Bộ lọc Kalman 2: EKF (Kalman mở rộng), UKF (Kalman không mùi), Particle Filter (Bộ lọc hạt)

Đây là khóa học Đại số tuyến tính chuyên sâu dành cho sinh viên và chuyên gia các ngành kỹ thuật như Học máy (Machine Learning), AI, Robot học, Thị giác máy tính, v.v. Khóa học này được đề xuất cho những ai muốn nghiên cứu sâu về Đại số tuyến tính. Nội dung được trình bày một cách dễ hiểu nhất có thể, đồng thời đi sâu vào các chủ đề cốt lõi thông qua việc lựa chọn và tập trung vào các nội dung quan trọng.

Việc nắm vững lý thuyết xác suất là điều bắt buộc khi học về AI hay Machine Learning. Tôi đề xuất tài liệu này cho những ai muốn nghiên cứu sâu hơn về lý thuyết xác suất.

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.

Đây là lý thuyết tối ưu hóa cần thiết cho AI/Deep Learning, Thị giác máy tính, Đồ họa máy tính, v.v. Trong Lý thuyết tối ưu hóa 1, chúng tôi tập trung vào định nghĩa của hàm đa biến và đạo hàm của hàm đa biến. Tại sao lại như vậy? Đó là bởi vì tất cả các bài toán tối ưu hóa đều được biểu diễn dưới dạng hàm đa biến. Nếu bạn nắm vững định nghĩa chính xác và khái niệm đạo hàm của hàm đa biến, việc tiếp cận lý thuyết trong các lĩnh vực trên sẽ trở nên dễ dàng hơn rất nhiều.

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.

Bạn có thể hiểu nguyên lý hoạt động lý thuyết của Bộ lọc Kalman (Kalman Filter) thông qua các ví dụ đơn giản.

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

Khóa học này đi sâu vào các biến phức, phương trình vi phân và đại số tuyến tính, cung cấp một sự hiểu biết toàn diện về các khái niệm toán học thiết yếu này. Người học sẽ khám phá các lý thuyết nền tảng và các ứng dụng quan trọng cho các nghiên cứu nâng cao trong toán học và kỹ thuật.

Khóa học này cung cấp phần giới thiệu tương tác về toán học rời rạc dành cho khoa học máy tính và kỹ thuật. Người học sẽ được học các khái niệm toán học cơ bản, cấu trúc rời rạc và lý thuyết xác suất rời rạc, từ đó phát triển khả năng áp dụng vào các lĩnh vực đa dạng của khoa học máy tính.

Đây là khóa học giúp bạn dễ dàng học các khái niệm toán học quan trọng được sử dụng trong trò chơi. Những người giỏi toán thường coi những kiến thức đó là điều hiển nhiên nên khó có thể dạy với giả định rằng người học không biết gì cả. Khóa học này thực sự coi bạn là một người không chuyên và giải thích dưới góc độ của người mới bắt đầu.

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.