Bỏ qua tới nội dung chính

Hướng dẫn học chủ đề

Nhập môn trí tuệ nhân tạo

Introduction to Artificial Intelligence

Cơ bảnkhoảng 31 giờ5 bước

Tổng quan trí tuệ nhân tạo: tìm kiếm, biểu diễn tri thức và các bài toán ra quyết định cơ bản.

Bắt đầu học

Bạn sẽ học được gì

  • Giải thích các cách nhìn khác nhau về trí tuệ nhân tạo và mô hình agent hợp lý
  • Mô hình hóa bài toán thành trạng thái, hành động, chi phí; cài đặt tìm kiếm BFS, DFS, UCS và A*
  • Biểu diễn tri thức bằng logic mệnh đề và logic vị từ, thực hiện suy luận cơ bản
  • Áp dụng xác suất và mạng Bayes để suy luận, ra quyết định trong điều kiện không chắc chắn
  • Phân biệt vị trí của học máy, học sâu, học tăng cường trong bức tranh chung của AI
  • Đánh giá ứng dụng thực tế và giới hạn đạo đức của AI hiện đại

Nên học trước

Giới thiệu

Trí tuệ nhân tạo (AI) là lĩnh vực xây dựng agent — chương trình hoặc robot — hành động hợp lý để đạt mục tiêu, dựa trên những gì nó cảm nhận được từ môi trường. Đây là môn tổng quan: đi qua nhiều nhánh nhỏ của AI trước khi bạn đào sâu từng nhánh ở các môn riêng như Học máy hay Học tăng cường.

Bốn cách nhìn về AI

Russell & Norvig chia lịch sử AI thành 4 trường phái: suy nghĩ như người, hành động như người (test Turing), suy nghĩ hợp lý (logic) và hành động hợp lý (rational agent). Môn học này đi theo hướng cuối cùng vì nó vừa đo lường được, vừa linh hoạt hơn việc chỉ 'bắt chước con người'.

Bộ khung tư duy: agent, tìm kiếm, tri thức, xác suất

  • Agent và môi trường: agent nhận percept, chọn action qua hàm agent; môi trường có thể quan sát đầy đủ hay một phần, tất định hay ngẫu nhiên, tĩnh hay động, một hay nhiều agent.
  • Giải quyết vấn đề bằng tìm kiếm: định nghĩa trạng thái, hành động, chi phí; so sánh tìm kiếm mù (BFS, DFS, UCS) với tìm kiếm có thông tin dùng heuristic (A*).
  • Tri thức và suy luận: logic mệnh đề rồi tới logic vị từ bậc một, phép hợp giải.
  • Không chắc chắn: xác suất có điều kiện, mạng Bayes, lý thuyết quyết định — chiếc cầu nối sang học máy.

Sau môn này thì học gì?

Học máy, học sâu, học tăng cường và mô hình đồ họa xác suất — vốn là các chương cuối của AIMA — nay đã tách thành môn riêng trên OpenER. Môn này cho bạn bản đồ tổng thể và ngôn ngữ chung (agent, trạng thái, xác suất) để các môn sau dễ tiếp cận hơn.

Công cụ nên dùng

Python thuần, không cần thư viện ML, là đủ để cài đặt agent tìm kiếm và bài toán ràng buộc (n-quân hậu, Sudoku, tô màu bản đồ).

Giáo trình & sách tham khảo

Xem tất cả trong tab Sách

Giáo trình chính

Artificial Intelligence: A Modern Approach

Stuart Russell, Peter Norvig · 2020 · Bản thứ 4

Có phíTrung bìnhTiếng Anh1.136 trang

Vì sao chọn: Sách nhập môn AI kinh điển và đầy đủ nhất, dùng làm khung sườn cho toàn bộ lộ trình. Bản tiếng Anh, không có bản đọc miễn phí hợp pháp, nhưng gần như bắt buộc nếu học AI nghiêm túc — hầu hết khóa Nhập môn AI trên thế giới đều dùng sách này.

Nên đọc: Chương 1–4, 7, 10, 12–13, 19

CC BY-NC-NDTrung bìnhTiếng Anh848 trang

Miễn phí, đi kèm code Python. Dùng bổ sung cho bước học xác suất/quyết định ở cuối lộ trình, đồng thời làm cầu nối sang môn Học máy vì sách trình bày ML qua đúng góc nhìn xác suất mà AIMA giới thiệu.

Nên đọc: phần mở đầu về xác suất, thống kê Bayes và lý thuyết quyết định

Các bước học

Đăng nhập để đánh dấu các bước đã hoàn thành.

  1. Bước 1: Nhập môn: agent và các cách nhìn về AI

    khoảng 4 giờ

    Đọc lịch sử, các trường phái AI (suy nghĩ/hành động như người, suy nghĩ/hành động hợp lý) và mô hình agent–môi trường (PEAS: performance, environment, actuators, sensors). Bài tập: viết mô tả PEAS cho 3 agent thực tế (máy hút bụi tự động, xe tự hành, chatbot).

  2. Bước 2: Giải quyết vấn đề bằng tìm kiếm

    khoảng 8 giờ

    Định nghĩa bài toán tìm kiếm (trạng thái, hành động, test đích, chi phí đường đi); so sánh tìm kiếm mù BFS/DFS/UCS với tìm kiếm có thông tin A* dùng heuristic. Bài tập: cài đặt A* để giải bài toán 8-puzzle hoặc tìm đường trên lưới ô vuông có chướng ngại vật.

  3. Bước 3: Tri thức, logic và suy luận

    khoảng 6 giờ

    Logic mệnh đề, logic vị từ bậc một, phép hợp giải (resolution) và suy luận tự động. Bài tập: biểu diễn một mẩu tri thức nhỏ (ví dụ quan hệ gia đình hoặc luật của một trò chơi đơn giản) bằng logic vị từ rồi tự chạy suy diễn để trả lời một câu hỏi.

  4. Bước 4: Không chắc chắn: xác suất và mạng Bayes

    khoảng 8 giờ

    Ôn xác suất có điều kiện, quy tắc Bayes; xây dựng và suy luận trên một mạng Bayes đơn giản; nhập môn lý thuyết quyết định (utility, giá trị kỳ vọng). Bài tập: xây mạng Bayes 4–5 nút (ví dụ chẩn đoán bệnh từ triệu chứng) và tính xác suất hậu nghiệm bằng tay hoặc bằng code Python.

  5. Bước 5: Từ AI tới Machine Learning: bản đồ các môn tiếp theo

    khoảng 5 giờ

    Đọc tổng quan chương Learning from Examples của AIMA để thấy học có giám sát/không giám sát nằm ở đâu trong bức tranh AI; lướt nhanh các chương Deep Learning và Reinforcement Learning để biết chúng liên hệ thế nào với các môn chuyên sâu sắp học. Bài tập: viết một trang so sánh AI – Machine Learning – Deep Learning – Reinforcement Learning bằng ví dụ cụ thể của riêng bạn.

Khái niệm chính

Agent hợp lý (rational agent)
Tác nhân chọn hành động nhằm tối đa hóa độ đo hiệu suất kỳ vọng, dựa trên chuỗi percept nó đã nhận và tri thức sẵn có.
Không gian trạng thái
Toàn bộ các trạng thái có thể đạt tới từ trạng thái ban đầu qua các hành động hợp lệ; giải bài toán tìm kiếm là tìm đường đi trong không gian này tới trạng thái đích.
Hàm heuristic
Hàm ước lượng chi phí còn lại từ một trạng thái tới đích; A* dùng heuristic 'chấp nhận được' (không đánh giá quá cao) để đảm bảo tìm ra đường đi ngắn nhất.
Logic vị từ bậc một
Mở rộng logic mệnh đề với đối tượng, quan hệ, hàm và lượng từ (mọi, tồn tại) để biểu diễn tri thức phong phú hơn logic mệnh đề.
Mạng Bayes
Đồ thị có hướng không chu trình biểu diễn quan hệ phụ thuộc xác suất giữa các biến ngẫu nhiên, cho phép suy luận có điều kiện hiệu quả.
Bài toán thỏa ràng buộc (CSP)
Bài toán tìm giá trị cho một tập biến sao cho thỏa mọi ràng buộc đã cho; giải bằng lan truyền ràng buộc kết hợp quay lui (backtracking).
Học có giám sát và không giám sát
Hai kiểu học máy cơ bản: học có giám sát học từ dữ liệu có nhãn để dự đoán, học không giám sát tìm cấu trúc ẩn trong dữ liệu không nhãn.
Tìm kiếm đối kháng (adversarial search)
Tìm kiếm trong trò chơi hai người tổng-bằng-không, dùng thuật toán minimax kết hợp cắt tỉa alpha-beta để chọn nước đi tốt nhất.

Học xong để làm gì

  • Trợ lý ảo và chatbot: hiểu ngôn ngữ, lập kế hoạch hội thoại
  • Hệ thống định vị, điều hướng: tìm đường đi ngắn nhất, tránh chướng ngại vật
  • Hỗ trợ chẩn đoán y tế: mạng Bayes suy luận bệnh từ triệu chứng quan sát được
  • Trò chơi cờ vây, cờ vua: tìm kiếm đối kháng kết hợp học tăng cường
  • Xe tự hành và robot: cảm biến, lập kế hoạch chuyển động, ra quyết định trong môi trường bất định

Câu hỏi thường gặp

Học AI có cần giỏi Toán không?

Cần vững xác suất thống kê và một chút logic hình thức; đại số tuyến tính và giải tích quan trọng hơn ở các môn học máy/học sâu phía sau, chưa thật cần thiết ở mức nhập môn này.

Nên đọc trọn cuốn AIMA từ đầu tới cuối không?

Không cần. Sách rất dày (hơn 1000 trang); lộ trình này chỉ dùng các chương nền tảng (agent, tìm kiếm, logic, xác suất). Các chương học máy, học sâu, robot của sách sẽ gặp lại kỹ hơn ở những môn chuyên sâu riêng trên OpenER.

AI, Machine Learning, Deep Learning khác nhau thế nào?

AI là mục tiêu — làm máy hành động thông minh. Machine Learning là một cách đạt mục tiêu đó — học từ dữ liệu thay vì lập trình luật cứng. Deep Learning là một nhánh của Machine Learning dùng mạng nơ-ron nhiều lớp.

Học xong môn này thì nên học tiếp môn nào?

Tùy hướng: muốn làm dữ liệu và dự đoán thì học Học máy; muốn hiểu robot và ra quyết định tuần tự thì học Học tăng cường; muốn suy luận có cấu trúc trên các biến phụ thuộc lẫn nhau thì học Mô hình đồ họa xác suất.

Chọn nguồn tự học

Nên có nền tảng lập trình và xác suất thống kê trước khi bắt đầu.