Deep Learning Prerequisites: The Numpy Stack in Python (V2+)

Bạn đã bao giờ tự hỏi các công nghệ AI như OpenAI ChatGPT, GPT-4, DALL-E, Midjourney và Stable Diffusion hoạt động như thế nào không? Khóa học này sẽ giúp bạn nắm vững nền tảng của những ứng dụng đột phá này.

Chào mừng bạn đến với Học sâu, Máy học và Khoa học Dữ liệu: Bộ công cụ Numpy trong Python.

Một vấn đề mà nhiều người gặp phải khi học máy học và khoa học dữ liệu là họ thiếu kiến thức về Numpy stack, khiến họ không thể biến các khái niệm thành mã code. Ngay cả khi tôi cung cấp mã đầy đủ, việc đọc hiểu vẫn rất khó nếu bạn không thành thạo Numpy.

Khóa học này được thiết kế để xóa bỏ rào cản đó — hướng dẫn bạn cách sử dụng Numpy stack cho các tác vụ thường gặp trong học sâu và khoa học dữ liệu.

Vậy những công cụ đó là gì?

Numpy: Đây là nền tảng của mọi thứ. Đối tượng trung tâm trong Numpy là mảng Numpy, cho phép bạn thực hiện nhiều phép toán khác nhau. Khác với mảng thông thường trong Java hay C++, mảng Numpy giống như một đối tượng toán học (vector hoặc ma trận), hỗ trợ các phép cộng, trừ, nhân. Quan trọng hơn, chúng được tối ưu cho tốc độ. Bạn sẽ được chứng kiến một minh họa so sánh tốc độ giữa thao tác vector hóa của Numpy và danh sách Python.

Sau đó, chúng ta sẽ khám phá các phép toán ma trận phức tạp hơn như tích vô hướng, ma trận nghịch đảo, định thức và giải hệ phương trình tuyến tính.

Pandas: Thư viện này giúp tự động hóa nhiều tác vụ, giúp bạn tiết kiệm thời gian coding thủ công. Nếu bạn đã quen với R, bạn sẽ thấy Pandas tương tự với DataFrame — đối tượng trung tâm trong cả R và Pandas. Chúng ta sẽ so sánh việc tải dataset bằng Pandas so với cách thủ công, sau đó tìm hiểu các thao tác trên DataFrame như lọc theo cột, theo dòng và sử dụng hàm apply. Pandas rất phù hợp nếu bạn có nền tảng SQL và quen làm việc với bảng.

Tiếp theo, để trực quan hóa dữ liệu, chúng ta sử dụng Matplotlib. Phần này bao gồm các biểu đồ phổ biến như đường line, scatter plot và histogram, cùng với cách hiển thị hình ảnh. 99% trường hợp bạn sẽ sử dụng những dạng biểu đồ này.

Scipy: Được xem như một thư viện bổ trợ cho Numpy. Trong khi Numpy cung cấp các khối xây dựng cơ bản như vector và ma trận, Scipy sử dụng chúng để thực hiện các tác vụ chuyên biệt như tính toán thống kê (PDF, CDF, lấy mẫu phân phối, kiểm định giả thuyết), xử lý tín hiệu (tích chập, biến đổi Fourier).

Tóm lại, nếu bạn đã học lý thuyết về máy học hoặc học sâu nhưng gặp khó khăn khi chuyển thuật toán thành code, khóa học này chính là dành cho bạn.

"Nếu bạn không thể triển khai được, bạn chưa thực sự hiểu" — giống như nhà vật lý Richard Feynman từng nói: "Điều tôi không thể tạo ra, tôi không hiểu".

• Đây là một trong những khóa học hiếm hoi hướng dẫn bạn implement thuật toán máy học từ đầu.
• Các khóa học khác có thể chỉ dừng lại ở việc hướng dẫn gọi thư viện, nhưng liệu 3 dòng code có đủ để bạn hiểu bản chất?
• Làm đi làm lại trên 10 dataset khác nhau không có nghĩa là bạn học được 10 điều — bạn chỉ lặp lại 3 dòng code đó 10 lần mà thôi.

Yêu cầu kiến thức nền tảng:

• Phép toán ma trận
• Xác suất thống kê
• Lập trình Python cơ bản: if/else, vòng lặp, list, dict, set
• Hiểu ứng dụng của tích vô hướng, nghịch đảo ma trận và phân phối xác suất Gaussian

Lộ trình học đề xuất:

• Tham khảo bài giảng "Lộ trình học Máy học và Trí tuệ Nhân tạo" (có trong mục FAQ của khóa học).