Video
Đăng bởi Ban biên tập OpenER ·
Tác giả giữ toàn bộ bản quyền (All Rights Reserved) — không phải giấy phép mở. Bạn vẫn xem và học miễn phí trên OpenER; muốn tái sử dụng cần xin phép tác giả.
PROFESSOR
Okay, let's get started. Thanks everyone for being here. I know it's Thanksgiving week. And as you can see, not many of you are here.
Được rồi, chúng ta bắt đầu nhé. Cảm ơn mọi người đã có mặt. Tôi biết tuần này là tuần Lễ Tạ ơn. Và như các bạn thấy, không có nhiều người đến lớp.
So it's getting colder. And you know, everyone's mood seems to be a little low energy. So I'll try and have a low key type of lecture today.
Trời thì đang lạnh dần. Và mọi người có vẻ hơi uể oải. Nên hôm nay tôi sẽ cố giảng nhẹ nhàng thôi.
I will try to end a little bit early. And we'll see how this goes. But we have a pretty small group, so feel free to ask questions.
Tôi sẽ cố kết thúc sớm một chút. Và xem sẽ thế nào. Lớp hôm nay khá ít người, nên các bạn cứ thoải mái đặt câu hỏi.
And we can try and have this be a little bit more intimate than it usually is. So we're in lecture 5 of module 3.
Và chúng ta có thể làm buổi học này thân mật hơn bình thường. Chúng ta đang ở bài giảng thứ 5 của phần 3.
We basically have this lecture and two more lectures to go before the class ends.
Còn bài này và hai bài nữa là hết môn học.
And basically now, today's lecture is where we're going to start picking up into even more slightly advanced machine learning algorithms and what we're going to do is we're going to introduce this algorithm called orthogonal matching pursuit, which is an algorithm that can be used to some
Và từ bài hôm nay, chúng ta bắt đầu chuyển sang các thuật toán machine learning nâng cao hơn một chút, cụ thể là chúng ta sẽ giới thiệu thuật toán orthogonal matching pursuit, tức là một thuật toán có thể dùng để
get around this n equations and n unknowns barrier. So, so far we've seen that if you have n unknowns, you need at least n equations to be able to solve them.
vượt qua rào cản n phương trình, n ẩn số. Đến giờ ta đã thấy: nếu có n ẩn số, thì cần ít nhất n phương trình để giải.
Sometimes if they're noisy equations, you need even more than n equations, right? This is what least squares has been doing.
Đôi khi phương trình có nhiễu, thì cần nhiều hơn n phương trình, đúng không? Đó là việc mà bình phương tối thiểu đã làm.
But turns out, under certain cases, if you have certain structure in your system you can really pull information out of the data.
Nhưng hóa ra, trong một số trường hợp, nếu hệ của bạn có một cấu trúc nhất định thì bạn có thể khai thác thông tin từ dữ liệu rất hiệu quả.
And you can break this n equations n unknowns barrier, And the very cool thing about this is that this very powerful idea is something that is 100% accessible to you in your first year here at Cal.
Và bạn có thể phá vỡ rào cản n phương trình n ẩn số này. Điều rất thú vị là ý tưởng rất mạnh này hoàn toàn trong tầm với của các bạn ngay từ năm nhất ở Cal.
So it's a pretty exciting idea, and we'll cover it basically over this lecture and the next lecture.
Đây là một ý tưởng khá hấp dẫn, và ta sẽ học nó trong bài này và bài sau.
Before I get started into that, I got a bunch of questions at the end of last lecture about the proof that we did and the end of lecture.
Trước khi bắt đầu phần đó, cuối bài trước tôi nhận được nhiều câu hỏi về phần chứng minh ở cuối buổi.
So would people like for me to just talk through it once more really quickly, so that — I'm seeing a lot of nodding, so I'll go ahead and do that.
Vậy các bạn có muốn tôi nói lại một lượt thật nhanh không? Tôi thấy nhiều người gật đầu, vậy tôi sẽ làm.
And I'll give an example for this as well. So today's plan is just finishing up least squares.
Và tôi cũng sẽ cho một ví dụ. Kế hoạch hôm nay là hoàn tất phần bình phương tối thiểu.
And think about this, is A transpose A invertible?
Hãy nghĩ xem: A transpose A có khả nghịch không?
And we saw the answer to that last time.
Và lần trước ta đã thấy câu trả lời.
We said that, well, to understand if A transpose A is invertible, we don't have to look at this matrix A transpose A. We can just look at the columns of matrix A.
Ta nói rằng, để biết A transpose A có khả nghịch hay không, ta không cần xét ma trận A transpose A. Chỉ cần xét các cột của ma trận A.
If they are linearly independent, then basically we're good, right?
Nếu chúng độc lập tuyến tính thì về cơ bản là ổn, đúng không?
So we're going to talk a little bit about this. I'll show you an example of how A transpose A might not be invertible.
Ta sẽ nói thêm một chút về điều này. Tôi sẽ cho một ví dụ khi A transpose A có thể không khả nghịch.
And then we'll move finally to talking about orthogonal matching pursuit.
Và cuối cùng ta sẽ chuyển sang orthogonal matching pursuit.
So last lecture we proved the following theorem.
Bài trước ta đã chứng minh định lý sau.
We said that the null space of A transpose A is equal to the null space of A, right?
Không gian không (null space) của A transpose A bằng không gian không của A, đúng không?
We said that, well we want to understand the null space of A transpose A because null space of A transpose A is basically telling us about the invertibility of A transpose A, right?
Ta muốn hiểu không gian không của A transpose A vì nó cho ta biết A transpose A có khả nghịch hay không.
If A transpose A is invertible, then what is the null space of A transpose A?
Nếu A transpose A khả nghịch thì không gian không của nó là gì?
0, right? It's just the 0 vector. If, on the other hand, A transpose A was not invertible, then it would have a non-trivial null space, right?
Là 0, đúng không? Chỉ gồm vectơ 0. Ngược lại, nếu A transpose A không khả nghịch thì nó có không gian không khác tầm thường, đúng không?
So now we want to compare this null space of A transpose A to the null space of A. Can we just think about whether or not A is invertible?
Giờ ta muốn so sánh không gian không của A transpose A với không gian không của A. Ta có thể chỉ xét xem A có khả nghịch hay không không?
What are the dimensions of A, right? Remember, A is a matrix that looks like this. It's an N by M, matrix but N is much, much bigger than M.
Số chiều của A là bao nhiêu? Nhớ rằng A là ma trận có dạng thế này. Nó là ma trận N x M, nhưng N lớn hơn M rất nhiều.
So we have a lot more — like, it's not a square matrix, right? And we only defined inverses four square matrices.
Tức là nó nhiều hơn... nó không phải ma trận vuông, đúng không? Mà ta chỉ định nghĩa nghịch đảo cho ma trận vuông.
So we can't just say, well let's just check whether or not A is invertible.
Nên ta không thể đơn giản kiểm tra A có khả nghịch hay không.
The whole reason we ended up doing least squares partly was that, well, we have more equations than we have unknowns.
Lý do ta làm bình phương tối thiểu một phần là vì ta có nhiều phương trình hơn số ẩn.
We know that these are noisy, so we want to use these extra equations to get a better estimate. We can't just do an inversion.
Ta biết chúng có nhiễu, nên muốn dùng các phương trình dư này để có ước lượng tốt hơn. Ta không thể chỉ lấy nghịch đảo.
So A is not square. So we can't just look at the inverse of A, which is why we want to compare to the null space of A, right?
Vậy A không vuông. Nên ta không thể xét nghịch đảo của A, và đó là lý do ta so sánh với không gian không của A, đúng không?
And what we basically want to see and we know that the null space of A is non-trivial if columns of A are linearly dependent.
Điều ta muốn thấy và ta biết là không gian không của A khác tầm thường nếu các cột của A phụ thuộc tuyến tính.
What does it mean for the null space of A to be non-trivial?
Không gian không của A khác tầm thường nghĩa là gì?
It means that basically if A times X is equal to 0, and X is not equal to 0, then X is in the null space, right?
Nghĩa là nếu A nhân X bằng 0 và X khác 0, thì X nằm trong không gian không, đúng không?
It's a non-trivial null space if I find such an X. But A times X, remember, is just a linear combination of the columns, right?
Nó khác tầm thường nếu tôi tìm được một X như vậy. Nhưng nhớ rằng A nhân X chỉ là một tổ hợp tuyến tính của các cột, đúng không?
This is the first — if I think of the elements of X being X1, X2, Xn and the columns of A being A1, A2, An, this is just a linear combination of the columns.
Đây là cột đầu tiên... nếu coi các phần tử của X là X1, X2, Xn và các cột của A là A1, A2, An, thì đây chỉ là một tổ hợp tuyến tính của các cột.
So looking at the null space of A is basically equivalent to looking at whether or not the columns, if they are linearly independent or dependent. We did all of this in module 1.
Vậy xét không gian không của A về cơ bản tương đương với xét các cột là độc lập tuyến tính hay phụ thuộc tuyến tính. Ta đã học hết những điều này ở phần 1.
It's worth quickly reviewing that at some point.
Các bạn nên ôn lại nhanh vào lúc nào đó.
Make sure you understand the connection between linear dependence, independence of the columns, and the null space of A. So is everyone clear on why we were examining the null spaces of A transpose A and the null space of A?
Hãy chắc chắn bạn hiểu mối liên hệ giữa sự phụ thuộc hay độc lập tuyến tính của các cột và không gian không của A. Vậy mọi người có rõ vì sao ta xét không gian không của A transpose A và của A không?
Does everyone see why this is connected to the invertibility of A transpose A? Yeah? Do I see some nods at the back? Any questions?
Mọi người có thấy điều này liên quan thế nào đến tính khả nghịch của A transpose A không? Vâng? Phía cuối lớp có ai gật đầu không nhỉ? Có câu hỏi nào không?
Okay, great. So now, let's go to try and actually proving this.
Được, tốt. Bây giờ ta bắt tay vào chứng minh.
So what did we do last time? We said that we wanted to prove that these two things are equal.
Lần trước ta đã làm gì? Ta muốn chứng minh hai thứ này bằng nhau.
And when we have two things that we want to show two these are two sets, these are two vector spaces.
Khi có hai thứ mà ta muốn chứng minh bằng nhau, đây là hai tập hợp, là hai không gian vectơ.
So we need to show that every element in this null space is an element of this null space.
Thì ta cần chứng minh mọi phần tử của không gian không (null space) này đều là phần tử của không gian không kia.
And every element in this other null space is an element of the first null space, right? This is what we need to show. So let's just write that out.
Và mọi phần tử của không gian không còn lại đều là phần tử của không gian không thứ nhất, đúng không? Đây là điều ta cần chứng minh. Ta viết ra nhé.
The first thing we need to show is that if some vector V belongs to the null space of A, then V also belongs to the null space of A transpose A.
Điều đầu tiên cần chứng minh là nếu một vectơ V thuộc không gian không (null space) của A, thì V cũng thuộc không gian không của A transpose A.
And the second thing we need to show is that if there's some W that belongs to the null space of A transpose A, then W belongs to the null space of A.
Điều thứ hai cần chứng minh là nếu có một W nào đó thuộc không gian không của A transpose A, thì W thuộc không gian không của A.
I'm going to pause here. Is it clear to everyone why we need to prove both of these things?
Tôi dừng ở đây. Mọi người có rõ vì sao ta cần chứng minh cả hai điều này không?
Okay, take a minute make sure that you're comfortable with why we have to prove these two things.
Hãy dành một phút để chắc rằng mình hiểu vì sao phải chứng minh cả hai điều này.
We've done this proof last time a little bit, so make sure that — try to do it again on your own. Just take a minute. Make sure you understand what direction we're going in.
Lần trước ta đã làm chứng minh này một chút rồi, nên hãy chắc là — thử tự làm lại xem. Chỉ một phút thôi. Hãy chắc rằng bạn hiểu ta đang đi theo hướng nào.
Talk to your neighbor. Get comfortable with this again. Remind yourself of what happened last lecture, and then we'll proceed.
Trao đổi với bạn bên cạnh. Làm quen lại với nó. Nhớ lại những gì đã làm ở bài giảng trước, rồi ta sẽ tiếp tục.
I really want to make sure that we all are together in this when we're doing this proof.
Tôi thật sự muốn cả lớp theo kịp khi làm chứng minh này.
It's a smaller class. There's more opportunity to ask questions. You know, use it.
Lớp khá nhỏ. Có nhiều cơ hội để hỏi hơn. Các bạn cứ tận dụng nhé.
Okay, how many people have refreshed their memory of what we did last time?
Được rồi, có bao nhiêu người đã nhớ lại những gì ta làm lần trước?
No one? Everyone forgot? Or no one wants to proceed. Everyone just wants to go home.
Không ai sao? Mọi người quên hết rồi à? Hay là không ai muốn làm tiếp. Ai cũng chỉ muốn về nhà.
I understand, I understand. We're going to make this easy. Like, not going to do anything super hard today. We're just going to, like, yeah.
Tôi hiểu, tôi hiểu. Ta sẽ làm cho nó dễ dàng. Hôm nay sẽ không có gì quá khó. Ta chỉ, ừ.
Friendly lecture. So any questions on why there's two statements?
Một bài giảng thân thiện. Vậy có câu hỏi nào về việc vì sao có hai mệnh đề không?
Yeah.
Vâng.
STUDENT
[INAUDIBLE] PROFESSOR: Yeah, okay. So one way to think about it is to say that if this — you know just drawing a crude picture.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Vâng, được. Một cách nghĩ là, nếu cái này — tôi vẽ tạm một hình thô.
If this is one of the vector spaces, let's say this circle — which obviously a vector space wouldn't be depicted as a circle, but let's just pretend.
Giả sử đây là một không gian vectơ, cứ cho là hình tròn này, dĩ nhiên không gian vectơ không vẽ thành hình tròn, nhưng cứ giả sử vậy.
And I want to say that this other thing is exactly the same, I want to make sure that when I think about the second vector space, everything in here is in here.
Và tôi muốn nói rằng cái kia hoàn toàn giống nó, tôi muốn chắc rằng khi nghĩ đến không gian vectơ thứ hai, mọi thứ trong này đều nằm trong này. Và mọi thứ trong này đều nằm trong này.
And everything in here is in here. I don't want to have any stuff that's in the pink set but not in the black set.
Tôi không muốn có thứ nào thuộc tập màu hồng mà không thuộc tập màu đen.
And I don't want to have any stuff that is in the black set but it's not in the pink set, right?
Và cũng không muốn có thứ nào thuộc tập màu đen mà không thuộc tập màu hồng, đúng không? Vậy ở điều đầu tiên, nếu thuộc tập hồng thì cũng thuộc tập đen.
So in the first thing we're seeing, if we belong to the pink set it also belongs to the black set.
Nhưng vẫn có thể có một hình như thế này — nếu bạn chỉ chứng minh điều đầu tiên, thì hình như thế này vẫn đúng.
But it's possible to then have a picture — if you just showed the first thing, you could have a picture like this and that would be true. Right?
Đúng không? Khi chứng minh cả hai, bạn có thể nói rằng không thể chỉ có tập hồng nằm trong tập đen hoặc ngược lại.
When you show both of these, you can say that, well, it's not possible for just the pink to be inside the black or the other way around. They have to be exactly equal.
Chúng phải hoàn toàn bằng nhau. Đó là lý do ta cần chứng minh cả hai chiều. Chỗ này khá dễ nhầm, nên hãy chắc là bạn hiểu.
So this is why we need to prove both directions. This is a slippery thing, so make sure you understand. And feel free to ask questions.
Và cứ thoải mái đặt câu hỏi. Nhưng được rồi, giờ ta bắt đầu chứng minh điều thứ nhất. Giờ — ta có một vế "nếu", rồi một vế "thì", đúng không?
But okay, so now let's start with trying to prove one. And so now — if we have an if, and then we have a then, right? So if this, then that.
Nếu cái này, thì cái kia. Vậy giả sử V thuộc không gian không của A. Điều này được cho trước, đúng không?
So let's assume that V belongs to the null space of A. We are given this, right? So we know this. We know that this is true.
Nên ta biết điều này. Ta biết điều này đúng. V thuộc không gian không của A nghĩa là gì? Ta có thể viết là A nhân V bằng 0, đúng không?
What does it mean for V to belong to the null space of A? We can write it as A times V equal to 0, right?
V thuộc không gian không nghĩa là phương trình này đúng. Tôi chỉ đang viết ra định nghĩa.
V belongs to the null space means this equation is true. I'm just writing out the definition. What do I want?
Ta muốn gì? Ta muốn V thuộc không gian không của A transpose A, đúng không?
I want to have V belonging to the null space of A transpose A, right?
Nghĩa là ta muốn có A transpose A nhân V bằng 0.
This means I want to have A transpose A times V is equal to 0. This is what I want to get. So how do I manipulate this to look like this?
Đây là điều ta muốn đạt được. Vậy biến đổi cái này thành cái kia thế nào? Ta nhân với A transpose, đúng không? Đây là một bước tự nhiên.
I'm going to multiply by A transpose, right? So this is a natural step. So multiply by A transpose.
Vậy nhân với A transpose. Ta được A transpose A, V.
We're going to get A transpose A, V. And if I multiply this by A transpose, I'm going to get this equal to A transpose 0, right? Multiplying both sides.
Và nếu nhân vế này với A transpose, thì vế phải bằng A transpose nhân 0, đúng không? Nhân cả hai vế. Nhưng A transpose nhân 0 bằng 0. Do đó, V phải thuộc không gian không của A transpose A.
But A transpose times 0 is equal to 0. Therefore, V must belong to the null space of A transpose A.
Vì A transpose A nhân V ra 0 nghĩa là V phải nằm trong không gian không, đúng không?
Because A transpose A times V gives me 0 means that we must be in the null space, right?
Tốt. Đây là phần dễ hơn của chứng minh.
Great. So this is the more straightforward part of the proof. The second part of the proof is where I got a lot of questions after class.
Phần thứ hai của chứng minh là phần tôi nhận được nhiều câu hỏi sau giờ học.
And before doing the second part of the proof, I just wanted to remind people of a property of transposes that you may or may not have seen before.
Và trước khi làm phần thứ hai, tôi muốn nhắc mọi người một tính chất của phép chuyển vị Và trước khi làm phần thứ hai của chứng minh, tôi muốn nhắc lại với mọi người một tính chất của phép chuyển vị mà các em có thể đã hoặc chưa từng thấy.
So if I have a matrix A and a matrix B, and I take A times B, and I consider A times B transpose, this is equal to B transpose A transpose.
Nếu có ma trận A và ma trận B, và ta lấy A nhân B, rồi xét chuyển vị của AB, nó bằng B chuyển vị nhân A chuyển vị.
What happens when you take the transpose is you flip the order of the multiplication.
Khi lấy chuyển vị, ta đảo ngược thứ tự của phép nhân.
And why does that happen? I got some questions about this after the last lecture.
Vì sao lại như vậy? Sau bài giảng trước, thầy nhận được vài câu hỏi về điều này.
But if you think about it, let's think of A as an N by M matrix, and B as an M by K matrix. So AB, what is the dimension of AB?
Hãy xem A là ma trận N x M và B là ma trận M x K. Vậy AB có kích thước bao nhiêu?
N by K, right? What is the dimension of A transpose?
N x K, đúng không? A chuyển vị có kích thước bao nhiêu?
A transpose is M by N, right? And B transpose is going to be K by M, right?
A chuyển vị là M x N, đúng không? Còn B chuyển vị sẽ là K x M, đúng không?
So can I even multiply A transpose times B transpose? It's not even a valid multiplication, right?
Vậy ta có nhân được A chuyển vị với B chuyển vị không? Đó thậm chí không phải phép nhân hợp lệ, đúng không?
So if I want to look at the dimensions of B transpose A transpose, this is basically K by M times M by K.
Còn nếu xét kích thước của B chuyển vị nhân A chuyển vị, đó là K x M nhân M x N.
So this again gives me a K by N.
Kết quả lại là K x N.
And now if I think about AB whole transpose, the dimensions of this are also K by N. So these dimensions match up. That's one way to remember this.
Và nếu xét chuyển vị của AB, kích thước của nó cũng là K x N. Vậy các kích thước khớp nhau. Đó là một cách để nhớ tính chất này.
I highly recommend that you all prove this rigorously for a simple two by two example. Choose A is equal to A1,1, A1, 2, A2,1, A2,2.
Thầy rất khuyến khích các em tự chứng minh chặt chẽ với một ví dụ 2 x 2 đơn giản. Chọn A bằng A1,1, A1,2, A2,1, A2,2.
B is equal to B1,1, B1,2, B2,1, B2,2. Compute out explicitly A B transpose and B transpose A transpose.
B bằng B1,1, B1,2, B2,1, B2,2. Hãy tính tường minh chuyển vị của AB và B chuyển vị nhân A chuyển vị.
And do the multiplication both ways, and see that this actually works out.
Thực hiện phép nhân theo cả hai cách và xem kết quả có khớp nhau không.
Basically, when you do that you'll see that it's fundamentally related to this property of matrix multiplication about how we take — when we do A times B, we take this row times this column.
Về cơ bản, khi làm vậy các em sẽ thấy nó gắn liền với tính chất của phép nhân ma trận về cách ta lấy — khi nhân A với B, ta lấy hàng này nhân cột này.
But transposes are basically flipping the rows and the columns. And so when you do this multiplication, things flip around. You can prove this out rigorously for any arbitrary matrices of any dimensions.
Còn chuyển vị thì về cơ bản là đổi chỗ hàng và cột. Nên khi thực hiện phép nhân này, mọi thứ bị đảo ngược. Có thể chứng minh chặt chẽ điều này cho các ma trận bất kỳ với kích thước bất kỳ.
But just to convince yourself, make sure that you can verify it and prove it for the two by two case. It's a good exercise worth doing.
Nhưng để tự thuyết phục mình, hãy chắc chắn các em kiểm tra và chứng minh được cho trường hợp hai nhân hai. Đây là bài tập hay, đáng làm.
But it's a property that you should all know. And so if you haven't come across this so far, make sure you know this.
Đây là tính chất mà ai cũng nên biết. Nếu đến giờ các em chưa gặp tính chất này, hãy nhớ kỹ nó.
But I want to now use this property in our proof.
Giờ thầy sẽ dùng tính chất này trong chứng minh.
So we now want to say that if this W belongs to null space of A transpose A — so let's say we're given that W belongs to null space of A transpose A, and we want to show that W belongs to the null space of A.
Ta muốn nói rằng nếu W thuộc không gian không (null space) của A chuyển vị nhân A — tức là giả sử cho trước W thuộc không gian không của A chuyển vị nhân A, và ta muốn chứng minh W thuộc không gian không của A.
So if I know W belongs to the null space of A transpose A, I can write this as A transpose A W equal to 0.
Nếu biết W thuộc không gian không của A chuyển vị nhân A, ta viết được A chuyển vị nhân A nhân W bằng 0.
So ideally, we don't want to do an argument exactly like the one above. That would be a natural thing that we would try to do, right? So what would happen?
Lý tưởng thì ta không muốn lập luận y hệt như ở trên. Đó sẽ là điều tự nhiên ta muốn thử, đúng không? Vậy chuyện gì sẽ xảy ra?
What would we need to be able to do to make that argument work? Someone else? Yeah?
Ta cần làm được gì để lập luận đó thành công? Bạn nào khác? Bạn nào?
We would need to somehow cancel A transpose, right? We would need to be able to invert A transpose. If we had and A transpose inverse, we could potentially multiply both sides by it.
Ta cần khử được A chuyển vị bằng cách nào đó, đúng không? Ta cần nghịch đảo được A chuyển vị. Nếu có nghịch đảo của A chuyển vị, ta có thể nhân cả hai vế với nó.
But is A transpose a square matrix?
Nhưng A chuyển vị có phải ma trận vuông không?
So can we multiply both sides by A transpose inverse? No, because it doesn't necessarily exist.
Vậy ta có nhân cả hai vế với nghịch đảo của A chuyển vị được không? Không, vì nó không nhất thiết tồn tại.
So that's why we can do the straightforward style of argument that we did earlier. It's not because we want to just have complicated proofs for the fun of it.
Đó là lý do ta không thể dùng kiểu lập luận đơn giản như lúc trước. Không phải vì thầy muốn làm chứng minh phức tạp cho vui.
It's that the technique that we would want to make work doesn't work. And so we're going to try a different idea.
Mà là vì kỹ thuật mà ta muốn dùng không áp dụng được. Vì vậy ta sẽ thử một ý tưởng khác.
So I'm going to do the proof a slightly different way than I did last time. It's essentially the same argument, but a slightly different notation to give you a different flavor.
Thầy sẽ chứng minh theo cách hơi khác so với lần trước. Về bản chất là cùng một lập luận, nhưng ký hiệu hơi khác để các em thấy một góc nhìn khác.
And hopefully that might answer some of your questions. But I want to basically show that A times W is equal to 0, right? So what are the dimensions of A times W?
Hy vọng điều đó giải đáp được một số thắc mắc của các em. Thầy muốn chứng minh A nhân W bằng 0, đúng không? Vậy A nhân W có kích thước thế nào?
Is it a matrix or a vector? It's a vector, right?
Là ma trận hay vectơ? Là vectơ, đúng không?
So if I want to show that a vector is 0 — so AW go to 0 means I want to show a vector is 0 — are there other ways of showing a vector is 0, other than basically showing that every single element is 0?
Nếu muốn chứng minh một vectơ bằng 0 — AW bằng 0 nghĩa là ta muốn chứng minh một vectơ bằng 0 — có cách nào khác để chứng minh một vectơ bằng 0, ngoài việc chứng minh từng phần tử đều bằng 0 không?
Yeah, at the back? It's magnitude is 0. If we can understand the magnitude of the vector, the only vector that has 0 magnitude is the 0 vector itself.
Bạn ở cuối lớp? Độ lớn của nó bằng 0. Nếu ta xác định được độ lớn của vectơ, vectơ duy nhất có độ lớn bằng 0 chính là vectơ không.
So if we consider, say consider, the magnitude of AW — and let's consider the magnitude of AW squared, just because if a number is 0, it's square is also 0.
Vậy ta xét độ lớn của AW — và xét bình phương độ lớn của AW, vì nếu một số bằng 0 thì bình phương của nó cũng bằng 0.
So if I have now AW squared, I can write this as an inner product, right?
Vậy bình phương độ lớn của AW, ta có thể viết dưới dạng tích vô hướng, đúng không?
The magnitude of a vector is exactly the inner product.
Bình phương độ lớn của vectơ chính là tích vô hướng của nó với chính nó.
What is this inner product? This is AW transpose AW.
Tích vô hướng này là gì? Là AW chuyển vị nhân AW.
Now I can use my transpose property to write this as W transpose A transpose AW.
Giờ dùng tính chất chuyển vị, ta viết thành W chuyển vị nhân A chuyển vị nhân AW.
And now what do I have?
Và giờ ta có gì?
Are people on this side with me? I write on that side, so I end up being on that side of the classroom more often. But you're good?
Các bạn phía bên này theo kịp chứ? Thầy viết ở bên đó nên thầy hay đứng về phía đó của lớp hơn. Các em ổn chứ?
Okay. So we have A transpose AW here. But what do we know about A transpose AW? This is equal to 0, right?
Được rồi. Ở đây ta có A chuyển vị nhân AW. Nhưng ta biết gì về A chuyển vị nhân AW? Nó bằng 0, đúng không?
Therefore, we can now say that norm of AW squared must be 0. But what does this mean?
Do đó ta có thể kết luận bình phương chuẩn của AW phải bằng 0. Nhưng điều này có nghĩa là gì?
The only way this is possible is if AW itself is the 0 vector.
Cách duy nhất để điều này xảy ra là chính AW phải là vectơ 0.
And then what this gives us is that therefore W must belong to the null space of A.
Và từ đó suy ra W phải thuộc không gian không (null space) của A.
Are there any questions here about how we got to this point? This is a different kind of proof. You have not seen this type of proof yet, right?
Mọi người có câu hỏi nào về cách chúng ta đi đến đây không? Đây là một kiểu chứng minh khác. Các em chưa từng thấy kiểu chứng minh này, đúng không?
It's basically — it's saying, well, I don't have the object. I can't manipulate AW, which is the object I want.
Về cơ bản là thế này: tôi không có sẵn đối tượng đó. Tôi không thể thao tác trực tiếp với AW, là đối tượng tôi muốn.
So let me consider a related thing which is the norm of that vector — instead of that vector itself — and try to manipulate that, because it's slightly easier for me to manipulate.
Nên tôi xét một đại lượng liên quan, là chuẩn của vectơ đó, thay vì chính vectơ đó, rồi thao tác với nó, vì nó dễ thao tác hơn một chút.
Any questions?
Có câu hỏi nào không?
Okay, should I move on? Okay, great. Yes, question.
Được rồi, tôi đi tiếp nhé? Tốt. Vâng, em hỏi đi.
STUDENT
[INAUDIBLE] PROFESSOR: Absolutely, great. Thank you for asking a question.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Chính xác, rất tốt. Cảm ơn em đã hỏi.
Okay, so we have W transpose A transpose AW is e — we have — so this inner product, I just said well, X.
Vậy ta có W transpose A transpose AW bằng — ta có tích vô hướng này, tôi đã nói là, X.
In a product of two vectors, you take the transpose of the first vector and the second vector.
Trong tích vô hướng của hai vectơ, ta lấy chuyển vị của vectơ thứ nhất rồi nhân với vectơ thứ hai.
So I'm just using this fact that inner product XY is equal to X transpose Y. So I'm just taking the transpose of the first vector and then the second vector.
Tôi chỉ đang dùng việc tích vô hướng của X và Y bằng X transpose Y. Tức là tôi lấy chuyển vị của vectơ thứ nhất rồi nhân với vectơ thứ hai.
Now I have AB transpose is equal to B transpose A transpose. So AW transpose, I had to flip the order. It's W transpose A transpose.
Giờ ta có AB transpose bằng B transpose A transpose. Nên AW transpose thì phải đổi thứ tự. Nó là W transpose A transpose.
And I just have this AW here. But now I can use the fact that matrix multiplication is associative.
Và ở đây vẫn còn AW. Nhưng giờ ta dùng tính chất phép nhân ma trận có tính kết hợp.
And instead of thinking of W transpose A transpose — so if I write this out in one more step, this is W transpose A transpose times AW.
Và thay vì nghĩ tới W transpose A transpose, nếu viết thêm một bước nữa, thì đây là W transpose A transpose nhân AW.
But I can write this out as W transpose times A transpose AW.
Nhưng tôi có thể viết thành W transpose nhân A transpose AW.
And I'm just changing the order of the multiplication. But what do I know about A transpose A times W?
Tôi chỉ đổi thứ tự thực hiện phép nhân. Vậy ta biết gì về A transpose A nhân W?
It's 0 because W is in the null space of A transpose A. That's how I got that step. Does that help? Okay. Yes, question?
Nó bằng 0 vì W thuộc không gian không (null space) của A transpose A. Đó là cách tôi có bước đó. Vậy có rõ hơn không? Được. Vâng, em hỏi đi?
STUDENT
[INAUDIBLE] PROFESSOR: The next step — so, great. Excellent question. So you're good to having the norm of this AW being equal to 0?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Bước tiếp theo, vâng. Câu hỏi rất hay. Vậy em đồng ý là chuẩn của AW này bằng 0 chứ?
That's fine, right? From here to here is good? Okay. So now we have the norm of a vector.
Chỗ đó ổn, đúng không? Từ đây đến đây là ổn chứ? Được. Bây giờ ta có chuẩn của một vectơ.
There's some vector. AW is some vector somewhere, and it's magnitude is 0.
Có một vectơ nào đó. AW là một vectơ nào đó, và độ lớn của nó bằng 0.
When we look at all of the different vectors, is it possible for a vector to have a non-zero element in it and have its magnitude be equal to 0?
Khi xét mọi vectơ khác nhau, liệu một vectơ có thể có một phần tử khác 0 mà độ lớn vẫn bằng 0 không?
The magnitude is the sum of squares, right? So it's always the sum of positive entries.
Độ lớn là tổng các bình phương, đúng không? Nên nó luôn là tổng của các số không âm.
So the only way that a vector can have its magnitude be 0 is if every single entry was 0.
Vậy cách duy nhất để độ lớn của vectơ bằng 0 là mọi phần tử đều bằng 0.
Because basically, I can — let me write this here.
Vì về cơ bản, tôi có thể — để tôi viết ra đây.
If let's consider X norm of X squared is equal to X1 squared plus X2 squared plus Xn squared.
Xét chuẩn của X bình phương bằng X1 bình phương cộng X2 bình phương cộng Xn bình phương.
If I tell you — if this is equal to 0, I know X1 squared must be greater than or equal to 0. X2 squared must be greater than or equal to 0.
Nếu tôi nói với các em tổng này bằng 0, thì tôi biết X1 bình phương phải lớn hơn hoặc bằng 0. X2 bình phương phải lớn hơn hoặc bằng 0.
Xn squared must be greater than or equal to 0. So the smallest value this can be is 0. This can never go — none of these can be negative.
Xn bình phương phải lớn hơn hoặc bằng 0. Nên giá trị nhỏ nhất của nó là 0. Số nào trong này cũng không thể âm.
So how do you have a bunch of numbers add up to 0? The only option is for every single one of them to be 0.
Vậy làm sao để một loạt số cộng lại bằng 0? Cách duy nhất là mỗi số đều bằng 0.
So therefore, X1 equal to 0, X2 equal to 0, Xn equal to 0.
Do đó X1 bằng 0, X2 bằng 0, Xn bằng 0.
Oh, why can't numbers be negative? Good question. So what if X1 was equal to minus 1? X1 squared is plus 1.
À, tại sao các số không thể âm? Câu hỏi hay. Nếu X1 bằng âm 1 thì sao? X1 bình phương là dương 1.
Because they're squares, they can never be less than 0. That's why they can't cancel each other out.
Vì là bình phương nên chúng không bao giờ nhỏ hơn 0. Vì vậy chúng không thể triệt tiêu nhau.
STUDENT
But [INAUDIBLE]. If we know that AW gives us 0, cool. But we don't know if the A transpose is — how do you know that A transpose multiplied by that is still 0?
Nhưng [KHÔNG NGHE RÕ]. Nếu ta biết AW cho ra 0, ổn. Nhưng ta không biết A transpose có — làm sao biết A transpose nhân với nó vẫn bằng 0?
PROFESSOR
So right now I'm just trying to show that AW is 0. I'm assuming that A transpose A is 0, and I want to show that AW is zero.
Hiện giờ tôi chỉ đang cố chứng minh AW bằng 0. Tôi giả sử A transpose A bằng 0, và muốn chứng minh AW bằng 0.
So I'm giving. I'm assuming that this is told to me, because I know W belongs to the null space if A transpose A. So I'm told. I'm told this, I want to show this.
Tức là tôi được cho trước. Tôi giả sử điều này được cho, vì tôi biết W thuộc không gian không (null space) của A transpose A. Nên tôi được cho điều này. Tôi được cho cái này, tôi muốn chứng minh cái kia.
Here, I'm told this other thing, I want to show this other thing.
Còn ở đây, tôi được cho một điều khác, và muốn chứng minh một điều khác.
These are all excellent questions. Thank you for asking them. I wish we had a smaller class that we could actually have these kinds of discussions in every lecture.
Đây đều là những câu hỏi rất hay. Cảm ơn các em đã hỏi. Ước gì lớp nhỏ hơn để chúng ta có thể thảo luận kiểu này trong mọi buổi học.
Yes?
Vâng?
STUDENT
[INAUDIBLE] PROFESSOR: Okay. So the question is, you know, what's going on here?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Được. Câu hỏi là, chuyện gì đang diễn ra ở đây?
So if we were to write this out as an explicit theorem statement, we could say if the norm of a vector X squared is equal to 0, then vector X is exactly the 0 vector.
Nếu viết thành một định lý tường minh, ta nói: nếu chuẩn của vectơ X bình phương bằng 0, thì vectơ X chính xác là vectơ 0.
That's what it's saying. And why is this true? It's saying that, well, the norm of a vector X — let's say X has these components, X1, X2, all the way up to Xn.
Đó là điều nó nói. Và tại sao điều này đúng? Là vì chuẩn của vectơ X — giả sử X có các thành phần X1, X2, cho đến Xn.
The norm is exactly just the sum of the squares of the elements, right? And so, what are potential values for X1 squared?
Chuẩn đúng bằng tổng bình phương các phần tử, đúng không? Vậy X1 bình phương có thể nhận những giá trị nào?
There's one, two, three, four, 8,000, 8 million — you know, whatever you want. Can X1 squared ever be equal to negative 1? Because Xi's are real numbers.
Một, hai, ba, bốn, 8 nghìn, 8 triệu — tùy ý các em. X1 bình phương có bao giờ bằng âm 1 được không? Vì các Xi là số thực.
We're not allowing imaginary numbers here in our vectors.
Ở đây các vectơ của ta không cho phép số ảo.
So if they want all of these things to add up to 0, if any one of these was not 0 nothing else can cancel it out.
Nên nếu muốn tất cả các số hạng này cộng lại bằng 0, thì nếu có một số hạng khác 0, không số hạng nào khác có thể triệt tiêu nó.
So every single one of them has to be 0. Does that help? Okay, great. Other questions?
Vậy từng số hạng một đều phải bằng 0. Vậy đã rõ chưa? Được, tốt. Còn câu hỏi nào khác không?
Okay, should we move on? Okay, great.
Được, ta tiếp tục nhé? Tốt.
So we've talked basically about the connection between the columns of A — columns of A and invertibility of A transpose A. But why should we care?
Vậy về cơ bản ta đã nói về mối liên hệ giữa các cột của A — các cột của A và tính khả nghịch của A transpose A. Nhưng tại sao ta cần quan tâm?
When does this show up? This is a bunch of math that we did. Why should an engineer care about this? And so for this, let's go back to the trilateration example.
Khi nào nó xuất hiện? Đây là một đống toán ta đã làm. Tại sao một kỹ sư cần quan tâm đến nó? Để trả lời, ta quay lại ví dụ định vị ba điểm (trilateration).
I don't want to derive things out again, but if you go back to the third lecture in this module, do you remember this setup that we did?
Tôi không muốn suy ra lại từ đầu, nhưng nếu nhớ lại bài giảng thứ ba của phần này, các bạn có nhớ thiết lập ta đã làm không?
Where we had the three beacons, A,B,C. We measured distances from them, and then we got out these equations. We got out the system of equations.
Ta có ba trạm phát tín hiệu A, B, C. Ta đo khoảng cách từ chúng, rồi thu được các phương trình. Ta thu được hệ phương trình.
So let's consider a specific setup for the trilateration problem. Let's say the first beacon, beacon A was put at 0.
Giờ xét một thiết lập cụ thể cho bài toán định vị ba điểm. Giả sử trạm đầu tiên, trạm A, đặt tại 0.
Let's say beacon B was put somewhere — let's say B is equal to B. Let's say C was put at beta times B.
Giả sử trạm B đặt ở đâu đó — giả sử B bằng B. Giả sử C đặt tại beta nhân B.
And let's say — oh, let's just stop there, actually. So I had three beacons, and I put them in this particular way.
Và giả sử — thôi, dừng ở đây. Vậy tôi có ba trạm, và đặt chúng theo cách cụ thể này.
So let's say if I draw a picture here — I have a picture here. A is at the 0 vector.
Giả sử tôi vẽ hình ở đây — Tôi có một hình ở đây. A nằm tại vectơ 0.
Let's say this is vector B. And so this is my beacon A, this is my beacon B, and this is my beacon C. And C is equal to beta times B.
Giả sử đây là vectơ B. Đây là trạm A, đây là trạm B, và đây là trạm C. Và C bằng beta nhân B.
What does it mean for C to be equal to beta times B? It just means that it's a multiple, right? So what is true about all of these beacons, A, B, and C?
C bằng beta nhân B nghĩa là gì? Nghĩa là nó là một bội số, đúng không? Vậy điều gì đúng với cả ba trạm A, B và C?
They're co-linear, right? They're on the line.
Chúng thẳng hàng, đúng không? Chúng nằm trên một đường thẳng.
So let's observe this, and let's just do our trilateration.
Hãy ghi nhận điều này và cứ thực hiện định vị ba điểm.
So here we have the equation 2 Be transpose minus A transpose is equal to — or C transpose minus A transpose.
Ở đây ta có phương trình 2 B transpose trừ A transpose bằng — hoặc C transpose trừ A transpose.
This is equal to D1 squared minus D2 squared minus norm A squared plus norm B squared.
Cái này bằng D1 bình phương trừ D2 bình phương trừ chuẩn của A bình phương cộng chuẩn của B bình phương.
And this is D1 squared minus D2 squared minus norm A squared plus norm C squared.
Và cái này là D1 bình phương trừ D2 bình phương trừ chuẩn của A bình phương cộng chuẩn của C bình phương.
Remember, everything on this side, all of these quantities are unknown to us. We know the locations of the beacons and we know the distance measurements.
Nhớ rằng, mọi thứ ở vế bên này, tất cả các đại lượng đều đã biết với ta. Ta biết vị trí của các trạm và biết các số đo khoảng cách.
Let's simplify the right hand side.
Hãy đơn giản hóa vế phải.
So if I think about B transpose minus A transpose, this is just equal to — if A transpose is just 0, if A is put at the 0 vector, what is B transpose minus A transpose?
Nếu xét B transpose trừ A transpose, thì nó bằng — nếu A transpose bằng 0, nếu A đặt tại vectơ 0, thì B transpose trừ A transpose bằng gì?
Just B transpose, right? A is 0. So I subtract the 0 vector from something. Well, I just have B transpose.
Chỉ là B transpose, đúng không? A bằng 0. Nên tôi trừ vectơ 0 khỏi một thứ gì đó. Thì tôi chỉ còn B transpose.
What about C transpose minus A transpose? It's also just C transpose.
Còn C transpose trừ A transpose? Cũng chỉ là C transpose.
And what is C transpose actually equal to? C transpose is actually B transpose, this beta — which is a scalar — times B transpose.
Vậy C transpose thực chất bằng gì? C transpose thực chất là B transpose, nhân beta — một số vô hướng — nhân B transpose.
So let's make it even simpler. Let's say beta is equal to 2.
Ta làm cho nó đơn giản hơn nữa. Giả sử beta bằng 2.
This is just twice as far. Let's just say 2.
Tức là xa gấp đôi. Cứ cho là 2.
So now when I look at the columns of this matrix, let's say this vector B had the following components, B1, B2.
Giờ khi nhìn các cột của ma trận này, giả sử vectơ B có các thành phần B1, B2.
This is basically B1, B2, 2B1, 2B2.
Cái này về cơ bản là B1, B2, 2B1, 2B2.
B is a vector in two dimensional space. It has two components, B1 and B2. And I'm just substituting them in here. So what is true of this matrix now?
B là một vectơ trong không gian hai chiều. Nó có hai thành phần, B1 và B2. Và tôi chỉ thay chúng vào đây. Vậy giờ điều gì đúng với ma trận này?
What about the columns? What is the — is the first column a multiple of the second column?
Còn các cột thì sao? Cột thứ nhất có là bội của cột thứ hai không?
Yes, right? The columns are linearly dependent.
Có, đúng không? Các cột phụ thuộc tuyến tính.
But this is the matrix that we were using to set up the least squares equation for our entire GPS problem.
Nhưng đây chính là ma trận mà ta dùng để thiết lập phương trình bình phương tối thiểu cho toàn bộ bài toán GPS.
So is A invertible here? This is my A matrix.
Vậy ở đây A có khả nghịch không? Đây là ma trận A của tôi.
Is — or let's say are columns of a linearly independent?
Hay nói là các cột của A có độc lập tuyến tính không?
The answer is no.
Câu trả lời là không.
So therefore, is A transpose A invertible?
Vậy A transpose A có khả nghịch không?
The answer is no.
Câu trả lời là không.
So what is this setup that we're seeing here? We have the first beacon at the origin, the second beacon, and the third beacon all in a line.
Vậy thiết lập ta đang thấy ở đây là gì? Trạm đầu tiên ở gốc tọa độ, trạm thứ hai và trạm thứ ba đều nằm trên một đường thẳng.
So let's try and draw out this picture. Let's say we had basically this circle around the first beacon, and we had a circle around the second beacon.
Hãy thử vẽ hình này ra. Giả sử ta có đường tròn quanh trạm đầu tiên, và một đường tròn quanh trạm thứ hai.
Now, when I draw this C, let's say it has — from this third beacon I have this distance, and I have the following circle.
Giờ khi tôi vẽ C, giả sử từ trạm thứ ba này tôi có khoảng cách này, và tôi có đường tròn sau.
This is my distance D3. So can I find a unique point? If I give you distances D1, D2, and D3, is there a unique solution to this system?
Đây là khoảng cách D3 của tôi. Vậy tôi có tìm được một điểm duy nhất không? Nếu tôi cho các bạn các khoảng cách D1, D2 và D3, hệ này có nghiệm duy nhất không?
This is distance D1, this is distance D2, and this is distance D3. How many points are there that are D1 from A, D2 from B, and D3 from C?
Đây là khoảng cách D1, đây là khoảng cách D2, và đây là khoảng cách D3. Có bao nhiêu điểm cách A một khoảng D1, cách B một khoảng D2, và cách C một khoảng D3?
Is there a unique point? No. I have two points, right? There's these two points, are both satisfying these system of equations.
Có một điểm duy nhất không? Không. Tôi có hai điểm, đúng không? Hai điểm này đều thỏa mãn hệ phương trình này.
So should we expect a unique solution to this system of linear equations? No. And is the math telling us exactly that?
Vậy ta có nên kỳ vọng một nghiệm duy nhất cho hệ phương trình tuyến tính này không? Không. Và toán học có đang nói đúng điều đó không?
It's saying that if you set up your least squares problem, you're not going to be able to find a unique solution because you set up your measurements poorly.
Nó nói rằng nếu bạn thiết lập bài toán bình phương tối thiểu thì bạn sẽ không thể tìm được một nghiệm duy nhất, vì bạn đã thiết lập các phép đo không tốt.
It's saying, if you put your beacons — if you put your satellites in a two dimensional problem exactly along the line, you're toast. You cannot figure out where your receiver is.
Nó nói rằng, nếu bạn đặt các beacon... nếu bạn đặt các vệ tinh trong bài toán hai chiều đúng trên một đường thẳng, thì coi như hỏng. Bạn không thể xác định được vị trí của máy thu.
In a three dimensional problem, again if they're on a lower dimensional space, there it will translate to being in a plane.
Trong bài toán ba chiều, tương tự, nếu chúng nằm trong một không gian có số chiều thấp hơn, thì điều đó sẽ tương ứng với việc nằm trên một mặt phẳng.
So you need to basically have your distances be sufficiently different from each other. Your measurements need to be sufficiently different so that you can actually solve.
Vậy về cơ bản, các khoảng cách của bạn cần đủ khác nhau. Các phép đo của bạn cần đủ khác nhau để bạn thực sự giải được.
So yes, we did some theorems about some null spaces. And we tried to show when something is invertible or not. But it actually matters.
Đúng, chúng ta đã làm một số định lý về không gian không (null space). Và ta đã thử chứng minh khi nào một ma trận khả nghịch hay không. Nhưng điều đó thực sự quan trọng.
Because if you didn't know — if you didn't know to check for this, you could say, oh I'll put them all in a line so everything will be nice and symmetric.
Vì nếu bạn không biết, nếu bạn không biết kiểm tra điều này, bạn có thể nói: ồ, tôi sẽ đặt tất cả trên một đường thẳng để mọi thứ đẹp và đối xứng.
And then your multibillion billion dollar GPS system will not work. So don't do that.
Và rồi hệ thống GPS trị giá hàng tỷ đô la của bạn sẽ không hoạt động. Nên đừng làm vậy.
But does everyone see what the issue is here and why this is a bad idea? Any questions about this?
Mọi người có thấy vấn đề ở đây là gì và vì sao đó là ý tồi không? Có câu hỏi nào về phần này không?
Okay, great. Okay, I'll wait for another minute. Ask your friend a question about it. Talk to your neighbor, and make sure we're all on the same page in terms of what's going on.
Được, tốt. Được rồi, tôi sẽ chờ thêm một phút. Hãy hỏi bạn bên cạnh một câu về phần này. Trao đổi với bạn ngồi cạnh, và đảm bảo chúng ta đều hiểu đang diễn ra chuyện gì.
Would it help to add more beacons exactly on this line if I had another D here? Still wouldn't work, right?
Thêm nhiều beacon nằm đúng trên đường thẳng này có giúp ích không, nếu tôi có thêm một điểm D nữa ở đây? Vẫn không được, đúng không?
Any questions, anyone?
Có ai có câu hỏi không?
Anyone?
Ai không?
We're all good? Let's move — question? Yeah.
Mọi người ổn chứ? Ta tiếp tục nhé, à, em có câu hỏi? Vâng, mời em.
STUDENT
[INAUDIBLE] PROFESSOR: Great question. The question was, what if instead of having these two intersections we had two circles that were just tangent to each other?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Câu hỏi hay. Câu hỏi là: nếu thay vì có hai giao điểm này mà ta có hai đường tròn chỉ tiếp xúc nhau thì sao?
You're thinking about something like this.
Em đang nghĩ đến một cái gì đó như thế này.
So in that situation, you would be able to get this unique solution out. But it would be by chance. This is not the typical situation that you're going to expect.
Trong tình huống đó, bạn sẽ tìm ra được nghiệm duy nhất này. Nhưng đó là do ngẫu nhiên. Đây không phải tình huống điển hình mà bạn nên mong đợi.
This will actually never happen in a — especially because you have these noisy measurements. So you'll never actually experience this in real life.
Điều này thực ra sẽ không bao giờ xảy ra, nhất là vì các phép đo của bạn có nhiễu. Nên bạn sẽ không bao giờ gặp điều này ngoài đời thực.
But in this one case, things would work. Yeah, good question.
Nhưng trong trường hợp này thì mọi thứ sẽ chạy được. Vâng, câu hỏi hay.
Of course, that wouldn't mean that your matrix is going to be invertible.
Tất nhiên, điều đó không có nghĩa là ma trận của bạn sẽ khả nghịch.
Your matrix is still not going to be invertible, but your observations will be such that you will still be able to recover.
Ma trận của bạn vẫn không khả nghịch, nhưng các quan sát của bạn sẽ khiến bạn vẫn khôi phục được nghiệm.
This is more important — this is more something saying about what your D1 and D2 measurements are thank it is about the placement of your beacons. Yes?
Điều này nói về các phép đo D1 và D2 của bạn nhiều hơn là về vị trí đặt các beacon. Em nào nữa?
STUDENT
Is there a way to figure out what a good beacon placement will be, other than just [INAUDIBLE] in a line?
Có cách nào để biết cách đặt beacon tốt là gì, ngoài việc tránh đặt chúng [KHÔNG NGHE RÕ] trên một đường thẳng không ạ?
PROFESSOR
Well, the question is — just so everyone hears — is there a way to figure out what a good beacon placement would be, other than making sure that they're not in a line?
Câu hỏi là, để mọi người cùng nghe, có cách nào để biết cách đặt beacon tốt là gì, ngoài việc đảm bảo chúng không nằm trên một đường thẳng?
So you will see that you can — basically any time you put beacon placements, you want to write this matrix out and see how easy is it to invert A transpose A?
Về cơ bản, mỗi khi bạn đặt các beacon, bạn nên viết ma trận này ra và xem việc nghịch đảo A transpose A dễ đến mức nào. Việc nghịch đảo A transpose A dễ đến mức nào?
We will see — basically if you know that — you will see that if they're in a line, they will not be invertible.
Ta sẽ thấy rằng nếu chúng nằm trên một đường thẳng, thì ma trận sẽ không khả nghịch.
It turns out, that's basically the only way that they're not going to be invertible.
Và hóa ra đó về cơ bản là cách duy nhất để nó không khả nghịch.
We're not talking about it in this class, so it's a little bit out of scope, the answer I'm giving you. But there is a notion of how easy it is to invert a matrix.
Lớp này không đề cập đến phần đó, nên câu trả lời của tôi hơi nằm ngoài phạm vi. Câu trả lời của tôi hơi vượt ngoài phạm vi. Nhưng có một khái niệm về mức độ dễ dàng khi nghịch đảo một ma trận.
And you'll come to talking about this in 16b when you start talking about singular values.
Và các em sẽ học điều này trong 16B khi bắt đầu học về giá trị suy biến (singular values).
And you will want to make sure that basically it's easy to invert your matrix, in that you have your singular values away from 0.
Và bạn sẽ muốn đảm bảo rằng ma trận dễ nghịch đảo, tức là các giá trị suy biến cách xa 0.
But you should be able to basically write this matrix and check that. But that's out of scope for 16a. You'll see it in 16b.
Nhưng về cơ bản bạn nên viết ma trận này ra và kiểm tra điều đó. Nhưng phần đó nằm ngoài phạm vi 16A. Các em sẽ gặp nó trong 16B.
Good question, though. Any other questions? I'm really liking this. People are asking questions.
Dù sao cũng là câu hỏi hay. Còn câu hỏi nào khác không? Tôi rất thích điều này. Mọi người đang đặt câu hỏi.
It's much, much nicer.
Thế này tốt hơn nhiều.
Okay, should we move on? Yeah? Okay, let's move on.
Được rồi, ta tiếp tục nhé? Được chứ? Được, ta tiếp tục.
So now I want to introduce the new part of today's lecture, orthagonal matching pursuit.
Giờ tôi muốn giới thiệu phần mới của bài giảng hôm nay, orthogonal matching pursuit.
And here, we're going to try and solve basically an even more complicated GPS-type problem. So let's say you deploy — you do the lab from module 3.
Ở đây, ta sẽ thử giải một bài toán kiểu GPS còn phức tạp hơn nữa. Giả sử bạn triển khai bạn làm bài thí nghiệm (lab) của module 3.
You deploy a fabulous GPS system. You can track the location of your cell phone wherever you are. And you have these Gold codes. These Gold codes are these amazing tools.
Bạn triển khai một hệ thống GPS tuyệt vời. Bạn có thể theo dõi vị trí điện thoại của mình ở bất cứ đâu. Và bạn có các mã Gold. Các mã Gold này là những công cụ tuyệt vời.
They're these very nicely designed codes so that you can have these signature. You can transmit them. Even if there's multiple transmissions, you can still figure out which Gold code is being sent.
Chúng là những mã được thiết kế rất khéo để bạn có các chữ ký này. Bạn có thể truyền chúng. Ngay cả khi có nhiều tín hiệu truyền cùng lúc, bạn vẫn xác định được mã Gold nào đang được gửi.
But you want to now adapt this system to being something closer to home. So you're at home, and you want to build a smart home.
Nhưng bây giờ ta muốn điều chỉnh hệ thống này để áp dụng cho một thứ gần gũi hơn. Giả sử bạn đang ở nhà và muốn xây dựng một ngôi nhà thông minh.
You want to have, let's say, your — you walk in the door and your lamp is maybe transmitting to you. You want to have your television transmit to you.
Bạn muốn, chẳng hạn, bạn bước vào cửa và chiếc đèn có thể đang truyền tín hiệu cho bạn. Bạn muốn ti vi cũng truyền tín hiệu cho bạn.
You have some kind of smart device that triggers as soon as you walk in. You want to have your stuff know that, okay, you want to start making dinner.
Bạn có một thiết bị thông minh nào đó tự kích hoạt ngay khi bạn bước vào. Bạn muốn đồ đạc biết rằng bạn muốn bắt đầu nấu bữa tối.
You want to have — I don't know — your peanut butter to come out of the fridge so that you can make your sandwich.
Bạn muốn, ví dụ, hũ bơ đậu phộng tự ra khỏi tủ lạnh để bạn làm bánh sandwich.
You want to have your plants have some kind of smart irrigation system that, you know, you want to have it — you know, you want it to detect that okay, there's not enough water.
Bạn muốn cây cối có một hệ thống tưới tiêu thông minh, bạn biết đấy, bạn muốn nó phát hiện là không đủ nước.
You want to measure what kind of moisture there is in your garden and have it be transmitted back to your cell phone.
Bạn muốn đo độ ẩm trong vườn và gửi kết quả về điện thoại của bạn.
You have hundreds of thousands of millions of, let's say, smart devices throughout your home. This is a vision that many people are selling.
Giả sử bạn có hàng trăm nghìn, hàng triệu thiết bị thông minh khắp nhà. Đây là viễn cảnh mà nhiều người đang quảng bá.
And it's a different question of whether or not you want to be that interconnected within your own home.
Còn việc bạn có muốn kết nối chằng chịt như vậy trong chính nhà mình hay không thì lại là chuyện khác.
But if you think about this even more at a larger scale — in terms of in manufacturing factories or where you have a large number of automated devices that are simultaneously doing things — you want these devices to be able to automatically communicate wirelessly with, let's
Nhưng hãy nghĩ ở quy mô lớn hơn nữa, như trong các nhà máy sản xuất nơi có rất nhiều thiết bị tự động cùng hoạt động một lúc. Bạn muốn các thiết bị này tự động liên lạc không dây với, chẳng hạn, một trạm gốc trung tâm để báo cáo tình trạng.
say, some kind of central base station to give status updates. Or to raise flags. Like okay, I'm broken, please come prepare me, whatever it is.
Hoặc để phát cảnh báo. Kiểu như: tôi bị hỏng rồi, làm ơn đến sửa tôi, hay bất cứ điều gì.
And it seems like some of these ideas that we've been discussing that allow for these signatures to be developed might be useful here, right?
Và có vẻ một số ý tưởng ta đã thảo luận để tạo ra các chữ ký này có thể hữu ích ở đây, đúng không?
And what we want to try and do is we want to try and say, can we extend the ideas that we've been building out for developing the GPS system to solve this even more complicated problem of millions of billions of devices that are all talking at the same time?
Điều ta muốn thử là xem liệu ta có thể mở rộng các ý tưởng đã xây dựng cho hệ thống GPS để giải bài toán còn phức tạp hơn nhiều với hàng triệu, hàng tỷ thiết bị cùng truyền tin một lúc.
Think of smart. Like, think of basically automated traffic management, environmental sensors everywhere. Think about many, many different potential applications for this.
Hãy nghĩ đến sự thông minh. Chẳng hạn quản lý giao thông tự động, cảm biến môi trường ở khắp nơi. Hãy nghĩ đến rất nhiều ứng dụng tiềm năng khác nhau.
Some of you may have heard the phrase, "the internet of things", where you have a lot of different devices that are doing the talking. So this is kind of a step in that direction.
Có thể một số bạn đã nghe cụm từ "Internet vạn vật", nơi có rất nhiều thiết bị khác nhau đang liên lạc với nhau. Vậy đây là một bước đi theo hướng đó.
Question? No. So this is the vision that we're really trying to enable. So let's say you have — you want to build this smart home.
Có câu hỏi không? Không. Đây là viễn cảnh mà ta thực sự muốn hiện thực hóa. Giả sử bạn muốn xây dựng ngôi nhà thông minh này.
And you want your clock to be talking to you. And, I don't know, your television, which doesn't have an antenna anymore, but.
Và bạn muốn đồng hồ nói chuyện với bạn. Và, ví dụ, ti vi, dù giờ nó không còn ăng-ten nữa, nhưng thôi.
I don't know, your lamp maybe. All these different devices, right? They're all transmitting.
Hay chiếc đèn của bạn chẳng hạn. Tất cả các thiết bị này, đúng không? Chúng đều đang truyền tín hiệu.
And you want to say, well, how do you figure out which devices are transmitting?
Và bạn tự hỏi, làm sao biết thiết bị nào đang truyền?
And let's think of a situation where you have tens of thousands of devices everywhere. It's not one, it's not two, but it's really every little thing.
Hãy nghĩ đến tình huống có hàng chục nghìn thiết bị ở khắp nơi. Không phải một hay hai, mà thực sự là mọi món đồ nhỏ.
Think about your clothes are labeled, your shoes are labeled, your pencils are labeled. Everything is trying to talk to you, potentially. It's trying to tell you about its status.
Hãy nghĩ quần áo của bạn có gắn nhãn, giày có nhãn, bút chì cũng có nhãn. Mọi thứ đều có thể đang cố nói chuyện với bạn. Chúng cố báo cho bạn biết tình trạng của mình.
How do you actually handle this? It's a pretty complicated problem. Again like the GPS problem, we're not going to be able to solve every single part of this problem.
Vậy thực tế xử lý chuyện này thế nào? Đây là một bài toán khá phức tạp. Cũng như bài toán GPS, ta sẽ không giải được mọi phần của bài toán này.
But we're going to make some steps to try and solve this.
Nhưng ta sẽ thực hiện vài bước để cố giải nó.
So before we jump into the kind of algorithmic approach we want to take for this, why don't you take a minute to see how we might be able to use some of the tools that we've built up so far in the semester to be able to address this problem?
Trước khi đi vào cách tiếp cận thuật toán mà ta muốn dùng, các bạn hãy dành một phút xem ta có thể dùng những công cụ đã xây dựng trong học kỳ này để giải quyết bài toán này như thế nào.
So you think on your own. Feel free to talk to your neighbors, whatever you want. But see how you might want to try and engineer this.
Các bạn tự suy nghĩ nhé. Cứ thoải mái trao đổi với bạn bên cạnh. Hãy xem các bạn sẽ thiết kế việc này ra sao.
Okay, so any ideas that people might want to share about how to go about the problem? Someone who hasn't spoken yet. Yes? Back.
Được rồi, có ý tưởng nào muốn chia sẻ về cách giải quyết bài toán không? Một bạn chưa phát biểu. Bạn nào? Phía sau.
Oh, you, yeah.
À, bạn đó.
STUDENT
Can you have really, really long Gold codes?
Có thể dùng mã Gold thật sự rất dài không ạ?
PROFESSOR
Can you have a really, really long Gold codes? Great idea. We will definitely be using really, really long Gold codes. So yes, that's definitely a big part of it.
Có thể dùng mã Gold thật sự rất dài không? Ý tưởng hay. Chắc chắn ta sẽ dùng mã Gold thật sự rất dài. Vâng, đó chắc chắn là một phần quan trọng.
We want to use Gold codes, and we want to use long Gold codes.
Ta muốn dùng mã Gold, và là mã Gold dài.
Yeah?
Bạn nào nữa?
STUDENT
[INAUDIBLE] transceivers in the house. [INAUDIBLE] within your house.
[KHÔNG NGHE RÕ] các bộ thu phát trong nhà. [KHÔNG NGHE RÕ] trong nhà bạn.
PROFESSOR
Yeah, you want to have a lot of transceivers in your house. Yup, you will have — I mean, you can do this even with one, though.
Đúng, bạn muốn có nhiều bộ thu phát trong nhà. Vâng, bạn sẽ có. Nhưng thật ra chỉ với một bộ cũng làm được.
What we want to do is, let's say you just have one and you want to go with that. The back there, the green shirt.
Điều ta muốn là, giả sử bạn chỉ có một bộ và muốn làm với nó. Bạn phía sau, áo xanh lá.
STUDENT
[INAUDIBLE] PROFESSOR: Okay, yeah excellent. Good suggestion. Yeah?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Được, rất tốt. Gợi ý hay. Bạn nào?
STUDENT
What if you had — what if you had a [INAUDIBLE] PROFESSOR: Yeah, we could definitely try and do that.
Nếu như bạn có nếu bạn có một [KHÔNG NGHE RÕ] GIẢNG VIÊN: Vâng, chắc chắn ta có thể thử làm vậy.
And we kind of want to try and do that. But we'll see if we'll get there. Yeah?
Và ta cũng khá muốn thử. Nhưng ta sẽ xem có đi tới đó được không. Vâng, mời bạn?
STUDENT
[INAUDIBLE] PROFESSOR: Yep. This is basically what we're going to do. It is basically the same idea of Gold codes.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Đúng vậy. Về cơ bản đây là điều chúng ta sẽ làm. Về cơ bản nó cùng ý tưởng với Gold codes.
And we're going to use the idea of modulation, which you looked at in homework 12. So we're going to have a signature.
Và chúng ta sẽ dùng ý tưởng điều chế (modulation), mà các em đã gặp trong bài tập về nhà 12. Vậy chúng ta sẽ có một signature.
But instead of having a signature at the beginning, we're going to code on top of it.
Nhưng thay vì đặt signature ở đầu, ta sẽ mã hóa chồng lên trên nó.
So we're going to multiply our signatures by different numbers and have these periodic repeating signatures that basically can have us solve the problem.
Tức là ta nhân các signature với những số khác nhau và có các signature lặp lại tuần hoàn, nhờ đó ta có thể giải được bài toán.
So this is exactly the direction that we want to be thinking in. So we want to build on the idea of Gold codes.
Đây chính xác là hướng mà chúng ta nên nghĩ tới. Vậy ta muốn xây dựng dựa trên ý tưởng của Gold codes.
So I have my Gold codes. These are signatures SA, SB, for example, for the different satellites.
Giả sử ta có các Gold codes. Đây là các signature SA, SB, chẳng hạn, cho các vệ tinh khác nhau.
And what we know about Gold codes is that the inner product of SA and SA is pretty large, right?
Và điều ta biết về Gold codes là tích vô hướng của SA với SA khá lớn, đúng không?
In fact, if we have plus minus 1 Gold codes, this would be equal to n, which is the length of the vector.
Thực tế, nếu là Gold codes cộng trừ 1, nó sẽ bằng n, là độ dài của vectơ.
And we know that SA inner product SB, this is very small. These are almost orthogonal.
Còn tích vô hướng của SA với SB thì rất nhỏ. Chúng gần như trực giao.
So what we're going to do is we're going to say, okay, let's give every single device a signature.
Vậy ta sẽ nói rằng, hãy cho mỗi thiết bị một signature.
Let's give this device signature SA, let's give this device signature SB, let's give this device signature SC. And yes, ideally we would want to have these really, really long signatures, right?
Thiết bị này có signature SA, thiết bị này có signature SB, thiết bị này có signature SC. Và đúng, lý tưởng là ta muốn các signature thật, thật dài, đúng không?
But that might be quite problematic in terms of computation. And that's a lot of signatures to generate.
Nhưng điều đó có thể khá rắc rối về mặt tính toán. Và phải tạo ra rất nhiều signature.
So let's stick to our Gold codes being of length, you know, 1023, which still gives us a lot of different unique signatures.
Nên ta cứ giữ Gold codes có độ dài, ví dụ, 1023, vẫn cho ta rất nhiều signature riêng biệt.
But let's say now we have some more structure in our problem. So let's say we have our received signal. Each of these is transmitting, and they're transmitting, let's say, their signatures.
Nhưng giờ giả sử bài toán có thêm một chút cấu trúc. Giả sử ta có tín hiệu thu được. Mỗi thiết bị đều đang phát, giả sử là phát signature của chúng.
Right now, let's start with the simple problem of just detecting which devices are on and which devices are off. So let's say that when a device is on, it is transmitting its signature.
Bây giờ, hãy bắt đầu với bài toán đơn giản là chỉ phát hiện thiết bị nào đang bật và thiết bị nào đang tắt. Giả sử khi một thiết bị bật, nó phát signature của nó.
When a device is off, it's not transmitting its signature. Something pretty straightforward.
Khi thiết bị tắt, nó không phát signature. Khá đơn giản.
So let's say that I have some received signal R, and this is maybe some constant alpha 1 times the first signature, plus some constant alpha 2 times the second signature, plus some constant alpha 10,000 times S10,000.
Giả sử ta có tín hiệu thu được R, là một hằng số alpha 1 nhân signature thứ nhất, cộng hằng số alpha 2 nhân signature thứ hai, cộng hằng số alpha 10,000 nhân S10,000.
Okay?
Được chứ?
Yes?
Mời bạn?
STUDENT
[INAUDIBLE] gold codes can be generated [INAUDIBLE]..
[KHÔNG NGHE RÕ] Gold codes có thể được tạo ra [KHÔNG NGHE RÕ].
PROFESSOR
Yes. The question is, is there a limit of how many orthogonal Gold codes we can generate of length 1023? The answer is yes.
Đúng. Câu hỏi là có giới hạn nào không về số Gold codes trực giao ta có thể tạo ra với độ dài 1023? Câu trả lời là có.
And this is exactly why we're going to be taking the approach that we will be taking. We could have an arbitrary number of them.
Và đây chính là lý do ta chọn cách tiếp cận mà ta sắp dùng. Ta có thể có số lượng tùy ý.
So there's a number — you can count the number of plus and minus 1 sequences.
Có một con số — em có thể đếm số dãy cộng trừ 1.
And the tools to answer that question, again, require classes like CS70 and beyond, so we're not going to answer that question.
Và công cụ để trả lời câu hỏi đó, một lần nữa, cần các môn như CS70 trở đi, nên ta sẽ không trả lời câu hỏi đó.
But it's important to know that there's a finite number of Gold codes that you can generate of a certain length. Yes?
Nhưng điều quan trọng cần biết là số Gold codes có thể tạo ra với một độ dài nhất định là hữu hạn. Mời bạn?
STUDENT
[INAUDIBLE] above 10,000.
[KHÔNG NGHE RÕ] trên 10,000.
PROFESSOR
What?
Gì cơ?
STUDENT
The limit of number of Gold codes — PROFESSOR: Would be below 10,000. Oh, sorry. Okay, I didn't actually do the math on exactly how many of these numbers there are.
Giới hạn số Gold codes — GIẢNG VIÊN: Sẽ dưới 10,000. À, xin lỗi. Thầy chưa tính chính xác có bao nhiêu số như vậy.
Think of instead of 10,000 devices, a billion devices. Like, we're thinking a very, very large number of devices. Yeah, good question.
Thay vì 10,000 thiết bị, hãy nghĩ tới một tỷ thiết bị. Tức là ta đang nghĩ tới một số lượng thiết bị rất, rất lớn. Vâng, câu hỏi hay.
Yes, if you could generate 10,000 — if you had 10,000 unique signatures, you could do something different. So here we are assuming that there is a unique signature for everything.
Đúng, nếu em tạo được 10,000 — nếu em có 10,000 signature riêng biệt, em có thể làm khác đi. Ở đây ta giả sử có một signature riêng cho mỗi thứ.
Let's not worry about exactly how to generate each of these signatures. Let's assume that there is enough unique signatures using the Gold codes of length 1023 to label all of our 10,000 devices.
Ta đừng bận tâm chính xác cách tạo từng signature này. Ta giả sử có đủ signature riêng biệt từ Gold codes độ dài 1023 để gán nhãn cho toàn bộ 10,000 thiết bị của ta.
The exact math on figuring out how long the Gold codes need to be is out of scope, so I want to avoid talking about it. But excellent question, thank you.
Việc tính chính xác Gold codes cần dài bao nhiêu nằm ngoài phạm vi môn học, nên thầy không bàn tới. Nhưng câu hỏi rất hay, cảm ơn em.
Okay, so we have this received signal, and we want to basically figure out what these alphas are.
Được rồi, ta có tín hiệu thu được này, và ta muốn tìm ra các alpha này là bao nhiêu.
Most of them are going to be 0's, but some of them are going to be on, and we want to figure out what those are.
Phần lớn chúng sẽ bằng 0, nhưng một số sẽ đang bật, và ta muốn tìm ra những số đó.
So we can write this basically as a matrix equation. So if I put all of my signatures in a stack — S1, S2, all the way up to S10,000 — these are my vectors.
Ta có thể viết điều này thành một phương trình ma trận. Nếu xếp tất cả signature thành một chồng — S1, S2, cho tới S10,000 — đây là các vectơ của ta.
Times — so let's say this is now a length.
Nhân với — giả sử đây là một ma trận có độ dài.
1023 is the number of rows. And this is 10,000 times my alpha vector.
1023 là số hàng. Và đây là 10,000 nhân với vectơ alpha.
So this is alpha 1, alpha 2, alpha 10,000, which is equal to my received vector.
Tức là alpha 1, alpha 2, alpha 10,000, bằng vectơ thu được của ta.
And my received vector is of length basically 1023. So this is my R vector. Yeah?
Và vectơ thu được có độ dài khoảng 1023. Đây là vectơ R của ta. Mời bạn?
STUDENT
[INAUDIBLE] PROFESSOR: I'm sorry, I didn't understand?
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Xin lỗi, thầy chưa nghe rõ?
STUDENT
[INAUDIBLE] PROFESSOR: Yes the set of alphas represent the modulation. But here, we're thinking of even something simpler. Let's say a lot of the alphas are just 0's.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Đúng, tập các alpha biểu diễn phần điều chế. Nhưng ở đây ta nghĩ tới trường hợp còn đơn giản hơn. Giả sử nhiều alpha chỉ bằng 0.
So the alphas are some small number if the device is on. And you can think of it as modulation. It doesn't even have to be that.
Các alpha là một số nhỏ nếu thiết bị đang bật. Em có thể coi đó là điều chế. Thậm chí không cần như vậy.
We just want to figure out which ones are transmitting and which ones aren't. Good question.
Ta chỉ muốn tìm ra thiết bị nào đang phát và thiết bị nào nào không phát. Câu hỏi hay.
So when we look at this A matrix, is this A matrix like the least squares matrices that we've been thinking about? What is its shape? The least squares matrices were very tall matrices, right?
Vậy khi nhìn ma trận A này, liệu ma trận A này có giống các ma trận bình phương tối thiểu mà ta đã xét không? Hình dạng của nó thế nào? Các ma trận bình phương tối thiểu là ma trận rất cao, đúng không?
Lots of equations and few unknowns. Here, we have essentially 10,000 unknowns, these alphas. And we have far fewer equations in comparison.
Nhiều phương trình, ít ẩn. Ở đây ta có khoảng 10,000 ẩn, tức các alpha này. Còn số phương trình thì ít hơn nhiều.
We basically have the length of the Gold code is the number of equations that we have. So yes, we've set this up as a kind of matrix equation.
Về cơ bản, độ dài của mã Gold chính là số phương trình ta có. Vậy đúng là ta đã viết thành một phương trình ma trận.
But how do we want to solve it?
Nhưng ta muốn giải nó thế nào?
Can we use the standard least squares type technique here? How many solutions do we have to this system of equations? We have far fewer equations than we have unknowns.
Ta có dùng được kỹ thuật bình phương tối thiểu thông thường ở đây không? Hệ phương trình này có bao nhiêu nghiệm? Số phương trình ít hơn nhiều so với số ẩn.
So very few constraints, lots of free variables. When you do Gaussian elimination on this, what are you going to get?
Nên ràng buộc rất ít, biến tự do thì nhiều. Khi thực hiện phép khử Gauss trên hệ này, bạn sẽ được gì?
Infinite solutions, right? Like if you had a system with two equations and 10,000 variables, there's going to be an infinite number of different ways of satisfying these, right?
Vô số nghiệm, đúng không? Giống như một hệ có hai phương trình và 10,000 biến, sẽ có vô số cách khác nhau để thỏa mãn chúng, đúng không?
So it turns out that yes, you have a lot of equations. And yes you have a lot of variables. But you can't actually figure out exactly which ones are transmitting.
Vậy là đúng, bạn có nhiều phương trình. Và đúng, bạn có nhiều biến. Nhưng thực ra bạn không thể xác định chính xác thiết bị nào đang phát.
So we cannot use our standard. Again, we're in a situation where our use the Gaussian elimination when you have a matrix equation strategy doesn't quite work.
Nên ta không thể dùng cách thông thường. Một lần nữa, ta ở trong tình huống mà chiến lược dùng phép khử Gauss cho phương trình ma trận không hoàn toàn hiệu quả.
First of all, this is not a square matrix so we cannot invert it.
Trước hết, đây không phải ma trận vuông nên ta không thể nghịch đảo nó.
Yes, there is going to be noise present, but we don't even have so many equations that we can use the extra equations to reduce the noise.
Đúng là sẽ có nhiễu, nhưng ta thậm chí không có đủ nhiều phương trình để dùng phần phương trình dư mà giảm nhiễu.
So we had to come up with a third new kind of technique. And this technique is called orthogonal matching pursuit.
Vì vậy ta phải nghĩ ra một kỹ thuật mới thứ ba. Kỹ thuật này gọi là orthogonal matching pursuit.
And the fundamental idea behind how to solve this is to be greedy.
Ý tưởng cốt lõi để giải bài này là phải tham lam.
What does that mean? Being greedy means we want to look at what we're receiving, and we want to say, well, what's the most important component here?
Điều đó nghĩa là gì? Tham lam nghĩa là ta nhìn vào tín hiệu nhận được, và hỏi: thành phần quan trọng nhất ở đây là gì?
How can I explain this received vector maximally. And by trying to do this, I'm going to be able to one-by-one extract out my signal.
Làm sao giải thích vectơ nhận được này nhiều nhất có thể? Và bằng cách đó, tôi sẽ tách từng tín hiệu ra một.
So let's start playing with this a little bit. Let's say I have a — I have these, but I have only some small number of things that are transmitting.
Ta thử làm quen một chút nhé. Giả sử tôi có... Tôi có những tín hiệu này, nhưng chỉ một số ít đang phát.
So I have R is equal to SA plus 2 times SB. Let's say I have this.
Vậy R bằng SA cộng 2 lần SB. Giả sử ta có thế này.
If I wanted to figure out which signals are in R, how would I do that? I know something about inner products, right?
Nếu muốn biết những tín hiệu nào có trong R, ta sẽ làm thế nào? Ta biết về tích vô hướng, đúng không?
And when we had basically the GPS problem — when we had something, when we had a received signal and we wanted to figure out which satellites were transmitting, what did we do?
Và trong bài toán GPS, khi ta có một tín hiệu nhận được và muốn biết vệ tinh nào đang phát, ta đã làm gì?
We did a cross correlation. And we did a cross correlation, and we said that well, if the cross correlation was high enough, then we say that the satellite is transmitting.
Ta tính tương quan chéo. Ta tính tương quan chéo, và nói rằng nếu tương quan chéo đủ cao, thì vệ tinh đó đang phát.
And if it's not high enough, we say that the satellite isn't transmitting. So would it make sense to use some kind of idea like that here?
Còn nếu không đủ cao, thì vệ tinh không phát. Vậy dùng ý tưởng tương tự ở đây có hợp lý không?
So what we want to say is that, well, let's consider the inner product of R and SA, the inner product of R and SB, the inner product of R and SC, and R and SZ, and R and whatever.
Ý ta muốn nói là hãy xét tích vô hướng của R và SA, của R và SB, của R và SC, của R và SZ, và R với cái nào đó khác.
Okay, now I've done an alphanumeric numbering scheme, but you understand what I'm saying, right?
Ok, tôi đánh số kiểu chữ và số hơi lộn xộn, nhưng các bạn hiểu ý tôi, đúng không?
We consider all of these inner products, okay? What do we expect to happen for most of them?
Ta xét tất cả các tích vô hướng này, được chứ? Với đa số chúng, ta kỳ vọng điều gì?
Get a very small number, right? Because those aren't present. If R was basically this linear combination of SA and SB, which ones do we expect to be large?
Ra một số rất nhỏ, đúng không? Vì những tín hiệu đó không có mặt. Nếu R là tổ hợp tuyến tính của SA và SB, ta kỳ vọng cái nào lớn?
SA and SB, right? So we expect these to be large.
SA và SB, đúng không? Nên ta kỳ vọng hai cái này lớn.
And then we want to say, well okay, let's say that we have some large inner products and some small inner products.
Và rồi ta nói, được rồi, giả sử có một số tích vô hướng lớn và một số tích vô hướng nhỏ.
We want to go one by one and say which inner products, or which signals, are the ones that are present?
Ta muốn đi từng cái một và xác định tích vô hướng nào, hay tín hiệu nào, là những tín hiệu có mặt?
So if I look at all of these inner products, which signal is the most likely to be present given just the correlations, are these inner products?
Vậy nếu nhìn tất cả các tích vô hướng này, tín hiệu nào có khả năng có mặt nhất, chỉ dựa vào các tương quan, tức các tích vô hướng này?
I want to look at these values. If, let's say, the inner product is really, really large, then that's probably a good candidate for that signal being there.
Tôi muốn nhìn các giá trị này. Nếu tích vô hướng rất rất lớn, thì đó có lẽ là ứng viên tốt cho việc tín hiệu đó có mặt.
Then what I can do is maybe I'll say, okay, let's say I get a large inner product with something.
Rồi tôi có thể làm thế này: giả sử tôi được một tích vô hướng lớn với một tín hiệu nào đó.
I take that signal, remove its effect, and then try and search for the next best thing. So what we want to do is let's write it up.
Tôi lấy tín hiệu đó, loại bỏ ảnh hưởng của nó, rồi tìm tiếp cái tốt nhất kế tiếp. Vậy ta hãy viết ra.
So let's say, consider all the in inner products.
Giả sử ta xét tất cả các tích vô hướng.
Find the maximum inner product.
Tìm tích vô hướng lớn nhất.
Let's say the maximum is with some signal SMAX.
Giả sử cực đại đạt với một tín hiệu SMAX nào đó.
We say, okay, our guess is that SMAX is transmitting.
Ta nói: được, phỏng đoán của ta là SMAX đang phát.
So we say, okay, we can explain some part of R by assuming that SMAX is transmitting. So now we want to remove the contributions of SMAX from our received signal R.
Tức là ta có thể giải thích một phần của R bằng cách giả sử SMAX đang phát. Giờ ta muốn loại bỏ phần đóng góp của SMAX khỏi tín hiệu nhận được R.
We know that this R is a linear combination of each one of these vectors. So I want to go basically choosing the vectors one by one.
Ta biết R này là tổ hợp tuyến tính của từng vectơ trong số này. Nên tôi muốn chọn các vectơ từng cái một.
So if I go through this and I say, well okay, it has a really high inner product.
Nếu tôi duyệt qua và nói: được, cái này có tích vô hướng rất cao.
With, let's say SA, I'm going to SA out and then say, well, let me now rinse and repeat. And so how do I remove a component?
Giả sử với SA, tôi loại SA ra rồi nói: giờ ta lặp lại quy trình. Vậy làm sao loại bỏ một thành phần?
I say basically project R on to SMAX.
Ta chiếu R lên SMAX.
So basically, I want to consider the projection onto SMAX of R.
Tức là ta xét hình chiếu của R lên SMAX.
I have basically some R. I have some SMAX.
Ta có một R nào đó và một SMAX.
And I take this projection and say, well, this component of R is explained by the activity in the direction SMAX.
Em lấy phép chiếu này và nói rằng thành phần này của R được giải thích bởi hoạt động theo hướng SMAX.
Let's figure out where the other parts are coming from.
Giờ ta tìm xem các phần còn lại đến từ đâu.
So I do this and then I say, let me consider my R new is equal to R minus the projection of R onto SMAX.
Vậy ta làm thế này, rồi nói rằng, hãy xét R mới bằng R trừ đi hình chiếu của R lên SMAX.
And now I have a new vector. So basically I take my error vector — this is my error vector.
Và giờ ta có một vectơ mới. Tức là ta lấy vectơ sai số của mình — đây là vectơ sai số.
This is what I'm calling R new, which is what we called the error vector in the least squares or the projection setup.
Cái mà tôi gọi là R mới này, chính là cái ta gọi là vectơ sai số trong bài toán bình phương tối thiểu hay trong phần phép chiếu.
And I say, well, my R is basically this part along SMAX plus this other component that is orthogonal SMAX. So I can explain some of R by looking at SMAX.
Và ta nói, R của ta gồm phần dọc theo SMAX này cộng với thành phần còn lại trực giao với SMAX. Vậy ta giải thích được một phần của R nhờ SMAX.
Let me explain the rest of it now by doing this again. So once I have this R new, I basically go to the beginning.
Giờ hãy giải thích phần còn lại bằng cách làm lại lần nữa. Khi đã có R mới này, ta quay lại bước đầu.
So I say, okay, let me now consider inner products of R new with all of the signals.
Ta nói, giờ hãy xét tích vô hướng của R mới với tất cả các tín hiệu.
Let me pull out that signal that has the biggest inner product. Once I pull that out I say, well, I've explained some part of my signal now.
Rút ra tín hiệu có tích vô hướng lớn nhất. Rút xong, ta nói rằng ta đã giải thích được một phần tín hiệu.
Let me move on to do this one, by one, by one.
Rồi ta tiếp tục làm từng cái một.
And what we can do is by saying that because we know that most of these alphas are 0, I can keep doing this one by one until, let's say, I know that at any given time probably only two or three things are transmitting.
Và vì ta biết hầu hết các alpha này bằng 0, nên ta có thể cứ làm từng bước cho đến khi, giả sử ta biết rằng tại một thời điểm, có lẽ chỉ có hai hoặc ba thứ đang truyền.
I can do it for the first two or three and then stop. This is the OMP algorithm, Orthogonal Matching Pursuit. It's just an introduction.
Ta làm cho hai hoặc ba cái đầu rồi dừng. Đây là thuật toán OMP, Orthogonal Matching Pursuit. Đây mới chỉ là giới thiệu.
We're going to go into it in much more detail in lecture next week. But this idea is basically this idea of peeling off one component by one component.
Ta sẽ học chi tiết hơn nhiều ở bài giảng tuần sau. Nhưng ý tưởng ở đây là bóc từng thành phần một.
When you don't have enough equations to instantly solve the system, you say, well, let me take my best guess. Once I have my best guess, great.
Khi không có đủ phương trình để giải ngay hệ, ta nói: hãy đưa ra dự đoán tốt nhất. Có dự đoán tốt nhất rồi thì tốt.
I take that aside, and let me go to the next step. So I want to just show you this in an example, so that you have something that you can ground to.
Ta để nó sang một bên và đi tiếp bước sau. Tôi muốn minh họa bằng một ví dụ, để các em có cái gì đó cụ thể mà bám vào.
And then we'll end for the day. So I'm going to go through this notebook pretty slowly, but I think it'll help illustrate what's going on.
Rồi ta sẽ kết thúc buổi học. Tôi sẽ đi qua notebook này khá chậm, nhưng tôi nghĩ nó sẽ giúp minh họa chuyện gì đang xảy ra.
Yes?
Em hỏi đi?
STUDENT
[INAUDIBLE] PROFESSOR: Great question.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Câu hỏi hay.
Why are we subtracting the projection on SMAX, as opposed to just subtracting SMAX? Because we don't know these alphas.
Sao ta trừ đi hình chiếu lên SMAX, mà không chỉ trừ SMAX? Vì ta không biết các alpha này.
So these alphas might be exactly 1, in which case this projection will also turn out to be exactly 1.
Các alpha này có thể đúng bằng 1, khi đó hình chiếu này cũng sẽ đúng bằng 1.
Alternatively, because there might be some attenuation along the way, or because you're choosing to amplify your signal, alpha could be non-1 numbers, in which case you would actually choose to do something that isn't just — you'd be better off subtracting the projection.
Hoặc có thể có suy hao trên đường truyền, hoặc do ta chọn khuếch đại tín hiệu, thì alpha có thể khác 1, khi đó ta thực sự nên làm một điều không chỉ là — trừ đi hình chiếu sẽ tốt hơn.
STUDENT
So if SA and SB [INAUDIBLE],, I guess my question is, what are we keeping track of to know that those — like, [INAUDIBLE] PROFESSOR: Yes.
Vậy nếu SA và SB [KHÔNG NGHE RÕ], câu hỏi của em là, ta đang theo dõi điều gì để biết rằng những cái đó — kiểu như, [KHÔNG NGHE RÕ] GIẢNG VIÊN: Vâng.
We will keep throwing away R old. We have our received signal. We always keep track of that. And you'll see in just a minute.
Ta cứ liên tục bỏ R cũ đi. Ta có tín hiệu thu được. Ta luôn giữ nó. Và em sẽ thấy ngay sau đây.
Like after this, maybe your question will be answered. So let me just show this. So I'm not using real Gold codes. I'm just using very, very simple signatures.
Có thể sau phần này câu hỏi của em sẽ được trả lời. Để tôi minh họa. Tôi không dùng mã Gold thật. Tôi chỉ dùng các chữ ký rất đơn giản.
So let's say we have three signatures, 1 1 1, 1 minus 1 1, and 1 minus 1 minus 1.
Giả sử có ba chữ ký: 1 1 1, 1 -1 1, và 1 -1 -1.
So I have a received signal. I'm just making the signal up for my demo, but in reality we would not know this equation, right? I'm just making this up.
Ta có một tín hiệu thu được. Tôi tự bịa tín hiệu này cho bản demo, nhưng thực tế ta sẽ không biết phương trình này, đúng không? Tôi chỉ bịa ra thôi.
So I receive — all I see really — I don't see anything in this box. All I see is this, that this is what I received.
Nên ta nhận được — thực ra ta chỉ thấy — ta không thấy gì trong khung này. Ta chỉ thấy cái này, đây là thứ ta thu được.
So now what I'm going to do is I'm going to say, let me take the inner product of this with SA. I get 5.6. I take this R dot SA.
Giờ tôi sẽ lấy tích vô hướng của nó với SA. Tôi được 5.6. Tôi lấy R nhân vô hướng với SA.
Everyone with me here? Then I take the inner product of R and SB, and I take the inner product of R and SC.
Mọi người theo kịp chứ? Rồi tôi lấy tích vô hướng của R và SB, và tích vô hướng của R và SC.
Now that you see these inner products, which is the strongest signal that is present in R, based on just looking at these inner products, not looking at R?
Giờ nhìn các tích vô hướng này, tín hiệu nào mạnh nhất có mặt trong R, chỉ dựa vào các tích vô hướng này, mà không nhìn R?
SB, right? It has this giant inner product. So you say, well, my guess is that B is transmitting.
SB, đúng không? Nó có tích vô hướng rất lớn. Vậy ta đoán rằng B đang truyền.
So what I'm going to do is, let's say I know that B is responsible for some component of A. Well, I'm going to say, how close can I get to R by moving along this B?
Vậy tôi sẽ làm thế này: giả sử ta biết B chịu trách nhiệm cho một thành phần của A. À, tôi sẽ hỏi: di chuyển dọc theo B này thì gần R được đến mức nào? .
And the closest point along B to R, we know how to calculate that, right? That's just the projection.
Và điểm gần R nhất dọc theo B, ta biết cách tính, đúng không? Đó chính là hình chiếu.
So I know I can only explain so much of R by B, because it's not just B. There's other stuff as well. So what is the maximum amount I can explain?
Ta biết chỉ giải thích được một phần R bằng B, vì không chỉ có B. Còn những thứ khác nữa. Vậy lượng tối đa ta giải thích được là bao nhiêu?
Well, that's given by the projection. So this is related to the question that was asked earlier, which is, why are we taking the projection? Why aren't we just subtracting this out?
Chính là hình chiếu. Điều này liên quan đến câu hỏi lúc nãy, tức là tại sao ta lấy hình chiếu? Sao không trừ thẳng cái này đi?
Because SB itself is just a direction. And you want to figure out exactly where along that direction you want to be. So this is the projection, and I subtract it out.
Vì bản thân SB chỉ là một hướng. Và ta muốn biết chính xác ta nên ở vị trí nào dọc theo hướng đó. Đây là hình chiếu, và tôi trừ nó đi.
Well, what do I get? I get this coefficient 2.4. What was our actual coefficient? It was 2.
Vậy tôi nhận được gì? Tôi được hệ số 2.4. Hệ số thực sự của ta là bao nhiêu? Là 2.
So I got this coefficient 2.4. Now I'm removing 2.4 times SB from my R to get my new R. Everyone with me?
Vậy tôi được hệ số 2.4. Giờ tôi trừ 2.4 lần SB khỏi R để được R mới. Mọi người theo kịp chứ?
Okay. Now I have a new R. I've already explained some part away. I have the rest remaining. So I say, okay, let's try again.
Được rồi. Bây giờ tôi có một R mới. Tôi đã giải thích xong một phần rồi. Phần còn lại vẫn còn đó. Vậy ta nói: được rồi, thử lại lần nữa.
Now, who else was talking? I already explained away the part of B. So let's take the inner product of the new R and SA. Okay, I get something.
Bây giờ, còn ai khác đang nói? Tôi đã giải thích hết phần của B rồi. Vậy ta lấy tích vô hướng của R mới với SA. Được, ta ra một giá trị nào đó.
Inner product of new R and SB, what do you get? Basically, 0. Because we've already explained away all of the part of B. And SC, I get this number.
Tích vô hướng của R mới với SB thì được bao nhiêu? Về cơ bản là 0. Vì ta đã giải thích hết toàn bộ phần của B. Còn với SC, ta được con số này.
So clearly SA is now the loudest person, or the loudest thing. So now I know that both SA and SB are speaking.
Rõ ràng bây giờ SA là người nói to nhất, hay là thứ to nhất. Vậy giờ ta biết cả SA và SB đều đang nói.
So now, if I have a direction SA that I can move in, and I have a direction SB that I can move in, what is the total space that I can move in if I have two vectors?
Bây giờ, nếu tôi có một hướng SA để di chuyển, và có một hướng SB để di chuyển, thì toàn bộ không gian mà tôi có thể di chuyển trong đó là gì khi có hai vectơ?
It's the span of these vectors. Or if I put these two vectors as the columns of a matrix, it's the column space.
Đó là không gian sinh (span) của hai vectơ này. Hoặc nếu ta đặt hai vectơ này làm các cột của một ma trận, thì đó là không gian cột.
So now, instead of projecting just onto SA or just onto SB, I'm going to say, how well does the combination of these vectors explain my actual received signal?
Vậy bây giờ, thay vì chỉ chiếu lên SA hoặc chỉ lên SB, tôi sẽ hỏi: tổ hợp của các vectơ này giải thích tín hiệu nhận được thực tế tốt đến đâu?
And so I'm going to take the projection, not onto just SA or SB, but onto the span of SA and SB. This is an important point.
Và tôi sẽ lấy phép chiếu, không phải chỉ lên SA hay SB, mà lên không gian sinh (span) của SA và SB. Đây là một điểm quan trọng.
So I am basically taking the projection — so this A is basically SB an SA stacked together. I'm taking it both. Does everyone see what's happening here?
Về cơ bản tôi đang lấy phép chiếu — A này thực chất là SB và SA xếp chồng lại. Tôi lấy cả hai. Mọi người thấy chuyện gì đang xảy ra chứ?
So this is now — A is just SB and SA stacked together. And I'm going to project R onto this combination. And what do I get out as coefficients?
Vậy bây giờ — A chỉ là SB và SA xếp chồng lại. Và tôi sẽ chiếu R lên tổ hợp này. Và ta thu được các hệ số nào?
I get the coefficient of SB is 2 and the coefficient of SA is 1.2. So I've refined my estimate, right? I've recovered this 2.
Hệ số của SB là 2 và hệ số của SA là 1.2. Vậy là tôi đã tinh chỉnh ước lượng, đúng không? Tôi đã khôi phục được số 2 này.
The last time, when I just did the first iteration of the algorithm, I got a 2.4. But here, remember our actual signal is 1 times SA plus 2 times SB.
Lần trước, khi tôi mới chạy vòng lặp đầu tiên của thuật toán, tôi được 2.4. Nhưng ở đây, nhớ rằng tín hiệu thực của ta là 1 nhân SA cộng 2 nhân SB.
And there's some noise. So we don't expect to recover everything perfectly. We only expect to recover things approximately, because there is noise at the end of the day.
Và có thêm nhiễu. Nên ta không mong khôi phục mọi thứ hoàn hảo. Ta chỉ mong khôi phục xấp xỉ, vì rốt cuộc vẫn có nhiễu.
But we've gotten these two point. And now we can keep doing this over and over again. Question?
Nhưng ta đã có hai giá trị này. Và giờ ta có thể cứ lặp lại như vậy mãi. Có câu hỏi không?
STUDENT
[INAUDIBLE] PROFESSOR: I'm stacking two length three vectors.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Tôi xếp chồng hai vectơ có độ dài ba.
STUDENT
Oh, okay.
À, được rồi.
PROFESSOR
Yeah. Because my SA, SB — this is SA, and this is SB. So I'm stacking those. Yes, question?
Đúng vậy. Vì SA, SB của tôi — đây là SA, và đây là SB. Nên tôi xếp chồng chúng lại. Vâng, em hỏi đi?
STUDENT
[INAUDIBLE] PROFESSOR: No. I just did that because I first found SB. So my first entry was what I found first. Second entry was what I found second.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Không. Tôi làm vậy chỉ vì tôi tìm ra SB trước. Nên mục đầu tiên là cái tôi tìm thấy đầu tiên. Mục thứ hai là cái tìm thấy thứ hai.
You would get exactly the same answer if you stacked them in any other way, you would just get the arguments reversed. It's just, you stacked with what you found first, first.
Ta sẽ được đúng cùng một đáp án nếu xếp theo cách khác, chỉ là các thành phần bị đảo thứ tự. Chỉ là ta xếp cái tìm được trước lên trước.
STUDENT
What does a negative inner product mean?
Tích vô hướng âm nghĩa là gì ạ?
PROFESSOR
What does a negative inner product mean? Inner product can be positive or negative. Here, you want to look basically at the magnitude of the inner product.
Tích vô hướng âm nghĩa là gì? Tích vô hướng có thể dương hoặc âm. Ở đây, về cơ bản ta nhìn vào độ lớn của tích vô hướng.
Yes?
Vâng?
STUDENT
[INAUDIBLE] PROFESSOR: Exactly. How do you know when to stop? This is the most important question. And there's multiple answers.
[KHÔNG NGHE RÕ] GIẢNG VIÊN: Chính xác. Làm sao biết khi nào dừng? Đây là câu hỏi quan trọng nhất. Và có nhiều câu trả lời.
I will answer it in detail in next lecture. So, yeah.
Tôi sẽ trả lời chi tiết ở bài giảng sau. Vâng.
But for now you can say, if you know how many devices are transmitting, after you've picked out those many things you can stop them. But with that, I will end.
Nhưng tạm thời, nếu biết có bao nhiêu thiết bị đang phát, thì sau khi chọn ra đúng chừng đó thứ là có thể dừng. Vậy tôi xin kết thúc ở đây.
Hope you all have a good break. Rest, sleep, stay healthy. And you just have a little bit for the end of semester, so stay strong.
Chúc các em nghỉ lễ vui vẻ. Nghỉ ngơi, ngủ đủ, giữ gìn sức khỏe. Cuối học kỳ chỉ còn một chút nữa thôi, nên hãy vững vàng nhé.
Use this time to just recharge, and you have one more week.
Tận dụng thời gian này để nạp lại năng lượng, và còn một tuần nữa thôi.
Đăng nhập để đánh giá học liệu này.
Đăng nhập để bình luận — chưa ai bình luận về học liệu này.
Không có khóa học liên quan.