AI cho mọi người · Tiếng Việt

Hiểu AI qua hình ảnh và ví dụ

Khám phá AI/ML qua minh họa tương tác và ví dụ thực tế bằng tiếng Việt. Không cần nền tảng kỹ thuật.

246 chủ đề17 danh mục4 lộ trình

Cẩm nang Claude. Chưa dùng Claude? Bắt đầu ở đây.

Lộ trình

Chọn con đường phù hợp

Học sinh · Sinh viên

Nền tảng AI/ML từ con số 0 — toán, thuật toán cổ điển, mạng nơ-ron cơ bản

63 chủ đề

Nhân viên văn phòng

Hiểu AI để ứng dụng trong công việc — prompt (câu lệnh gợi ý), RAG (truy xuất tài liệu rồi trả lời), agent (tác tử AI tự hành) và an toàn AI

41 chủ đề

AI Engineer

Xây dựng & triển khai hệ thống AI — fine-tuning, RAG, serving, MLOps

65 chủ đề

AI Researcher

Lý thuyết sâu & xu hướng mới — scaling laws, alignment, kiến trúc tiên tiến

50 chủ đề

Thư viện

Thư viện chủ đề

246 kết quả

Cơ bản

Perceptron

Đơn vị tính toán cơ bản nhất của mạng nơ-ron, mô phỏng một nơ-ron đơn lẻ

neuronweightsbias

Cơ bản

Multilayer Perceptron

Perceptron đa tầng

Mạng nơ-ron nhiều lớp có khả năng học các mối quan hệ phi tuyến phức tạp

neural-networklayersdeep-learning

Cơ bản

Activation Functions

Hàm kích hoạt

Các hàm phi tuyến (Sigmoid, ReLU, Tanh) giúp mạng nơ-ron học được các mẫu phức tạp

sigmoidrelutanh

Cơ bản

Forward Propagation

Lan truyền xuôi

Quá trình truyền dữ liệu qua các lớp mạng nơ-ron từ đầu vào đến đầu ra

inferencecomputationlayers

Trung bình

Backpropagation

Lan truyền ngược

Thuật toán tính gradient lỗi và lan truyền ngược để cập nhật trọng số

gradienttrainingchain-rule

Cơ bản

Gradient Descent

Hạ gradient

Thuật toán tối ưu cốt lõi, tìm cực tiểu hàm mất mát bằng cách đi theo hướng gradient

optimizationtrainingconvergence

Trung bình

Stochastic Gradient Descent

Hạ gradient ngẫu nhiên

Biến thể của hạ gradient sử dụng từng mẫu hoặc mini-batch để cập nhật nhanh hơn

optimizationmini-batchstochastic

Cơ bản

Learning Rate

Tốc độ học

Siêu tham số quan trọng quyết định bước nhảy khi cập nhật trọng số mô hình

hyperparametertrainingconvergence

Cơ bản

Loss Functions

Hàm mất mát

Hàm đo lường sai số giữa dự đoán của mô hình và giá trị thực tế

msecross-entropytraining

Cơ bản

Overfitting & Underfitting

Quá khớp & Dưới khớp

Hai vấn đề phổ biến khi mô hình học quá nhiều hoặc quá ít từ dữ liệu

generalizationmodel-complexityvalidation

Trung bình

Regularization

Chính quy hoá

Kỹ thuật (L1, L2, Dropout) ngăn mô hình quá khớp bằng cách phạt độ phức tạp

l1l2dropout

Trung bình

Batch Normalization

Chuẩn hoá batch

Kỹ thuật chuẩn hoá đầu vào của mỗi lớp để huấn luyện nhanh và ổn định hơn

normalizationtrainingstability