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

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.

Đây là khóa học đại số tuyến tính chuyên sâu dành cho sinh viên các ngành kỹ thuật như học máy, AI, Robotics, thị giác máy tính, v.v. Khóa học phù hợp với những ai muốn học đại số tuyến tính một cách chuyên sâu. Nội dung được giải thích dễ hiểu nhất có thể, đồng thời đi sâu vào các chủ đề quan trọng thông qua việc lựa chọn và tập trung vào những nội dung cốt lõi.

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.

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

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.

Bạn có phải là người bỏ toán thời đi học không? Người ta nói toán học quan trọng trong AI, bạn có thấy bế tắc không biết phải tiếp cận thế nào không? Lý do toán học quan trọng trong Trí tuệ nhân tạo là vì nó được sử dụng trong quá trình tính toán của Trí tuệ nhân tạo (Machine Learning và Deep Learning). Để giải thích một cách dễ hiểu về Vi tích phân, Đại số tuyến tính, và Xác suất & Thống kê, những kiến thức cần thiết để hiểu Trí tuệ nhân tạo, nội dung này được xây dựng bằng cách giải thích đơn giản sử dụng đồ thị (tọa độ) thay vì các công thức toán học.

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.

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.