Hình ảnh từ tác giả
 

Một trong những vấn đề lớn nhất mà người mới bắt đầu gặp phải khi cố gắng học trí tuệ nhân tạo là chọn nguồn tài nguyên tốt nhất. Bởi vì có rất nhiều nguồn tài nguyên ngoài kia. Giới thiệu của CS50 về Trí tuệ nhân tạo với Python được giảng dạy tại Đại học Harvard là một nguồn tài nguyên tuyệt vời để học AI. 

Trong suốt 7 tuần, trước tiên bạn sẽ tìm hiểu các khái niệm cơ bản về logic toán học và thuật toán tìm kiếm đồ thị. Sau đó, bạn cũng sẽ khám phá học máy, mạng lưới thần kinh và mô hình ngôn ngữ. Quan trọng hơn, bạn cũng sẽ xây dựng một số dự án thú vị khi thực hiện khóa học này. 

Nếu bạn muốn làm mới các nguyên tắc cơ bản về lập trình của mình trước khi tham gia khóa học này, hãy xem CS50x Giới thiệu về Khoa học Máy tính—cũng miễn phí—để bắt kịp các nguyên tắc cơ bản về lập trình và khoa học máy tính.

Tiếp theo, hãy xem lại nội dung khóa học.

Liên kết khóa học: Giới thiệu của CS50 về Trí tuệ nhân tạo với Python

Cho hai điểm A và B, các thuật toán tìm kiếm nhằm mục đích tìm đường đi giữa A và B. Và giải pháp tối ưu thường là đường đi ngắn nhất giữa A và B. Ví dụ bao gồm các ứng dụng điều hướng tìm đường đi ngắn nhất giữa hai địa điểm bất kỳ.

Mô-đun đầu tiên về tìm kiếm này bao gồm các chủ đề sau:

• Tìm kiếm theo chiều sâu-đầu tiên (DFS)
• Tìm kiếm theo chiều rộng (BFS)
• Tìm kiếm tốt nhất đầu tiên tham lam
• Tìm kiếm * 
• Minimax
• Cắt tỉa Alpha-beta

Sau đây là các dự án bạn sẽ xây dựng cho mô-đun này:

Link: Tìm kiếm

Mô-đun thứ hai tập trung vào các tác nhân dựa trên tri thức sử dụng kiến ​​thức hiện có để đưa ra kết luận. 

Vì vậy, việc tìm kiếm (mô-đun đầu tiên) và các mô-đun kiến ​​thức đều dựa trên thuật toán đồ thị và logic toán học. Bạn sẽ tìm hiểu về học máy và tối ưu hóa trong các mô-đun tiếp theo.

Mô-đun kiến ​​thức thứ hai này bao gồm những nội dung sau:

• Logic mệnh đề 
• Sự tham gia
• Sự suy luận 
• Kiểm tra mô hình 
• Độ phân giải 
• Logic thứ tự đầu tiên

Và các dự án mà bạn sẽ xây dựng là:

• Hiệp sĩ: một chương trình giải các câu đố logic Máy quét trí óc và AI để chơi xây dựng một 
• Xây dựng AI để chơi tàu quét mìn

Link: Hiểu biết 

Xác suất là một trong những khái niệm quan trọng nhất khi học máy học. Mô-đun này dạy cho bạn các khái niệm thiết yếu về xác suất và các biến ngẫu nhiên. Bạn sẽ xây dựng hai dự án thú vị để kết thúc mô-đun này.

Mô-đun này bao gồm:

• Xác suất 
• Xác suất có điều kiện 
• Biến ngẫu nhiên 
• Độc lập
• Các mạng Bayes 
• Lấy mẫu 
• Mô hình Markov 
• Mô hình Markov ẩn 

Các dự án bạn sẽ xây dựng là:

• AI xếp hạng các trang web theo tầm quan trọng 
• AI đánh giá khả năng một người có đặc điểm di truyền

Link: Không chắc chắn

Tối ưu hóa là một công cụ toán học quan trọng cho phép bạn giải quyết nhiều vấn đề. Về bản chất, tối ưu hóa cho phép bạn tìm ra giải pháp tối ưu nhất từ ​​​​một tập hợp các giải pháp.

Mô-đun này bao gồm các thuật toán tối ưu hóa sau:

• Tìm kiếm địa phương 
• Leo đồi 
• Ủ mô phỏng
• Lập trình tuyến tính 
• Hạn chế sự hài lòng 
• Tìm kiếm quay lại

Đối với mô-đun này, bạn sẽ xây dựng một AI tạo ra các câu đố ô chữ.

Link: Tối ưu hóa

Đây là mô-đun trong đó bạn có thể khám phá công nghệ máy học và thông tin chi tiết về các thuật toán máy học khác nhau. Bạn sẽ học các mô hình học tập có giám sát, không giám sát và tăng cường.

Các chủ đề bao gồm:

• Phân loại hàng xóm gần nhất 
• Học Perceptron 
• Hỗ trợ máy vector 
• Hồi quy 
• Mất chức năng 
• Chính quy 
• Quy trình quyết định Markov 
• Q học 
• K-Means cụm 

Sau đây là các dự án cho mô-đun này:

• Dự đoán liệu khách hàng có hoàn thành giao dịch trực tuyến hay không 
• AI học chơi Nim bằng cách học tăng cường

Link: Học

Mô-đun này tập trung vào các nguyên tắc cơ bản về học tập sâu. Ngoài việc tìm hiểu các nền tảng của học sâu, bạn cũng sẽ học cách xây dựng và đào tạo mạng lưới thần kinh bằng TensorFlow.

Dưới đây là tổng quan về các chủ đề mà mô-đun mạng thần kinh đề cập:

• Mạng lưới thần kinh nhân tạo 
• chức năng kích hoạt 
• Xuống dốc 
• Lan truyền ngược 
• trang bị quá mức 
• Dòng chảy 
• Tích chập hình ảnh  
• Mạng lưới thần kinh chuyển đổi 
• Mạng nơron lặp lại 

Để kết thúc việc học của mình, bạn sẽ thực hiện một dự án nhận dạng biển báo giao thông. 

Link: Mạng lưới thần kinh

Mô-đun cuối cùng này tập trung vào làm việc với ngôn ngữ tự nhiên. Từ những điều cơ bản về Xử lý ngôn ngữ đến các biến đổi và sự chú ý, đây là danh sách các chủ đề mà mô-đun này đề cập đến:

• cú pháp 
• Ngữ nghĩa 
• ngữ pháp tự do ngữ cảnh 
• N-gam 
• Túi từ 
• Chú ý 
• Máy biến áp 

Dưới đây là các dự án cho mô-đun này:

• Trình phân tích cú pháp phân tích câu và trích xuất cụm danh từ 
• Dự đoán từ được che giấu 

Link: Ngôn ngữ

Từ thuật toán đồ thị đến học máy, học sâu và mô hình ngôn ngữ—khóa học này đề cập đến một số chủ đề cơ bản về AI. 

Tôi chắc chắn rằng việc giảng bài, xem lại ghi chú bài giảng và thực hiện các dự án hàng tuần sẽ là một trải nghiệm học tập tuyệt vời. Chúc bạn học tập vui vẻ!
 
 

Bala Priya C là một nhà phát triển và nhà văn kỹ thuật đến từ Ấn Độ. Cô ấy thích làm việc ở nơi giao thoa giữa toán học, lập trình, khoa học dữ liệu và sáng tạo nội dung. Các lĩnh vực chuyên môn và sở thích của cô bao gồm DevOps, khoa học dữ liệu và xử lý ngôn ngữ tự nhiên. Cô ấy thích đọc, viết, mã hóa và cà phê! Hiện tại, cô ấy đang nỗ lực học hỏi và chia sẻ kiến ​​thức của mình với cộng đồng nhà phát triển bằng cách viết các hướng dẫn, hướng dẫn cách thực hiện, các ý kiến, v.v.

• Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
• PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
• PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
• Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
• PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
• nguồn: https://www.kdnuggets.com/free-harvard-course-introduction-to-ai-with-python?utm_source=rss&utm_medium=rss&utm_campaign=free-harvard-course-introduction-to-ai-with-python