Một danh sách các tài liệu miễn phí được chọn lọc kỹ lưỡng, giúp bạn tìm hiểu về khoa học, logic và khía cạnh thực tế của trí tuệ nhân tạo.
Khi mới bắt đầu học AI, tôi đã dành rất nhiều thời gian để sao chép mã từ các hướng dẫn, nhưng tôi nhận ra mình thực sự không hiểu cách thức hoạt động của chúng. Kỹ năng thực sự không chỉ là chạy các mô hình. Đó là việc biết tại sao chúng hoạt động và cách áp dụng chúng vào các vấn đề thực tế. Sách về AI đã giúp tôi tìm hiểu các khái niệm, lý do và khía cạnh thực tế của AI theo cách mà không một hướng dẫn nhanh nào có thể làm được. Với suy nghĩ này, chúng tôi đang bắt đầu series này để giới thiệu những cuốn sách MIỄN PHÍ nhưng thực sự giá trị. Bài viết này dành cho tất cả những ai muốn học AI, và đây là những gợi ý đầu tiên.
Cuốn sách Neural Networks and Deep Learning sẽ hướng dẫn bạn từ những kiến thức cơ bản về mạng nơ-ron đến việc tự xây dựng và huấn luyện các mô hình sâu. Nó bắt đầu với những ý tưởng đơn giản như perceptron và nơ-ron sigmoid, sau đó hướng dẫn bạn cách tạo một mạng có thể nhận dạng chữ số viết tay. Bạn cũng sẽ thấy cách backpropagation thực sự hoạt động để huấn luyện các mô hình này, và cách cải thiện chúng bằng các yếu tố như hàm chi phí, chính quy hóa, khởi tạo trọng số và tinh chỉnh siêu tham số. Có rất nhiều ví dụ mã Python để bạn có thể tự kiểm tra và xem mọi thứ kết nối với nhau như thế nào. Nó kết hợp hài hòa cả trực giác và toán học, giúp bạn bắt đầu hiểu không chỉ cách mạng nơ-ron hoạt động mà còn tại sao. Nếu bạn đã có một chút kiến thức toán học (như đại số tuyến tính hoặc giải tích), đây là một lựa chọn tốt để đi sâu hơn việc chỉ sử dụng một thư viện và thực sự biết những gì đang diễn ra bên trong.
Deep Learning cung cấp một cái nhìn tổng quan rất tốt về học sâu và cách máy móc thực sự học hỏi từ kinh nghiệm, xây dựng các ý tưởng phức tạp từ những ý tưởng đơn giản hơn. Nó bắt đầu với phần toán học bạn sẽ cần, như đại số tuyến tính, xác suất, lý thuyết thông tin và một chút tính toán số học, sau đó đi qua những kiến thức cơ bản về học máy. Sau đó, cuốn sách đi sâu hơn vào các phương pháp học sâu hiện đại như mạng truyền thẳng, mạng tích chập và mạng hồi quy, chính quy hóa và tối ưu hóa, chỉ ra cách chúng được sử dụng trong các dự án thực tế. Nó cũng đề cập đến một số chủ đề nâng cao như bộ mã hóa tự động (autoencoder), học tạo sinh và biểu diễn, và các mô hình xác suất có cấu trúc. Cuốn sách này chủ yếu dành cho những người có nền tảng toán học vững chắc, vì vậy nó giống một tài liệu tham khảo phù hợp cho nghiên cứu hoặc công việc nâng cao hơn là một hướng dẫn dành cho người mới bắt đầu.
Liên kết:
Khóa học miễn phí Practical Deep Learning được thiết kế dành cho những người đã biết lập trình và muốn thực hành với học máy và học sâu. Thay vì chỉ đọc lý thuyết, bạn sẽ bắt đầu xây dựng các mô hình cho các tác vụ thực tế ngay lập tức. Khóa học bao gồm các công cụ hiện đại như Python, PyTorch và thư viện fastai, đồng thời chỉ cho bạn cách xử lý mọi thứ từ làm sạch dữ liệu đến huấn luyện, kiểm thử và triển khai mô hình. Bạn sẽ làm việc với các sổ tay, tập dữ liệu và vấn đề thực tế để học bằng cách thực hành. Trọng tâm là các phương pháp thực tế, cập nhật để chọn thuật toán phù hợp, xác thực nó đúng cách, mở rộng quy mô và triển khai nó.
Cuốn sách Artificial Intelligence: Foundations of Computational Agents giải thích AI thông qua ý tưởng về “các tác nhân tính toán” (computational agents) – những hệ thống có thể cảm nhận, học hỏi, suy luận và hành động. Ấn bản mới nhất bổ sung các chủ đề mới hơn như mạng nơ-ron, học sâu, quan hệ nhân quả, và các khía cạnh xã hội, đạo đức của AI. Nó chỉ ra cách các tác nhân được xây dựng, cách chúng lập kế hoạch và hành động, và cách chúng xử lý các tình huống phức tạp hoặc không chắc chắn. Mỗi chương bao gồm các thuật toán bằng Python, các nghiên cứu điển hình và các cuộc thảo luận thực tế, giúp bạn hiểu cả cách thức và lý do. Đây là sự pha trộn cân bằng giữa lý thuyết và thực hành, rất phù hợp cho sinh viên hoặc bất kỳ ai muốn có một giới thiệu hiện đại và sâu sắc về AI.
Bài báo Ethical Artificial Intelligence xem xét cách các hệ thống AI trong tương lai có thể hành xử theo những cách chúng ta không mong đợi hoặc có thể gây hại, và nó đề xuất các cách để thiết kế chúng một cách an toàn. Nó bắt đầu bằng cách chỉ ra rằng AI có thể học các mô hình thế giới phức tạp hơn nhiều so với khả năng hiểu đầy đủ của con người, điều này khiến việc đảm bảo an toàn trở nên khó khăn. Các tác giả khuyến nghị sử dụng các hàm tiện ích (mô tả toán học về những gì AI nên quan tâm) thay vì các quy tắc mơ hồ, vì chúng làm cho mục tiêu rõ ràng hơn. Nó cũng đề cập đến các vấn đề như tự lừa dối, khi AI có thể làm sai lệch các quan sát hoặc phần thưởng của chính nó, các hành động “lối tắt” ngoài ý muốn gây hại cho chúng ta, và sự hỏng hóc bộ tạo phần thưởng, khi AI thao túng hệ thống phần thưởng của chính nó. Các tác giả đề xuất các mô hình học các giá trị của con người, sử dụng các định nghĩa hữu hạn và bao gồm khả năng tự mô hình hóa để AI có thể suy luận về hành động của chính nó. Nó cũng xem xét bức tranh lớn hơn, như cách AI có thể tác động đến xã hội, chính trị và tương lai của nhân loại.
Những cuốn sách (và một bài báo, một khóa học) này bao gồm nhiều kiến thức mà một kỹ sư AI cần, từ mạng nơ-ron và học sâu đến lập trình thực hành, AI dựa trên tác nhân và các vấn đề đạo đức. Chúng cung cấp một lộ trình rõ ràng từ việc tìm hiểu các ý tưởng đến việc áp dụng AI vào các tình huống thực tế. Bạn muốn tôi đề cập đến những chủ đề nào tiếp theo? Hãy để lại gợi ý của bạn trong phần bình luận!
Kanwal Mehreen là một kỹ sư học máy và là một cây bút kỹ thuật với niềm đam mê sâu sắc về khoa học dữ liệu và sự giao thoa giữa AI với y học. Cô đồng tác giả cuốn sách điện tử "Maximizing Productivity with ChatGPT". Với tư cách là Học giả Google Generation 2022 cho APAC, cô ủng hộ sự đa dạng và xuất sắc trong học thuật. Cô cũng được công nhận là Học giả Teradata Diversity in Tech, Học giả Mitacs Globalink Research và Học giả Harvard WeCode. Kanwal là một người ủng hộ nhiệt thành cho sự thay đổi, đã thành lập FEMCodes để trao quyền cho phụ nữ trong các lĩnh vực STEM.
