Lời Nói Đầu Tự Học AI
bởi NguyenIT vào 2024-11-10 11:08:22
Chia sẻ: Facebook | Twitter | Whatsapp | Linkedin Lượt truy cập: 9
AI là một ngành khoa học đang rất phát triển trên thế giới. Chúng ta không thể phủ nhận vai trò của những mô hình và thuật toán đang ngày càng quan trọng đối với con người. Nó len lỏi vào cuộc sống hàng ngày của bạn, thay đổi thói quen của bạn mà bạn có thể không nhận ra.
Khi bạn lướt facebook, những tin tức mà bạn đọc được đều là kết quả đã được khuyến nghị từ thuật toán. Bạn lướt một trang web và nhận được các banner quảng cáo đúng sản phẩm mình cần. Bạn vào một bệnh viện khám bệnh, kết quả của bạn nhận được có thể một phần được đóng góp từ dự đoán của thuật toán. Điện thoại của bạn có thể phân biệt được bạn và em trai của bạn. Tất cả những điều này giúp cuộc sống của chúng ta trở nên tiện tích hơn rất nhiều.
Ngày nay AI đang thu hút được sự đầu tư mạnh mẽ từ các công ty công nghệ trên toàn cầu và thậm chí nó nằm trong chiến lược cạnh tranh giữa các quốc gia. Do nhận được sự đầu tư mạnh mẽ như vậy nên các công việc liên quan tới AI cũng được coi là mang lại một mức thu nhập cao hơn so với những ngành khác. AI đồng thời cũng thu hút được một lượng người học đông đảo không chỉ tại Việt Nam mà còn trên thế giới.
CHƯƠNG I: KIẾN THỨC NỀN VỀ GIẢI TÍCH VÀ ĐẠI SỐ
Giải tích: Vi phân, đạo hàm
Đại số tuyến tính: Không gian véc tơ, ma trận, định thức, trị riêng và hệ cơ sở, phân tích suy biến
CHƯƠNG II: GIẢI TÍCH NHIỀU BIẾN
Vi phân:
Vi phân từng phần
Vi phân toàn phần
Gradients
Chain rule, Product rule
Ma trận Jacobian, Hessian và
Công thức xấp xỉ Newton
Fourier transform
Tích phân:
Tích phân đa biến
Định lý Fubini
Tích phân Riemann
Tích phân Lebesgue
CHƯƠNG III: LÝ THUYẾT XÁC SUẤT
Không gian đại số các biến cố
Độ đo xác suất
Phân phối xác suất phổ biến
Xác suất đồng thời, xác suất có điều kiện, xác suất biên.
Biến ngẫu nhiên liên tục, rời rạc
Hàm phân phối, mật độ, hàm khối xác suất
Lý thuyết thông tin: Cross entropy, Kullback – Leibler divergence
CHƯƠNG IV: LÝ THUYẾT VỀ MACHINE LEARNING
Machine learning algorithms: regression, linear separable, non-linear separable, ensemble model
Optimal transport
Convex optimization
Bayes inference
Parametric estimation
Graphical model
Conformal prediction
Adaptive learning
MAP, MLE
Overfitting and underfitting.
Transfer learning
Generative and Discriminative model
VAE, Restricted Boltzmann
CHƯƠNG V: MẠNG NEURAL NETWORK
Computational graph
Kỹ thuật điều chuẩn: Dropout, Regularization
Hàm loss function đơn giản: MSE, Cross-Entropy
Hàm loss function nâng cao: Focal loss, hing-loss, wing-loss,
Optimizer: SGD, Momentum, Adam, Ada
Layers: Batch-norm, Convol, Fully Connected, RNN, LSTM
Activation: ReLU, Leaky-ReLu, Sigmoid, SELU, PreLU
Advantage Layers: Transposed-Convol, DepthwiseConvol, GRU
Attention mechanism.
Neural Architecture: in CNN, NLP, Voice recognition.
CHƯƠNG VI: CÁC CASE STUDIES
Computer Vision: Các lớp mô hình để giải quyết các bài toán image classification, image segmentation, object detection, faceid, face landmarker.
NLP: Những mô hình chính được sử dụng để giải quyết bài toán sửa lỗi chính tả, phân loại cảm xúc, NER, PoS, sinh văn bản.
Recommeder system: Mô hình khuyến nghị sản phẩm theo collaborative-filtering, content-base và session-base.
Ứng dụng của mô hình credit scoring.
Mô hình chuỗi thời gian.
Tìm Từ Khóa
