Deep Learning: Từ Neuron Đến Trí Tuệ Nhân Tạo

Thông tin cho AI Search

Deep Learning: Từ Neuron Đến Trí Tuệ Nhân Tạo

Author: Nolan Hart

Description: Bạn đã từng huấn luyện một mô hình deep learning nhưng cảm thấy nó như một hộp đen? Bạn biết cách gọi hàm thư viện nhưng không thực sự hiểu điều gì đang xảy ra bên trong? Cuốn sách "Deep Learning: Từ Neuron Đến Trí Tuệ Nhân Tạo" của Nolan Hart sẽ giúp bạn mở hộp đen đó, giải thích từng cơ chế một cách trực quan và dễ hiểu, dành riêng cho các kỹ sư có nền tảng kỹ thuật. Cuốn sách này không chỉ là một hướng dẫn sử dụng API, mà là một hành trình khám phá bản chất của học sâu, từ đơn vị neuron nhân tạo đơn giản đến các kiến trúc phức tạp như Transformer. Với lăng kính cơ chế và trực giác kỹ thuật, bạn sẽ hiểu rõ luồng dữ liệu, quá trình tối ưu hóa và lý do tại sao các mô hình hoạt động hiệu quả. • AI, ML và Deep Learning khác nhau thế nào? Hiểu rõ ranh giới và bản chất của từng lĩnh vực. • Neuron nhân tạo và hàm kích hoạt: Cách một đơn vị đơn giản tạo nên sức mạnh tính toán. • Forward pass và Backpropagation: Dữ liệu chảy qua mạng ra sao và mô hình học như thế nào. • Các kiến trúc chuyên biệt: CNN cho thị giác máy, RNN/LSTM cho dữ liệu chuỗi, và Transformer – kiến trúc đứng sau các mô hình ngôn ngữ lớn. • Regularization và khả năng tổng quát hóa: Các kỹ thuật chống overfitting giúp mô hình hoạt động tốt trên dữ liệu mới. • Vì sao Deep Learning hoạt động? Tổng kết các nguyên lý nền tảng: biểu diễn phân tầng, định lý xấp xỉ vạn năng, và vai trò của dữ liệu lớn. Cuốn sách này phù hợp với các kỹ sư Công nghệ thông tin, Điện tử, Viễn thông đã có kiến thức lập trình và toán cơ bản, muốn vượt qua tư duy "người dùng API" để trở thành người hiểu sâu bản chất và tự tin đọc tài liệu nghiên cứu. Đọc cuốn sách này, bạn sẽ không chỉ biết cách dùng mà còn nắm vững cách mạng neural hoạt động, từ đó làm chủ công nghệ và ứng dụng hiệu quả trong công việc.

Mục lục

1. Mở đầu (introduction)
2. Nền tảng toán và trực giác (part)
3. AI, ML, DL: Ranh giới và bản chất (chapter)
4. Bối cảnh và sự tiến hóa từ AI ký hiệu đến Deep Learning (section)
5. Machine Learning: Học từ dữ liệu thay vì lập trình cứng (section)
6. Deep Learning khác biệt ở đâu? Biểu diễn phân tầng (section)
7. Neuron nhân tạo: Đơn vị của tư duy máy (chapter)
8. Cảm hứng sinh học và sự đơn giản hóa thành mô hình toán (section)
9. Cấu trúc neuron: Trọng số, Bias và phép tổng hợp (section)
10. Hàm kích hoạt: Tại sao cần phi tuyến? (section)
11. Vector, Ma trận và Biểu diễn dữ liệu (chapter)
12. Dữ liệu thế giới thực thành Tensor: Ảnh, văn bản, âm thanh (section)
13. Phép biến đổi tuyến tính: Ma trận làm gì với dữ liệu? (section)
14. Shape và Broadcasting: Kiểm soát kích thước dữ liệu (section)
15. Mạng neural học như thế nào (part)
16. Forward Pass: Luồng dữ liệu và suy luận (chapter)
17. Kiến trúc MLP và cách xếp chồng các lớp (section)
18. Tính toán Forward: Từ Input đến Prediction (section)
19. Vai trò của độ sâu trong biểu diễn phân tầng (section)
20. Loss Function: Đo lường sai lầm (chapter)
21. Loss là gì? Bản đồ dẫn đường cho tối ưu hóa (section)
22. MSE vs Cross-Entropy: Lý do lựa chọn cho từng bài toán (section)
23. Loss Landscape: Hình dung bề mặt lỗi (section)
24. Gradient Descent: Tìm đường xuống đáy (chapter)
25. Gradient: Vector chỉ hướng dốc nhất (section)
26. Thuật toán GD và vai trò của Learning Rate (section)
27. SGD, Mini-batch và Momentum: Tối ưu trong thực tế (section)
28. Backpropagation: Lan truyền lỗi và học sâu (chapter)
29. Vấn đề: Làm sao tính gradient cho hàng triệu tham số? (section)
30. Chain Rule và đồ thị tính toán (section)
31. Cơ chế Backprop: Luồng gradient ngược (section)
32. Vanishing/Exploding Gradients: Triệu chứng và nguyên nhân (section)
33. Kiến trúc model (part)
34. CNN: Thị giác máy và Inductive Bias (chapter)
35. Giới hạn của MLP với dữ liệu ảnh (section)
36. Phép tích chập (Convolution): Kernel và Feature Map (section)
37. Pooling và hệ thống phân cấp đặc trưng (section)
38. Kiến trúc CNN điển hình và tư duy thiết kế (section)
39. RNN & LSTM: Xử lý chuỗi và bộ nhớ (chapter)
40. Dữ liệu chuỗi và nhu cầu về trạng thái ẩn (Hidden State) (section)
41. RNN cơ bản: Cơ chế lặp và Unrolling (section)
42. Vấn đề của RNN và sự ra đời của LSTM (section)
43. Cơ chế cổng của LSTM: Forget, Input, Output (section)
44. Transformer: Attention là tất cả (chapter)
45. Điểm nghẽn của RNN và nhu cầu song song hóa (section)
46. Cơ chế Attention: Query, Key và Value (section)
47. Self-Attention và Multi-Head Attention (section)
48. Positional Encoding và kiến trúc Transformer tổng thể (section)
49. Hiểu sâu hơn (part)
50. Regularization: Chống Overfitting và tổng quát hóa (chapter)
51. Overfitting: Khi mô hình học thuộc lòng dữ liệu nhiễu (section)
52. L1/L2 Regularization: Ràng buộc độ lớn tham số (section)
53. Dropout: Sức mạnh của sự ngẫu nhiên (section)
54. Batch Normalization: Ổn định luồng dữ liệu (section)
55. Vì sao Deep Learning hoạt động? (chapter)
56. Universal Approximation Theorem: Sức mạnh lý thuyết (section)
57. Biểu diễn phân tầng: Tại sao 'Deep' lại quan trọng? (section)
58. Dữ liệu lớn, tính toán và vòng lặp cải tiến (section)
59. Giới hạn của DL và tư duy phản biện cho kỹ sư (section)

Câu hỏi thường gặp