Bạn sẽ học được gì
- Giải thích khái niệm giới hạn, tính liên tục và vì sao chúng làm nền cho đạo hàm, tích phân
- Tính đạo hàm bằng các quy tắc cơ bản và dùng đạo hàm để tìm cực trị, giải bài toán tối ưu đơn giản
- Tính tích phân xác định, bất định và hiểu ý nghĩa hình học qua diện tích dưới đường cong
- Dùng chuỗi và xấp xỉ đa thức để hiểu sai số tính toán và tốc độ hội tụ
- Tính đạo hàm riêng, gradient của hàm nhiều biến — nền tảng toán cho tối ưu hóa trong machine learning
Giới thiệu
Giải tích (Calculus) nghiên cứu sự thay đổi: đạo hàm đo tốc độ thay đổi tức thời, tích phân đo tổng tích lũy. Với sinh viên khoa học máy tính, đây là ngôn ngữ đứng sau thuật toán tối ưu (gradient descent huấn luyện mạng nơ-ron), phân tích tăng trưởng hàm số, đồ họa máy tính và các mô hình xác suất liên tục.
Hai trụ cột: đạo hàm và tích phân
Đạo hàm trả lời "hàm thay đổi nhanh thế nào tại một điểm?" — độ dốc của tiếp tuyến. Tích phân trả lời "tổng cộng dồn bao nhiêu?" — diện tích dưới đường cong. Định lý cơ bản của giải tích nối hai khái niệm này: tích phân là phép toán ngược của đạo hàm. Hiểu mối liên hệ này quan trọng hơn nhiều so với việc nhớ công thức.
Từ một biến đến nhiều biến
Giải tích một biến (hàm y = f(x)) là bước khởi đầu bắt buộc. Khi dữ liệu có nhiều chiều — như hàng nghìn trọng số của một mạng nơ-ron — ta cần đạo hàm riêng (∂f/∂x) và gradient: vector chỉ hướng tăng nhanh nhất của hàm. Gradient descent, thuật toán huấn luyện phổ biến nhất trong machine learning, về bản chất chỉ là "đi ngược hướng gradient, từng bước nhỏ".
Công cụ nên dùng
Dùng Python với SymPy để kiểm tra lại đạo hàm và tích phân đã tính tay, và Matplotlib để vẽ đồ thị hàm số, tiếp tuyến, vùng diện tích. Tự vẽ lại hình cho mỗi định lý — ví dụ vẽ dãy cát tuyến tiến dần về tiếp tuyến — giúp nhớ lâu hơn nhiều so với học thuộc công thức suông.
Giáo trình & sách tham khảo
Xem tất cả trong tab SáchGiáo trình chính
Calculus Volume 1
Gilbert Strang, Edwin "Jed" Herman · 2016
Vì sao chọn: Giáo trình mở (CC BY-NC-SA) của OpenStax, miễn phí trọn bộ, nhiều bài tập có đáp số. Đi từ hàm số, giới hạn, đạo hàm đến tích phân — khớp toàn bộ bước 1–4 của lộ trình, là sách chính để đọc theo thứ tự chương.
Nên đọc: Chương 1–6
Calculus Volume 3
Gilbert Strang, Edwin "Jed" Herman · 2016
Tập 3 của cùng bộ OpenStax, miễn phí. Chỉ cần đọc chương về đạo hàm riêng và gradient ở bước 5 — không cần đọc toàn bộ tập này trừ khi muốn học sâu giải tích nhiều biến (tích phân bội, giải tích vector).
Nên đọc: Chương 4 Differentiation of Functions of Several Variables
Các bước học
Đăng nhập để đánh dấu các bước đã hoàn thành.
Bước 1: Hàm số, giới hạn và tính liên tục
khoảng 6 giờÔn hàm số, đồ thị; học khái niệm giới hạn bằng trực giác (dãy giá trị tiến gần) rồi bằng định nghĩa ε-δ; tính liên tục. Tự tính giới hạn của 10 hàm số bằng tay rồi kiểm tra lại bằng SymPy.
- Đọc: Chương 1 Functions and Graphs; Chương 2 Limits — Calculus Volume 1
Bước 2: Đạo hàm và quy tắc tính
khoảng 8 giờĐịnh nghĩa đạo hàm qua giới hạn; quy tắc tích, thương, chuỗi (chain rule); đạo hàm hàm lượng giác, mũ, log. Viết một hàm Python tính đạo hàm số (numerical differentiation) và so sánh với đạo hàm giải tích.
- Đọc: Chương 3 Derivatives — Calculus Volume 1
Bước 3: Ứng dụng đạo hàm: tối ưu hóa
khoảng 6 giờTìm cực trị, khảo sát hàm số, bài toán tối ưu có ràng buộc đơn giản, quy tắc L'Hôpital, xấp xỉ tuyến tính. Giải một bài toán tối ưu thực tế (ví dụ: hộp có thể tích lớn nhất với diện tích vật liệu cho trước) bằng tay rồi kiểm chứng bằng cách vẽ đồ thị.
- Đọc: Chương 4 Applications of Derivatives — Calculus Volume 1
Bước 4: Tích phân và định lý cơ bản
khoảng 9 giờTổng Riemann, tích phân xác định và bất định, định lý cơ bản của giải tích, các kỹ thuật tích phân (đổi biến, từng phần). Tự cài đặt quy tắc hình thang (trapezoidal rule) bằng Python để tính gần đúng một tích phân không có nguyên hàm sơ cấp.
- Đọc: Chương 5 Integration; Chương 6 Applications of Integration (mục về diện tích, thể tích) — Calculus Volume 1
Bước 5: Chuỗi, xấp xỉ và bước đầu nhiều biến
khoảng 8 giờDãy và chuỗi số, chuỗi Taylor/Maclaurin, sai số xấp xỉ; sau đó mở rộng sang hàm nhiều biến: đạo hàm riêng, gradient, mặt phẳng tiếp xúc. Cài đặt gradient descent một biến rồi hai biến từ đầu bằng Python trên một hàm bậc hai đơn giản, vẽ đường đi của thuật toán trên đồ thị đường mức.
- Đọc: Chương 4 Differentiation of Functions of Several Variables — Calculus Volume 3
Khái niệm chính
- Giới hạn (limit)
- Giá trị mà một hàm số tiến gần tới khi biến số tiến gần một điểm; là nền tảng chặt chẽ để định nghĩa đạo hàm và tích phân.
- Đạo hàm (derivative)
- Tốc độ thay đổi tức thời của hàm số tại một điểm, về hình học là độ dốc của tiếp tuyến; ký hiệu f'(x) hoặc df/dx.
- Định lý cơ bản của giải tích
- Nối đạo hàm và tích phân: tích phân của đạo hàm một hàm trả lại chính hàm đó (sai khác hằng số) — đạo hàm và tích phân là hai phép toán ngược nhau.
- Tích phân xác định
- Diện tích có dấu giữa đồ thị hàm số và trục hoành trên một đoạn; là giới hạn của tổng Riemann khi số hình chữ nhật xấp xỉ tiến ra vô cùng.
- Điểm cực trị và bài toán tối ưu
- Điểm mà đạo hàm bằng 0 hoặc không xác định; kiểm tra đạo hàm bậc hai hoặc dấu đạo hàm bậc nhất để phân biệt cực đại, cực tiểu — cơ sở của mọi bài toán tối ưu.
- Chuỗi Taylor
- Xấp xỉ một hàm số bằng tổng vô hạn các đơn thức dựa trên đạo hàm tại một điểm; dùng để ước lượng sai số và xây dựng các thuật toán số.
- Đạo hàm riêng và gradient
- Đạo hàm riêng ∂f/∂x đo tốc độ thay đổi theo một biến, giữ các biến khác cố định; gradient ∇f là vector gồm mọi đạo hàm riêng, chỉ hướng hàm tăng nhanh nhất.
Học xong để làm gì
- Huấn luyện mạng nơ-ron bằng gradient descent và lan truyền ngược (backpropagation)
- Đồ họa máy tính: đường cong Bézier, pháp tuyến bề mặt, mô phỏng vật lý (va chạm, ánh sáng)
- Xử lý tín hiệu và ảnh: làm mượt, phát hiện biên bằng đạo hàm rời rạc
- Xác suất và thống kê liên tục: hàm mật độ, kỳ vọng và phương sai đều là tích phân
- Mô hình tăng trưởng và phân tích độ phức tạp trung bình của thuật toán
Câu hỏi thường gặp
Cần học Đại số tuyến tính trước Giải tích không?
Không bắt buộc. Hai môn tương đối độc lập ở trình độ nhập môn và có thể học song song; chúng chỉ thật sự gặp nhau ở các chủ đề nâng cao như giải tích nhiều biến, tối ưu hóa và machine learning.
Giải tích có thực sự cần cho một lập trình viên không?
Phần lớn công việc lập trình web hay ứng dụng thông thường không đụng tới giải tích. Nhưng machine learning, đồ họa máy tính, xử lý tín hiệu, khoa học dữ liệu và mô phỏng đều dùng nó hằng ngày — nếu định đi các hướng này, nên học chắc.
Học đến đâu là đủ để bắt đầu machine learning?
Nắm chắc đạo hàm, quy tắc chuỗi (chain rule), khái niệm gradient và ý tưởng tối ưu bằng gradient descent là đủ cho phần lớn khóa machine learning nhập môn; giải tích nhiều biến sâu hơn có thể học dần khi cần.
Không giỏi tính toán tay thì có học được không?
Được — quan trọng hơn là hiểu ý nghĩa từng phép toán. Dùng SymPy hoặc Wolfram Alpha để kiểm tra kết quả tính tay, tập trung thời gian vào việc đọc hiểu đề bài và diễn giải kết quả.

