Học AI

Hiểu AI hoạt động thế nào bằng cách tự xây dựng

Hiểu AI hoạt động thế nào bằng cách tự xây dựng nó: 47 thử thách về mạng nơ-ron, học máy, Transformer và học tăng cường, không dùng thư viện AI. Mỗi thử thách chạy ngay trên trình duyệt, có kiểm thử tức thì và AI nhận xét.

  • Python · C++ · C#
  • Kiểm tra tự động
  • Đánh giá mã bằng AI

Cách học

  1. 1

    Khởi động với Python và NumPy

    Mảng và ma trận là ngôn ngữ của AI. Bỏ qua bước này nếu bạn đã biết chúng.

    Python cho AI →
  2. 2

    Đọc bài học khái niệm

    Mỗi module bắt đầu bằng một bài học ngắn với code chạy được, giải thích ý tưởng bằng lời đơn giản.

    Tất cả bài học AI →
  3. 3

    Giải các thử thách

    Tự cài đặt ý tưởng bằng Python, C++ hoặc C#, với test tức thì và AI nhận xét.

Chọn lộ trình học

Mạng nơ-ron từ con số 0

4 chương · 15 thử thách

Nơ-ron, lan truyền ngược và bộ tối ưu

  1. Nơ-ron và hàm kích hoạt trong Python Nền tảng 3 thử thách
  2. Lan truyền xuôi và hàm mất mát trong Python Lan truyền xuôi 3 thử thách
  3. Gradient descent và lan truyền ngược trong Python Huấn luyện 5 thử thách
  4. Các thuật toán tối ưu cho mạng nơ-ron: SGD, Momentum và Adam trong Python Huấn luyện tốt hơn 4 thử thách

Học máy từ con số 0

4 chương · 15 thử thách

Hồi quy, phân loại và phân cụm

  1. Chuẩn bị dữ liệu cho machine learning trong Python Làm việc với dữ liệu 3 thử thách
  2. Hồi quy tuyến tính và hồi quy logistic trong Python Hồi quy 4 thử thách
  3. Phân loại cơ bản: Softmax và k-láng giềng gần nhất trong Python Phân loại 6 thử thách
  4. Cosine similarity và phân cụm k-means trong Python Độ tương đồng và phân cụm 2 thử thách

Transformer và LLM từ con số 0

3 chương · 9 thử thách

Tokenizer, attention và sinh văn bản

  1. Tokenization: từ vựng, one-hot và byte pair encoding trong Python Tách token 3 thử thách
  2. Attention và self-attention trong Python Attention 4 thử thách
  3. Mô hình ngôn ngữ sinh văn bản như thế nào: temperature và top-k trong Python Chuẩn hóa và sinh văn bản 2 thử thách

AI cổ điển và học tăng cường

3 chương · 8 thử thách

Tìm kiếm, trò chơi và học tăng cường

  1. Tìm kiếm và AI cho trò chơi: A* và minimax trong Python Tìm kiếm, trò chơi và tiến hóa 4 thử thách
  2. Chuỗi Markov và bài toán khám phá - khai thác trong Python Xác suất và khám phá 2 thử thách
  3. Học tăng cường: value iteration và Q-learning trong Python Học tăng cường 2 thử thách
Tất cả thử thách AI
Dễ

Tích vô hướng của hai vector

Nhân hai vector theo từng phần tử rồi cộng kết quả lại, phép tính cốt lõi của mọi nơ-ron.

Bạn sẽ học VectorTích vô hướng
Mạng nơ-rontrí tuệ nhân tạohọc máy
Chưa có lời giải
Trung bình

Tìm kiếm A* trên lưới có trọng số

Tìm đường đi rẻ nhất qua một lưới chi phí địa hình bằng A*, thuật toán tìm đường phía sau game và robot.

Bạn sẽ học Tìm kiếm A*Heuristic
Graphslướiđường đi ngắn nhấttrí tuệ nhân tạo
Chưa có lời giải
Dễ

Các hàm kích hoạt

Áp dụng sigmoid, ReLU, Leaky ReLU hoặc tanh cho từng giá trị trong danh sách.

Bạn sẽ học SigmoidReLU và tanh
Mạng nơ-rontrí tuệ nhân tạohọc máy
Chưa có lời giải
Dễ

Một nơ-ron nhân tạo

Tính đầu ra của một nơ-ron, tổng có trọng số của các đầu vào cộng bias, rồi đưa qua sigmoid.

Bạn sẽ học Nơ-ronTổng có trọng số
Mạng nơ-rontrí tuệ nhân tạohọc máy
Chưa có lời giải
Khó

Lan truyền ngược trong mạng hai lớp

Tính mọi gradient của trọng số và bias trong mạng có một lớp ẩn sigmoid và một đầu ra sigmoid.

Bạn sẽ học Lan truyền ngượcQuy tắc dây chuyền
Mạng nơ-rontrí tuệ nhân tạohọc máy
Chưa có lời giải
Khó

Huấn luyện mạng nơ-ron giải bài toán XOR

Kết hợp tất cả: huấn luyện mạng sigmoid 2-2-1 bằng lan truyền ngược cho đến khi học được XOR.

Bạn sẽ học Huấn luyện mạng nơ-ronBài toán XOR
Mạng nơ-rontrí tuệ nhân tạohọc máy
Chưa có lời giải