Toán của Machine Learning

Trực giác hình họcKéo thảTính lại thật

Toán của Machine Learning

Không học thuộc công thức. Bạn kéo, trượt, thả, và nhìn con số tự tính lại. Toán hiện ra từ chính cái bạn vừa làm.

Học máy đứng trên ba trụ toán: đại số tuyến tính, giải tích, và xác suất. Ở đây ta không bắt đầu bằng ký hiệu, mà bằng hình bạn điều khiển được. Mỗi bài chỉ một câu dẫn, một mô hình để nghịch, và một điều đọng lại.

Cách học ở môn này

• Kéo là chính. Kéo đầu vector, kéo cột ma trận, thả điểm xuất phát. Toán phản hồi tức thì.
• Ít chữ, nhiều tay. Công thức chỉ xuất hiện khi bạn đã thấy nó nghĩa là gì trên hình.
• Không có núm giả. Mọi thứ bạn chỉnh đều làm một con số thật đổi theo.

Bắt đầu

• Chương 1 · Đại số tuyến tính nhìn thấy được — vector và tích vô hướng, ma trận là phép biến hình.
• Chương 2 · Giải tích cho tối ưu — gradient descent, trái tim của việc huấn luyện mô hình.
• Chương 3 · Xác suất và hồi quy — phân phối Gauss, bình phương tối thiểu, hàm mất mát.
• Chương 4 · Từ toán tới mô hình — sigmoid và phân loại logistic.
• Chương 5 · Nền tảng mạng nơ-ron — hàm kích hoạt, nơ-ron và lan truyền xuôi, softmax.
• Chương 6 · Tích chập (CNN) — phép tích chập, pooling.
• Chương 7 · Đánh giá mô hình — ma trận nhầm lẫn, đường ROC và AUC.
• Chương 8 · Huấn luyện và tổng quát hóa — overfitting và bias-variance, điều chuẩn L2, đường cong học.
• Chương 9 · Kỹ thuật thường dùng — chuẩn hóa đặc trưng, dropout, embedding và tương đồng.
• Chương 10 · Lan truyền ngược — backprop và quy tắc chuỗi, gradient biến mất và bùng nổ.
• Chương 11 · Attention và Transformer — self-attention, positional encoding.
• Chương 12 · Chuỗi và tăng cường dữ liệu — mạng hồi tiếp RNN, tăng cường dữ liệu.