Hoàn thành Lý thuyết Tối ưu hóa trong một tháng, mỗi ngày 10 phút 1

Name: Hoàn thành Lý thuyết Tối ưu hóa trong một tháng, mỗi ngày 10 phút 1
Price: 55000 KRW
Rating: 5 (1 reviews)

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.

(5.0) 1 đánh giá

80 học viên

Độ khó Cơ bản

Thời gian Không giới hạn

jhim21

optimization-problem

Linear Algebra

Machine Learning(ML)

Computer Vision(CV)

optimization-problem

Linear Algebra

Machine Learning(ML)

Computer Vision(CV)

Bạn sẽ nhận được điều này sau khi học.

Học định nghĩa về hàm đa biến cần thiết cho lý thuyết tối ưu hóa
Học đạo hàm của hàm nhiều biến
Khai triển Taylor của hàm nhiều biến
Bài giảng dựa trên sách: Lý thuyết tối ưu hóa (tác giả Lim Jang-hwan)

Lý thuyết tối ưu hóa đang được sử dụng trong nhiều lĩnh vực đa dạng. Sau đây tôi xin giới thiệu một vài lĩnh vực tiêu biểu:

Ứng dụng trong các lĩnh vực AI/Học máy và Phân tích dữ liệu, Thị giác máy tính, Đồ họa máy tính, Tài chính, Khoa học tự nhiên, v.v.

Có một sự thật quan trọng cần phải biết ở đây. Tôi xin nhấn mạnh một lần nữa!!

"Sự thật là mọi bài toán tối ưu hóa đều được biểu diễn dưới dạng hàm đa biến."

Để tiếp cận lý thuyết tối ưu hóa, hai điều sau đây là kiến thức bắt buộc.

Hiểu biết chính xác về hàm đa biến
Phương pháp đạo hàm chính xác của hàm đa biến

Nhiều người tiếp cận lý thuyết tối ưu hóa mà không biết hai sự thật trên, dẫn đến suy nghĩ rằng lý thuyết tối ưu hóa quá khó. Trong bài giảng này, tôi sẽ tập trung vào mục 1 và 2. Nếu bạn học một lần, đây là những nội dung mà chắc chắn bạn sẽ gặp lại vào một lúc nào đó. Cuối cùng, tôi đã cố gắng giải thích thật dễ hiểu. Tuy nhiên, vì đây là một lĩnh vực có độ khó nhất định nên có thể sẽ không hoàn toàn dễ dàng. Tôi đề xuất bài giảng này cho những ai học tập kiên trì và nỗ lực!! Xin cảm ơn!!

Cuốn sách gối đầu giường của lý thuyết tối ưu hóa là "S. Boyd, L. Vandenberghe: “Convex Optimization”, Cambridge University Press, 2004. ". Bạn có thể tải nó trên internet. Nếu xem qua cuốn sách này một lần, bạn sẽ thấy rằng việc học lý thuyết tối ưu hóa rất rộng lớn và sâu sắc. Đây cũng là minh chứng cho thấy lý thuyết tối ưu hóa rất quan trọng và được sử dụng trong nhiều lĩnh vực. Có câu nói rằng "Hành trình vạn dặm bắt đầu từ một bước chân". Bài giảng này sẽ là người bạn đồng hành cùng các bạn.

"Nào! Vậy chúng ta hãy cùng xem qua các nội dung sẽ học nhé."

Để sử dụng lý thuyết tối ưu hóa trong lĩnh vực đó, cần phải có mô hình hóa toán học.

Mô hình toán học được thể hiện dưới dạng một hàm đa biến (multivariable function) mà chúng ta gọi là hàm chi phí (cost function), và phương pháp tìm giá trị cực tiểu của hàm này được gọi là tối ưu hóa.

Vì vậy, việc nghiên cứu lý thuyết tối ưu hóa về mặt toán học có nghĩa là

Khuyến nghị cho
những người này

Khóa học này dành cho ai?

Những người thuộc lĩnh vực Machine Learning, Deep Learning, Computer Vision, Computer Graphics và khối ngành Khoa học Kỹ thuật.
Tôi đề xuất khóa học này cho những ai muốn hiểu rõ về đạo hàm của hàm nhiều biến.
Tôi đề xuất điều này cho những ai muốn nghiên cứu sâu hơn về chuyên ngành của mình tại cao học.

Cần biết trước khi bắt đầu?

Đại số tuyến tính, Giải tích hữu hạn
Ý chí muốn thực hiện là điều thiết yếu
Những người sẽ đầu tư kiên trì trong một tháng

Xin chào
Đây là jhim21

259

Học viên

Đánh giá

Trả lời

4.6

Xếp hạng

Các khóa học

Sau khi tốt nghiệp Tiến sĩ, tôi đã có cơ hội nghiên cứu và giảng dạy về Computer Vision trong khoảng 5 năm,

Cho đến nay, tôi vẫn đang thực hiện các nghiên cứu kết nối giữa chuyên ngành toán học và lý thuyết kỹ thuật.

Lĩnh vực chuyên môn (Lĩnh vực nghiên cứu)

Chuyên ngành: Toán học (Hình học Topo), Chuyên ngành phụ: Khoa học máy tính

Hiện tại) 3D Computer Vision(3D Reconstruction) , Kalman Filter, Lie-group(SO(3)),

Nhà nghiên cứu Phương trình vi phân ngẫu nhiên (Stochastic Differential Equation)

Hiện tại) Vận hành kênh YouTube: Lim Jang-hwan: 3D Computer Vision

Hiện tại) Thành viên Ban chuyên môn Toán học tại nhóm facebook Spatial AI KR

Trường đã theo học

Tiến sĩ Khoa học Tự nhiên tại Đại học Kiel, Đức (Chuyên ngành Hình học Topo & Nhóm Lie, chuyên ngành phụ Khoa học Máy tính)

Cử nhân, Thạc sĩ khoa Toán Đại học Chung-Ang (chuyên ngành Hình học tô-pô)

Kinh nghiệm làm việc

Cựu Giám đốc Công nghệ (CTO) của Doobeevision, công ty con thuộc Tập đoàn Daesung

Cựu Giáo sư nghiên cứu tại Cao học Hình ảnh Tiên tiến, Đại học Chung-Ang (Nghiên cứu 3D Computer Vision)

Sách đã xuất bản:

Lý thuyết tối ưu hóa: https://product.kyobobook.co.kr/detail/S000200518524

Liên kết

Youtube: https://www.youtube.com/@3dcomputervision

Blog: https://blog.naver.com/jang_hwan_im

Nghiên cứu Computer Vision) Sách: Lý thuyết tối ưu hóa: https://product.kyobobook.co.kr/detail/S000200518524 Link Youtube: https://www.youtube.com/@3dcomputervision Blog: https://blog.naver.com/jang_hwan_im

(Nghiên cứu Computer Vision) Sách: Lý thuyết tối ưu hóa: https://product.kyobobook.co.kr/detail/S000200518524 Link YouTube: https://www.youtube.com/@3dcomputervision Blog: https://blog.naver.com/jang_hwan_im

(Nghiên cứu Computer Vision) Sách: Lý thuyết tối ưu hóa: https://product.kyobobook.co.kr/detail/S000200518524 Link Youtube: https://www.youtube.com/@3dcomputervision Blog: https://blog.naver.com/jang_hwan_im

Thêm

Chương trình giảng dạy

Tất cả

17 bài giảng ∙ (3giờ 16phút)

Tài liệu khóa học:

Tài liệu bài giảng

Phần 1. Giới thiệu lý thuyết tối ưu hóa

3 bài giảng ∙ (42phút)

Phần 2. Đạo hàm của hàm nhiều biến

4 bài giảng ∙ (48phút)

4. Hiểu hàm nhiều biến
17:02
5. biệt hóa từng phần
10:48
6. Tổng vi phân của hàm nhiều biến
13:45
7. Tổng vi phân của hàm nhiều biến
06:48

Phần 3. Khai triển Taylor của hàm nhiều biến

4 bài giảng ∙ (33phút)

8. Khai triển Taylor của hàm nhiều biến
12:10
9. Khai triển Taylor của hàm nhiều biến
13:09
10. Khai triển Taylor của hàm nhiều biến
02:44
11. Bộ cấp độ và hướng của độ dốc
05:13

Phần 4. Hàm lồi

2 bài giảng ∙ (27phút)

Phần 5. Lý thuyết tối ưu hóa

3 bài giảng ∙ (32phút)

Phần 6. Phương pháp nhân Lagrange

1 bài giảng ∙ (11phút)

Ngày đăng: 15/01/2024

Cập nhật lần cuối: 13/05/2025

Đánh giá

Tất cả

1 đánh giá

5.0

1 đánh giá

ksg
Đánh giá 3
∙
Đánh giá trung bình 5.0
19/02/2025
5
100% đã tham gia
Tôi đang học chuyên ngành Trí tuệ nhân tạo (AI), và tôi tự hỏi AI mà mình đã học trước đây là cái gì. Sau khi học toán cơ bản, vì lý thuyết là nền tảng, tôi hiểu AI mà mình đã học rõ hơn và đạt được những nhận thức sâu sắc. Nội dung cũng không quá dài, nên không gây nhàm chán và rất hữu ích để đọc lướt qua một lần.

Khóa học khác của jhim21

Hãy khám phá các khóa học khác của giảng viên!

Lý thuyết tối ưu hóa Bible

jhim21

2.418.769 ₫

Trung cấp trở lên / optimization-problem

4.3

(3)

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.

Trung cấp trở lên

optimization-problem

Lý thuyết tối ưu hóa Bible

jhim21

2.418.769 ₫

Trung cấp trở lên / optimization-problem

4.3

(3)

Đại số tuyến tính Phần 1 — Toán học AI hiểu qua hình học vectơ

jhim21

1.970.849 ₫

Cơ bản / Python, Machine Learning(ML), Deep Learning(DL), Procession

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.

Cơ bản

Python, Machine Learning(ML), Deep Learning(DL)

Đại số tuyến tính Phần 1 — Toán học AI hiểu qua hình học vectơ

jhim21

1.970.849 ₫

Cơ bản / Python, Machine Learning(ML), Deep Learning(DL), Procession

Lý thuyết xác suất cho AI và Machine Learning: Cốt lõi của Bayes, Phân phối và Ước lượng

jhim21

1.851.404 ₫

Cơ bản / Python

Update

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.

Cơ bản

Python

Lý thuyết xác suất cho AI và Machine Learning: Cốt lõi của Bayes, Phân phối và Ước lượng

jhim21

1.851.404 ₫

Cơ bản / Python

Update

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

jhim21

1.164.593 ₫

Cơ bản / Linear Algebra, Procession, Deep Learning(DL)

4.6

(5)

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.

Cơ bản

Linear Algebra, Procession, Deep Learning(DL)

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

jhim21

1.164.593 ₫

Cơ bản / Linear Algebra, Procession, Deep Learning(DL)

4.6

(5)

Bộ lọc Kalman Phần 1 — Hiểu về ước lượng trạng thái dựa trên xác suất qua ví dụ

jhim21

4.598.648 ₫

Cơ bản / Python, MATLAB, Linear Algebra, kalman-filter, Probability and Statistics

4.7

(3)

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

Cơ bản

Python, MATLAB, Linear Algebra

Bộ lọc Kalman Phần 1 — Hiểu về ước lượng trạng thái dựa trên xác suất qua ví dụ

jhim21

4.598.648 ₫

Cơ bản / Python, MATLAB, Linear Algebra, kalman-filter, Probability and Statistics

4.7

(3)

Khóa học tương tự

Khám phá các khóa học khác trong cùng lĩnh vực!

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

jhim21

1.164.593 ₫

Cơ bản / Linear Algebra, Procession, Deep Learning(DL)

4.6

(5)

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.

Cơ bản

Linear Algebra, Procession, Deep Learning(DL)

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

jhim21

1.164.593 ₫

Cơ bản / Linear Algebra, Procession, Deep Learning(DL)

4.6

(5)

Đại số tuyến tính Phần 1 — Toán học AI hiểu qua hình học vectơ

jhim21

1.970.849 ₫

Cơ bản / Python, Machine Learning(ML), Deep Learning(DL), Procession

Cơ bản

Python, Machine Learning(ML), Deep Learning(DL)

Đại số tuyến tính Phần 1 — Toán học AI hiểu qua hình học vectơ

jhim21

1.970.849 ₫

Cơ bản / Python, Machine Learning(ML), Deep Learning(DL), Procession

[Với R] Thống kê cơ bản cho học máy

coco

1.045.147 ₫

Cơ bản / Machine Learning(ML), Statistics, R

4.2

(9)

100+

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

Cơ bản

Machine Learning(ML), Statistics, R

[Với R] Thống kê cơ bản cho học máy

coco

1.045.147 ₫

Cơ bản / Machine Learning(ML), Statistics, R

4.2

(9)

100+

Lý thuyết tối ưu hóa Bible

jhim21

2.418.769 ₫

Trung cấp trở lên / optimization-problem

4.3

(3)

Trung cấp trở lên

optimization-problem

Lý thuyết tối ưu hóa Bible

jhim21

2.418.769 ₫

Trung cấp trở lên / optimization-problem

4.3

(3)

Toán học cho phát triển game (PHẦN 1)

eazuooz

716.672 ₫

Cơ bản / C++, Linear Algebra, game-math

5.0

(17)

1,400+

Update

Đây là khóa học giúp bạn học dễ dàng các khái niệm toán học quan trọng được sử dụng trong game. Những người am hiểu toán học thường coi những kiến thức này là hiển nhiên nên không thể dạy dưới giả định rằng người học chẳng biết gì cả. Khóa học này giải thích từ góc nhìn của người mới bắt đầu, thực sự coi bạn như người không chuyên.

Cơ bản

C++, Linear Algebra, game-math

Toán học cho phát triển game (PHẦN 1)

eazuooz

716.672 ₫

Cơ bản / C++, Linear Algebra, game-math

5.0

(17)

1,400+

Update

Deep Learning dành cho lập trình viên

kok202

1.254.177 ₫

Trung cấp trở lên / Machine Learning(ML), Deep Learning(DL), Statistics, AI, Probability and Statistics

4.8

(11)

100+

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.

Trung cấp trở lên

Machine Learning(ML), Deep Learning(DL), Statistics

Deep Learning dành cho lập trình viên

kok202

1.254.177 ₫

Trung cấp trở lên / Machine Learning(ML), Deep Learning(DL), Statistics, AI, Probability and Statistics

4.8

(11)

100+

Hoàn thành Lý thuyết Tối ưu hóa trong một tháng, mỗi ngày 10 phút 1

Bạn sẽ nhận được điều này sau khi học.

!! Tất cả các bài toán lý thuyết tối ưu hóa đều được biểu diễn dưới dạng hàm đa biến. !!

Nội dung cốt lõi được đề cập trong bài giảng này!

Lưu ý trước khi học📢

Khuyến nghị cho
những người này

Xin chào
Đây là jhim21

Chương trình giảng dạy

Đánh giá

Khóa học khác của jhim21

Khóa học tương tự

Hoàn thành Lý thuyết Tối ưu hóa trong một tháng, mỗi ngày 10 phút 1

Bạn sẽ nhận được điều này sau khi học.

!! Tất cả các bài toán lý thuyết tối ưu hóa đều được biểu diễn dưới dạng hàm đa biến. !!

Nội dung cốt lõi được đề cập trong bài giảng này!

Lưu ý trước khi học📢

Khuyến nghị cho những người này

Xin chàoĐây là jhim21

Chương trình giảng dạy

Đánh giá

Khóa học khác của jhim21

Khóa học tương tự

Khuyến nghị cho
những người này

Xin chào
Đây là jhim21