Giải tích cho AI — Đạo hàm, gradient và nguyên lý mạng nơ-ron học tập
codingmax
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.
Cơ bản
Machine Learning(ML), Deep Learning(DL), Artificial Neural Network











![Mạch tương tự học theo dòng chảy thay vì công thức: 6 bước để hiểu bộ lọc và OP-AMP [Phần lý thuyết]Hình thu nhỏ khóa học](https://cdn.inflearn.com/public/files/courses/339176/cover/ai/1/cd937379-04b7-474d-9b91-0035de94ea0d.png?w=420)

![Cấu trúc và nguyên lý của Kernel Linux: Tiến trình [Bài giảng trực tiếp từ tác giả Phần 1-4]Hình thu nhỏ khóa học](https://cdn.inflearn.com/public/courses/333193/cover/442053bf-cf8d-4d79-a009-41654b6eb262/333193.png?w=420)


