Lý thuyết tối ưu hóa 1 được hoàn thành trong 10 phút mỗi ngày trong một tháng

Name: Lý thuyết tối ưu hóa 1 được hoàn thành trong 10 phút mỗi ngày trong một tháng
Price: 55000 KRW
Rating: 5 (1 reviews)

Đây là lý thuyết tối ưu hóa cần thiết cho AI/học sâu, thị giác máy tính và đồ họa máy tính. Lý thuyết tối ưu hóa 1 tập trung vào định nghĩa các hàm nhiều biến và sự vi phân của các hàm nhiều biến. Tại sao lại như vậy! Điều này là do tất cả các bài toán tối ưu hóa đều được thể hiện dưới dạng hàm nhiều biến. Nếu bạn có được định nghĩa chính xác về hàm nhiều biến và khái niệm vi phân, cách tiếp cận lý thuyết đối với các trường trên sẽ trở nên dễ dàng hơn đáng kể.

(5.0) 1 đánh giá

76 học viên

Độ khó Cơ bản

Thời gian Không giới hạn

jhim21

optimization-problem

Linear Algebra

Machine Learning(ML)

Computer Vision(CV)

optimization-problem

Linear Algebra

Machine Learning(ML)

Computer Vision(CV)

Bạn sẽ nhận được điều này sau khi học.

Nghiên cứu định nghĩa các hàm nhiều biến cần thiết cho lý thuyết tối ưu hóa.
Nghiên cứu phép tính vi phân hàm nhiều biến
Khai triển Taylor của hàm nhiều biến
Sách: Bài giảng lý thuyết tối ưu hóa (Janghwan Lim)

Lý thuyết tối ưu hóa đang được ứng dụng trong nhiều lĩnh vực. Tôi xin giới thiệu một số lĩnh vực tiêu biểu.

AI/học máy và phân tích dữ liệu, thị giác máy tính, đồ họa máy tính, ứng dụng trong tài chính, khoa học tự nhiên , v.v.

Đây là một sự thật quan trọng cần biết. Tôi sẽ nhấn mạnh lại lần nữa!!

"Thực tế là tất cả các vấn đề tối ưu hóa đều được thể hiện dưới dạng hàm đa biến."

Nếu bạn muốn tiếp cận lý thuyết tối ưu hóa, hai điều sau đây là kiến thức thiết yếu.

Hiểu biết chính xác về các hàm đa biến
Phương pháp phân biệt chính xác cho các hàm đa biến

Nhiều người tiếp cận lý thuyết tối ưu mà không nắm rõ hai điều này, và cuối cùng cảm thấy nó quá khó. Bài giảng này tập trung vào điểm 1 và 2. Một khi đã nghiên cứu chúng, cuối cùng bạn sẽ gặp phải. Cuối cùng, tôi đã cố gắng giải thích chúng một cách đơn giản. Tuy nhiên, vì đây là một lĩnh vực khá khó, nên có thể nó không hoàn toàn dễ dàng. Tôi xin giới thiệu bài giảng này cho bất kỳ ai cam kết học tập và cống hiến liên tục. Cảm ơn các bạn!!

Kinh thánh của lý thuyết tối ưu hóa là " S. Boyd, L. Vandenberghe: "Convex Optimization", Nhà xuất bản Đại học Cambridge, 2004 ". Bạn có thể tải xuống trực tuyến. Sau khi đọc cuốn sách này, bạn sẽ nhận ra nghiên cứu về lý thuyết tối ưu hóa rộng lớn và sâu sắc đến mức nào. Đây là bằng chứng cho thấy lý thuyết tối ưu hóa rất quan trọng và được ứng dụng rộng rãi. Như câu nói, "Hành trình ngàn dặm khởi đầu bằng một bước chân". Bài giảng này sẽ là người bạn đồng hành của bạn.

"Được rồi! Bây giờ chúng ta hãy cùng xem chúng ta sẽ học gì nhé."

Cần phải có mô hình toán học để sử dụng lý thuyết tối ưu hóa trong lĩnh vực này.

Một mô hình toán học được biểu thị dưới dạng một hàm đa biến, mà chúng ta gọi là hàm chi phí , và phương pháp tìm giá trị nhỏ nhất của hàm này được gọi là tối ưu hóa.

Vì vậy, nghiên cứu lý thuyết tối ưu hóa về mặt toán học có nghĩa là

Khuyến nghị cho
những người này

Khóa học này dành cho ai?

Học máy, học sâu, thị giác máy tính, đồ họa máy tính, lĩnh vực khoa học và kỹ thuật
Tôi giới thiệu nó cho bất kỳ ai muốn hiểu đúng về vi phân của hàm nhiều biến.
Tôi giới thiệu nó cho những ai muốn học chuyên ngành sâu hơn ở trường sau đại học.

Cần biết trước khi bắt đầu?

Đại số tuyến tính, Giải tích
Ý chí làm điều đó là cần thiết
Những người muốn đầu tư liên tục trong một tháng

Xin chào
Đây là

219

Học viên

Đánh giá

Trả lời

4.6

Xếp hạng

Các khóa học

Sau khi tốt nghiệp Tiến sĩ, tôi đã có cơ hội nghiên cứu và giảng dạy về Computer Vision trong khoảng 5 năm,

Cho đến nay, tôi vẫn đang thực hiện các nghiên cứu kết nối giữa chuyên ngành toán học và lý thuyết kỹ thuật.

Lĩnh vực chuyên môn (Lĩnh vực nghiên cứu)

Chuyên ngành: Toán học (Hình học Topo), Chuyên ngành phụ: Khoa học máy tính

Hiện tại) 3D Computer Vision(3D Reconstruction) , Kalman Filter, Lie-group(SO(3)),

Nhà nghiên cứu Phương trình vi phân ngẫu nhiên (Stochastic Differential Equation)

Hiện tại) Vận hành kênh YouTube: Lim Jang-hwan: 3D Computer Vision

Hiện tại) Thành viên Ban chuyên môn Toán học tại nhóm facebook Spatial AI KR

Trường đã theo học

Tiến sĩ Khoa học Tự nhiên tại Đại học Kiel, Đức (Chuyên ngành Hình học Topo & Nhóm Lie, chuyên ngành phụ Khoa học Máy tính)

Cử nhân, Thạc sĩ khoa Toán Đại học Chung-Ang (chuyên ngành Hình học tô-pô)

Kinh nghiệm làm việc

Cựu Giám đốc Công nghệ (CTO) của Doobeevision, công ty con thuộc Tập đoàn Daesung

Cựu Giáo sư nghiên cứu tại Cao học Hình ảnh Tiên tiến, Đại học Chung-Ang (Nghiên cứu 3D Computer Vision)

Sách đã xuất bản:

Lý thuyết tối ưu hóa: https://product.kyobobook.co.kr/detail/S000200518524

Liên kết

Youtube: https://www.youtube.com/@3dcomputervision

Blog: https://blog.naver.com/jang_hwan_im

Nghiên cứu Computer Vision) Sách: Lý thuyết tối ưu hóa: https://product.kyobobook.co.kr/detail/S000200518524 Link Youtube: https://www.youtube.com/@3dcomputervision Blog: https://blog.naver.com/jang_hwan_im

(Nghiên cứu Computer Vision) Sách: Lý thuyết tối ưu hóa: https://product.kyobobook.co.kr/detail/S000200518524 Link YouTube: https://www.youtube.com/@3dcomputervision Blog: https://blog.naver.com/jang_hwan_im

(Nghiên cứu Computer Vision) Sách: Lý thuyết tối ưu hóa: https://product.kyobobook.co.kr/detail/S000200518524 Link Youtube: https://www.youtube.com/@3dcomputervision Blog: https://blog.naver.com/jang_hwan_im

Chương trình giảng dạy

Tất cả

17 bài giảng ∙ (3giờ 16phút)

Tài liệu khóa học:

Tài liệu bài giảng

Phần 1. Giới thiệu lý thuyết tối ưu hóa

3 bài giảng ∙ (42phút)

Phần 2. Đạo hàm của hàm nhiều biến

4 bài giảng ∙ (48phút)

4. Hiểu hàm nhiều biến
17:02
5. biệt hóa từng phần
10:48
6. Tổng vi phân của hàm nhiều biến
13:45
7. Tổng vi phân của hàm nhiều biến
06:48

Phần 3. Khai triển Taylor của hàm nhiều biến

4 bài giảng ∙ (33phút)

8. Khai triển Taylor của hàm nhiều biến
12:10
9. Khai triển Taylor của hàm nhiều biến
13:09
10. Khai triển Taylor của hàm nhiều biến
02:44
11. Bộ cấp độ và hướng của độ dốc
05:13

Phần 4. Hàm lồi

2 bài giảng ∙ (27phút)

Phần 5. Lý thuyết tối ưu hóa

3 bài giảng ∙ (32phút)

Phần 6. Phương pháp nhân Lagrange

1 bài giảng ∙ (11phút)

Ngày đăng:

Cập nhật lần cuối:

Đánh giá

Tất cả

1 đánh giá

5.0

1 đánh giá

ksg
Đánh giá 2
∙
Đánh giá trung bình 5.0
5
100% đã tham gia
Tôi đang học chuyên ngành Trí tuệ nhân tạo (AI), và tôi tự hỏi AI mà mình đã học trước đây là cái gì. Sau khi học toán cơ bản, vì lý thuyết là nền tảng, tôi hiểu AI mà mình đã học rõ hơn và đạt được những nhận thức sâu sắc. Nội dung cũng không quá dài, nên không gây nhàm chán và rất hữu ích để đọc lướt qua một lần.

1.146.211 ₫

Khóa học khác của jhim21

Hãy khám phá các khóa học khác của giảng viên!

Lý thuyết tối ưu hóa Bible

jhim21

Cốt lõi của tất cả AI/Deep Learning cuối cùng đều là tối ưu hóa. Tất nhiên không chỉ riêng AI/Deep Learning mới cần lý thuyết tối ưu hóa. Computer Vision, Robotics & Control Systems, Financial Engineering & Quant, Data Science, Signal Processing... có lẽ dù học lĩnh vực nào, khi đi sâu hơn thì lý thuyết tối ưu hóa là một trong những chủ đề mà bạn chắc chắn sẽ gặp phải. Khóa học này bao gồm từ lý thuyết cơ bản về toán học đến những nội dung sâu sắc một cách có hệ thống. Tôi nghĩ đây chắc chắn là khóa học lý thuyết tối ưu hóa tốt nhất được mở trong nước.

Intermediate

optimization-problem

Lý thuyết tối ưu hóa Bible

jhim21

Đại số tuyến tính hoàn thành trong 1 tháng với 10 phút mỗi ngày

jhim21

Nắm vững đại số tuyến tính cần thiết cho AI/học sâu bằng cách đầu tư 10 phút mỗi ngày và hoàn thành nó trong một tháng.

Basic

Linear Algebra, Procession, Deep Learning(DL)

Đại số tuyến tính hoàn thành trong 1 tháng với 10 phút mỗi ngày

jhim21

Bộ lọc Kalman của Jang-Hwan Lim 1

jhim21

Bạn có thể hiểu nguyên lý hoạt động lý thuyết của Kalman Filter qua các ví dụ dễ hiểu.

Basic

kalman-filter, Probability and Statistics, Linear Algebra

Bộ lọc Kalman của Jang-Hwan Lim 1

jhim21

Khóa học tương tự

Khám phá các khóa học khác trong cùng lĩnh vực!

Đại số tuyến tính hoàn thành trong 1 tháng với 10 phút mỗi ngày

jhim21

Nắm vững đại số tuyến tính cần thiết cho AI/học sâu bằng cách đầu tư 10 phút mỗi ngày và hoàn thành nó trong một tháng.

Basic

Linear Algebra, Procession, Deep Learning(DL)

Đại số tuyến tính hoàn thành trong 1 tháng với 10 phút mỗi ngày

jhim21

Cơ sở toán thống kê cho người không chuyên (lý thuyết)

SW School

Khóa học này là quá trình thực hành các nội dung cơ bản về toán học và thống kê của Machine Learning sử dụng Python. Machine Learning và Deep Learning không chỉ đòi hỏi năng lực lập trình mà còn cần nền tảng toán học để nắm bắt nguyên lý. Thông qua khóa học này, bạn có thể từng bước nắm vững kiến thức toán học cơ bản cần thiết cho trí tuệ nhân tạo!

Beginner

Linear Algebra, Probability and Statistics, Python

Cơ sở toán thống kê cho người không chuyên (lý thuyết)

SW School

Lý thuyết tối ưu hóa Bible

jhim21

Intermediate

optimization-problem

Lý thuyết tối ưu hóa Bible

jhim21

Toán học cho phát triển game (PHẦN 1)

eazuooz

Đây là khóa học giúp bạn học dễ dàng các khái niệm toán học quan trọng được sử dụng trong game. Những người am hiểu toán học thường coi những kiến thức này là hiển nhiên nên không thể dạy dưới giả định rằng người học chẳng biết gì cả. Khóa học này giải thích từ góc nhìn của người mới bắt đầu, thực sự coi bạn như người không chuyên.

Basic

C++, Linear Algebra, game-math

Toán học cho phát triển game (PHẦN 1)

eazuooz

[Với R] Thống kê cơ bản cho học máy

coco

Khóa học này dành cho những người muốn học máy học nhưng thiếu kiến thức thống kê.

Basic

Machine Learning(ML), Statistics, R

[Với R] Thống kê cơ bản cho học máy

coco

Deep Learning dành cho lập trình viên

kok202

Đây là khóa học hữu ích dành cho những ai muốn hệ thống lại kiến thức Deep Learning một cách chuyên sâu và nắm bắt bức tranh toàn cảnh thông qua việc tập trung vào lý thuyết và bối cảnh thay vì thực hành. Bạn có thể dễ dàng thấu hiểu nền tảng toán học và thống kê vốn là gốc rễ của Deep Learning, đồng thời chúng tôi sẽ giải thích một cách trực quan các nguyên lý của những mô hình Deep Learning hiện đại tiêu biểu như AutoEncoder, GAN, Transformer, AlphaGo dưới góc nhìn của một nhà phát triển.

Intermediate

Machine Learning(ML), Deep Learning(DL), Statistics

Deep Learning dành cho lập trình viên

kok202