Bỏ qua tới nội dung chính

Học liệu mở · Miễn phí

Designing Information Systems and Devices I

University of California, Berkeley · EECS 16A · Thu 2019 · Electrical Engineering and Computer Sciences

Đang tải nội dung khóa học…

Giới thiệu

Ma trận, mạch điện và học máy liên quan gì đến nhau? EECS 16A học kỳ Fall 2019 của UC Berkeley, do Gireeja Ranade và Bernhard Boser giảng dạy, là môn nhập môn kỹ thuật điện và khoa học máy tính: dùng đại số tuyến tính để mô hình hóa các hệ thống thật như máy ảnh một điểm ảnh, màn hình cảm ứng và định vị kiểu GPS.

Bạn sẽ học

Hệ phương trình tuyến tính và khử Gauss; vectơ, ma trận, phép nhân và nghịch đảo ma trận; độc lập tuyến tính, không gian con, không gian cột và không gian null; trị riêng, vectơ riêng và PageRank. Phân tích mạch: phân tích điện áp nút, năng lượng và công suất, xếp chồng, mạch tương đương Thevenin và Norton, tụ điện, màn hình cảm ứng điện trở và điện dung, bộ khuếch đại thuật toán (op-amp) và hồi tiếp âm. Phần cuối: tích trong, tương quan và định vị bằng trilateration, bình phương tối thiểu và thuật toán Orthogonal Matching Pursuit cho học máy.

Cách học

Mỗi bài giảng có video và ghi chú viết tay; khóa có bộ ghi chú lý thuyết theo từng chủ đề, bài thảo luận kèm đáp án, bài tập về nhà kèm lời giải và notebook Python (Jupyter). Các bài thực hành gồm chụp ảnh bằng một điểm ảnh (Imaging), màn hình cảm ứng (Touch) và định vị bằng âm thanh (APS). Có đề giữa kỳ kèm đáp án và lời giải đề cuối kỳ.

Không cần học đại số tuyến tính trước; nên biết lập trình Python cơ bản và giải tích một biến.

Bạn sẽ học được

  • Giải hệ phương trình tuyến tính bằng khử Gauss và viết bài toán thực tế dưới dạng ma trận
  • Xác định tính độc lập tuyến tính, không gian cột, không gian null và tìm ma trận nghịch đảo
  • Tính trị riêng, vectơ riêng và áp dụng vào bài toán như PageRank
  • Phân tích mạch điện bằng điện áp nút, xếp chồng và mạch tương đương Thevenin, Norton
  • Giải thích cách màn hình cảm ứng điện trở và điện dung đo vị trí chạm
  • Thiết kế mạch dùng op-amp với hồi tiếp âm
  • Dùng tương quan và bình phương tối thiểu để định vị và khớp dữ liệu đo
  • Viết notebook Python để mô phỏng và xử lý dữ liệu từ các bài thực hành