Foundations of Artificial Neural Networks through Manual Calculations (bằng tiếng Anh).

Để thực sự hiểu cách thức học sâu hoạt động, trước hết bạn phải nắm được cơ chế nền tảng của mạng nơron nhân tạo. Tự dựa vào các thư viện cấp cao có thể khiến bạn có khoảng trống trong hiểu biết khi gỡ lỗi hoặc tối ưu hóa kiến trúc mô hình. Chương trình chỉ có văn bản này hướng dẫn bạn qua toán học cơ bản và thiết kế cấu trúc của mạng nơron. Bằng cách thực hiện các phép tính thủ công từng bước, bạn sẽ xây dựng một sự nắm bắt trực giác vững chắc về cách dữ liệu chảy qua mạng, cách tính lỗi, và cách cập nhật trọng số trong quá trình huấn luyện. Kiến thức cơ bản này chuẩn bị cho bạn tự tin chuyển sang các khái niệm học sâu tiên tiến. Bạn sẽ học được: - Hiểu được nguồn cảm hứng sinh học đằng sau các nơ-ron nhân tạo và lịch sử của perceptrons. - Phân tích các tô pô mạng và các hàm kích hoạt khác nhau như Sigmoid, ReLU và Tanh. - Đo lường sự truyền và mất tích của tín hiệu để theo dõi dòng dữ liệu. - Thực hiện truyền ngược bằng tay sử dụng quy tắc chuỗi để cập nhật trọng lượng và thiên vị. - Tìm hiểu các kỹ thuật tối ưu hiện đại như Stochastic Gradient Descent và Adam. - Thiết kế kiến trúc mạng cơ bản trên giấy để giải quyết các nhiệm vụ phân loại và hồi quy đơn giản. Chúng ta sẽ bắt đầu với những định nghĩa cơ bản, so sánh các nơ-ron sinh học với các mô hình nhân tạo, và khám phá kiến trúc mạng cơ bản. Chương trình này được thiết kế cho người mới bắt đầu, những nhà khoa học dữ liệu đầy tham vọng, và những học sinh muốn hiểu sâu về toán học của mạng nơron trước khi viết mã. Không cần kinh nghiệm trước với thư viện học sâu, mặc dù đại số cơ bản có thể giúp ích. Bắt đầu đọc hôm nay để xây dựng một nền tảng chống đạn trong cơ học mạng nơron.