Cấu trúc dữ liệu và thuật toán
- Dễ bắt đầu
- Nhiều bài tập
76 bài
Trường đại học · Hoa Kỳ
Đại học California, Berkeley · UC Berkeley
Cấu trúc dữ liệu và thuật toán
76 bài
65 bài
68 bài
EECS16AB was specially designed to ramp students up to prepare for courses in machine learning and design and are important classes to set the stage for the rest of your time in the department. A rough breakdown of the content in the classes is as follows: 16A: Module 1: Introduction to systems and linear algebra Module 2: Introduction to design and circuit analysis Module 3: Introduction to machine learning 16B: Module 1: Differential equations and advanced circuit design Module 2: Introduction to robotics and control Module 3: Introduction to unsupervised machine learning and classification
82 bài
CS 61C là môn kiến trúc máy tính của UC Berkeley, thường học sau hai môn lập trình nhập môn CS 61A và CS 61B. Môn học trả lời câu hỏi: dòng mã bạn viết đi qua những tầng nào để thành điện tử chạy trong con chip? Khóa đi theo sáu “ý tưởng lớn” của ngành: trừu tượng hóa, định luật Moore, tính cục bộ và phân cấp bộ nhớ, song song, đo hiệu năng, và độ tin cậy nhờ dư thừa. Bạn sẽ học Biểu diễn dữ liệu: số nguyên, bù hai, số thực dấu phẩy động. C và quản lý bộ nhớ: con trỏ, mảng, chuỗi, cấp phát động, các lỗi bộ nhớ thường gặp. Hợp ngữ RISC-V: lệnh, rẽ nhánh, gọi hàm, quy ước thanh ghi, định dạng lệnh; quá trình biên dịch, hợp dịch, liên kết, nạp. Mạch số: transistor, cổng logic, đại số Boole, mạch tổ hợp, thanh ghi, máy trạng thái. Thiết kế bộ xử lý: datapath và bộ điều khiển một chu kỳ, pipeline và các loại xung đột (hazard). Bộ nhớ: cache (ánh xạ trực tiếp, kết hợp tập hợp, AMAT), hệ điều hành, bộ nhớ ảo, TLB, vào/ra, DMA. Song song: SIMD, đa luồng, OpenMP, đồng bộ hóa, nhất quán cache, MapReduce và Spark, trung tâm dữ liệu. Độ tin cậy: parity, mã sửa lỗi ECC, RAID.
Trong lộ trình: Cấu trúc tính toán (Thay thế)
83 bài · Video: ít nhất 46 giờ 7 phút
Khóa học này sẽ giới thiệu các ý tưởng và kỹ thuật cơ bản làm nền tảng cho việc thiết kế các hệ thống máy tính thông minh. Trọng tâm đặc biệt sẽ được đặt vào mô hình hóa dựa trên thống kê và lý thuyết ra quyết định. Kết thúc khóa học, bạn sẽ xây dựng được các tác tử tự hành có khả năng ra quyết định hiệu quả trong các môi trường có thông tin đầy đủ, quan sát một phần và môi trường đối kháng. Các tác tử của bạn sẽ thực hiện suy luận trong điều kiện bất định và tối ưu hóa hành động dựa trên các cấu trúc phần thưởng tùy ý. Các thuật toán học máy mà bạn triển khai sẽ có khả năng phân loại chữ số viết tay và hình ảnh. Những kỹ thuật được học trong khóa học này có thể áp dụng cho nhiều bài toán trí tuệ nhân tạo khác nhau và sẽ là nền tảng cho việc nghiên cứu sâu hơn ở bất kỳ lĩnh vực ứng dụng nào mà bạn lựa chọn theo đuổi.
67 bài
Học máy (machine learning) là cốt lõi của trí tuệ nhân tạo hiện đại, làm thay đổi cách chúng ta tiếp cận các vấn đề trong lĩnh vực thị giác máy tính, ngôn ngữ, robot, hệ thống gợi ý và vô số lĩnh vực khác. Khóa học này giới thiệu các nền tảng lý thuyết, thuật toán và ứng dụng của học máy, kết hợp giữa tính chặt chẽ về mặt toán học và kinh nghiệm thực tiễn.
45 bài
43 bài
59 bài
79 bài
84 bài
Môn đồ họa máy tính của UC Berkeley: rasterization và lấy mẫu chống răng cưa, phép biến đổi và ánh xạ texture, đường cong và lưới, ray tracing và chiếu sáng toàn cục, mô phỏng vật lý, với các bài tập lớn tự cài đặt từng phần.
Trong lộ trình: Computer Graphics (Đề xuất chính)
Giới thiệu về bảo mật máy tính. Mật mã học, bao gồm mã hóa, xác thực, hàm băm, các giao thức mật mã và ứng dụng. Bảo mật hệ điều hành, kiểm soát truy cập. Bảo mật mạng, tường lửa, virus và sâu máy tính. Bảo mật phần mềm, lập trình phòng thủ và bảo mật dựa trên ngôn ngữ. Các nghiên cứu tình huống từ các hệ thống thực tế.
Khóa học tăng cường sâu bậc sau đại học của Berkeley do Sergey Levine giảng: học bắt chước, gradient chính sách, actor–critic, học dựa trên giá trị và học Q, gradient chính sách nâng cao, suy luận biến phân trong học tăng cường, kèm bài tập lập trình theo tuần.
Trong lộ trình: Reinforcement Learning (Nâng cao)
Khóa học này sẽ giới thiệu các ý tưởng và kỹ thuật cơ bản làm nền tảng cho việc thiết kế các hệ thống máy tính thông minh. Trọng tâm đặc biệt sẽ được đặt vào mô hình hóa dựa trên thống kê và lý thuyết ra quyết định. Kết thúc khóa học, bạn sẽ xây dựng được các tác tử tự hành có khả năng ra quyết định hiệu quả trong các môi trường có thông tin đầy đủ, quan sát một phần và môi trường đối kháng. Các tác tử của bạn sẽ thực hiện suy luận trong điều kiện bất định và tối ưu hóa hành động dựa trên các cấu trúc phần thưởng tùy ý. Các thuật toán học máy mà bạn triển khai sẽ có khả năng phân loại chữ số viết tay và hình ảnh. Những kỹ thuật được học trong khóa học này có thể áp dụng cho nhiều bài toán trí tuệ nhân tạo khác nhau và sẽ là nền tảng cho việc nghiên cứu sâu hơn ở bất kỳ lĩnh vực ứng dụng nào mà bạn lựa chọn theo đuổi.
CS 188 · Xuân 2025
Nhập môn Trí tuệ nhân tạo
John Canny, Oliver Grillmeyer
Môn AI bậc đại học của Berkeley đi theo giáo trình AIMA: tìm kiếm và A*, bài toán thỏa ràng buộc, trò chơi đối kháng, quá trình quyết định Markov, học tăng cường, mạng Bayes, mô hình Markov ẩn và nhập môn học máy. Người học lập trình các agent chơi Pac-Man bằng Python.
Trong lộ trình: Introduction to Artificial Intelligence (Đề xuất chính)
Môn của UC Berkeley về thiết kế và phân tích hệ tính toán tương tác với quá trình vật lý, ứng dụng trong thiết bị y tế, điện tử tiêu dùng, ô tô, điều khiển giao thông. Trang môn có lịch học, bài đọc, bài tập, lab và dự án nhóm.
Trong lộ trình: Embedded Systems (Thay thế), Vi điều khiển và hệ thống nhúng (Đề xuất chính), Hệ thống nhúng (Đề xuất chính)
CS 61A
Cấu trúc và diễn giải chương trình máy tính
Môn lập trình đầu tiên của ngành khoa học máy tính tại UC Berkeley, dạy Python theo tinh thần sách SICP: hàm bậc cao, đệ quy, trừu tượng hóa dữ liệu, lập trình hướng đối tượng, bộ lặp và viết trình thông dịch cho Scheme. Có video bài giảng công khai, lab, bài tập về nhà và các dự án lớn.
Trong lộ trình: Programming (Nâng cao)
19 khóa học
Cấu trúc dữ liệu và thuật toán
76 bài
Môn đồ họa máy tính của UC Berkeley: rasterization và lấy mẫu chống răng cưa, phép biến đổi và ánh xạ texture, đường cong và lưới, ray tracing và chiếu sáng toàn cục, mô phỏng vật lý, với các bài tập lớn tự cài đặt từng phần.
Trong lộ trình: Computer Graphics (Đề xuất chính)
65 bài
68 bài
Giới thiệu về bảo mật máy tính. Mật mã học, bao gồm mã hóa, xác thực, hàm băm, các giao thức mật mã và ứng dụng. Bảo mật hệ điều hành, kiểm soát truy cập. Bảo mật mạng, tường lửa, virus và sâu máy tính. Bảo mật phần mềm, lập trình phòng thủ và bảo mật dựa trên ngôn ngữ. Các nghiên cứu tình huống từ các hệ thống thực tế.
Khóa học tăng cường sâu bậc sau đại học của Berkeley do Sergey Levine giảng: học bắt chước, gradient chính sách, actor–critic, học dựa trên giá trị và học Q, gradient chính sách nâng cao, suy luận biến phân trong học tăng cường, kèm bài tập lập trình theo tuần.
Trong lộ trình: Reinforcement Learning (Nâng cao)
EECS16AB was specially designed to ramp students up to prepare for courses in machine learning and design and are important classes to set the stage for the rest of your time in the department. A rough breakdown of the content in the classes is as follows: 16A: Module 1: Introduction to systems and linear algebra Module 2: Introduction to design and circuit analysis Module 3: Introduction to machine learning 16B: Module 1: Differential equations and advanced circuit design Module 2: Introduction to robotics and control Module 3: Introduction to unsupervised machine learning and classification
82 bài
CS 61C là môn kiến trúc máy tính của UC Berkeley, thường học sau hai môn lập trình nhập môn CS 61A và CS 61B. Môn học trả lời câu hỏi: dòng mã bạn viết đi qua những tầng nào để thành điện tử chạy trong con chip? Khóa đi theo sáu “ý tưởng lớn” của ngành: trừu tượng hóa, định luật Moore, tính cục bộ và phân cấp bộ nhớ, song song, đo hiệu năng, và độ tin cậy nhờ dư thừa. Bạn sẽ học Biểu diễn dữ liệu: số nguyên, bù hai, số thực dấu phẩy động. C và quản lý bộ nhớ: con trỏ, mảng, chuỗi, cấp phát động, các lỗi bộ nhớ thường gặp. Hợp ngữ RISC-V: lệnh, rẽ nhánh, gọi hàm, quy ước thanh ghi, định dạng lệnh; quá trình biên dịch, hợp dịch, liên kết, nạp. Mạch số: transistor, cổng logic, đại số Boole, mạch tổ hợp, thanh ghi, máy trạng thái. Thiết kế bộ xử lý: datapath và bộ điều khiển một chu kỳ, pipeline và các loại xung đột (hazard). Bộ nhớ: cache (ánh xạ trực tiếp, kết hợp tập hợp, AMAT), hệ điều hành, bộ nhớ ảo, TLB, vào/ra, DMA. Song song: SIMD, đa luồng, OpenMP, đồng bộ hóa, nhất quán cache, MapReduce và Spark, trung tâm dữ liệu. Độ tin cậy: parity, mã sửa lỗi ECC, RAID.
Trong lộ trình: Cấu trúc tính toán (Thay thế)
83 bài · Video: ít nhất 46 giờ 7 phút
Khóa học này sẽ giới thiệu các ý tưởng và kỹ thuật cơ bản làm nền tảng cho việc thiết kế các hệ thống máy tính thông minh. Trọng tâm đặc biệt sẽ được đặt vào mô hình hóa dựa trên thống kê và lý thuyết ra quyết định. Kết thúc khóa học, bạn sẽ xây dựng được các tác tử tự hành có khả năng ra quyết định hiệu quả trong các môi trường có thông tin đầy đủ, quan sát một phần và môi trường đối kháng. Các tác tử của bạn sẽ thực hiện suy luận trong điều kiện bất định và tối ưu hóa hành động dựa trên các cấu trúc phần thưởng tùy ý. Các thuật toán học máy mà bạn triển khai sẽ có khả năng phân loại chữ số viết tay và hình ảnh. Những kỹ thuật được học trong khóa học này có thể áp dụng cho nhiều bài toán trí tuệ nhân tạo khác nhau và sẽ là nền tảng cho việc nghiên cứu sâu hơn ở bất kỳ lĩnh vực ứng dụng nào mà bạn lựa chọn theo đuổi.
67 bài
Khóa học này sẽ giới thiệu các ý tưởng và kỹ thuật cơ bản làm nền tảng cho việc thiết kế các hệ thống máy tính thông minh. Trọng tâm đặc biệt sẽ được đặt vào mô hình hóa dựa trên thống kê và lý thuyết ra quyết định. Kết thúc khóa học, bạn sẽ xây dựng được các tác tử tự hành có khả năng ra quyết định hiệu quả trong các môi trường có thông tin đầy đủ, quan sát một phần và môi trường đối kháng. Các tác tử của bạn sẽ thực hiện suy luận trong điều kiện bất định và tối ưu hóa hành động dựa trên các cấu trúc phần thưởng tùy ý. Các thuật toán học máy mà bạn triển khai sẽ có khả năng phân loại chữ số viết tay và hình ảnh. Những kỹ thuật được học trong khóa học này có thể áp dụng cho nhiều bài toán trí tuệ nhân tạo khác nhau và sẽ là nền tảng cho việc nghiên cứu sâu hơn ở bất kỳ lĩnh vực ứng dụng nào mà bạn lựa chọn theo đuổi.
CS 188 · Xuân 2025
Nhập môn Trí tuệ nhân tạo
John Canny, Oliver Grillmeyer
Môn AI bậc đại học của Berkeley đi theo giáo trình AIMA: tìm kiếm và A*, bài toán thỏa ràng buộc, trò chơi đối kháng, quá trình quyết định Markov, học tăng cường, mạng Bayes, mô hình Markov ẩn và nhập môn học máy. Người học lập trình các agent chơi Pac-Man bằng Python.
Trong lộ trình: Introduction to Artificial Intelligence (Đề xuất chính)
Môn của UC Berkeley về thiết kế và phân tích hệ tính toán tương tác với quá trình vật lý, ứng dụng trong thiết bị y tế, điện tử tiêu dùng, ô tô, điều khiển giao thông. Trang môn có lịch học, bài đọc, bài tập, lab và dự án nhóm.
Trong lộ trình: Embedded Systems (Thay thế), Vi điều khiển và hệ thống nhúng (Đề xuất chính), Hệ thống nhúng (Đề xuất chính)
Học máy (machine learning) là cốt lõi của trí tuệ nhân tạo hiện đại, làm thay đổi cách chúng ta tiếp cận các vấn đề trong lĩnh vực thị giác máy tính, ngôn ngữ, robot, hệ thống gợi ý và vô số lĩnh vực khác. Khóa học này giới thiệu các nền tảng lý thuyết, thuật toán và ứng dụng của học máy, kết hợp giữa tính chặt chẽ về mặt toán học và kinh nghiệm thực tiễn.
45 bài
43 bài
59 bài
79 bài
84 bài
CS 61A
Cấu trúc và diễn giải chương trình máy tính
Môn lập trình đầu tiên của ngành khoa học máy tính tại UC Berkeley, dạy Python theo tinh thần sách SICP: hàm bậc cao, đệ quy, trừu tượng hóa dữ liệu, lập trình hướng đối tượng, bộ lặp và viết trình thông dịch cho Scheme. Có video bài giảng công khai, lab, bài tập về nhà và các dự án lớn.
Trong lộ trình: Programming (Nâng cao)