Nhóm chủ đề 7/7
Trí tuệ nhân tạo
Artificial Intelligence
Trí tuệ nhân tạo và học máy: từ tìm kiếm, suy luận xác suất tới học sâu, học tăng cường, xử lý ngôn ngữ, thị giác máy tính và robot.
10 chủ đềkhoảng 421 giờ41 khóa học19 sách
Theo cấp độ: 1 Cơ bản · 4 Trung bình · 5 Nâng cao
Giới thiệu
Nhóm Trí tuệ nhân tạo dạy máy tính ra quyết định và học từ dữ liệu. Bắt đầu với Nhập môn trí tuệ nhân tạo (tìm kiếm, lập kế hoạch, suy luận), rồi Học máy — môn nền của cả nhóm. Từ đó mở ra các nhánh: Học sâu và các ứng dụng của nó trong ngôn ngữ tự nhiên và thị giác máy tính; Học tăng cường và Robot học cho tác tử hành động trong môi trường; Mô hình đồ thị xác suất và Biểu diễn tri thức và suy luận cho suy luận có cấu trúc; và Khoa học nhận thức nhìn trí tuệ từ phía con người.
Chuẩn bị gì trước
AI dùng nhiều toán hơn phần lớn các nhóm khác: đại số tuyến tính, xác suất – thống kê và giải tích là bắt buộc, cộng với lập trình Python vững. Nếu thấy công thức khó theo, hãy quay lại nhóm Mathematics trước khi học tiếp — hai chủ đề Mathematics for Machine Learning và Optimization ở đó viết riêng cho phần toán của học máy.
Cách học
Kết hợp lý thuyết với thực hành trên dữ liệu thật: cài đặt lại các thuật toán cơ bản từ đầu (hồi quy, mạng nơ-ron nhỏ, Q-learning) trước khi dùng thư viện, rồi làm dự án hoàn chỉnh — từ thu thập dữ liệu, huấn luyện tới đánh giá mô hình một cách trung thực.
Nên học trước
Thứ tự học
Sắp theo mục "Nên học trước" trong hướng dẫn của từng chủ đề.
Cần học trước
Kiến thức cốt lõi: Lập trình, Cấu trúc dữ liệu và giải thuật
Toán học: Xác suất thống kê
Giáo trình: Artificial Intelligence: A Modern Approach
Khóa chính: Introduction to Artificial Intelligence · UC Berkeley
Giáo trình: An Introduction to Statistical Learning: with Applications in R
Khóa chính: Machine Learning · Stanford
Giáo trình: Dive into Deep Learning
Khóa chính: Introduction to Deep Learning · CMU
Giáo trình: Reinforcement Learning: An Introduction
Khóa chính: Reinforcement Learning · IIT Madras
Cần học trước
Trong nhóm: Học máy
Toán học: Xác suất thống kê
Kiến thức cốt lõi: Toán cho khoa học máy tính
Giáo trình: Probabilistic Graphical Models: Principles and Techniques
Khóa chính: Probabilistic Graphical Models · CMU
Cần học trước
Trong nhóm: Nhập môn trí tuệ nhân tạo
Thuật toán và lý thuyết tính toán: Logic cho khoa học máy tính
Giáo trình: Knowledge Representation and Reasoning
Khóa chính: Artificial Intelligence: Knowledge Representation And Reasoning · IIT Madras
Giáo trình: Speech and Language Processing (3rd edition, draft)
Khóa chính: Natural Language Processing with Deep Learning · Stanford
Giáo trình: Computer Vision: Algorithms and Applications
Khóa chính: Introduction to Computer Vision · Cornell
Cần học trước
Toán học: Đại số tuyến tính, Giải tích, Xác suất thống kê
Giáo trình: Modern Robotics: Mechanics, Planning, and Control
Khóa chính: Modern Robotics: Mechanics, Planning, and Control · Northwestern
Giáo trình: Mind, Body, World: Foundations of Cognitive Science
Khóa chính: Computational Cognitive Science · MIT
Kỹ năng đạt được
- Xây dựng, huấn luyện và đánh giá mô hình học máy
- Thiết kế mạng nơ-ron sâu cho ảnh, văn bản và chuỗi
- Dùng học tăng cường cho bài toán ra quyết định tuần tự
- Suy luận xác suất với mô hình đồ thị
- Xử lý ngôn ngữ tự nhiên và ảnh bằng các mô hình hiện đại
- Đánh giá mô hình trung thực: chia dữ liệu, tránh rò rỉ, đo sai số
Nghề nghiệp
- Kỹ sư học máy / AI
- Nhà khoa học dữ liệu
- Kỹ sư thị giác máy tính
- Kỹ sư xử lý ngôn ngữ tự nhiên
- Kỹ sư robot
- Nghiên cứu viên AI