Mọi người AI – Nền tảng học AI giúp hiểu theo luồng tính toán, từ toán cơ bản đến lan truyền ngược
(mdooai.com)Xin chào. Tôi là một người đi làm, hiện làm việc với vai trò lập trình viên, và từ năm ngoái bắt đầu theo học cao học AI buổi tối vì nảy sinh hứng thú với trí tuệ nhân tạo.
Khi tham gia các cuộc thi AI, từng đạt giải và tự tay xây dựng, tinh chỉnh nhiều mô hình khác nhau, tôi đã nhận ra một điều.
Kỹ thuật tất nhiên quan trọng, nhưng thứ cuối cùng tạo ra khác biệt về hiệu năng lại là sự hiểu biết về nền tảng cơ bản.
Việc nhanh chóng áp dụng mô hình bằng vibe coding đã trở nên dễ hơn, nhưng khi hiệu năng không đạt như kỳ vọng thì việc giải thích nguyên nhân và cải thiện nó vẫn rất khó.
Đặc biệt, nếu không hiểu nền tảng toán học và nguyên lý của AI thì sẽ rất khó phân tích một cách có cấu trúc xem nút thắt cổ chai phát sinh ở đâu.
Vì vậy, dựa trên những nội dung tôi đã học và tự hệ thống lại, tôi đã trực tiếp phát triển rồi công khai một nền tảng học tập.
Nền tảng được cấu thành theo một chương trình học nối tiếp từng bước, từ toán cơ bản đến các cấu trúc cốt lõi của deep learning.
📘 Part 1. Toán cơ bản và trí tuệ nhân tạo
Ch.00 Toán cơ bản và trí tuệ nhân tạo: Học ngôn ngữ của AI
Ch.01 Hàm số: Đơn vị cơ bản của AI kết nối đầu vào và đầu ra
Ch.02 Số mũ và hàm mũ: Toán học của tăng trưởng và kích hoạt
Ch.03 Hàm log: Biến phép nhân thành phép cộng, ngôn ngữ để thiết kế hàm mất mát
Ch.04 Giới hạn và ε-δ: Định nghĩa thế nào là “tiến gần vô hạn”
Ch.05 Tính liên tục: Đường cong không đứt đoạn, mở cánh cửa cho đạo hàm
Ch.06 Vi phân và đạo hàm: Độ dốc tức thời, la bàn của quá trình học
Ch.07 Quy tắc dây chuyền: Gỡ các hàm chồng lớp, cốt lõi của lan truyền ngược
Ch.08 Đạo hàm riêng và gradient: Thế giới của nhiều biến, hướng của gradient descent
Ch.09 Tích phân: Diện tích và tích lũy, cây cầu dẫn tới xác suất
Ch.10 Biến ngẫu nhiên và phân phối xác suất: Gói gọn tính bất định bằng con số
Ch.11 Trung bình và phương sai: Tâm và độ phân tán của phân phối
Ch.12 Phân phối đều và phân phối chuẩn: Từ khởi tạo đến dự đoán
📗 Part 2. Hiểu cấu trúc của deep learning
Ch.00 Bước đầu với deep learning: AI suy nghĩ như thế nào?
Ch.01 Tích vô hướng vector: Tìm mức độ tương đồng giữa dữ liệu
Ch.02 Phép nhân ma trận: Phép màu tính toán hàng loạt cùng lúc
Ch.03 Tầng tuyến tính: Trọng số quyết định mức độ quan trọng
Ch.04 Hàm kích hoạt: Bổ sung khả năng phán đoán cho AI
Ch.05 Nơ-ron nhân tạo: Đơn vị gom thông tin và phát tín hiệu
Ch.06 Xử lý theo batch: Gom lại để học trong một lần
Ch.07 Kết nối trọng số: Hàng tỷ chuỗi liên kết tạo nên trí tuệ
Ch.08 Tầng ẩn: Chiều sâu tư duy không nhìn thấy được
Ch.09 Mạng nơ-ron sâu: Sức mạnh giải các bài toán phức tạp hơn
Ch.10 Độ rộng và nơ-ron: Tìm nhiều đặc trưng hơn trong cùng một lần
Ch.11 Softmax: Biến kết quả thành mức độ tự tin
Ch.12 Gradient và lan truyền ngược: Cách học từ sai lầm
Ch.13 Tổng kết: Bản đồ trí tuệ nhân tạo trong một cái nhìn
Nội dung không chỉ đơn thuần là tóm tắt khái niệm, mà được xây dựng theo cách lần lượt bám theo luồng tính toán để hiểu “vì sao nó vận hành như vậy”. Trọng tâm là trực quan hóa và tương tác.
Trong thời gian tới, tôi dự định sẽ tiếp tục mở rộng nhiều nội dung giáo dục AI đa dạng hơn, bao gồm cả machine learning.
Dù vẫn còn là phiên bản ban đầu, nền tảng vẫn đang được cải tiến liên tục.
Nếu nhận được phản hồi, tôi sẽ tích cực phản ánh vào sản phẩm.
9 bình luận
Cảm ơn. Tôi sẽ dùng nó để học AI.
Cảm ơn bạn. Chúng tôi dự định sẽ bổ sung thêm nhiều nội dung hơn. Hãy ghé thăm thường xuyên nhé!
Hàm số. Câu 15. $f(x) = -3x + 5, f(7) = -16
Tôi nhập 16 nhưng lại hiện là sai
Ôi, tôi sẽ sửa lỗi này. Cảm ơn bạn!
Khi nhập câu trả lời trong quá trình giải bài, nếu đáp án đúng là số âm có dấu
-đứng trước thì hệ thống không nhận diện được dấu đã có sẵn đó và coi là đáp án sai.Ôi, tôi sẽ sửa lỗi. Cảm ơn bạn!
Mình mới áp dụng AdSense lần đầu nên đã có chút sơ suất..! Mình sẽ chỉnh sửa, cảm ơn bạn :)
Nội dung thì tốt, nhưng có quá nhiều popup quảng cáo nên rất khó xem.
Mình mới áp dụng AdSense lần đầu nên đã có chút sai sót..! Mình sẽ sửa lại, cảm ơn bạn :)