Đại số tuyến tính: Bài giảng dành cho sinh viên các ngành kỹ thuật như học máy, AI, Robotics, thị giác máy tính, v.v.

Bạn có thể hiểu nguyên lý hoạt động về mặt lý thuyết của EKF (Kalman mở rộng), UKF (Kalman Unscented) và Particle Filter (bộ lọc hạt) thông qua các ví dụ đơn giản.

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.

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.

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.

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

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.