Lộ trình học tập Cơ sở toán học cho Trí tuệ Nhân tạo

Khóa học được thiết kế theo cấu trúc module hóa 4 thành phần liên kết chặt chẽ:

1. Bài giảng chi tiết (Lecture Notes): Nơi đào sâu bản chất toán học, trực giác hình học và các chứng minh giải tích chuẩn mực.
2. Thẻ trực quan (Interactive Slides): Hệ thống tóm lược trực quan và tương tác tham số giúp củng cố phản xạ tư duy nhanh.
3. Kiến thức nền (Wiki Concepts): Mạng lưới tra cứu nhanh các công cụ giải tích ma trận, xác suất và đại số tuyến tính hỗ trợ.
4. Bài tập tự luyện (Exercises): Rèn luyện kỹ năng giải tích số và tư duy thuật toán với lời giải chi tiết từng bước.

---

1. Khung chương trình 8 bài giảng cốt lõi

Bài giảng	Câu hỏi gợi mở trung tâm	Năng lực cốt lõi cần làm chủ
00. Ôn tập nền tảng	Khi thay đổi tham số mô hình, hàm mất mát và dự đoán dịch chuyển ra sao?	Làm chủ quy tắc khớp chiều ma trận, vi phân ma trận, xấp xỉ Taylor bậc hai và ý nghĩa xác suất của hàm mất mát.
01. Nhập môn tối ưu hóa và Tính lồi	Tại sao tính lồi lại là ranh giới giữa bài toán giải được và bài toán bất khả thi?	Nhận diện tập lồi, hàm lồi qua điều kiện bậc một/bậc hai, chứng minh nghiệm cực tiểu cục bộ là cực tiểu toàn cục.
02. Các bài toán tối ưu lồi	Làm thế nào để nhận diện và quy đổi một bài toán thực tế về dạng tối ưu lồi chuẩn?	Phân loại và thành thạo phả hệ tối ưu: LP $\subset$ QP $\subset$ QCQP $\subset$ SOCP $\subset$ SDP; làm chủ phép biến đổi bảo toàn tính lồi.
03. Đối ngẫu Lagrange	Làm thế nào để tìm ra cận dưới tốt nhất và chứng nhận tính tối ưu toàn cục?	Thiết lập hàm đối ngẫu Lagrange $g(\lambda ,\nu )$, kiểm tra điều kiện Slater, vận dụng hệ điều kiện Karush-Kuhn-Tucker (KKT).
04. Phương pháp Gradient và Newton	Nên di chuyển theo hướng nào và bước nhảy bao xa để đảm bảo hội tụ an toàn?	Cài đặt Gradient Descent với quy tắc dò bước Armijo, phân tích tốc độ hội tụ bậc hai của phương pháp Newton và Newton suy giảm.
05. Tối ưu hóa trong huấn luyện học máy	Làm sao cân bằng giữa tốc độ tính toán trên dữ liệu lớn và độ chính xác của gradient?	Làm chủ Stochastic Gradient Descent (SGD) với mini-batch, phân tích động lượng Momentum và Nesterov accelerated gradient, khởi tạo trọng số Glorot.
06. Các phương pháp tối ưu trong học sâu	Tại sao các tham số khác nhau lại đòi hỏi tốc độ cập nhật riêng biệt?	Khám phá cơ chế điều chỉnh tốc độ học thích nghi của AdaGrad, RMSProp và Adam; xấp xỉ bậc hai với Conjugate Gradient và L-BFGS.
07. Quy hoạch tuyến tính và quy hoạch động	Làm thế nào để phân rã bài toán chuỗi quyết định quy mô lớn mà không bị bùng nổ tổ hợp?	Đưa bài toán LP về dạng chuẩn, tìm nghiệm cơ sở khả thi (BFS); vận dụng nguyên lý tối ưu Bellman và khám phá cầu nối giữa đối ngẫu LP và DP.

---

2. Phương pháp tiếp cận bài giảng hiệu quả

Để đạt được hiệu quả sư phạm cao nhất, bạn nên chia mỗi bài giảng thành các chặng học tập có chủ đích:

• Chặng 1: Trực giác và Đặt vấn đề: Đọc phần dẫn nhập và các ví dụ thực tế trong công nghệ AI (nhận diện hình ảnh, mô hình ngôn ngữ lớn, hệ thống gợi ý). Hiểu rõ bài toán sinh ra để giải quyết bế tắc gì của đời sống.
• Chặng 2: Công cụ giải tích và Khảo sát toán học: Theo dõi các bước biến đổi công thức. Đừng chỉ đọc lướt qua, hãy tự tay đặt bút viết lại các bước khai triển Taylor, nhân ma trận hoặc giải hệ phương trình đạo hàm.
• Chặng 3: Thử nghiệm tương tác: Khảo sát các thành phần mô phỏng trực quan trên trang (như đồ thị đường mức, tương tác điểm cực LP, dò đường Bellman) để khắc sâu mối liên hệ giữa đại số và hình học.
• Chặng 4: Tự giải bài tập trước khi mở đáp án: Mỗi bài giảng đều có 3 bài tập tự luyện kèm lời giải chi tiết. Hãy chủ động giải độc lập, sau đó mới đối chiếu tư duy với phần phân tích của giảng viên.

---

3. Tài liệu tham khảo và Đọc thêm chuyên sâu

Khóa học được xây dựng dựa trên các chuẩn mực học thuật quốc tế cao nhất, kết nối chặt chẽ giữa lý thuyết tối ưu hóa cổ điển và các tiến bộ đột phá trong học sâu hiện đại:

1. Stephen Boyd & Lieven Vandenberghe, Convex Optimization, Cambridge University Press. Bản PDF giáo trình mở chính thức từ Đại học Stanford: Stanford CVX Book (PDF). Giáo trình nền tảng về giải tích lồi, đối ngẫu Lagrange và các phương pháp điểm trong.
2. Marc Peter Deisenroth, A. Aldo Faisal, & Cheng Soon Ong, Mathematics for Machine Learning, Cambridge University Press. Bản trực tuyến mở chính thức: MML Book (PDF/Web). Hệ thống hóa toàn diện đại số tuyến tính, giải tích ma trận và tối ưu hóa ứng dụng trong học máy.
3. Dimitris Bertsimas & John N. Tsitsiklis, Introduction to Linear Optimization, Athena Scientific. Tài liệu chuẩn mực về hình học đa diện, thuật toán Simplex và lý thuyết đối ngẫu tuyến tính. Bạn có thể tham khảo bổ trợ tại MIT OpenCourseWare 15.053.
4. Ian Goodfellow, Yoshua Bengio, & Aaron Courville, Deep Learning, MIT Press. Bản trực tuyến mở hoàn chỉnh tại deeplearningbook.org (đặc biệt Chương 8: Optimization for Training Deep Models).
5. Richard S. Sutton & Andrew G. Barto, Reinforcement Learning: An Introduction (2nd Edition), MIT Press. Bản PDF trực tuyến miễn phí chính thức: Sutton & Barto Book (PDF). Tài liệu toàn diện về phương trình Bellman và quá trình ra quyết định Markov.
6. Richard Bellman, Dynamic Programming, Princeton University Press. Tác phẩm kinh điển khởi nguồn định hình nguyên lý tối ưu hóa Bellman và phân rã bài toán chuỗi quyết định.

---

4. Tra cứu nhanh công cụ bổ trợ

• Chuyên đề Đọc thêm & Mở rộng: Hệ thống hóa các công cụ hình học nâng cao, đại số tuyến tính của LoRA trong LLM, cảnh quan mất mát (SAM) và hệ động lực liên tục (ODE).
• Tổng hợp bài tập theo chủ đề: Bộ bài tập rèn luyện tư duy toán học toàn diện của cả 8 bài giảng.
• Các mục Wiki cốt lõi: Gradient · Hessian · Ma trận nửa xác định dương (PSD) · Điều kiện KKT.