổng thống Mỹ như sau: "_Tôi sẽ tập trung vào y tế_", thì trong câu sau từ "_y tế_" nên có mức độ quan trọng lớn hơn các từ như "_Tôi_", "_sẽ_", "_tập_", "_trung_", "_vào_". 
+
+### 1. Giới thiệu TF-IDF
+Như tiêu đề thì TF-IDF là từ viết tắt của cụm Term Frequency - Inverse Document Frequency. Giả thuật này được hai nhà khpa học máy tính Hans Peter Luhn và Karen Spärck Jones tìm ra. Cụ thể hơn, Hans là người phát triển phần term frequency và Karen là người thêm phần Inverse Document Frequency vào giải thuật. 
+
+![Image](https://spectrum.ieee.org/media-library/photo-ibm.jpg?id=25584953&width=1200&height=900)

_posts/2024-02-23-crawl_youtube_videos.md

@@ -0,0 +1,64 @@
+---
+title: "Hướng dẫn crawl Youtube Videos tự động với Python"
+layout: post
+---
+
+
+Xin chào các bạn!
+
+Trong bài post lần này mình sẽ giới thiệu một phương pháp để có thể tự động tải các videos/shorts/livestream từ Youtube về để có thêm nguồn data cho mô hình AI/ML.
+
+Trong lĩnh vực AI/ML, data chiếm 80% công việc của các kĩ sư nên việc biết tận dụng các nền tảng trực tuyến để có thể kiếm thêm nhiều data sẽ rất có ích cho việc xây dựng một mô hình tốt. Có thể kể đến một vài nền tảng nổi tiếng để chúng ta scrape dữ liệu như Instagram, Tiktok, Reddit, Twitter (X), ...
+
+Chúng ta bắt tay vào thực hành luôn nhé!
+
+**Bước 1**: Install thư viện scrapetube, youtube-dl với pip
+
+Cho bạn nào chưa biết, pip là một package manager của Python, nó giúp cho việc cài cắm đơn giản hơn rất nhiều so với việc ta tự download và install thủ công.
+
+Package đầu tiên chúng ta sẽ cài là scrapetube, thư viện này sẽ giúp chúng ta **trích xuất urls** của các videos/shorts một cách tự động mà không cần phải mở một trình duyệt phụ như thư viện Selenium. Vì vậy, việc dùng thư viện này sẽ tiết kiệm khá nhiều thời gian và băng thông mạng của các bạn 😄. Package thứ hai và cũng là package cuối cùng là youtube_dl, thư viện này sẽ giúp chúng ta **tải về các Youtube urls** đã được trích xuất dùng.
+
+
+Ta dùng đoạn lệnh sau để có thể cài 2 thư viện này nhé
+
+```
+pip install scrapetube youtube_dl
+```
+**Bước 2**: Code Python thôii
+
+```python
+# Step 1: Import những thư viện cần thiết
+import scrapetube
+import requests
+import subprocess
+import argparse
+import pandas as pd
+
+def download_video(url):
+    # Đoạn này để setup chất lượng video bạn muốn tải, bạn có thể tham khảo kĩ hơn tại đường link mình để bên dưới nha.
+    subprocess.call(["yt-dlp", "-f", "bestvideo[height<=1080][ext=mp4]", url])
+
+channel_username = "schannelvn"  # Ví dụ về kênh youtube, các bạn có thể lấy kênh nào tùy thích nhé
+
+# Có 3 options: videos, shorts, streams. Tùy các bạn muốn crawl dạng nào và bỏ vào content type nha, mặc định sẽ là videos.
+urls  = scrapetube.get_channel(channel_username=channel_username, content_type="videos")
+
+
+# Bắt đầu download thôiii
+for url in urls:
+    download_video(url)
+```
+
+**Kết luận**
+Và thế  là chỉ sau 2 bước đơn giản, các bạn có thể crawl hàng tấn videos để có thêm data cho model rồi. Đơn giản phải không nào 😄
+
+Phần tiếp theo, mình sẽ hướng dẫn các bạn crawl tiktok videos full HD, không watermarks nha, nhớ ghé blog tiếp hen !!
+
+
+### Tải liệu tham khảo
+1. [Scrapetube-demasmid][Scrapetube-demasmid]
+2. [Youtube-dl][youtube-dl]
+
+
+[Scrapetube-demasmid]: https://github.com/dermasmid/scrapetube
+[youtube-dl]: https://github.com/ytdl-org/youtube-dl