Chi tiết khóa học
Hình thức đào tạo
- Tham gia học trực tiếp tại OpenLab
- Hoặc theo yêu cầu doanh nghiệp (In house Training)
- Cấp chứng nhận hoàn thành sau khóa học
Sơ lược chương trình
Phần 1: Đại số tuyến tính
- Giới thiệu và ôn tập đại số tuyến tính (2 giờ)
- Tầm quan trọng của đại số tuyến tính trong AI
- Ôn tập các khái niệm cơ bản: vector, ma trận
- Vector và không gian vector (3 giờ)
- Định nghĩa và tính chất của vector
- Các phép toán trên vector
- Không gian vector và cơ sở
- Ma trận và các phép toán ma trận (4 giờ)
- Định nghĩa và các loại ma trận
- Phép cộng, nhân ma trận
- Ma trận chuyển vị và ma trận nghịch đảo
- Hệ phương trình tuyến tính và phương pháp giải (3 giờ)
- Biểu diễn hệ phương trình bằng ma trận
- Phương pháp khử Gauss-Jordan
- Ứng dụng trong hồi quy tuyến tính
- Giá trị riêng và vector riêng (3 giờ)
- Định nghĩa và tính chất
- Phương pháp tính giá trị riêng và vector riêng
- Ứng dụng trong PCA và SVD
- Ứng dụng đại số tuyến tính trong AI (1 giờ)
- Ví dụ về ứng dụng trong machine learning và deep learning
Phần 2: Xác suất thống kê (24 giờ)
- Cơ bản về xác suất (4 giờ)
- Định nghĩa và tính chất của xác suất
- Xác suất có điều kiện và định lý Bayes
- Biến ngẫu nhiên và phân phối xác suất
- Các phân phối xác suất phổ biến (4 giờ)
- Phân phối rời rạc: Bernoulli, Binomial, Poisson
- Phân phối liên tục: Normal, Exponential, Uniform
- Thống kê mô tả (3 giờ)
- Các đại lượng đặc trưng: trung bình, phương sai, độ lệch chuẩn
- Biểu đồ và đồ thị thống kê
- Ước lượng và khoảng tin cậy (4 giờ)
- Ước lượng điểm và ước lượng khoảng
- Khoảng tin cậy cho trung bình và tỷ lệ
- Kiểm định giả thuyết (4 giờ)
- Các bước trong kiểm định giả thuyết
- Kiểm định t, kiểm định z, kiểm định chi-square
- Hồi quy và tương quan (4 giờ)
- Hồi quy tuyến tính đơn và đa biến
- Hệ số tương quan và ý nghĩa
- Ứng dụng xác suất thống kê trong AI (1 giờ)
- Ví dụ về ứng dụng trong machine learning và xử lý dữ liệu lớn
Phần 3: Tối ưu (8 giờ)
- Giới thiệu về tối ưu hóa (1 giờ)
- Định nghĩa và ý nghĩa của tối ưu hóa trong AI
- Các loại bài toán tối ưu
- Tối ưu không ràng buộc (2 giờ)
- Gradient descent và các biến thể
- Newton's method
- Tối ưu có ràng buộc (2 giờ)
- Phương pháp nhân tử Lagrange
- Điều kiện KKT (Karush-Kuhn-Tucker)
- Tối ưu lồi (2 giờ)
- Định nghĩa và tính chất của hàm lồi
- Các phương pháp tối ưu lồi
- Ứng dụng tối ưu trong AI (1 giờ)
- Ví dụ về ứng dụng trong training neural networks và SVM
Phần 4: Lý thuyết đồ thị (12 giờ)
- Giới thiệu về lý thuyết đồ thị (1 giờ)
- Định nghĩa và các khái niệm cơ bản
- Ứng dụng của đồ thị trong AI
- Biểu diễn đồ thị (2 giờ)
- Ma trận kề và ma trận trọng số
- Danh sách kề
- Duyệt đồ thị (3 giờ)
- Duyệt theo chiều rộng (BFS)
- Duyệt theo chiều sâu (DFS)
- Ứng dụng trong tìm kiếm
- Đường đi ngắn nhất (2 giờ)
- Thuật toán Dijkstra
- Thuật toán Bellman-Ford
- Cây khung nhỏ nhất (2 giờ)
- Thuật toán Kruskal
- Thuật toán Prim
- Luồng cực đại và ghép cặp (1 giờ)
- Thuật toán Ford-Fulkerson
- Ứng dụng trong bài toán ghép cặp
- Ứng dụng lý thuyết đồ thị trong AI (1 giờ)
- Ví dụ về ứng dụng trong mạng neural, xử lý ngôn ngữ tự nhiên và học máy trên đồ thị
/* Nội dung chương trình có thể thay đổi theo yêu cầu đào tạo của Doanh nghiệp */
------------------------------------
