Technical Handbook

FoundationsNền tảng

The math and mental models you need to understand how models learn, generalize, and fail.Phần toán và các mô hình tư duy cần thiết để hiểu cách mô hình học, khái quát hóa và thất bại.

20 articlesbài viết

  1. 01AI, Machine Learning & Deep LearningHow AI, machine learning, and deep learning differ, when you need them, and what components a machine learning system actually consists of.
  2. 01AI, Machine Learning và Deep LearningAI, machine learning và deep learning khác nhau ra sao, khi nào cần dùng chúng, và một hệ thống học máy thực chất gồm những thành phần nào.
  3. 02Vectors and Matrices: The Language Models Compute InA practical mental model for vectors, matrices, dot products and why so much of AI reduces to transforming representations.
  4. 03Probability for AI: Modeling Uncertainty Instead of Hiding ItThe probability concepts that matter most for machine learning: random variables, conditional probability, expectation and distributions.
  5. 04Python & Data Tools for AISet up a Google Colab environment and get familiar with the Python, NumPy, Pandas, and Matplotlib toolkit through a small house price dataset.
  6. 04Python và công cụ dữ liệu cho AIChuẩn bị môi trường Google Colab và làm quen bộ đồ nghề Python, NumPy, Pandas, Matplotlib qua một bộ dữ liệu giá nhà nhỏ.
  7. 05From Data to Features, Labels & PredictionsName the parts of a dataset in the language of ML: samples, features, labels, X and y, and the relationship Y = f(X) + ε that supervised learning revolves around.
  8. 05Từ dữ liệu tới đặc trưng, nhãn và dự đoánGọi tên các thành phần của một bộ dữ liệu theo ngôn ngữ ML: mẫu, đặc trưng, nhãn, X và y, và quan hệ Y = f(X) + ε mà học có giám sát xoay quanh.
  9. 06Statistics for AI: What Can You Conclude From Data?A practical introduction to sampling, estimation, variance, confidence and why model evaluation is a statistical problem.
  10. 07Gradient Descent: How Models Turn Error Into an UpdateUnderstand loss surfaces, gradients, learning rates and the optimization loop that trains most neural models.
  11. 08Train, Validation, Test & the Learning ProcessWhy train, validation, and test sets have different roles, how data leakage happens, and when to use cross-validation.
  12. 08Train, validation, test và quá trình họcVì sao các tập train, validation và test có vai trò khác nhau, data leakage xảy ra thế nào, và khi nào nên dùng cross-validation.
  13. 09Classification, Regression & Learning ParadigmsRecognizing the types of ML problems: regression, classification, sequence, recommendation, unsupervised, self-supervised and reinforcement learning.
  14. 09Hồi quy, phân loại và các kiểu họcNhận diện các dạng bài toán ML: hồi quy, phân loại, sequence, gợi ý, học không giám sát, tự giám sát và học tăng cường.
  15. 10Embeddings Without the MystiqueA practical mental model for what vector representations preserve, discard and make searchable.
  16. 11Vectors, Matrices & TensorsScalars, vectors, matrices and tensors: why data in ML is always a block of numbers, and the basic operations on them in NumPy.
  17. 11Vector, ma trận và tensorScalar, vector, ma trận và tensor: vì sao dữ liệu trong ML luôn là các khối số, và các phép toán cơ bản trên chúng bằng NumPy.
  18. 12Similarity, Distance & the Dot ProductMeasure distance and similarity between two vectors with Euclidean distance, the dot product and cosine similarity, and learn when to use which measure.
  19. 12Độ tương đồng, khoảng cách và tích vô hướngĐo khoảng cách và độ tương đồng giữa hai vector bằng khoảng cách Euclid, tích vô hướng và cosine similarity, và khi nào dùng thước nào.
  20. 13Probability & Statistics for AIWhy ML needs probability: random variables, distributions, expectation, variance, and computing Bayes' theorem yourself with a table.
  21. 13Xác suất và thống kê cho AIVì sao ML cần xác suất: biến ngẫu nhiên, phân phối, kỳ vọng, phương sai, và tự tính định lý Bayes bằng bảng.
  22. 14Derivatives, Gradients & the Chain RuleDerivatives through everyday examples, which direction the gradient points, why going against the gradient makes a model less wrong, and what the chain rule is.
  23. 14Đạo hàm, gradient và chain ruleĐạo hàm qua ví dụ đời thường, gradient chỉ hướng nào, vì sao đi ngược gradient giúp mô hình bớt sai, và chain rule là gì.
  24. 15Loss Functions & OptimizationWhat a loss function is and why a machine cannot learn without one: MSE and MAE for regression, cross-entropy for classification, and the loss landscape.
  25. 15Hàm mất mát và bài toán tối ưuHàm mất mát là gì và vì sao thiếu nó thì máy không học được: MSE, MAE cho hồi quy, cross-entropy cho phân loại, và địa hình loss.
  26. 16Gradient Descent, SGD & AdamRun gradient descent by hand on a small example, the role of the learning rate, batch / stochastic / mini-batch, and the intuition behind momentum and Adam.
  27. 16Gradient descent, SGD và AdamChạy tay gradient descent trên một ví dụ nhỏ, vai trò của learning rate, batch / stochastic / mini-batch, và trực giác của momentum và Adam.
  28. 17Data Preparation for Machine LearningCleaning up a real-world data table before feeding it to a model: missing values, encoding categorical variables, feature scaling, outliers.
  29. 17Chuẩn bị dữ liệu cho Machine LearningDọn dẹp một bảng dữ liệu thực tế trước khi đưa vào mô hình: giá trị thiếu, mã hóa biến phân loại, co giãn thang đo, outlier.
  30. 18Parameters, Hyperparameters & Model CapacityTell parameters apart from hyperparameters, understand a model's capacity, and learn the disciplined way to choose hyperparameters.
  31. 18Tham số, siêu tham số và capacity của mô hìnhPhân biệt parameter với hyperparameter, hiểu capacity của mô hình, và quy trình chọn hyperparameter đúng cách.
  32. 19Overfitting, Generalization & Data LeakageWhy the real goal of ML is to do well on data never seen before: recognizing overfitting and underfitting, bias-variance, and the kinds of data leakage.
  33. 19Overfitting, tổng quát hóa và rò rỉ dữ liệuVì sao mục tiêu thật của ML là làm tốt trên dữ liệu chưa từng thấy: nhận diện overfitting và underfitting, bias-variance, và các kiểu rò rỉ dữ liệu.
  34. 20Evaluating Machine Learning ModelsWhy accuracy can mislead: the confusion matrix, precision, recall, F1, ROC-AUC, and regression metrics such as MAE, RMSE, and R².
  35. 20Đánh giá mô hình Machine LearningVì sao accuracy có thể đánh lừa: ma trận nhầm lẫn, precision, recall, F1, ROC-AUC, và các thước đo cho hồi quy như MAE, RMSE, R².