Nhóm chủ đề 1/7
Toán học
Mathematics
Giải tích, đại số tuyến tính, xác suất và thống kê, cùng toán cho học máy và tối ưu hóa — ngôn ngữ toán học mà thuật toán, đồ họa và học máy đều dựa vào.
5 chủ đềkhoảng 210 giờ15 khóa học13 sách
Theo cấp độ: 2 Cơ bản · 2 Trung bình · 1 Nâng cao
Giới thiệu
Ba môn toán nền của nhóm này xuất hiện ở khắp khoa học máy tính: giải tích mô tả thay đổi và tối ưu (gradient trong học máy chính là đạo hàm), đại số tuyến tính là công cụ của đồ họa, xử lý ảnh và mạng nơ-ron, còn xác suất và thống kê giúp suy luận từ dữ liệu, phân tích thuật toán ngẫu nhiên và đánh giá mô hình.
Vì sao người học máy tính cần toán
Bạn có thể viết chương trình mà không cần nhiều toán, nhưng để hiểu vì sao một thuật toán chạy nhanh, vì sao mô hình học máy hội tụ, hay vì sao một phép biến đổi ảnh cho ra kết quả như vậy thì không tránh được. Nhóm này tập trung vào phần toán hay dùng nhất, kèm bài tập lập trình để thấy toán "chạy" thật.
Học thế nào cho nhẹ
Học giải tích và đại số tuyến tính trước, xác suất sau (xác suất dùng tích phân và ma trận). Mỗi khái niệm mới, hãy tự cài đặt một ví dụ nhỏ bằng Python/NumPy — vẽ đạo hàm, nhân ma trận xoay hình, mô phỏng tung đồng xu — trực giác sẽ đến nhanh hơn nhiều so với chỉ làm bài trên giấy.
Hai chủ đề khuyến khích cho học máy
Sau ba môn nền, nhóm có thêm hai chủ đề không bắt buộc: Toán cho học máy nối ba môn trên lại theo cách học máy dùng chúng (gradient theo vectơ, SVD, hợp lý cực đại), còn Tối ưu hóa đi sâu vào tối ưu lồi và các thuật toán huấn luyện mô hình (gradient ngẫu nhiên, Adam, Newton). Nên học khi định đi theo nhóm Trí tuệ nhân tạo, hoặc khi gặp khó với phần toán của học máy; bỏ qua cũng không sao, có thể quay lại sau.
Thứ tự học
Sắp theo mục "Nên học trước" trong hướng dẫn của từng chủ đề.
Giáo trình: Calculus Volume 1
Khóa chính: Single Variable Calculus · MIT
Giáo trình: Linear Algebra
Khóa chính: Linear Algebra · MIT
Cần học trước
Trong nhóm: Giải tích
Giáo trình: Introduction to Probability, Second Edition
Khóa chính: Probabilistic Systems Analysis and Applied Probability · MIT
Cần học trước
Trong nhóm: Giải tích, Đại số tuyến tính, Xác suất thống kê
Giáo trình: Mathematics for Machine Learning
Giáo trình: Convex Optimization
Kỹ năng đạt được
- Tính đạo hàm, tích phân và dùng chúng để tối ưu hàm số
- Làm việc với vector, ma trận, trị riêng và SVD
- Mô hình hóa bài toán bằng xác suất, tính kỳ vọng và phương sai
- Ước lượng, kiểm định giả thuyết và đọc hiểu kết quả thống kê
- Cài đặt các phép toán cơ bản bằng Python/NumPy
- Đọc hiểu phần toán của học máy: gradient theo vectơ, SVD, hợp lý cực đại
- Nhận ra bài toán tối ưu lồi và chọn thuật toán phù hợp: gradient descent, Adam, Newton
Nghề nghiệp
- Nền tảng cho kỹ sư học máy và nhà khoa học dữ liệu
- Chuyên viên phân tích dữ liệu
- Kỹ sư đồ họa máy tính và xử lý ảnh
- Học tiếp các môn thuật toán, học máy, thị giác máy tính