Toán nền tảng cho xử lý ngôn ngữ tự nhiên (NLP)

[PF] 4.1. Giới thiệu

Ứng dụng của Gradient

[PF] 4.2.1. Đạo hàm riêng

[PF] 4.2.2. Với hàm số bên trên khi nào thì giá trị hàm số đạt thấp nhất

[PF] 4.2.3. Gradient

Đao hàm riêng

[PF] 4.3.1. Phép nào đầu vào vector đầu ra là một số?

[PF] 4.3.2. Biến đổi từ vector thành số

[PF] 4.3.3. Ví dụ đạo hàm của số với vector

[PF] 4.3.4. Tính đạo hàm riêng với x1

[PF] 4.3.5. Đạo hàm của số với vector tại một điểm

Gradient Vector - Scalar

[PF] 4.4.1. Quy tắc chuỗi nhiều biến

[PF] 4.4.2. Diễn giải chi tiết đáp án

[PF] 4.4.3. Thực hành lập trình đạo hàm nhiều biến

[PF] 4.4.4. Thực hành lập trình đạo hàm nhiều biến

Quy tắc chuỗi nhiều biến

[PF] 4.5.1. Giới thiệu thư viện Tensorflow

Tham khảo thêm định nghĩa Tensor và tính Gradient sử dụng Gradient Tape

Giới thiệu thư viện Tensorflow

[PF] 4.6.1. Giới thiệu Gradient Tape

[PF] 4.6.2. Thực hành Gradient Tape với một số hàm quen thuộc

[PF] 4.6.3. Dùng Gradient Tape để tính đạo hàm ln

[PF] 4.6.4. Lập trình Gradient Tape để tính gradient

[PF] 4.6.5. Sử dụng Gradient Tape cho hàm nhiều biến

Giới thiệu Gradient Tape

Gradient Vector - Scalar.pdf

Slide bài giảng

<ul><li>Ứng dụng của Gradient </li><li>Đạo hàm riêng và Gradient </li><li>Gradient Vector - Scalar</li><li>Quy tắc chuỗi nhiều biến</li><li>Giới thiệu thư viện Tensorflow </li><li>Giới thiệu Gradient Tape, tính đạo hàm tự động</li></ul>

Đạo hàm riêng và Gradient

<ul><li>Công thức toán cơ bản </li><li>Sigma</li><li>Ký hiệu tổng</li><li>Vector cơ bản và ứng dụng</li><li>Ma trận cơ bản và ứng dụng</li><li>Tensor</li><li>Sách Toán tham khảo</li></ul>

Đại số tuyến tính

Đạo hàm và ứng dụng của nó trong tối ưu các bài toán học giám sát, cụ thể đi tìm cực trị của hàm mất mát<ul><li>Giới thiệu đạo hàm</li><li>Giới hạn</li><li>Tính liên tục của hàm số</li><li>Đạo hàm và tính liên tục</li><li>Các loại đạo hàm</li></ul>

Đạo hàm một biến

<ul><li>Gradient với Jacobian</li><li>Jacobian Vector - vector</li><li>Jacobian Ma trận - ma trận</li><li>Thực hành tính Jacobian</li><li>Bí quyết tính đạo hàm cho các mô hình AI</li></ul>

Jacobian Vector-Vector, Matrix-Vector

- Đếm - Quy tắc cộng - Quy tắc nhân - Nguyên lý bù trừ - Chỉnh hợp - Tổ hợp - Hoán vị

Giới thiệu xác suất - Đếm

<ul><li>Giới thiệu xác suất</li><li>Liên kết đếm và xác suất </li><li>Xác suất có điều kiện </li><li>Định lý Bayes</li></ul>

Xác suất + Định lý Bayes

<ul><li>Giới thiệu biến nhẫu nhân</li><li>Biến ngẫu nhiên nhị phân và nhị thức</li><li>Hàm khối + hàm phân phối tích lũy</li><li>Kỳ vọng và phương sai</li></ul>

Biến ngẫu nhiên + Phân phối rời rạc

<ul><li>Hàm mật độ xác suất</li><li>Ôn tập tích phân, một số tích phân đơn giản</li><li>Ứng dụng tích phân giải bài biến ngẫu nhiên liên tục - Phân phối đều</li></ul>

Phân phối liên tục

<ul><li>Hàm mật độ xác suất </li><li>Hàm phân phối tích lũy </li><li>Phân phối chuẩn đơn vị </li><li>Kỹ thuật tính xác suất</li></ul>

Phân phối chuẩn

Danh sách chủ đề

Đạo hàm riêng và Gradient

1. Ứng dụng của Gradient

1.1. [PF] 4.1. Giới thiệu

2. Đao hàm riêng

2.1. [PF] 4.2.1. Đạo hàm riêng

2.2. [PF] 4.2.3. Gradient

3. Gradient Vector - Scalar

3.1. [PF] 4.3.2. Biến đổi từ vector thành số

3.2. [PF] 4.3.3. Ví dụ đạo hàm của số với vector

3.3. [PF] 4.3.5. Đạo hàm của số với vector tại một điểm

4. Quy tắc chuỗi nhiều biến

4.1. [PF] 4.4.1. Quy tắc chuỗi nhiều biến

4.2. [PF] 4.4.2. Diễn giải chi tiết đáp án

5. Giới thiệu thư viện Tensorflow

5.1. [PF] 4.5.1. Giới thiệu thư viện Tensorflow

5.2. Tham khảo thêm định nghĩa Tensor và tính Gradient sử dụng Gradient Tape

6. Giới thiệu Gradient Tape

6.1. [PF] 4.6.1. Giới thiệu Gradient Tape

6.2. [PF] 4.6.2. Thực hành Gradient Tape với một số hàm quen thuộc

7. Slide bài giảng

7.1. Gradient Vector - Scalar.pdf

Bài học