inflearn logo

Giải tích cho AI — Đạo hàm, gradient và nguyên lý mạng nơ-ron học tập

Đây là bài giảng dành cho những ai muốn hiểu các công thức về phép vi phân và lan truyền ngược trong học sâu. Bạn sẽ lần lượt học từ hàm số và giới hạn đến đạo hàm, quy tắc dây chuyền, gradient và phương pháp giảm độ dốc, sau đó tự tính toán quá trình lan truyền xuôi, tính hàm mất mát, lan truyền ngược và cập nhật trọng số của một mạng nơ-ron nhỏ. Không cần lập trình hay cài đặt, bạn có thể tìm hiểu các khái niệm qua hình ảnh động và kết nối chúng với các công thức cũng như quá trình học của AI.

3 học viên đang tham gia khóa học này

Độ khó Cơ bản

Thời gian Không giới hạn

Machine Learning(ML)
Machine Learning(ML)
Deep Learning(DL)
Deep Learning(DL)
Artificial Neural Network
Artificial Neural Network
Linear Algebra
Linear Algebra
Integral Differential
Integral Differential
Machine Learning(ML)
Machine Learning(ML)
Deep Learning(DL)
Deep Learning(DL)
Artificial Neural Network
Artificial Neural Network
Linear Algebra
Linear Algebra
Integral Differential
Integral Differential

Bạn sẽ nhận được điều này sau khi học.

  • Có thể hiểu hàm số, giới hạn, đạo hàm và quy tắc dây chuyền bằng đồ thị và công thức, đồng thời giải thích mối quan hệ của chúng với mạng nơ-ron.

  • Có thể tính gradient của hàm mất mát và xác định nên điều chỉnh trọng số theo hướng nào và với mức độ bao nhiêu.

  • Bạn có thể tự tính toán lan truyền tiến, tính tổn thất, lan truyền ngược, trung bình mini-batch và cập nhật trọng số của một mạng nơ-ron nhỏ.

  • Có thể so sánh nguyên lý của phương pháp giảm gradient, momentum và Adam, đồng thời giải thích ảnh hưởng của tốc độ học và hàm kích hoạt đến quá trình học.

Khuyến nghị cho
những người này

Khóa học này dành cho ai?

  • Dành cho những ai muốn hiểu các công thức đạo hàm và lan truyền ngược xuất hiện trong các bài giảng hoặc bài báo về học sâu.

  • Những người đã từng chạy mô hình nhưng muốn tìm hiểu nguyên lý tính gradient trong framework.

  • Dành cho những ai muốn tiếp tục học AI sau khi học các kiến thức cơ bản về đại số tuyến tính, đồng thời nắm vững giải tích thông qua hình ảnh và tính toán.

Cần biết trước khi bắt đầu?

  • Tham gia khóa học 「Đại số tuyến tính cho AI」 hoặc có kiến thức cơ bản tương đương về vectơ, ma trận, tích vô hướng và phép biến đổi tuyến tính

  • Đại số ở trình độ trung học phổ thông, chẳng hạn như giải phương trình, mặt phẳng tọa độ và đọc các đồ thị đơn giản.

  • Không cần học trước về giải tích hay có kinh nghiệm lập trình. Khóa học được tiến hành mà không cần cài đặt môi trường phát triển riêng.

Xin chào
Đây là codingmax

Xác minh sự nghiệp

708

Học viên

50

Đánh giá

18

Trả lời

4.9

Xếp hạng

5

Các khóa học

Xin chào. Tôi đang điều hành HyperStep, một công ty nội dung giáo dục, và tạo ra các nội dung giải thích về toán học và lập trình một cách dễ hiểu và trực quan.

Hiện tại) Đại diện HyperStep, doanh nghiệp nội dung giáo dục
Hơn 20 năm kinh nghiệm phát triển phần mềm

Cựu nhân viên Coupang
Cựu nhân viên Hyperconnect
Cựu nhân viên Kakao
Cựu nhân viên Kakao Entertainment
Cựu nhân viên Polaris Office (Infraware)

 

코딩맥스-CodingMax
📺https://www.youtube.com/@coding-max
📘https://www.codingmax.net

Thêm

Chương trình giảng dạy

Tất cả

144 bài giảng ∙ (18giờ 13phút)

Ngày đăng: 
Cập nhật lần cuối: 

Đánh giá

Chưa có đủ đánh giá.
Hãy trở thành tác giả của một đánh giá giúp mọi người!

Khóa học khác của codingmax

Hãy khám phá các khóa học khác của giảng viên!

Khóa học tương tự

Khám phá các khóa học khác trong cùng lĩnh vực!

Ưu đãi có thời hạn

1.030.574 ₫

50%

2.061.148 ₫