Math Readiness for ML
Toán cần biết — đừng lo
Đừng lo — bạn không cần giỏi toán để học ML.
Nhưng có bốn ngôi sao Bắc Đẩu bạn cần nhìn mặt và biết dùng để làm gì.
Rất nhiều bạn trẻ nghĩ: “Tôi dốt toán, ML không phải cho tôi”. Sai rồi. Làm ML phổ thông giống như lái xe: bạn cần biết vô-lăng, chân ga, chân phanh là gì — không cần hiểu piston và hộp số hoạt động ra sao.
Trong bài này bạn sẽ gặp bốn khái niệm quan trọng nhất. Với mỗi khái niệm, bạn chỉ cần biết: “Cái này tên là gì, nó dùng để làm gì trong ML?”
Bạn được cho bốn mảnh toán. Mảnh nào bạn sẽ ÍT khi gặp nhất trong công việc ML đời thường (không phải nghiên cứu hàn lâm)?
Hình minh họa
Chòm sao Bắc Đẩu — bấm vào từng ngôi sao
Mỗi ngôi sao là một nhóm khái niệm. Bấm vào để biết: nó là gì, giống cái gì ngoài đời, và dùng ở đâu trong ML. Dấu xanh nhỏ xuất hiện khi bạn đã ghé qua.
Đại số tuyến tính
Vector & ma trận
“Ngôn ngữ để mô tả mọi thứ bằng con số.”
Ẩn dụ đời thường
Giống tọa độ trên Google Maps: một địa điểm = một cặp số (kinh độ, vĩ độ). Một bức ảnh = một dãy dài toàn số. Một bài hát = một dãy khác.
Dùng ở đâu trong ML
Dữ liệu nào vào máy cũng phải thành dãy số. Ảnh, văn bản, âm thanh — tất cả trở thành vector. Ma trận là bảng chứa nhiều vector xếp cạnh nhau.
Ví dụ cụ thể
Ảnh chân dung → ảnh trở thành lưới số 28×28 pixel = một ma trận. Cộng hai vector giống như ghép hai danh sách lại cột một.
Đã ghé: 1/4
Bạn biết đến đâu rồi?
Sáu câu hỏi nhỏ để tự kiểm tra. Đừng lo đúng sai — chỉ bấm cái bạn cảm thấy thật. Cuối cùng sẽ có lời khuyên dựa trên kết quả.
#1Bạn biết mặt phẳng tọa độ là gì không? (trục x, trục y, điểm có tọa độ (2, 3))
#2Bạn tính được trung bình cộng của 5 số chứ? (ví dụ: 6, 7, 8, 9, 10)
#3Bạn hiểu “70% khả năng có mưa” nghĩa là gì chứ?
#4Bạn phân biệt được đường đi lên dốc với đường đi xuống dốc không?
#5Công thức y = 2x + 1: cho x = 3 thì y bằng bao nhiêu?
#6Cộng 3 + 5 + 7 + 9 = bao nhiêu? (không dùng máy tính)
Ghép: công việc ML ↔ ngôi sao toán cần dùng
Với mỗi công việc ML thật dưới đây, ngôi sao nào được dùng nhiều nhất? Kéo để ghép:
Ghép mỗi công việc ML (Cột A) với ngôi sao toán học chủ đạo (Cột B).
Cột A
Cột B
Khi huấn luyện mô hình, máy liên tục đoán sai → chỉnh → đoán lại. Việc chọn HƯỚNG chỉnh dựa trên ngôi sao nào?
Bạn nhập ảnh chó vào app, app báo 'đây là chó với độ tin 0.98'. Con số 0.98 đến từ đâu?
Giảng viên kiểm tra app y tế: cho 500 bệnh nhân thật, đếm số lần app đoán đúng, tính tỉ lệ. Hoạt động này thuộc ngôi sao nào?
Bốn ngôi sao không đứng riêng lẻ — chúng là bốn ngôn ngữ mà ML dùng để nói chuyện với dữ liệu.
Dữ liệu bước vào bằng đại số tuyến tính → máy đoán bằng xác suất → sửa sai bằng đạo hàm → đánh giá bằng thống kê.
Giải thích
Bạn không cần học sâu từng nhánh để bắt đầu. Mỗi bài sau trong chuỗi này sẽ chạm tới một ngôi sao ở mức vừa đủ — khi bạn cần, không phải khi nó còn xa. Cách làm này gọi là just-in-time learning: học đúng lúc cần.
- Hiểu ý trước, công thức sau.Biết “đạo hàm để làm gì” quan trọng hơn biết đạo hàm của sin x bằng cos x.
- Hình dung trước khi tính. Mọi công thức đều có một hình ảnh tương ứng. Tìm cho được hình ảnh đó, tính toán theo sau.
- Gặp lại là cơ hội. Không hiểu ngay lần đầu là bình thường. Bài sau sẽ gặp lại, sâu hơn một chút — dần bạn sẽ thấm.
- Quen với đại số tuyến tính (ảnh = bảng số).
- Làm quen với xác suất qua các ví dụ (chatbot, dự đoán thời tiết).
- Hiểu đạo hàm qua ẩn dụ “leo núi” — không cần tính tay.
- Học thống kê khi đánh giá mô hình (trung bình, sai số, accuracy).
Sau bài này, hãy tiếp tục tới dữ liệu và tập dữ liệu — nơi bạn sẽ thấy ngôi sao “đại số tuyến tính” được dùng thật để sắp xếp dữ liệu. Hoặc quay lại Machine Learning là gì? nếu bạn muốn ôn lại nền tảng.
- Không cần giỏi toán để học ML — cần biết bốn ngôi sao dùng để làm gì.
- Đại số tuyến tính: ngôn ngữ biến mọi thứ thành số (ảnh, văn bản, âm thanh → vector/ma trận).
- Xác suất: máy ML luôn trả lời bằng độ tin cậy, không phải chắc nịch.
- Đạo hàm: la bàn trong sương mù — chỉ hướng đi để lỗi giảm khi máy đang học.
- Thống kê: đọc câu chuyện của dữ liệu trước và sau khi huấn luyện.
Kiểm tra hiểu biết
Bốn ngôi sao Bắc Đẩu của Machine Learning là gì?