Bỏ qua tới nội dung chính

Trước khi có giải tích

· Bài đọc mở đầu

Giải tích: toán của sự thay đổi và tích lũy, nhìn từ phía người lập trình

Vì sao người học khoa học máy tính cần giải tích: đạo hàm và tích phân bằng code, giới hạn gặp số thực của máy, chuỗi Taylor, gradient — và nên bắt đầu từ đâu.

Ban biên tập OpenER

Cập nhật 09/11/2026 · 19 phút đọc · CC BY 4.0

Trên mặt đồng hồ xe máy có hai thứ nằm cạnh nhau. Một cây kim chỉ tốc độ: 40 km/h khi chạy ngoài đường lớn, tụt về 15 khi rẽ vào hẻm. Và một dãy số đếm tổng quãng đường xe đã đi — số ODO — cứ nhích dần lên, không bao giờ lùi.

Hai thứ đó trông đơn giản, nhưng giấu hai câu hỏi khó. "40 km/h ngay lúc này" nghĩa là gì, khi trong đúng một khoảnh khắc xe không đi được mét nào và cũng không mất giây nào? Và nếu tốc độ đổi liên tục từng chút một, làm sao cộng lại thành tổng quãng đường? Ngành toán trả lời hai câu hỏi đó là giải tích (calculus): đạo hàm (derivative) cho cây kim, tích phân (integral) cho dãy số.

Bài Toán rời rạc, logic và chứng minh nói đúng rằng phần lớn toán máy tính dùng hằng ngày là toán của những thứ đếm được. Nhưng khi phần mềm phải làm việc với thế giới thật — chuyển động trong game, âm thanh, ánh sáng, một mô hình học máy tự chỉnh mình — giải tích quay lại. Với người lập trình còn thêm một chuyện thú vị: khi tính bằng số, máy không có "vô cùng nhỏ", nên mỗi ý của giải tích phải được dịch thành những bước nhỏ có thật.

Trước khi có giải tích

Từ thời Hy Lạp cổ, người ta đã tính được diện tích và tiếp tuyến của một số đường cong — nhưng mỗi đường cong một mẹo riêng.

  • Thế kỷ III trước Công nguyên, Archimedes kẹp hình tròn giữa hai đa giác đều 96 cạnh, một nằm trong, một bao ngoài, và chứng minh π nằm giữa 3 10/71 và 3 1/7. Ông cũng tính diện tích một mảnh parabol bằng cách lấp nó bằng những tam giác ngày càng nhỏ: ý tưởng "chia nhỏ mãi rồi cộng lại", nhưng làm bằng hình học, cho từng hình một.
  • Năm 1615, Johannes Kepler in hẳn một cuốn sách về thể tích thùng rượu, sau khi mua rượu cho đám cưới và tò mò về cách người bán đo thùng bằng một cây que. Ông tưởng tượng cắt thùng thành vô số lát mỏng.
  • Thập niên 1630, Fermat tìm được điểm cao nhất, thấp nhất và tiếp tuyến của một số đường cong, còn Descartes (1637) biến đường cong thành phương trình.
  • Ở Ấn Độ, trường phái Kerala, bắt đầu từ Madhava (khoảng thế kỷ XIV), đã viết được sin và cos thành những tổng vô hạn, vài trăm năm trước châu Âu.

Rồi giải tích ra đời từng bước:

  1. Một phương pháp chung — Newton và Leibniz. Khoảng 1665–1666, khi Đại học Cambridge đóng cửa vì dịch hạch, Isaac Newton về quê và phát triển cái ông gọi là phép tính fluxion — tốc độ của những đại lượng đang "chảy". Khoảng năm 1675 ở Paris, Gottfried Leibniz tự mình tìm ra cùng điều đó, và công bố trước, năm 1684. Điều cả hai thấy không phải đạo hàm hay tích phân riêng lẻ, mà là chúng ngược nhau — nên những bài toán diện tích, thể tích, tiếp tuyến bỗng giải được bằng một bộ quy tắc chung. Hai người tranh nhau công trạng đến cuối đời; năm 1712, Hội Hoàng gia Anh — do chính Newton làm chủ tịch — kết luận Newton có trước. Ngày nay giới sử học đồng ý rằng cả hai tìm ra độc lập. Còn ký hiệu thì Leibniz thắng: dx, dy và dấu ∫ ta dùng hôm nay là của ông.
  2. Dùng được mà chưa vững. Giải tích tính được quỹ đạo hành tinh, thủy triều, đường đạn — nhưng dựa trên những "đại lượng vô cùng nhỏ" mà không ai định nghĩa nổi. Năm 1734, giám mục George Berkeley chế giễu chúng là "bóng ma của những đại lượng đã khuất". Ông có lý: suốt hơn một thế kỷ, người ta dùng một công cụ chưa có nền móng.
  3. Làm cho chặt. Thế kỷ XIX, Cauchy (1821) đặt giải tích lên khái niệm giới hạn (limit), Weierstrass viết giới hạn thành định nghĩa ε–δ không cần tới "vô cùng nhỏ", và Riemann (1854) định nghĩa tích phân bằng tổng của những hình chữ nhật mảnh. Đến lúc đó, giải tích mới thành thứ toán chứng minh được, chứ không chỉ dùng được.

Đặt cạnh nhau:

Không có giải tích
Có giải tích
Diện tích, tiếp tuyến
Mỗi đường cong một mẹo hình học riêng
Một bộ quy tắc chung cho mọi hàm "trơn"
Chuyển động
Tốc độ trung bình trên cả quãng đường
Tốc độ, gia tốc ở từng thời điểm; tính trước được quỹ đạo
Tìm phương án tốt nhất
Thử từng phương án
Tìm chỗ đạo hàm bằng 0
Tính sin, logarit
Tra bảng lập bằng tay, có khi sai
Cộng vài số hạng của một chuỗi, chính xác tới mức cần
Mô tả một hệ đang thay đổi
Bằng lời
Bằng phương trình vi phân: mạch điện, dịch bệnh, thời tiết

Có một nơi ngày nay vẫn sống trong thế giới trước Newton: chính chiếc máy tính khi mô phỏng. Một trò chơi điện tử không tính chuyển động liên tục, mà cập nhật vị trí từng bước, thường vài chục lần mỗi giây: vi_tri = vi_tri + van_toc * dt. Mắt người hầu như không nhận ra — cho tới khi có một viên đạn bay 900 m/s. Với bước 1/60 giây, mỗi bước nó nhảy 15 mét: bước trước còn ở trước một bức tường dày 20 cm, bước sau đã ở sau tường, chưa lúc nào "chạm". Lỗi xuyên tường (tunneling) này quen thuộc với người làm game, và cách sửa là đưa giải tích quay lại: xét cả đoạn đường viên đạn đi trong bước đó thay vì chỉ hai điểm đầu cuối — gọi là phát hiện va chạm liên tục (continuous collision detection). Như Archimedes với đa giác 96 cạnh, máy tính luôn xấp xỉ; giải tích cho biết xấp xỉ đúng tới đâu.

Môn này trả lời câu hỏi gì

Giải tích trả lời ba câu hỏi:

  1. Một đại lượng đang thay đổi nhanh tới đâu, ngay lúc này? — đạo hàm.
  2. Biết tốc độ thay đổi ở từng lúc, cộng dồn lại được bao nhiêu? — tích phân.
  3. Một hàm phức tạp thay được bằng một hàm đơn giản — một đa thức — tới mức nào, sai bao nhiêu? — chuỗi và xấp xỉ.

Chất keo nối cả ba là giới hạn, và kết quả trung tâm là định lý cơ bản của giải tích (fundamental theorem of calculus): câu hỏi thứ nhất và thứ hai là hai chiều của cùng một phép toán.

Vì sao người học khoa học máy tính cần nó?

  • Học máy: một mô hình "học" bằng cách đi theo đạo hàm của độ sai.
  • Xác suất liên tục: xác suất là diện tích dưới một đường cong, kỳ vọng là một tích phân — bài Xác suất và thống kê dùng chúng thường xuyên.
  • Tính toán số và thuật toán: máy tính sin, logarit thế nào, sai số từ đâu ra; ước lượng một tổng dài bằng một tích phân.

Nếu học phổ thông ở Việt Nam, bạn đã gặp đạo hàm ở lớp 11 và tích phân ở lớp 12, chủ yếu qua những bài tính tay. Môn này ở đại học đi tiếp theo hai hướng: vì sao các quy tắc đó đúng, và — với người học máy tính — làm sao để máy tính được chúng.

Năm ý tưởng cốt lõi

1. Đạo hàm: tốc độ ngay lúc này

Một chiếc xe xuất phát từ chỗ đứng yên, sau t giây đi được 2t² mét. Tốc độ ở giây thứ 3 là bao nhiêu? Không đo được "trong 0 giây", nhưng đo được tốc độ trung bình trong h giây ngay sau đó, rồi cho h nhỏ dần:

python
def quang_duong(t):               # quãng đường (mét) xe đi được sau t giây
    return 2 * t * t

for h in [1, 0.1, 0.01, 0.001]:
    v = (quang_duong(3 + h) - quang_duong(3)) / h    # tốc độ trung bình trong h giây
    print(f"h = {h:<6} tốc độ ≈ {v:.4f} m/s")

Kết quả là 14; 12,2; 12,02; 12,002 — tiến dần về 12 m/s, khoảng 43 km/h. Con số mà dãy đó tiến tới là một giới hạn, và đó chính là đạo hàm: tốc độ tức thời, thứ cây kim trên đồng hồ xe muốn chỉ. Môn học cho bạn những quy tắc để khỏi phải lấy giới hạn mỗi lần — đạo hàm của 2t² là 4t, thay t = 3 được 12 — và quy tắc quan trọng nhất với người làm máy tính là quy tắc dây chuyền (chain rule): đạo hàm của một hàm lồng trong hàm khác.

Về hình học, đạo hàm là độ dốc của tiếp tuyến. Phóng to đủ gần quanh một điểm, đường cong trơn nào cũng trông như một đường thẳng — như sân bóng trông phẳng dù Trái Đất tròn. Ý đó có tên xấp xỉ tuyến tính (linear approximation), và nó là ý được dùng nhiều nhất của giải tích: ở gần một điểm, thay thứ phức tạp bằng một đường thẳng.

2. Giới hạn gặp số thực của máy tính

Định nghĩa nói cho h tiến tới 0. Trên máy, thử cho h nhỏ thật nhỏ xem — với hàm sin, vì ta biết sẵn đạo hàm thật của nó là cos:

python
import math

dung = math.cos(1)                              # đạo hàm thật của sin tại 1
for k in [1, 4, 8, 12, 15, 16]:
    h = 10.0 ** -k
    uoc = (math.sin(1 + h) - math.sin(1)) / h
    print(f"h = 1e-{k:<2}  sai số = {abs(uoc - dung):.1e}")
print(1 + 1e-16 == 1)                           # True: máy không thấy được 1e-16 bên cạnh số 1

Sai số giảm đều khi h đi từ 10⁻¹ xuống 10⁻⁸ (còn khoảng 3 phần tỷ), rồi tăng trở lại. Ở h = 10⁻¹², kết quả tệ ngang h = 10⁻⁴; ở h = 10⁻¹⁶, máy trả về đạo hàm bằng 0 — sai hoàn toàn, vì với máy, 1 + 10⁻¹⁶ vẫn đúng bằng 1.

Lý do nằm ở cách máy lưu số thực: dạng dấu phẩy động (floating point) theo chuẩn IEEE 754, mỗi số chỉ giữ khoảng 16 chữ số có nghĩa — cùng gốc với chuyện 0.1 + 0.2 ở bài Lập trình. Hai loại sai số kéo về hai phía:

  • Sai số cắt cụt (truncation error): công thức chỉ là xấp xỉ; h càng nhỏ, sai số này càng nhỏ.
  • Sai số làm tròn (rounding error): khi h rất nhỏ, sin(1 + h) và sin(1) trùng nhau gần hết 16 chữ số; trừ đi chỉ còn vài chữ số "rác" ở cuối, rồi chia cho h tí hon lại phóng to đống rác đó lên.

Điểm cân bằng nằm quanh h ≈ 10⁻⁸, xấp xỉ căn bậc hai của độ chính xác của máy (khoảng 2,2 × 10⁻¹⁶). Bài học đáng nhớ hơn con số: trên giấy, nhỏ hơn luôn tốt hơn; trên máy thì không. Đây là chỗ giải tích nhường lời cho giải tích số (numerical analysis), phần chính của chủ đề Scientific Computing.

3. Tích phân: cộng dồn từng lát mỏng

Giờ đi chiều ngược lại: biết tốc độ của chiếc xe ở mỗi lúc — 4t mét mỗi giây — hỏi sau 3 giây xe đi được bao xa. Chia 3 giây thành n lát mỏng; trong mỗi lát coi tốc độ gần như không đổi, quãng đường ≈ tốc độ × thời gian của lát; rồi cộng tất cả. Đó là tổng Riemann (Riemann sum):

python
def toc_do(t):                    # tốc độ (m/s) của chính chiếc xe ở trên
    return 4 * t

def tich_phan(f, a, b, n):        # cộng n hình chữ nhật mảnh dưới đồ thị f
    dt = (b - a) / n
    return sum(f(a + i * dt) * dt for i in range(n))

for n in [3, 30, 300, 3000]:
    print(n, round(tich_phan(toc_do, 0, 3, n), 4))

Kết quả là 12; 17,4; 17,94; 17,994 — tiến về 18 mét, đúng bằng quang_duong(3) ở ý thứ nhất. Định lý cơ bản của giải tích hiện ra trên màn hình: đạo hàm của quãng đường là tốc độ, tích phân của tốc độ trả lại quãng đường. Cây kim và số ODO trên đồng hồ xe là hai mặt của cùng một thứ. Dấu ∫ của Leibniz là chữ S kéo dài, viết tắt của summa — tổng; hàm sum trong code là nghĩa đen của nó.

Với người học máy tính, tích phân còn hay được dùng theo chiều ngược: để ước lượng một tổng dài. Tổng 1 + 1/2 + 1/3 + … + 1/n không có công thức gọn, nhưng nó gần bằng diện tích dưới đường cong 1/x, tức là ln n: với n bằng một triệu, tổng là 14,39, còn ln n là 13,82. Tổng này xuất hiện khi phân tích sắp xếp nhanh (quicksort): trung bình thuật toán so sánh khoảng 2n ln n lần.

Cộng dồn cũng có cái giá: một sai số nhỏ lặp lại đủ nhiều lần cũng thành sai số lớn. Năm 1991, ở Dhahran (Ả Rập Xê Út), một hệ thống tên lửa Patriot đếm thời gian theo từng 1/10 giây rồi nhân số lần đếm với 0,1 để ra giây — nhưng 0,1 không lưu chính xác được trong hệ nhị phân, nên mỗi 1/10 giây bị tính hụt chừng một phần mười triệu giây. Sau khoảng 100 giờ chạy liên tục, phần hụt đó thành khoảng 0,34 giây, đủ để một tên lửa Scud bay hơn nửa ki-lô-mét. Hệ thống tìm quả Scud ở sai chỗ nên không đánh chặn được; tên lửa rơi trúng một doanh trại, 28 binh sĩ Mỹ thiệt mạng.

4. Chuỗi Taylor: máy tính tính sin thế nào

Thứ bộ xử lý làm nhanh và chắc nhất là cộng, trừ, nhân, chia. Vậy math.sin(2) ra được 0,909… bằng cách nào? Câu trả lời là chuỗi Taylor (Taylor series), mang tên Brook Taylor (1715): ở gần 0,

sin x = x − x³/3! + x⁵/5! − x⁷/7! + …

— một đa thức dài vô hạn, mỗi hệ số lấy từ đạo hàm của sin tại 0. Đây là xấp xỉ tuyến tính ở ý thứ nhất được kéo dài thêm: thay vì một đường thẳng, dùng một đa thức, bậc càng cao càng khớp. Lấy 8 số hạng đầu:

python
import math

def sin_taylor(x, so_hang=8):
    tong, hang = 0.0, x                      # hạng đầu tiên là x
    for k in range(so_hang):
        tong += hang
        hang *= -x * x / ((2 * k + 2) * (2 * k + 3))   # sang hạng kế: nhân với -x², chia cho hai số tiếp theo
    return tong

for x in [0.5, 2, 10]:
    print(x, sin_taylor(x), math.sin(x))
print(sin_taylor(10 - 4 * math.pi))          # đưa 10 về gần 0 trước (sin lặp lại sau mỗi 2π)

Với x = 0,5, kết quả khớp math.sin tới chữ số cuối cùng; với x = 2, khớp 9 chữ số. Nhưng với x = 10, nó ra −215,75 — vô nghĩa, vì sin không bao giờ vượt quá 1. Tám số hạng chỉ đủ dùng ở gần điểm khai triển. Cách chữa: sin lặp lại sau mỗi 2π, nên đưa 10 về 10 − 4π ≈ −2,57 trước khi tính, và kết quả −0,5440211 đã đúng 7 chữ số. Thư viện toán thật làm đúng hai bước đó — thu x về một khoảng thật nhỏ, rồi tính một đa thức ngắn — chỉ khác là đa thức được tinh chỉnh kỹ hơn chuỗi Taylor thuần, để đúng tới từng chữ số. exp và log cũng được tính theo cách tương tự.

Ý "ở gần một điểm, thay hàm bằng một đa thức" còn đi xa hơn hàm sin: nó đo được sai số cắt cụt ở ý thứ hai, và là nền của phương pháp Newton (Newton's method) — coi hàm như một đường thẳng hay một parabol để đoán nghiệm, đoán điểm thấp nhất.

5. Gradient: đạo hàm nhiều chiều, cây cầu sang học máy

Phần lớn những thứ ta quan tâm phụ thuộc nhiều biến cùng lúc. Nhiệt độ trên một tấm sắt hơ nóng ở tâm phụ thuộc cả x lẫn y; độ sai của một mô hình học máy phụ thuộc hàng triệu tham số. Cách làm vẫn là ý thứ nhất: nhích từng biến một, giữ nguyên các biến khác, đo xem hàm đổi bao nhiêu. Đó là đạo hàm riêng (partial derivative). Gom các đạo hàm riêng thành một vector, ta có gradient:

python
def gradient(f, diem, h=1e-6):
    f0 = f(diem)                             # giá trị tại chỗ đang đứng, tính một lần
    g = []
    for i in range(len(diem)):
        nhich = list(diem)
        nhich[i] += h                        # chỉ nhích biến thứ i, giữ nguyên các biến khác
        g.append((f(nhich) - f0) / h)
    return g

def nhiet_do(p):                             # nhiệt độ tại điểm (x, y) trên tấm sắt hơ nóng ở tâm
    x, y = p
    return 100 - x * x - 2 * y * y

print([round(v, 3) for v in gradient(nhiet_do, [1, 1])])   # [-2.0, -4.0]

Đứng ở điểm (1, 1), muốn nóng lên nhanh nhất thì đi theo hướng (−2, −4): lùi về phía tâm, nghiêng nhiều về trục y vì nhiệt độ đổi theo y nhanh gấp đôi. Gradient luôn chỉ hướng hàm tăng nhanh nhất; đi ngược nó là hướng giảm nhanh nhất.

Đó là cây cầu sang học máy: huấn luyện một mô hình là đi từng bước ngược gradient của độ sai — hạ gradient (gradient descent), có code chạy được trong bài Học máy và được đào sâu ở bài Tối ưu hóa. Nhưng nhìn lại hàm gradient ở trên: n biến thì phải gọi hàm n + 1 lần, lần nào cũng dính cái bẫy ở ý thứ hai — với mô hình hàng tỷ tham số thì không kham nổi. Các thư viện học máy dùng quy tắc dây chuyền thật khéo, gọi là lan truyền ngược (backpropagation), để có cả gradient với chi phí chỉ cỡ vài lần tính hàm — cách làm đó thuộc về bài Toán cho học máy.

Giải tích nằm ở đâu trong chồng tầng

Trong chồng tầng của bài Từ electron đến ứng dụng, giải tích không thuộc tầng nào; nó là ngôn ngữ của mọi thứ thay đổi liên tục, và chạm vào máy ở vài chỗ:

  • Tầng vật lý: dòng điện trong transistor, tụ điện nạp và xả, tín hiệu chạy trên dây — mô tả bằng phương trình vi phân (differential equation). Trước máy số, người ta còn dựng cả máy tương tự để giải chúng, như máy giải tích vi phân trong bài Cấu trúc tính toán.
  • Tầng phần cứng: bộ tính dấu phẩy động (floating-point unit) trong mỗi bộ xử lý — nơi "số thực" của toán học bị thu về 64 bit.
  • Tầng thư viện: thư viện toán (sin, exp, log), các bộ giải phương trình vi phân, thư viện vi phân tự động (automatic differentiation) của học máy.
  • Tầng ứng dụng: học máy, đồ họa, mô phỏng, xử lý tín hiệu, điều khiển.

Đưa lên

Một cách nói chính xác về thay đổi và tích lũy — đạo hàm, tích phân, xấp xỉ bằng đa thức, gradient — để tầng trên mô hình hóa chuyển động, ánh sáng, âm thanh, và tìm hướng làm một mô hình bớt sai.

Giấu đi

Từng khoảnh khắc, từng lát cắt riêng lẻ: chỉ còn lại một tốc độ hay một tổng. Khoảng cách giữa "cho h tiến tới 0" và 64 bit của máy thì tầng thực thi phải tự lo.

Học trước và học sau

· 6 môn

Đại số tuyến tính

Linear Algebra

Học song song được. Hai môn gặp nhau ở giải tích nhiều biến: gradient là một vector, đạo hàm của một hàm nhiều chiều là một ma trận.

Xem chủ đề trên OpenER: Linear Algebra

Xác suất và thống kê

Probability and Statistics

Phần xác suất liên tục — hàm mật độ, phân phối chuẩn, kỳ vọng — là tích phân. Nên có giải tích một biến trước khi vào phần này.

Xem chủ đề trên OpenER: Probability and Statistics

Toán cho học máy

Mathematics for Machine Learning

Quy tắc dây chuyền cho vector và ma trận, lan truyền ngược, vi phân tự động — bước tiếp theo của ý thứ năm trong bài này.

Xem chủ đề trên OpenER: Mathematics for Machine Learning

Tối ưu hóa

Optimization

Dùng đạo hàm để tìm cách tốt nhất: hạ gradient, phương pháp Newton, bài toán có ràng buộc.

Xem chủ đề trên OpenER: Optimization

Tính toán khoa học

Scientific Computing

Giải tích chạy trên máy: sai số dấu phẩy động, tích phân số, giải phương trình vi phân từng bước — nơi ý thứ hai được học đến nơi đến chốn.

Xem chủ đề trên OpenER: Scientific Computing

Vật lý

Physics

Nơi giải tích ra đời: cơ học là đạo hàm và tích phân của chuyển động. Nên học sau hoặc song song với giải tích.

Xem chủ đề trên OpenER: Physics

Ứng dụng thật và nghề nghiệp

  • Kỹ sư học máy và AI: huấn luyện là đạo hàm; hiểu gradient giúp đọc ra vì sao một mô hình học chậm, đứng yên, hay "nổ" thành những con số khổng lồ.
  • Đồ họa, game, hiệu ứng phim: đường cong Bézier trong phần mềm thiết kế và phông chữ, pháp tuyến bề mặt để tính ánh sáng, động cơ vật lý. Ánh sáng trong một cảnh dựng hình là một tích phân, thường được ước lượng bằng Monte Carlo — cách thử ngẫu nhiên trong bài Xác suất và thống kê.
  • Robot, drone, điều khiển: bộ điều khiển PID — tỷ lệ (proportional), tích phân (integral), đạo hàm (derivative) — giữ drone thăng bằng, giữ đầu phun máy in 3D đúng nhiệt độ, giữ xe chạy đúng tốc độ đặt trước. Ba chữ cái, hai chữ là giải tích.
  • Xử lý ảnh và tín hiệu: cạnh trong một bức ảnh là chỗ độ sáng đổi đột ngột, tức là chỗ đạo hàm lớn; nhiều bộ lọc ảnh và âm thanh là đạo hàm, tích phân viết dạng rời rạc.
  • Tính toán khoa học và kỹ thuật: dự báo thời tiết, mô phỏng va chạm ô tô, mô hình dịch bệnh — những phương trình vi phân được giải từng bước trên máy.

Học xong làm được gì, bắt đầu từ đâu

Sau môn này bạn có thể:

  • giải thích giới hạn, đạo hàm, tích phân bằng lời, bằng hình và bằng vài dòng code;
  • tính đạo hàm, tích phân của các hàm thường gặp, dùng đạo hàm tìm giá trị lớn nhất, nhỏ nhất;
  • viết code xấp xỉ đạo hàm và tích phân, và biết khi nào kết quả đáng tin;
  • hiểu máy tính tính sin, exp ra sao, và sai số dấu phẩy động đến từ đâu;
  • đọc được đạo hàm riêng, gradient trong tài liệu học máy, tối ưu, đồ họa.

Nên biết trước: hàm số, lượng giác, mũ và logarit ở mức phổ thông. Không cần đại số tuyến tính để bắt đầu.

Bắt đầu trên OpenER: trang chủ đề Calculus có các khóa đã chọn lọc, và hướng dẫn học gợi ý thứ tự đi qua chúng. Khóa chính là MIT 18.01SC Single Variable Calculus — video, bài tập có lời giải, đề thi — đọc song song với sách mở Calculus Volume 1 của OpenStax. Muốn có trực giác hình học trước, xem Essence of Calculus của 3Blue1Brown; muốn một cách dạy lấy chuỗi Taylor làm trung tâm, có khóa Calculus: Single Variable của Đại học Pennsylvania trên Coursera. Khi cần đạo hàm riêng và gradient, học tiếp phần đầu của MIT 18.02SC Multivariable Calculus.

Lời khuyên cho môn này: tính tay một lần, rồi bắt máy kiểm lại. Học xong một khái niệm — đạo hàm, tích phân, chuỗi — hãy viết năm dòng Python xấp xỉ nó như trong bài, so với đáp số tính tay, rồi đẩy tham số tới cực đoan: h thật nhỏ, n thật lớn, x thật xa. Chỗ code bắt đầu sai thường dạy nhiều hơn chỗ nó đúng.

Tài liệu tham khảo

  • MIT 18.01SC Single Variable Calculus (Fall 2010) — bài giảng mở trên MIT OpenCourseWare.
  • MIT 18.02SC Multivariable Calculus (Fall 2010) — bài giảng mở trên MIT OpenCourseWare.
  • Gilbert Strang, Edwin "Jed" Herman và cộng sự — Calculus Volume 1 (và Volume 3 cho phần nhiều biến), OpenStax, đọc miễn phí.
  • Gilbert Strang — Calculus, sách đọc miễn phí trên MIT OpenCourseWare.
  • Robert Ghrist — Calculus: Single Variable Part 1 - Functions (phần đầu của loạt khóa), Đại học Pennsylvania, trên Coursera.
  • 3Blue1Brown — loạt video Essence of Calculus.
  • David Goldberg — "What Every Computer Scientist Should Know About Floating-Point Arithmetic", ACM Computing Surveys, 1991.

Ban biên tập OpenER, “Giải tích: toán của sự thay đổi và tích lũy, nhìn từ phía người lập trình”, OpenER, 2026. Phát hành theo CC BY 4.0: được chia sẻ, chỉnh sửa, kể cả thương mại, miễn ghi công tác giả và dẫn link bài gốc.