Chi tiết khóa học

Bài 1: Tư duy toán học và vai trò trong AI/ML

• Vì sao toán học là “xương sống” của AI

• Các nhánh toán học nền tảng: Đại số tuyến tính – Giải tích – Xác suất – Thống kê

• Lộ trình học toán ứng dụng cho dân AI

• Khám phá 5 mô hình AI nổi tiếng và xem “toán ẩn ở đâu?”

Bài 2: Đại số tuyến tính ứng dụng trong Machine Learning

• Vector, ma trận, phép nhân, định thức, nghịch đảo

• Không gian đặc trưng, phép chiếu và PCA

• Ứng dụng: biểu diễn dữ liệu, embedding, giải hệ phương trình

• Dùng NumPy mô phỏng PCA và chuyển đổi không gian dữ liệu

Bài 3: Giải tích – Đạo hàm và tối ưu hóa mô hình AI

• Đạo hàm – Gradient – Hàm mất mát (Loss Function)

• Gradient Descent và biến thể (SGD, Momentum)

• Đạo hàm trong hàm kích hoạt (ReLU, Sigmoid, Softmax)

• Code tay mô hình Linear Regression sử dụng Gradient Descent

Bài 4: Xác suất và Thống kê trong học máy

• Biến ngẫu nhiên, phân phối xác suất, kỳ vọng, phương sai

• Luật Bayes – nền tảng của Naive Bayes, Bayesian Networks

• Kiểm định giả thuyết, thống kê suy diễn

• Tạo mô hình phân loại bằng Naive Bayes và phân tích xác suất bằng Python

Bài 5: Ma trận trọng số, softmax và mạng nơ-ron

• Ma trận trọng số (weight matrix), bias

• Hàm Softmax và chuẩn hóa xác suất trong classification

• Tính toán forward–backward propagation

• Tính toán forward propagation bằng tay + mô phỏng bằng Python

Bài 6: Ứng dụng toán học vào dự án AI thực tế

• Phân tích thuật toán học máy qua lăng kính toán học

• Tối ưu hàm mục tiêu – vai trò của toán trong fine-tuning

• Ứng dụng toán trong NLP, Computer Vision, Recommendation System

• Phân tích Loss Function và Gradient của mô hình BERT đơn giản