Nếu bạn đã từng mở một bài học máy (Machine Learning, ML) rồi khựng lại vì gradient, ma trận, hay “xác suất có điều kiện”, khóa học này dành cho bạn. Ta sẽ dựng lại đúng phần toán cần thiết—không phải để thuộc công thức, mà để đọc được mô hình từ bên trong: giả định nằm ở đâu, phép tối ưu đang làm gì, và kết quả thực nghiệm có ý nghĩa gì.
Mỗi khái niệm được xây đủ chặt để bạn tin được vào nó, rồi nối ngay với chỗ nó xuất hiện trong ML. Khi xong lộ trình này, bạn sẽ sẵn sàng hơn để vào khóa Machine Learning căn bản.
Về nguồn tham khảo
Một cuốn sách rất hữu ích khi nghĩ về cầu nối giữa toán và ML là Mathematics for Machine Learning của Marc Peter Deisenroth, A. Aldo Faisal và Cheng Soon Ong. Nó giúp ta nhìn rõ những mảnh toán nào thực sự cần cho việc học từ dữ liệu.
Hiện bami-hub chưa được phép dịch hay chuyển thể nội dung được bảo hộ của cuốn sách. Vì vậy khóa học này không phải bản dịch: cấu trúc, lời giải thích, ví dụ, bài tập và hình minh họa đều do bami-hub tự viết, dựa trên các sự kiện toán học, tài liệu gốc và nguồn có giấy phép phù hợp. Nếu bạn muốn đọc cách trình bày đầy đủ của các tác giả, hãy mở thẳng cuốn sách—nó miễn phí trên trang chính thức.
Cách ta học cùng nhau
Toán ở đây không đứng một mình như một danh sách định nghĩa. Mỗi chủ đề đi qua ba lớp:
- Đối tượng toán học là gì?
- Kết quả được suy ra như thế nào?
- Nó giúp gì khi ta xây hoặc đọc một mô hình ML?
Trực giác hình học sẽ mở đường—hình dung vector như mũi tên, ma trận như phép biến đổi—nhưng mọi trực giác quan trọng đều quay lại định nghĩa và phép biến đổi chính xác. Python và NumPy chỉ xuất hiện khi một thí nghiệm số giúp bạn nhìn thấy cấu trúc toán; code không thay thế chứng minh, và chứng minh cũng không thay thế việc kiểm tra điều kiện áp dụng.
Khung nội dung
1. Vector, ma trận và hệ phương trình tuyến tính
Vector như điểm, hướng và cách biểu diễn dữ liệu; ma trận như phép biến đổi tuyến tính; hệ phương trình, hạng, không gian nghiệm và ý nghĩa của tính khả nghịch.
2. Hình học của không gian nhiều chiều
Tích vô hướng, chuẩn, khoảng cách, góc, trực giao, cơ sở, phép chiếu và bình phương tối thiểu. Đây là ngôn ngữ để nói về độ tương tự, sai số và xấp xỉ.
3. Phân rã ma trận
Trị riêng, vector riêng, phân rã trị riêng và phân rã giá trị suy biến. Trọng tâm là cấu trúc mà mỗi phép phân rã làm lộ ra—không chỉ thao tác theo thuật toán.
4. Giải tích nhiều biến
Đạo hàm riêng, gradient, Jacobian, Hessian, quy tắc dây chuyền và khai triển Taylor. Ký hiệu được giữ nhất quán với phần tối ưu và mạng neural về sau.
5. Xác suất cho việc học từ dữ liệu
Biến ngẫu nhiên, phân phối, kỳ vọng, phương sai, xác suất có điều kiện, định lý Bayes và các phép biến đổi thường gặp. Mỗi kết quả gắn với câu hỏi: từ dữ liệu hữu hạn, ta có thể kết luận được gì?
6. Tối ưu liên tục
Hàm mục tiêu, ràng buộc, tính lồi, điều kiện tối ưu, gradient descent và nhân tử Lagrange. Ta phân biệt rõ một nghiệm tối ưu về toán với một thuật toán tìm nghiệm trong thực tế.
7. Những cây cầu sang Machine Learning
Bình phương tối thiểu, hồi quy tuyến tính, PCA và mô hình Gaussian như các bài tổng hợp—để thấy nhiều mảnh toán phối hợp trong một mô hình hoàn chỉnh trước khi sang khóa ML căn bản.
Bài tập
Mỗi bài có câu hỏi kiểm tra khái niệm, phép suy luận bạn tự hoàn thành, và bài tập nối toán với mô hình. Lời giải được mở dần để bạn có cơ hội làm trước. Những bước dễ sai đi kèm kiểm tra kích thước, trường hợp biên, hoặc thí nghiệm số nhỏ.
Tình trạng hiện tại
Đề cương đang được hoàn thiện. Bài học chỉ mở khi đạt chuẩn về toán, tiếng Việt, nguồn tham khảo và bản quyền—ta không đăng đoạn giữ chỗ chỉ để trang trông “đầy đủ”.
Minh bạch biên tập
Đề cương này được viết với sự hỗ trợ của Codex. Lê Nguyễn chịu trách nhiệm biên tập, kiểm chứng nguồn, kiểm tra kỹ thuật và quyết định xuất bản.